论人工智能赋能机构投资者

来源:用户上传      作者:

　　摘 要：由于种种原因，人工智能在主动管理型机构的介入，显著落后于金融行业的其它领域。近年来，人工智能尤其是中文自然语言处理方面的进展，使得至少部分介入机构投资者业务成为可能。探讨了人工智能在我国资产管理业务实践中，落地于提升投研效率、辅助决策等场景的可能性，以及渐进式演进的路径。
　　关键词：人工智能;资产管理;自然语言处理
　　中图分类号：F23     文献标识码：A      doi：10.19311/j.cnki.1672-3198.2019.17.051
　　1 机构投资者对于人工智能的需求
　　机构投资者作为买方，更为关注对内服务。其核心价值产生于内部投研体系，通过投资决策和投后管理实现，最终表现为适合自身资金属性的回报风险特征。
　　按照麦肯锡的定义，人类的脑力如可以分为知识力和创造力。主动投资作为一种基于脑力劳动成果的软技术活动，现有的脑力劳动更多被基于知识力的基础性劳动占用，枯燥且大量消耗时间。而依赖经验和创造力且创造核心价值的工作（例如投资决策、投后管理），在内部统计中通常不超过30%，理论上存在大量机器替代的可能性。
　　1.1 初级信息加工是当前投研工作的痛点
　　按照尤金·法玛的观点，信息是金融市场最重要的资源，也是金融资产价格的决定因素。因此，信息加工对机构投资者而言是基础工作。其中，初级信息加工虽然必不可少，但面临低产出、易出错、枯燥性等痛点。此类工作通常包括但不限于：（1）投资项目的初步筛选;（2）第三方研究成果的梳理和二次加工;（3）半格式化文档撰写、核查;（4）历史资料检索和二次挖掘。
　　以文档核查为例，债券、股票的“募集说明”篇幅一般在300页以上，包含十几万文字、数百张图表，其中内嵌千余个数据点。形成文档的过程，需要内外部多个部门人员协同。
　　尽管目前文档虽然以电子形式存在，但电子化不等于过程的数据化、智能化。由于高质量文档是金融机构树立口碑关键，且这些文档内含复杂的勾稽关系。在写作和核查中，大量高学历、高薪酬的人力资源被消耗。即使花费巨大，金融文档的差错仍然不鲜见，由此导致的机构声誉受损乃至监管风险都有时有发生。
　　长期将大量人力资源消耗在此类初级信息处理工作，不利于买方研究人员的水平提升和价值实现，也不利于资产管理机构提升投研水准和完善团队性格塑造。
　　1.2 半辅助式的人工智能应用是最为现实的解决方案
　　机构投资者尤其是主动管理机构，其核心价值应该来自于投资项目的风险收益分析，通过基于此做出的投资决策和持续管理来体现。因此，机构投资者的业务体系应该必然围绕投资决策和投资管理展开。
　　面向个人投资者的共性化、流程化的人工智能投研服务显然不能匹配其需求，机构投资者更需要的是符合自身资金属性和收益风险偏好的个性化解决方案。
　　而基于投研团队的性格塑造和经验积累的部分，在当前人工智能面对完全开放的环境认知能力还不健全的技术条件下，进行替代的试错成本显然无法被大部分机构投资者接受。因此，在主动型机构投资者的业务实践中，类似将客观分析与主观判断相结合的思路更容易被接受。人工智能首先解决客观部分的投研产出效率，逐步过渡到辅助决策，渐进式重构投研流程，是更匹配当前技术能力和我国资产管理业务实践的路径选择。
　　1.3 人工智能的技术发展为提升投研效率提供了技术支撑
　　国内的机构投资者，大部分投研资料为中文文本、数据和图表;及其混合的半结构化和非结构资料。近年来，随着等关键技术的发掘，人工智能在中文自然语言处理这个极具挑战的技术分支获得了重大进展。基于现有技术，已经可以支持人工智能在有限规模语料库下，使用诸如提出的知识提取和数据组合方法，应用于文本分类与信息过滤、信息检索、信息抽取与文本挖掘等场景。这些关键技术的发展，使得在投研流程的诸多环节引入人工智能成为可能。
　　在初级信息处理之外，人工智能还提供了诸多过往无法实现的逻辑挖掘方式，为投资决策提供更丰富的支撐。长期看，这些能力为投研效率提升和未来内部投研体系的重塑提供了技术支撑。
　　2 人工智能对投研流程的渐进式改造
　　2.1 以提升投研产出为核心，全员参与
　　投资研究既是机构投资者创造价值的核心所在，又存在大量效率提升需求。因此人工智能为机构投资者赋能，以投研部门为切入点是自然选择。但只有投研人员参与而缺乏其它部门配合的人工智能项目，在落地过程中很难获得预期效果。
　　基层投研人员对于效率提升的感受最为直接，需求最为迫切。但是基层投研人员缺乏对于资产管理全流程的理解以及对所在机构个性化投资偏好的认知。落地过程中多个要素，例如投研成果对投资决策的支持路径、投资成果到投资决策的经验形成和知识推理、历史投研成果对模型的训练、信息安全等方面，都需要跨部门协同。因此人工智能介入后的流程改造，必须由了解整个投资决策流程的人员进行统筹。投研工作作为资产管理业务的核心，其变革必然会对整个机构的各部门造成影响。多部门联动，才能实现平稳落地，确保项目品质。
　　2.2 综合利用内外成果积累，重视内部知识图谱
　　知识图谱是一种表现知识的方法，即以结构化的知识库为基础来表达概念和知识点，并提炼其内在联系。
　　构建知识图谱的前提，是把数据从不同的数据源中抽取出来。机构投资者的投研积累形成的知识库，一般来自两种渠道：一种是内部研究成果;另一种来自外部数据和第三方研究支持。无论是内部或者外部成果，大多表现为数据图表和文本，这些基于半结构化数据和文本数据的投研资料必须先进行数据包装和文本提取，形成数据库表;此后才能实现上层的知识推理、知识快速查询。 　　投研资料库表化，构建机构投资者内部的知识图谱，资产管理业务的价值至少包括以下三个方面：
　　（1）构建知识图谱的过程，也是让系统形成认知能力的过程。这是人工智能实现对机构投资者的深度支持，应用于投资研究、投资决策、风险管理和投后管理全流程的数据基础。
　　（2）有利于梳理各个研究成果聚合成投资决策的逻辑。单一因素的研究成果可以形成投资线索，但最终投资决策的形成都是多个因素的逻辑组合。将过往非结构化的研究成果库表化，有利于回溯投资决策流程，极大便利后续的投研人员案例回顾和投后管理。
　　（3）从企业内部服务的角度，可以实现更为高效的投研资料查询和整理，便利基于现有成果的二次研究。随着等技术用于模型训练，使得通过知识计算，可以进一步发现能够支撑投资决策的显式或隐含的知识、模式和规则;并由此摸索符合机构投资者个性化偏好，但依赖人力无法达成的研究框架和投资策略。
　　2.3 选择适合的技术提供商，迭代优化
　　大多数机构投资者的IT人力储备无法支撑完全自主开发人工智能系统，在与外部提供商对接的过程中，应该注意以下方面：
　　（1）关注技术供应商对金融机构尤其是资产管理和投资研究业务框架的认知。
　　（2）除了系统架构的可靠性，灵活性同样重要，保留功能拓展的可能性。
　　（3）初期数据标注不可避免的需要一定资源投入，尤其是内部人员的配合。
　　（4）技术变革应以提升投研效率，优化投资绩效为目的。人工智能是先进工具但并非目的本身，既不能因为抗拒改变而拒绝更高产出效率的生产方式，也要避免为了智能化而智能化的错误导向。
　　（5）对于直接影响投资绩效的环节，应坚持谨慎性原则。目前，人工智能技术还被定义为一种为人服务的工具，但随着其在脑力劳动中应用的渗透，未来人工智能更应该是人类脑力的延伸。人类在各种社会活动中的意愿，都有机会通过人工智能进行表达。因此，人工智能在机构投资者中的渗透，不代表着投研人员被替代，而是让投研工作更专注于创造性劳动。
　　无论是资产管理行业还是人工智能技术，都处于持续变革的阶段，因此机构投资者应该摒弃一步到位的想法。无论是投研体系再造还是内部组织调整，都尽量在可接受的范围内进行小步迭代，确保过程可控，避免对投资绩效的负面冲击。
　　3 结论和展望
　　当前人工智能的技术进步，已经完全可以在提升机构投资者的投研产出方面做大量基础性替代，并且能通过机器学习持续提升效率，发展出更多的落地场景。由此可见各种人工智能技术在机构投资中的渗透，将使得各种更为复杂精密的投资策略得以落地，也会将行业竞争推向新的层面。人类智能与人工智能的融合，将是机构投资者的长期进化之道。
　　参考文献
　　[1]赵知纬，钱龙华，周国栋.一个面向信息抽取的中文跨文本指代語料库[J].中文信息学报，2015，（01）.
　　[2]POON H，DOMINGOS P.Sum-product networks：a new deep architec-ture[C].Proc of IEEE International Conference on Computer Vision，2011.
转载注明来源:https://www.xzbu.com/2/view-14896969.htm