桥水与AQR重金押注生成式AI 华尔街对冲基金加速洗牌中后台

当AI来到华尔街：对冲基金经理们该担心自己的饭碗吗？【硅谷101】 — 硅谷101

硅谷101

虽然生成式AI目前仅能作为“决策助手”处理非结构化文本，无法替代人类进行最终的投资决策，但无法熟练应用AI的基金经理和中后台团队正面临被行业淘汰的现实风险。

AI-assisted summary of 当AI来到华尔街：对冲基金经理们该担心自己的饭碗吗？【硅谷101】 — original source. Check the original for full context.

Source published:

Detailed notes

## Background 该内容由 Bilibili 平台上的“硅谷101”频道于 2025 年 3 月 5 日发布。视频主要探讨了从幻方旗下的 DeepSeek 引发的关注出发，AI 与量化金融之间的紧密连接，展示了华尔街量化对冲基金在面对高度监管与白热化竞争时如何拥抱生成式 AI，并剖析了不同投资风格的巨头在这场变革中的探索与决胜优势。

## TL;DR 视频深入梳理了华尔街对冲基金从传统基本面投资到量化投资（如多因子、统计套利、高频交易）的发展历程，并探讨了生成式 AI 带来的生产力变革。目前，生成式 AI 正在基本面分析中大显身手，完美解决了非结构化文本数据的清洗与归纳痛点，并极大提升了中后台风控和合规自动化的效率。尽管 AQR 等基金正尝试利用大模型挖掘全新的非线性交易信号并优化因子权重，但由于零和博弈的同质化竞争与对错误零容忍的行业特性，AI 目前在华尔街仍主要扮演“勤奋实习生”和决策助手的角色，最终决策仍由人类掌控。

## Atmosphere & style 整个视频充满着前沿科技与金融世界碰撞的硬核气息和时代紧迫感。通过特约研究员逸文在纽约证券交易所前的现场视角，节目展现了一种实地探访的专业度与纪实感，叙事节奏紧凑且富有逻辑。从回顾 AQR 逆势对抗科技股泡沫的惊心动魄，到大奖章基金缔造的数学神话，再到当下基金经理面对难以跑赢大盘的焦虑，整体情绪弧线从对技术变革的兴奋逐步过渡到对行业内卷和零和博弈的深度理性反思，让观众能真切感受到华尔街在“不进则退”的 AI 浪潮中所蔓延的激进与敬畏并存的氛围。

## Key takeaways - [00:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=0s) 面对特朗普政府上台、贸易战等不确定性，桥水基金高调推出20亿美元的完全机器学习决策基金，量化投资与AI融合加速。 - [03:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=180s) 基本面投资依赖深度尽调来建立“信息差”并追求极高的选股能力（IC），但由于受限于人力，其投资决策的广度（Breadth）较低。 - [03:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=180s) “主动管理基本定律”公式（$IR = IC \times \sqrt{Breadth}$）解释了投资收益的来源：量化投资的核心在于通过计算机极大地提升决策的广度。 - [05:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=300s) 多因子量化基金AQR曾凭借“动量因子”逆势做空2000年科技股泡沫而大获全胜，但在2019年因采用“静态权重”未能动态调整策略而遭遇量化寒冬。 - [11:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=660s) 西蒙斯创立的文艺复兴科技大奖章基金是统计套利的传奇，其通过高频调仓和对机器学习（黑箱模型）的高度接纳，实现了34年40%的年化净回报率。 - [15:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=900s) 高频交易（HFT）如城堡证券（Citadel Securities）依靠速度和对市场订单流的垄断获取第一手信息，但目前纯速度内卷已达瓶颈。 - [15:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=900s) 生成式AI的崛起最先利好的是看起来离AI最远的基本面分析，因为其能完美解决基本面投资中极其杂乱的非结构化文本数据（财报、替代数据等）的清洗与归纳痛点。 - [22:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=1320s) 在日常运作中，生成式AI担任“勤奋的实习生”角色，能将复杂的宏观报告准备时间从2天缩短至30分钟，极大提升了前台研究效率。 - [22:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=1320s) AI在中后台引发自动化革命，通过AI Agent自动对接风险分析工具，大幅削减合规与风控的人力成本，传统需要多人的中台风控团队正面临缩减。 - [25:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=1500s) 大语言模型能够识别传统线性回归模型无法发现的非线性关系，AQR等基金通过大模型动态调配因子权重（复杂性的价值），在内部回测中显著提升了投资回报。 - [25:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=1500s) 金融市场是零和博弈，如果各家对冲基金使用同质化的AI底层模型，其策略的超额收益（Alpha）很容易被迅速抹平，且端到端AI策略存在无法解释的局限性。 - [31:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=1860s) 巴菲特等传统基本面巨头对AI投资仍持保守态度，依赖自身极高的商业认知护城河；但面对全行业跑赢大盘愈发困难的现实，华尔街已普遍重金投入大模型研发。 - [31:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=1860s) 当前阶段AI在华尔街的最终定位仍是决策助手（Decision Assistant），无法替代人类做出最终投资决策并承担风险，但“会用AI的人将替代不用AI的人”。

## Detailed walkthrough ### [00:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=0s) 充满不确定性的市场与 AI 带来的变革希望

2024 年对美股而言是相当不错的一年，标普 500 指数涨幅高达 24%，创下了 25 年来最佳的连续两年表现。主流对冲基金的成绩单也还算过得去，但进入 2025、2026 年，市场走向变得愈发扑朔迷离。特朗普政府的上台、贸易战的开打、AI 赛道有待验证的盈利能力，以及美联储降息的步伐，都为金融市场注入了更高的不确定性。在这样白热化的竞争环境下，如何在有限的资源下获得更大的回报，成了基金经理们最头疼也最关心的问题。而人工智能（AI）和机器学习（Machine Learning）的爆发，让不少对冲基金看到了产业变革的曙光。

全球最大的对冲基金桥水（Bridgewater）在去年高调宣布，将推出一支完全利用机器学习进行决策的基金，规模达 20 亿美元，并且会整合使用包括 OpenAI、Anthropic 和 Perplexity 在内的人工智能模型。与此同时，顶级多因子量化基金 AQR 的创始人克里夫·阿斯内斯（Cliff Asness）甚至在一次采访中直言：“AI 即将取代我的工作。”在英伟达的 GTC 峰会上，Moline Capital 的投资经理特雷弗·莫托（Trevor Motto）更是兴奋地表示，AI 让我们进入了一个全新的时代。不过，市场中也不乏持有保留态度的知名投资人，他们对大语言模型（LLM）究竟如何实质性改变金融服务行业、高度监管且对错误零容忍的量化基金是否真的能接纳 AI 仍心存怀疑。

- **市场背景**：2024 年标普 500 涨幅达 24%，但后续市场因政治与宏观经济因素不确定性大增。 - **桥水基金动态**：宣布推出 20 亿美元的完全机器学习决策基金，应用 OpenAI、Anthropic 和 Perplexity 的模型。 - **核心追问**：AI 究竟能不能帮我们选股票？不断发展的技术即将取代什么样的工作？

---

[03:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=180s) 基本面投资的“信息差”与主动管理基本定律

要理解 AI 如何赋能对冲基金，首先需要回顾对冲基金行业与技术发展密不可分的历史。在纽约华尔街纽交所前，硅谷 101 特约研究员逸文介绍道，大家平时最熟悉的投资方式是“基本面投资”（Fundamental Investing），其代表人物就是股神巴菲特。基本面投资需要深度了解一家公司的业务、竞争对手的差距以及宏观事件对公司前景的影响。对于基本面投资人来说，“信息差”就是他们的竞争法宝。他们通过分析公开信息（如财报、媒体报道、见面会）来做决策。

然而，公开信息人人皆可获取，深度的一手调查研究才是拉开差距的关键。例如浑水（Muddy Waters）和黑石旗下的兴登堡研究（Hindenburg Research），都曾通过揭示上市公司的造假和违规行为，精准做空来获取暴利。为了量化这种投资逻辑，金融学中有一个著名的“主动管理基本定律”（Fundamental Law of Active Management），公式为： $$IR = IC \times \sqrt{Breadth}$$

在这里， $IR$（Information Ratio，信息率）衡量的是超额风险带来的超额收益； $IC$（Information Coefficient，信息系数）评估的是模型预测值与实际结果的相关性，代表基金经理的选股能力；而 $Breadth$（广度）则是指在同一时间内做了多少个相互独立的投资决策。基本面投资的特点就在于通过深挖个股逻辑去追求极高的 $IC$，虽然受限于人力，其投资持仓的广度（$Breadth$）不可能很高，但通过细致的尽调和主观判断（Discretionary Alpha），同样能取得优异的 $IR$。不过，随着技术进步，越来越多的基金开始采用混合策略，拼信息差变得越来越难，拼技术反倒成了大势所趋。

- **主动管理基本定律**：$$IR = IC \times \sqrt{Breadth}$$ - **基本面投资特点**：持仓量不高（广度低），但对单一标的研究极其细致，拥有极高的 $IC$ 选股能力。 - **知名做空机构**：浑水（Muddy Waters）、兴登堡研究（Hindenburg Research），依靠深度尽调打破信息不对称。

---

[05:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=300s) 量化投资的兴起与 AQR 狂踩科技股泡沫

相比于依赖主观判断的基本面投资，量化投资（Quantitative Investment）则是技术驱动的典型。19 世纪末，人们通过观察金融市场的历史行为发现价格有迹可循，从而绘制出了 K 线图进行技术分析。50 年代，经济学家马克维茨（Harry Markowitz）提出了现代投资组合理论（Modern Portfolio Theory），用数学模型解释了如何利用分散投资建立风险与收益平衡的组合。延续这一理论，市场上衍生出了多因子（Multi-factor）、Smart Beta 和基本面量化（Fundamental Quant）等风格。

量化投资的核心思想是在主动管理基本定律中，虽然我的 $IC$（预测准确度）不一定非常高，但我可以通过计算机把广度（$Breadth$）极大地提起来。所谓“因子”，就是影响股票涨跌的客观量化指标。例如，若基本面分析认为女性高管多的公司承担风险能力强、股票更易上涨，量化投资人就会将“董事会中女性董事数量”提炼为一个因子，在市场中对所有公司排序，做多排在前面的公司、做空排在后面的公司。这就是最基本的多空组合思想。

在这种多因子投资风格中，最著名的代表就是 AQR 资本管理公司。其创始人克里夫·阿斯内斯是有效市场理论奠基人尤金·法马（Eugene Fama）的学生。1993 年，法马和弗兰奇创立了三因子模型（市场风险、市值、估值），指出小盘股和价值股更容易跑赢大盘。而阿斯内斯在研究中进一步发现了“动量因子”（Momentum），即正在上涨的股票短期内会继续走强。2000 年 8 月，华尔街对科技股趋之若鹜时，AQR 却根据因子模型反其道而行之，疯狂买入被冷落的传统行业便宜股票。这种逆势操作曾让 AQR 账面惨重，管理规模从 10 亿美元缩水至 4 亿。但阿斯内斯顶住压力发表了《泡沫逻辑》一文，痛斥“当谬误盛行时，总得有人站出来戳穿皇帝的新衣”。最终泡沫破裂，纳斯达克在两年内狂跌 77.9%，而 AQR 大获全胜，管理资产在 2004 年暴涨至 120 亿美元。

- **因子定义**：影响股票涨跌的因素，转化为客观可量化的指标（如市值、估值、动量等）。 - **三因子模型**：由尤金·法马和弗兰奇提出，包含市场风险、市值（小盘股优势）和估值（价值股优势）。 - **AQR 战绩**：在 2000 年科技股泡沫中逆势做空高估值科技股，泡沫破裂后名声大噪，2018 年成为全球第二大对冲基金。

---

[11:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=660s) 量化寒冬与统计套利传奇：文艺复兴大奖章基金

然而，任何策略都有其周期。2019 年，AQR 迎来了残酷的“量化寒冬”。当时 AQR 坚持的多因子策略采用的是“静态权重”，例如设定动量因子占 40%、价值因子占 30%、质量因子占 30%，无论市场如何变化都不动态调整。结果在 2020 年前六个星期里，价值投资遭遇了严重的滑铁卢，传统的历史数据回测失效，AQR 经历了一次大规模的人员离职变动。这也逼迫他们痛定思痛，开始在原本的模型上增加更多灵活性，并开始将目光投向 AI。

除了多因子投资，量化界还有另外两种更具杀伤力的风格：统计套利（Statistical Arbitrage）和高频交易（High-Frequency Trading, HFT）。这两种风格完全抛弃了金融学的叙事和底层逻辑，纯粹靠算法和算力在速度与概率上击败对手。提到统计套利，就不得不提对冲基金界的传奇——吉姆·西蒙斯（Jim Simons）和他创立的文艺复兴科技（Renaissance Technologies）。西蒙斯于去年 5 月逝世，享年 86 岁。他旗下的大奖章基金（Medallion Fund）堪称人类历史上最成功的单一投资工具，在 34 年间实现了高达 40% 的年化净回报率（扣除服务费前更是惊人的 66%），累计创造了 600 亿美元的利润。

统计套利依靠三大法宝：技术分析、时间序列分析和机器学习。文艺复兴科技对机器学习（尤其是端到端深度学习）的接受度极高，因为他们不纠结于“黑箱”背后的金融逻辑，只看重数据间的关联性。前联席总裁罗伯特·莫瑟（Robert Mercer）曾有一句名言：“没有哪种数据会比拥有更多数据更好。”在这类策略下，大奖章基金的调仓频率极高，平均三天就会更换一次持仓。

- **静态权重的弊端**：无法随市场环境动态调整因子比例，导致 AQR 在 2020 年初遭遇重创。 - **大奖章基金神话**：34 年间年化净回报率 40%，扣费前 66%，总利润 600 亿美元。 - **统计套利三要素**：技术分析、时间序列分析、机器学习。调仓频率约为平均三天一次。

---

[15:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=900s) 高频交易的硬件内卷与非结构化数据的“信息矿山”

比统计套利更极致的是高频交易（HFT）。高频交易依赖超高速的数据传输和算法，在几毫秒甚至几微秒内进行成千上万次交易，赚取极短时间内的微小价差。在这条赛道上， Citadel Securities（城堡证券）是绝对的霸主，占据了美国高频交易市场 41.5% 的份额。散户爱用的 Robinhood 等券商，大量的交易订单最终都会流向城堡证券。由于城堡证券处理的交易极多，它拿到的市场第一手信息也最多，形成了巨大的垄断优势。曾经，高频交易经历过野蛮生长的黄金期，各家基金不惜砸重金铺设从纽约到伦敦的海底光纤，只为快上 0.0几秒。但时至今日，纯靠速度的内卷已经到头，各大基金开始转向在流动性较弱的市场中寻找机会，未来的对冲基金构成分类也愈发复杂。

既然统计套利和高频交易天生就和机器学习亲近，那生成式 AI（Generative AI）的崛起最先利好的是它们吗？事实恰恰相反。最先对生成式 AI 产生狂热兴趣的，反而是看起来离 AI 最远的基本面分析。

金融业一直面临一个痛点：数据的处理。统计套利和高频交易处理的多是代表价格、成交量的“结构化数字数据”，处理难度相对较低。而基本面分析所依赖的原料——财报、证监会报告、媒体报道、高管演说，全是密密麻麻的“非结构化文字数据”。早在 2016 年，随着监管完善导致公开披露信息爆炸，加之信用卡消费记录、社交媒体评论、甚至卫星图像等“替代数据”（Alternative Data）的引入，文字数据的体量已经大到让人类分析师窒息。正如业界人士所说："Text data is really, really messy."（文本数据真的非常非常杂乱）。面对来自路透社、华尔街日报、甚至 Reddit 和 Twitter（X）上铺天覆地的非结构化信息，基金经理需要耗费巨大的精力去阅读、消化和提炼。而这恰恰是 ChatGPT 等生成式 AI 最擅长的拿手好戏。

- **城堡证券（Citadel Securities）**：垄断了美国 41.5% 的高频交易市场份额，拥有庞大的市场数据优势。 - **替代数据（Alternative Data）**：包括信用卡交易、社交媒体评价、卫星图像等非常规数据。 - **生成式 AI 的突破点**：完美契合基本面分析对大量非结构化文本数据（如卖方报告、新闻、推文）的清洗与归纳需求。

---

[22:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=1320s) 从“勤奋的实习生”到中后台的自动化革命

在目前的对冲基金日常运作中，生成式 AI 就像一名“勤奋的实习生”。它能通过构建 AI Agent（人工智能体），帮助股票分析师和投资经理将海量的卖方研究（Saleside Research）从非结构化文本转化为可以轻松查询的结构化数据库。它能根据需求迅速编写基础代码、自动生成图表。巴里亚斯尼资产管理公司（Balyasny Asset Management）的首席经济学家克里斯·波尔曼（Chris Polman）就曾透露，过去需要花费他整整两天时间来准备的中央银行会议预览报告，现在利用 AI 整理各路经济学家观点并生成图表，仅仅 30 分钟就能搞定。

除了提高前台的研究效率，生成式 AI 带来更深层次的革命在于“工具技术的智能化”，这极大地冲击了对冲基金的中台和后台。自 2008 年金融危机后，美国通过了《多德-弗兰克法案》（Dodd-Frank Act），对冲基金面临极为严苛的合规与风险披露义务。过去，一个对冲基金的风险管理（Risk Analysis）团队可能需要 5 到 10 个人，每个人配一套专业软件。但在 AI 时代，你只需要把资产组合（Portfolio）直接丢给一个集成了 AI 的风险分析 Agent，它就能自动生成合规报告，甚至允许你用自然语言对它进行交互问询。这种流程的自动化，意味着过去需要 10 个人的中台风控团队，现在可能 2 个人就足够了，大量的重复性后台行政、法律审查工作正被无情替代。

- **工作效率提升案例**：中央银行会议预览报告的准备时间从 2 天大幅缩短至 30 分钟。 - **中后台革命**：AI Agent 能够自动对接风险分析工具，大幅削减合规（Compliance）与风控（Risk Management）的人力成本。 - **行业金句**：“AI 短期之内是不会代替人的，尤其不会代替人去决策；但是会用 AI 的人，会去代替掉那些不用 AI 的人。”

---

[25:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=1500s) AI 挖掘交易信号与复杂性价值的博弈

那么，AI 能否更进一步，从“实习生”跃升为“分析师”，直接为对冲基金捕捉到超额收益（Alpha）呢？业界的看法开始出现分歧与谨慎。目前，AQR 等前沿量化基金正在尝试利用大语言模型从文字数据中挖掘全新的“交易信号”（Trading Signals）。例如，通过情绪识别（Sentiment Recognition）分析管理层在财报电话会议中的语气是正面还是负面，或者美联储官员的发言到底是鹰派（Hawkish）还是鸽派（Dovish）。英伟达的量化分析师约纳·博耶（Iona Boyer）以及专注于替代数据的数据商 AQTI Trading，都在积极推出由 AI 驱动的外汇与加密货币交易信号服务。

更前沿的尝试发生在多因子权重的动态调配上。回顾 AQR 在 2019 年由于主观人为调高价值因子权重而导致的巨额亏损，AQR 机器学习部门主管布莱恩·凯利（Brian Kelly）认为，大语言模型这种在训练中使用了海量数据、拥有庞大预测变量的复杂模型，能够比传统的线性回归统计模型更好地识别因子与股票变化之间的“非线性关系”。这种由于大模型自身的复杂性而带来的更准确的权重分配，被凯利称为“复杂性的价值”（The Value of Complexity）。在 AQR 的内部试验中，这种大模型动态调配让部分策略的投资回报提升了 50% 到 100%。

学术界和业界也构想了未来的全 Agent 阵容： * **时间序列 Agent**：决定采用 Transformers 还是 LSTM（长短期记忆网络）来进行股价的时间序列预测。 * **基本面 Agent**：深度剖析财务报表与商业计划等定性信息。 * **ESG Agent**：评估环境、社会责任与公司治理因素。 * **合规 Agent**：在投资前自动审查高管的背景与犯罪记录。

然而，对冲基金也面临着残酷的同质化竞争（Competitive Game）。如果大家的 AI 工具、底层模型都一样，你能做出来的策略别人也能做出来，甚至只要花三个月、六个月总能找到另一组更专业的 AI 专家做出更好的业绩。单纯依靠“端到端”的 AI 策略，很容易让基金在面对客户时陷入无法解释、缺乏信任的尴尬境地。

- **复杂性的价值**：大模型能捕捉传统线性回归模型无法发现的非线性关系，为因子配置更准确的权重。 - **AQR 试验数据**：引入大模型优化后，部分投资回报在回测中提升了 50% 至 100%。 - **竞争局限性**：金融是一个差之毫厘谬以千里的零和博弈（Zero-sum game），工具的普及可能导致 Alpha 迅速被抹平。

---

[31:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=1860s) 走向未来的华尔街：实习生能否翻身做主人？

回到传统的资产管理界，巨头们对待 AI 的态度也在悄然发生转变。2023 年 ChatGPT 刚火爆全球时，在奥马哈的伯克希尔·哈撒韦年会上，巴菲特和当时尚未去世的芒格对 AI 显得有些嗤之以鼻。到了 2024 年，巴菲特被问及 AI 时依然回答得十分含糊：“我真的不知道 AI 这回事。”而他的接班人格雷格·阿贝尔（Greg Abel）给出的回答也同样显示出对 AI 并不是特别 care。对于像巴菲特这样的基本面股神而言，他对可口可乐、保险业、石油公司的零售与商业本质的理解已经超乎常人，他自身的信息差与护城河壁垒已经足够高。但这种“不Care”也让不少持有伯克希尔股票的年轻股东在视频下方留言表达了担忧。

现实是残酷的。如今华尔街的对冲基金经理们处境并不乐观，尽管美股大盘一路上扬，但基金们却越来越难以跑赢标普 500 指数。这么多年过去，市场上再也没有出现第二个巴菲特。现在在华尔街，能跑赢大盘就已经是可以让人竖起大拇指的顶尖业绩了。

因此，几乎没有哪家华尔街大型对冲基金不在大模型上砸下重金。虽然目前的 AI 策略、AI 选股在很多时候依然显得不够靠谱，AI 依然无法替代人类交易员和投资人做出最终的投资决策，它在华尔街还只是扮演着一名努力工作的“实习生”角色。但随着大模型能力的演进与应用落地，未来使用 AI 的能力是否会彻底颠覆传统的基本面信息差、成为决定对冲基金生死的关键胜负手，整个华尔街都在拭目以待。

- **传统巨头态度**：巴菲特及其接班人对 AI 涉足核心投资仍持传统保守态度，依赖极高的商业认知壁垒。 - **行业现状**：跑赢大盘（S&P 500）变得极其困难，宏观策略与传统基本面举步维艰，全行业被迫重金投入大模型研发。 - **最终定位**：当前阶段 AI 仍处于 Decision Assistant（决策助手）的阶段，最终的投资决策权和风险承担者依然是人类。

## Notable quotes > [00:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=0s) AI 即将取代我的工作。 — 克里夫·阿斯内斯（Cliff Asness）

> [05:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=300s) 当谬误盛行时，总得有人站出来戳穿皇帝的新衣。 — 克里夫·阿斯内斯（Cliff Asness）

> [11:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=660s) 没有哪种数据会比拥有更多数据更好。 — 罗伯特·莫瑟（Robert Mercer）

> [15:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=900s) Text data is really, really messy. — 业界人士

> [22:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=1320s) AI 短期之内是不会代替人的，尤其不会代替人去决策；但是会用 AI 的人，会去代替掉那些不用 AI 的人。

> [31:00](https://www.bilibili.com/video/BV1V39dYHEjm?t=1860s) 我真的不知道 AI 这回事。 — 巴菲特

## Mentioned DeepSeek, 幻方基金, 硅谷101, Yiwen, 桥水, Bridgewater, OpenAI, Anthropic, Perplexity, AQR, 克里夫·阿斯内斯, Cliff Asness, Moline Capital, 特雷弗·莫托, Trevor Motto, 巴菲特, 浑水, Muddy Waters, 兴登堡研究, Hindenburg Research, 黑石, 马克维茨, Harry Markowitz, 尤金·法马, Eugene Fama, 弗兰奇, 吉姆·西蒙斯, Jim Simons, 文艺复兴科技, Renaissance Technologies, 大奖章基金, Medallion Fund, 罗伯特·莫瑟, Robert Mercer, Citadel Securities, 城堡证券, Robinhood, ChatGPT, 巴里亚斯尼资产管理公司, Balyasny Asset Management, 克里斯·波尔曼, Chris Polman, 约纳·博耶, Iona Boyer, 英伟达, AQTI Trading, 布莱恩·凯利, Brian Kelly, 芒格, 格雷格·阿贝尔, Greg Abel, 伯克希尔·哈撒韦

## 弹幕氛围 (Danmaku mood) — 282 条 观众整体呈现出理性、思辨且带有一定调侃的氛围。开场时大量数字弹幕营造了活跃的打卡气氛，随后观众围绕AI炒股、量化交易及金融本质展开了深度讨论，部分观众对本期内容的深度和逻辑提出了客观的吐槽与质疑，同时也有不少针对“Raw Data”谐音梗、女性高管假设等话题的互动和争论。

**整体情绪**：😊 正面 15% · 😐 中性 60% · 😞 负面 25%

**热议点** - **开场刷数字与打卡氛围** —— “5” - **探讨AI、量化交易与金融的本质** —— “ai炒股不就是量化吗？难道ai能挖掘之前量化挖掘不了的数据？” - **对视频深度、分类逻辑及专业度的吐槽与评价** —— “这页分类真的好奇怪 第一个是按module分类 第二个是按用途分类 第三个是按影响力第四个又回到了按功能分类” - **提及DeepSeek创始人的背景等冷知识** —— “冷知识：deepseek最早就是用来炒股的” - **针对“女性高管”假设的争议与讨论** —— “举个例子怎么就破防了” - **对“Raw Data”与沙拉/寿司的双关谐音梗解读** —— “这里raw是个双关笑话，指没有经过预处理的原始数据，明显和寿司还是沙拉没关” - **对巴菲特投资理念与AI时代趋势的对比和反思** —— “大家都在挖alpha，最后大家都没alpha了。吃beta不香吗？”

**代表弹幕** > AI：我下海了，欢迎捧场

> 冷知识：deepseek最早就是用来炒股的

> 如果所有人都用同一个模型数据库的ai炒股就变态了

> 最近几期的深度真的不太行

> 基于transform架构的LLM算法(AI)，不等于传统量化算法。两回事情

> 感谢硅谷101让我知道了alpha几乎是不可能的

> 天下武功唯快不破

> 未处理过的数据 Raw Data，Raw=生食

> 笑死，那以后的竞争就变成了，谁家的ai幻觉更少了

> 自谦的“不懂”并不一定比傲慢的“懂”更不懂

> 大家都用＝都没用，大家用你不用＝

[Source](https://www.bilibili.com/video/BV1V39dYHEjm)

中文简报

桥水与AQR重金押注生成式AI 华尔街对冲基金加速洗牌中后台 虽然生成式AI目前仅能作为“决策助手”处理非结构化文本，无法替代人类进行最终的投资决策，但无法熟练应用AI的基金经理和中后台团队正面临被行业淘汰的现实风险。 视频深入梳理了华尔街对冲基金从传统基本面投资到量化投资（如多因子、统计套利、高频交易）的发展历程，并探讨了生成式AI带来的生产力变革。目前，生成式AI正在基本面分析中大显身手，有效解决了非结构化文本数据的清洗与归纳痛点，并极大提升了中后台风控和合规自动化的效率。尽管AQR等基金正尝试利用大模型挖掘全新的非线性交易信号并优化因子权重，但由于零和博弈的同质化竞争与对错误零容忍的行业特性，AI目前在华尔街仍主要扮演“勤奋实习生”和决策助手的角色，最终决策仍由人类掌控。 面对宏观与政策的不确定性，对冲基金加速融入AI，桥水基金高调推出20亿美元完全由机器学习决策的基金；与依赖极高选股能力（IC）的基本面投资相比，量化投资的核心优势在于借助算力极大扩展投资决策的广度（Breadth）。 (0:00) 文艺复兴大奖章基金凭借拥抱机器学习黑箱和高频统计套利，创下34年40%年化净回报的奇迹；而曾因采用静态权重遭遇量化寒冬的AQR，如今利用大模型挖掘情绪交易信号并捕捉非线性关系，以动态优化因子权重配置。 (11:00) 高频交易纯速度内卷已达瓶颈，生成式AI最先赋能的反而是离算法较远的基本面分析，有效攻克了财报、研报及海量替代数据中非结构化文本繁杂散乱的处理痛点。 (15:00) 目前生成式AI主要扮演对冲基金中“勤奋的实习生”，能将宏观研报整理时间从2天缩短至30分钟并重构中后台风控合规流程；虽然最终决策权仍在人类手中，但会用AI的人正在快速替代不用AI的人。 (22:00)

Reading summary

面对宏观不确定性加剧与跑赢大盘的现实压力，华尔街对冲基金正加速引入生成式AI与机器学习技术；虽然AI短期内仍定位为辅助投研与提高效率的“实习生”，但其正在深度重塑非结构化数据处理、中后台合规风控乃至多因子动态配置。 投资范式的演进与超额收益的来源 (3:00) 根据金融学的主动管理基本定律（IR = IC × √Breadth），对冲基金通常在选股预测准确度（IC）与决策广度（Breadth）之间寻求平衡。传统基本面投资通过深度个股尽调追求高IC，但决策广度受限于人力；量化投资则通过计算机模型将广度大幅拉升。AQR资本管理公司创始人克里夫·阿斯内斯曾依托法马和弗兰奇的三因子模型及动量因子，在2000年科技股泡沫破裂中反向做空获利，管理规模一度升至百亿美元；但在2019至2020年，因多因子模型固守静态权重，AQR遭遇了严重的策略失效与量化寒冬。 与此同时，以吉姆·西蒙斯创办的文艺复兴科技为代表的统计套利，以及城堡证券（占据美国41.5%高频交易份额）为代表的高频交易，依靠纯粹算法、技术与时间序列分析，在速度与概率上博弈。大奖章基金凭借机器学习与海量数据，在34年间实现了年化40%的扣费后净回报率。然而，随着纯硬件层面的速度内卷见顶，如何在多变市场中发掘新信息差成为行业共同诉求。 攻克非结构化数据：生成式AI的落地破局 (15:00) 生成式AI在对冲基金领域最先引发颠覆的，并非高度依赖结构化数字的高频量化，而是依赖文本的基本面分析。随着监管披露要求的增加以及信用卡流水、社交媒体、卫星图像等替代数据的爆发，庞杂的非结构化文字让分析师难以负荷。生成式AI展现出的文本清洗、归纳与问答能力，精准契合了基本面研究对海量卖方报告、财报电话会及新闻的情报提取需求。 在日常运作中，生成式AI目前主要扮演“勤奋的实习生”角色。例如，巴里亚斯尼资产管理公司首席经济学家克里斯·波尔曼指出，原本需要耗费两天准备的央行会议前瞻报告，借助AI整合观点和生成图表后仅需30分钟即可完成。AI智能体将非结构化研报迅速转化为可查询数据库，极大地提升了前台分析师的工作流效率。 中后台自动化革命与因子权重的动态挖掘 (22:00) 在研究支持之外，生成式AI更直接的替代效应发生在中后台运营中。自2008年《多德-弗兰克法案》实施以来，基金面临繁杂的合规审查与风控要求。原本需要5至10人的风控团队，如今借助能够解析资产组合并支持自然语言问询的AI Agent，仅需2人即可完成合规报告生成与风险监控，大量重复性法律与行政岗位正被压缩。 在前台策略端，前沿量化机构正尝试利用大语言模型捕捉高阶交易信号与动态权重。AQR机器学习部门主管布莱恩·凯利提出了“复杂性的价值”，认为大语言模型凭借海量变量能更好地识别因子与股价之间的非线性关系，避免过去人工设定静态因子的缺陷；AQR内部试验显示，基于大模型动态调配因子的部分策略回测投资回报提升了50%至100%。 同质化竞争、黑箱风险与决策权的边界 (31:00) 尽管桥水基金推出了20亿美元完全由机器学习决策的基金，阿斯内斯也感叹“AI即将取代我的工作”，但市场对AI能否完全自主决策仍存疑虑。巴菲特及其接班人格雷格·阿贝尔对AI涉足核心投资决策依然态度冷淡，依赖长期建立的商业理解与认知壁垒。 对冲基金本质是一场零和博弈，若各家机构依赖相同的底层商业模型或通用工具，策略同质化将导致超额收益迅速衰减。此外，端到端大模型的黑箱特性在严监管和客户问责面前面临极大的信任难题。目前华尔街的主流共识在于：AI短期内无法替代人类做出最终投资决策并承担风险，但熟练应用AI的从业者正在加速淘汰拒绝接纳新技术的同行。 当前AI在华尔街更多承担着决策助手与效率放大器的角色，尚未实现完全自主的Alpha发现与资本配置；随着技术演进，对冲基金在追求大模型复杂性价值的同时，仍需直面策略同质化、缺乏可解释性以及难以在黑箱与受托责任之间取得平衡等根本性挑战。

Source quotes

[0:00] 克里夫·阿斯内斯（Cliff Asness）: AI 即将取代我的工作。 [5:00] 克里夫·阿斯内斯（Cliff Asness）: 当谬误盛行时，总得有人站出来戳穿皇帝的新衣。 [11:00] 罗伯特·莫瑟（Robert Mercer）: 没有哪种数据会比拥有更多数据更好。 [15:00] 业界人士: Text data is really, really messy. [22:00] AI 短期之内是不会代替人的，尤其不会代替人去决策；但是会用 AI 的人，会去代替掉那些不用 AI 的人。 [31:00] 巴菲特: 我真的不知道 AI 这回事。

Original transcript

[0:00] 大家觉得AI炒股靠谱吗对于美股来说2024年还不错标普500涨幅高达24%畅向25年来最佳的连续两年表现主流对冲基金们的成绩单也还可以但是不如2025年感觉今年的市场还挺不好说的特朗普政府的上台贸易战的开打AI赛道上代验证美联储降细的步伐这些都为市场带来了更高的无确定性在这样的市场情况下乌尔街上的对冲基金之间的竞争在近年来也愈发激烈怎样利用有限的资源获得更大的回报变成了基金经理们最关心的问题而对不少的基金来说人工智能AI和机器学习的发展让他们看到了产业变革的希望全球最大的对冲基金桥水在去年就宣布自己要推出一支完全利用机器学习进行决策的基金价值20亿美元并且会使用包括OpenAI Androvic和Perplexity在内的人工智能模型证明多因子量化基金AQR的创始人克里夫·阿斯内斯则在一次采访上表示 AI 即将取代我的工作去年英伟达的GTC峰会上Morline Capital的投资经理 Trevor Motto更是表示AI 让我们进入了一个全新的时代我觉 也有知名投资人对 AI 如何影响华尔街基金们的这个话题持有保留的态度这些希望在玩的游戏的变化其他人们在用的LLM人工智能正在如何改变金融服务行业尤其是对冲基金们不断发展的技术即将取代什么样的工作被高度监管对错误零容忍的量化基金对人工智能还存有怀疑态度吗人工智能究竟能不能帮我们选股票呢那首先我们来回顾一下对冲基金这个行业和技术发展密不可分的历史也借此机会来解释一下金融市场当中我们经常提到的量化多因子基金多空策略等等名词究竟意味着什么大家好我是硅谷101的逸文那欢迎来到纽约华尔街在我身后的呢就是纽交所了那今天我们聊到投资的时候啊大家一般想到的都是基本面投资大家熟悉的股神巴菲特就是基本面投资的代表需要深度了解一个公司的业务和竞争对手的差距宏观事件对公司前景的影响等等你不必要是一个公司的经历90%的商业或者80%或者50%但是你必须要知道你其实投资你的钱如果是一个很小的一部分对于基本面投资人来说信息差是竞争的法宝对冲基金会去分析公开信息例如财报媒体报道见面会等等不过公开信息谁都能拿到而一些更一手的深度调查和研究则是一些投资机构的信息差法宝比如说此前的浑水Muddy Waters和新登堡Hindenburg Research都一度善于揭示上市公司造假和违规行为通过做空来获得收益为了方便大家理解投资的理论基础我们再来介绍一个公式主动管理基本定律IR等于IC乘以根号下的BREATSIR或者Information Ratio是信息率衡量超额风险所带来的超额收益IC Information Coefficient是信息系数它被用来评估模型或者投资策略中的预测值与实际投资结果之间的相关性也可以表示一个投资经理或基金选股能力的好坏BREADS广度指的是在同一个时间做了多少个相互独立的投资决策所以我们的基本面投资的一个特点就是通过深挖它的基本面的逻辑要做去提高你的IC因为你最终的持仓量不可能很高但是它因为对每一个行业中的每一个标的他做了非常细致的定调所以他的IC是非常高的那通过这种方式是取得RFa这里头还有一些叫Discretion Rage因为你不得去用一些主观的判断这一层面其实量化对他的帮助也是很大的随着技术的进步越来越多的基金开始采用所谓的混合策略将基本面分析与量化技术 [5:00] 结合,当拼信息差成为越来越难的竞争手段的时候呢,拼技术反而变成了大势所趋。基金呢,他们试图以让技术驱动的模型和人类的判断相结合,来建立更好的投资策略以及组合。那接下来我们就来聊聊什么是量化投资。对冲基金的发展和技术的进步可以说是密不可分的。19世纪末人们通过对金融市场上百年来行为的观察发现交易的价格是有迹可循的基于这样的规律人们绘制出了我们熟悉的K线图用来表示市场的每日行情从而预测未来的价格走势这就是最早的技术分析后来在计算机技术日语成熟以后交易员们也把技术分析写成了程序在对冲基金内被广泛使用如果说技术分析是在看个股那么金融学理论则让投资者学会了如何建立股票组合早在50年代经济学家马克维茨就通过数学模型解释了投资者如何利用分散投资去建立投资组合也就是后来获得诺贝尔经济学奖的投资组合理论Portfolio theory, modern portfolio theoryPresents the user with a risk return trade-off curveIf you want high return on the averageYou have to put up with volatility in the short runIf you want stability in the short runYou have to take less return on the average那持续表象当中呢就是我们说的多因子Smart Beta和Quantum这个也叫这个Fundamental Quant就是有的地方把这叫做这个其实说的都是一回事无非是你这种这个因子本身的它的一些特点决定了到底它是非它而而法区别的那它的核心思想是说我在这个Fundamental Law of Investment里头呢我的IC不一定非常高但是我能不能把Bride提起来到了今天基金里虽然各家有各家的特色但基本的逻辑无外乎是基于金融学理论建立投资组合寻找合适的因子再通过现有的数据进行假设检验最终建立投资模型作为因子大家可以理解为是一个影响股票涨跌的因素既然我认为这个因素会导致股票价格的变化那我是不是就可以把它变成一个客观的可以量化的指标包括在我们的投资组合里呢这样一来在建立多空组合的时候我们就可以根据这个指标来判断公司的好坏了举个例子假设基本面分析认为一个公司内的女性高管越多股票就越会上涨因为女性承担风险的能力越高那么量化投资人就会说我来把董事会中女性董事的数量作为一个指标从高到低排序多投那些排得高的公司所以这是一个最基本的思想就是它通过一个客观的量化指标建立多空组合的一个思想哪怕你最终是纯多头不是纯冯东头但是最基本的是来自于这样一个多空的一个思想所以我们看到实际上它是在乎底层逻辑的它跟基本面一样它非常在乎底层逻辑当然这只是一个简单的例子那你可能会问了怎么能只通过一个单独的指标来判断公司的营收情况呢那投资人也有一样的问题所以很自然的就出现了所谓的多因子投资这样的投资风格这类基金呢他们基于多个因子或者维度来建立投资组合其中的代表就是AQRAQR的创始人克里夫·阿斯内斯是著名经济学家有效市场理论的创始人尤金·法马的学生在1993年法马和弗兰奇创立了三因子模型提出了三个会影响股票回报的因子市场风险市值和估值换句话说小盘股和价格低于内在价值不受欢迎的廉价股票更容易跑赢市场在长期获得巨大收益而阿斯内斯在研究中发现除了这些因子外动量momentum也是影响收益的一个因子动量因子指的是正在上涨的股票短期内会继续有良好的表现反之亦然带着这样的发现它成立了AQR建立基于这些因子的投资模型2000年的时候AQR通过对科技股泡沫的判断一战成名当年8月华尔街对那些闪闪发光的科技股趋之若鹜科技股的泡沫也因此被炒得火热AQR却反其道而行之便宜的买入那些其他行业的股票华尔街当时普遍不看好这样的操作因为AQR这个逆势操作让他们账面上损失惨重管理的规模一度从10亿美元缩水到4亿即使如此阿斯内斯依然信心十足他还发表了一篇名为泡沫逻辑的文章直接驳斥了支持科技股高估值的观点他在文章中写道当谬误盛行时总得有人站出来戳穿了 [10:00] 皇帝的新衣最终美国的科技股泡沫还是破裂了那些高估值的科技股无一幸免纷纷暴跌从2000年3月到2002年10月纳斯达克指数甚至狂跌了77.9%就在许多华尔街投资者血本无归之际AQR却在这场风暴中大获全胜不仅填平了账面亏损还迎来了规模性的增长从最初的10亿美元管理资产到2004年暴涨至120亿美元即使中间经历过多次动荡AQR也在2018年时成为了全球第二大的对冲基金在2019年的一次采访中阿斯内斯解释了他最关注的四个因子最近的货币是一直往上走比起来的Carrie说两个人是在预测价格也很棒你等待货币最后货币是有比较多危险比较多的保险如果你有货币但就在这一年AQR迎来了残酷的量化寒冬首先我们要理解在AQR当时坚持的多因子投资策略里使用了一种叫做静态权重的权重分配方式也就是说投资组合中每个因子的权重在构建时就被确定并不会随着市场环境或因子表现动态调整例如如果一个多因子策略设定了动量因子40%价值因子30%质量因子30%的权重那么无论市场情况如何这些权重都不会改变AQR在决定这套权重的时候往往会利用历史数据进行回测那么这套风格形成以后也就很难进行改变毕竟我用了三四十年这名可行的因子怎么能因为它一年的表现不好就推翻重来呢可是阿斯内斯在自己的博客文章里提到2020年的前六个星期里价值投资遭遇了严重的滑铁炉代表这套静态权重的因子分配方法在某些情况下是行不通的2020年底AQR的人员经历了一次大的变动几乎很多老员工都离开了而AQR也借此契机改变了自己的风格在原本的模型上增加了更多的灵活性那之后呢经历了两年的低迷AQR又重新回到了第一梯队而他们的新蓝图和AI不无关系这个之后呢我们也会详细讲到那我们接下来呢再讲量化投资的剩下两种风格统计套利和高频交易虽然多因子投资里面使用了大量的数学模型但本质上还是在讲一套关于英子的故事但接下来我们要讲的这种风格却是完全地抛弃了金融学的叙事反而试图在速度上打败对手这就是统计套利那到这里才是算法和算力真正大显身手的时候提到统计套利我们就不得不谈对冲基金界的传奇人物吉姆·西蒙斯去年5月这位数学家出身的投资人李氏享年86岁而这样的一则新闻也让他创建的对冲基金文艺复兴科技公司重新出现在了大众视野自1988年创立以来文艺复兴始终是一家相对低调的基金无论是西蒙斯本人还是那些签了30页保密协议的员工都对这家公司赚钱的秘密会莫如深不过这并不影响外界震惊于他旗下基金的表现文艺复兴的第一支基金产品大奖章基金在34年间获得了40%的年进回报率而扣除服务费之前则达到了惊人的66%也就是说在该基金的整个运行周期内他带给了文艺复兴公司600亿美元的利润迄今为止大奖章基金是最成功的单一投资工具而西蒙斯所依靠的就是统计套利它依赖于复杂的数学模型和大量的计算在看似杂乱无章的金融市场里寻找规律通过机器创造财富因此西蒙斯才被他的传记作者称为征服市场的人统计套利的有三大法宝技术分析、时间序列分析和机器学习我们之前已经提到了技术分析而时间序列分析指的是一种通过分析历史数据来预测未来价格变动的交易策略在这种分析里最重要的是确保稳定性因为统计套利的核心就是历史会不断重复第三个就是我们说的在前几年来最火的就是Machine Learning因为我们也看到的它其实对底层逻辑的追究是比较淡所以它更能接受一个所谓的黑箱的一些东西 [15:00] 特别是端对端的神多人宁的使用在这边就是比较活跃了我们知道使用机器学习需要的数据没有最多只有更多在文艺复兴有一句被奉为归孽的话出自前联系总裁罗伯特·莫瑟没有哪种数据会比拥有更多数据更好这也解释了统计套利与前两种投资风格不同的地方那我们听到这种逻辑也就可以理解为什么统计套利的调仓频率更高平均三天一次接下来我们再讲最后一种投资风格高频交易所谓高频交易就是通过大量的数据和复杂的算法将短期的市场变化利用到了极致因此也不能称作投资而更多是交易的范畴了高频交易依赖于计算机算法和超高速数据传输主要通过大量的交易操作在极短的时间内获利我们也不难看出这类交易的核心特点是交易速度极快通常涉及每秒数千甚至数百万次交易我们所熟悉的Citadel Securities还有我们之前Deepseek视频提到的幻方量化曾经就使用了这种策略这样的策略并没有什么复杂和fancy的主要就是靠拼那几毫秒的速度优势在高频交易风头震慎的时候这些基金甚至不惜花重金铺设一条从纽约到伦敦的海下光纤电缆只为了将交易速度提升0.0几秒在竞争对手之前抢占先机到现在呢大部分的高频交易啊拼得仍然是不同基金的硬件和算法能力不过很多基金也意识到只强调速度的高频交易黄金期已经过去了彭博社评论员Aaron Brown在2020年就写道大量量化交易基金现在也开始用起了传统对冲基金的投资方法在流动性不是那么强的市场里寻找被低估的机会未来的基金构成也只会更加复杂在当下的美国市场里还有一个问题就是寡头企业的出现我们的采访嘉宾告诉我们在美国券商下单之后比如说散户们爱用的Robinhood很多交易订单都到了Citadel Securities的手上而这家公司也占了高频交易市场份额的41.5%而Citadel进行的交易越多拿到的市场信息也就越多这样高频交易之间的竞争变得更加困难那不论如何有了这样一个完整的光谱后我们可以看到对冲基金的四个派系是持仓从少到多定性到定量稳定到不稳定低频到高频的逐级转变而这之中也代表着一个重要逻辑的变化价值量化短期的很多策略其实它核心是提供了短期市场流动性这意思是在这里它的反应会比一个人更快然后它的定价自然它就空间可以做更大的竞争性他并没有他赚的钱是交易信息的差距然后和交易行为的差距的钱他并不是说他创造了直接的价值那么说完了量化基金的这几种风格我们来试图回答一个问题如今的人工智能怎么样来负能量化策略呢由于统计套利和高频交易这两种投资风格天生就和机器学习密切相关大家可能会觉得生成是AI的崛起自然会让这两类基金从中获利但事实上最先对生成是AI产生兴趣的却是看起来和AI关系最远的基本面分析要理解生成是AI为什么有那么大的吸引力我们要知道金融业一直以来面对的一个问题数据大家还记得我们在前一章里解释几本面分析的时候提到了做这类分析时的原料和公司有关的公开信息财报证监会报道媒体报道高层演说这些信息往往是以非结构化的文字形式存在的处理起来十分复杂相比之下统计套利和高频交易中只用到代表价格的数字处理难度反而下降了很多那我们的采访嘉宾告诉我们呢其实早在2016年啊基本面分析就已经开始关注人工智能和深度学习了我们之前提到基本面分析最重要的就是打出信息差传统上来说呢这些信息要么是来自公开财报的信息要么呢就是分析师通过禁调去挖掘的非公开信息但是啊随着监管的不断完善其实呢公司要披露的信息也变得越来越多基本面分析的基金啊它的竞争也就越来越难打了所以基本上,我们不是用不均匀的数据因为我们没有工具在一旁的方式其他数据的数据我们不是用不耐心的数据216是一种领导的有很多数据 [20:00] 我们应该用来谈计股但就在10年前金融业发现了所谓的替代数据或者叫alternative data这类数据指的是那些非常规的但能推动股价涨跌的数据比如说信用卡交易记录社交媒体电商平台上的买家评价甚至卫星图像等等所以例如如果我们看电话标准数据我们可以看到现在人们现在移动哪个店里进去或是我们看电话标准数据但是在有了大量数据之后呢金融业又面临了一个新的问题没有合适的工具去处理这些数据应该说这些数据太过于复杂了Text data is really, really messyThink about the news feed, the global news feed that impacts financial data Let's take the normal news sources like the Reuters, the Wall Street Journal, the FT, and let's throw a whole bunch of, you know, tweets. And let's throw some Reddit posts into it. Let's throw some blogs into the mix. Let's throw some research reports. Let's throw some conferences and CNBC的视频它很快就会很糟糕而且它变成一个大约的数据对于基金经理来说阅读、消化和总结大量的非结构化数据会消耗大量精力在买方看来卖方报告里还可能包含对做决定没有必要的细节而到现在经历了ChatchBT出现后的这两三年我们都知道深城市AI是最擅长处理非结构化数据的而这也对处理复杂的金融数据来说提供了非常大的帮助我们有一个AI agent他就可以帮我们的这个这个Fundamental Managers PMsStock Analysts可以去process大量的Saleside Research和这个Stock Research帮他把这些信息给他做这个从安 structure变成structure变成一个可以查询的这个数据库变成一个可以查询的Structured Data在需要阅读和总结大量数据并且根据需求去写一些基本的可重复性高的代码的时候人工智能就像一名勤勤恳恳的实习生可以迅速地完成这些工作我们的采访嘉宾还告诉我们人工智能的另外一个应用场景就是帮助基金经理去清理和归纳大量的数据这样经理就可以花更多的时间和精力在分析这些数据上面巴利亚斯尼资产管理公司的首席经济学家Chris Polman就告诉彭博社曾经需要他花两天时间准备的中央银行会议的预览报告现在他只要花30分钟因为AI已经帮他完成了从整理各路经济学家看法到生成图表等一系列的研究工作他表示人工智能比他一开始想的更有用除了处理数据以外AI还给金融业带来了另外一种效率提升Jenry VIA真正带来了哪些革命性的东西其实这个革命性的东西就一句话可以改过叫工具技术我们知道金融业是一个被高度监管的行业尤其是2008年的金融危机之后美国政府通过了多德弗兰克法案向对冲基金提出了更多的披露遗物也导致对冲基金行业需要聘请专人去分析投资组合的风险完成合规申报的内容而在进行这些分析的时候则需要大量专业化的软件每一个软件都要配备一个分析师但是在AI的时代这些软件都可以用AI agent的形式存在提供以战士服务我们现在可以看到很多的这些我们在做这些工具它本身就变得智能你可以直接比如说Hey here's my portfolio直接把它交给一个这个risk analysis的tool或者一个software你可以可能你过去你的risk团队有五个人十个人现在可能有两个人就够了因为很多的这个整个这个process都可以被autimate掉就工具技术物了你只要把数据给他他自动可以给你生成这种风险的report甚至你可以跟他进行问他甚至你可以跟他进行交付这个就是我觉得未来这里面有很大的拖我们知道在对冲基金里有前台中台和后台前台通常是对冲基金的盈利来源主要负责投资决策和与客户的互动中台主要负责风险管理合规性和确保交易与基金的整体战略和监管要求相符后台负责对冲基金的行政运营和支持工作包括提供法律和合规报道可以看出刚才提到的AI能承担的角色就可以替代中台和后台的重复性工作省去一些重复性高的分析需要占据的时间 [25:00] 那么人工智能能否更进一步完成从实习生到分析师的飞跃为对冲基金找到Alpha呢那对于这个问题呢对冲基金的看法则没有那么乐观那么有没有对冲基金在尝试通过AI建立投资策略呢这里我们又要回到我们刚才挖的坑来聊一聊AQR的尝试了阿斯内斯在多次采访中提到AQR正在使用大语言模型从文字数据中挖掘新的交易信号并让现存的交易信号变得更准确更有用什么是交易信号呢举个例子我们知道文字信息里往往有很多情绪表达高层在财报会议中对公司经营状况的表述我们可以简单认为展现出了正面负面或者中立的态度又比如美联储在发布会中提出对当下经济的看法可以理解为鹰派或鸽派这些态度其实就是交易信号的一种在生成是AI出现之前我们也许需要多次阅读这些信息才能冻结出相应的态度英伟达的量化分析师Iona Boyer就解释了他正在研究的工具基于情绪识别找到交易信号看中这个风口的数据和服务提供商也不在少数专注于替代数据的AQTI Trading最近就推出了完全由AI驱动的交易信号生成服务主要聚焦在外汇和加密货币市场直到这里我们聊的还是生成是AI去处理文字信息的能力但是量化基金同时也在挖掘机器学习在处理复杂的数字和建立统计模型上能不能也起到作用这里我们再来回顾一下像AQR这样的多因子基金是怎样投资的通常来说呢多因子基金会通过统计模型来确定有哪些因子能够预测股票的表现将得到的因子结合起来推测出一个最优的投资组合并根据这个最优组合调整基金中现存的投资组合尽可能达到更优但是啊怎么将多个因子结合在一起并且确定每个因子在投资组合里面所占的权重却是一个完全不同的过程那2019年阿斯内斯就是因为一意孤行提高了价值因子在AQR的投资组合中所占的比例导致AQR在疫情期间损失惨重但是这次阿斯内斯却觉得有可能通过AI来挑选合适的投资组合AQR的机器学系部门主管Brian Kelly认为大语言模型这样复杂的模型即在训练中使用了大量数据存在大量预测变量的模型能够更好的识别因子和股票变化之间的非线性关系要知道传统的统计模型都是回归分析往往只能分析一个因变量和一个自变量之间的线性关系但是由于大模型本身十分复杂反而能够给到因子一个更为准确的权重在AQR自己的试验中大模型将投资回报提升了50%到100%Barrion Kelly也将这种情况称之为复杂性的价值AI,坦白说,推动我们一较少论度,离开我们的经常的东西,我对我说的那些不舒服,你也会给机器人更加多。目前,学界和业界都推出了不少研究,分析人工的评论, [30:00] 只能在量化金融上的应用比如大模型如何生成时间序列我们的采访嘉宾告诉我们目前大热的AI agent将会在未来有很多应用场景一个时间序列agent可以决定使用哪些模型例如Transformers长短期记忆网络来进行股票的时间序列预测一个基本面agent可以分析公司的财务报表商业计划和其他定性信息以评估公司的状况一个ESG agent可以评估公司的治理社会影响和环境因素一个合规agent他可以做出投资决策前检查公司高管的犯罪记录等事项而必须承认的是许多人工智能的应用现在还处于早期几乎没有量化基金完全使用大模型去替代人类分析师以及基金经理的角色我们认为就是说AI更多的是做一个叫做Decision Assistant而最后真正还是需要人去来做这个决策所以就是说我觉得我很认可的一个看法就是说AI短期之内是不会代替人的尤其不会代替人去决策但是会用AI的人会去代替掉那些不用AI的人因为在这里有很多工作可以用AI来把它给automate掉也让它变得更高效最后在大模型盛行的时代对冲基金如何在工具相同的情况下提升竞争力也是一个问题我们想想如果你是投资人现在有一个基金过来说我有一个非常非常专业的人工智能的团队然后我的策略呢直接端对端也就是从最不老的数据开始直接给你这种的给我们这种的投资的决策然后我的performance很好这个时候这个时候你愿意投吗我觉得这个是一个很有意思的视角就是当你的金融优势你只能限于第一人员很专业的第二我的performance很好的时候其实你把自己作为一个基金角度你把自己放在了一个非常尴尬的状态因为我永远可以找到另外一组业是很专业的人工智能的专家并且rolling三个月或者六个月performance比你好那这时候你怎么样去建立和客户之间的年纪 it's a competitive game if you're not better than your neighbor maybe you don't generate alpha even if you use some tools maybe he's using better the tools maybe he has more data maybe he has better data maybe he has figured out a few combinations of data that makes more sense you see what I mean so still right you know when but again if you don't好的 非常感谢一文从纽约火尔街带来的分析与业内的嘉宾采访可以看出来无论是传统的资产管理者和投资人在如何的抵抗AI正在走进华尔街也正在改变基金管理人们的投资方式我还记得2023年当XGBT刚火爆全球的时候我去到奥马哈参加巴菲特的伯克希尔哈萨维年会当时芒格老先生还没有去世他们两人被问到AI的问题的时候非常的嗤之以鼻一年之后2024年当巴菲特再被问到AI的问题的时候他的回答依然非常的含糊我真的不知道AI什么事而巴菲特的接班人Greg Abel给出的回答是这样的显然巴菲特不在乎AI的发展因为他对可口可乐的零售业保险业还有石油公司的理解已经超出常忍那么这对于基本面股神的他来说信息差的壁垒已经足够高但是Greg Abel作为巴菲特的接班人如果他也完全不care AI就像这个视频下面的一个留言说到Greg关于人工智能的回答让我作为伯克希尔哈桑维的股东而感到担忧那说实话华尔街上的对冲基金经理们的现状其实不容乐观美股大盘很强势但是感觉基金们越来越难以跑赢S&P指数了基本面和宏观策略呢也越来越难做这么多年来我们也没有看到第二个巴菲特的出现那如今啊在华尔街上你能跑赢大盘就已经是让大家能够伸出大拇指的好业绩了所以呢对冲基金们也在拼了命的想接下来更有效的策略来拉开优势那我们的一位嘉宾就告诉我们据他所知现在没有哪个华尔街上的大型对冲基金不再投入大模型的所以就像我们在片子中提到的对于金融行业这样高度依赖数据包含了大量重复工作同时由要求速度的行业而言应用人工智能的潜力应该是非常大的但是在另外一方面这些事件依然处于早期我们看到很多的AI选顾AI策略依然不靠 [35:00] AI依然无法替代人类交易员和投资人来做最终的投资决策那么现在呢它还是一名奴隶的华尔街实习生的角色但是随着AI大模型的能力发展与应用的成熟使用AI的能力是否会代替传统的基本面信息差来成为对冲基金们的新的竞争优势决定因素呢我们也拭目以待好了以上就是本期硅谷101的全部内容了你们的点赞留言和转发是支持我们做好深度科技和商业内容的最佳动力我是陈倩那我们就下期视频再见啦bye