揭秘数字化与人工智能时代的权益投资新机遇
驾驭人工智能服务于投资管理，做个不甚恰当的比喻，是从田间手工劳作到机械化农业的改变。从播种到收获的广度、速度和一致性都是质的飞跃，且解放了重复劳动，但对于农夫在选种规则、施肥浇水时机，顺应天时或对抗虫害等经验要求是一样的。在广阔的市场沃土上，如何在有限的人力和行业资源约束下，更好的完成投资者所托付的播种、耕耘收获的任务，是一个值得思考的问题。
市场纷繁复杂，瞬息万变。如何过滤、提取有效信息并转化为有助于投资决策的信号，先于市场捕捉到投资机会且不断迭代以上过程是创造持续的超额收益的关键。贝莱德系统化主动权益投资（SystematicActiveEquity,简称SAE）在大数据分析和科技创新方面有超过35年的研究和实际投资经验，不断创新，不断寻找市场定价效率不足的角落是团队的投资基因。
贝莱德SAE团队，最早可以回溯至富国日兴证券以及巴克莱全球投资者的时期，后被贝莱德收购改组。团队现有超过100名投资专家、数据科学家和科技精英，投资范围囊括全球权益市场，在管资产规模达到1600亿美元（数据来源：贝莱德；数据截至2024年6月30日）。
1985年，SAE的投资使用计算机对财务报表进行统计分析，从而达到基于公司基本面选股的目的。在计算机开始行业应用但仍未向大众普及的年代，这种基于数据的投资方法已经是科技与投资管理交汇的前沿。
1990年代科技突飞猛进，金融投资方法也快速演化。SAE团队的研究主管RonaldN.Kahn在这个十年里，作为共同作者写出了《主动组合管理》（ActivePortfolioManagement）一书。这是一本对于主动投资的方法论有广泛总结以及深入阐述的著作，在后来的20多年里被买方业界广为称道。对于信号构建以及投资组合优化理论，该书涵盖的经典内容至今仍可指导投资策略的设计。
2008年，互联网的全球普及以及智能手机的出现使得信息的传播速率大大提高，也使得数据量倍增。投资，尤其是量化投资，拥有了更多数据源。市场信息的快速传播以及客户使用网络交易的便捷性，改变了资产管理领域的生态。人工智能和大数据开始展露头角，SAE团队也在硅谷及时组建了一支由数据科学家组成的团队，主要分析大数据和机器学习等人工智能领域。该团队在最开始用了3年时间建立了一套严谨的数据处理流程，成为后续工作的坚实基础。该团队在大语言模型，AIM（AugmentedInvestmentManagement），以及另类数据领域持续优化迭代做出了有前瞻性的工作，帮助SAE在全球市场进一步巩固了领先的量化选股能力。
2022年以来，以ChatGPT为代表的通用AI大模型大放异彩。SAE团队自研的大语言模型也已经迭代到了第6代，并且在预测财报发布后的股价变动等金融应用领域超越了通用大模型的准确度。
在全球多个市场（美国、新兴市场、中国等），贝莱德SAE投资策略以系统化主动选股多头为主，提供不同市场环境下，多种风格和风险收益特征的投资能力。自2012年贝莱德SAE建立投资中国A股市场的旗舰策略以来，该策略使用人工智能辅助选股，以多种产品形式持续服务国内投资者以及全球投资者。
贝莱德的SAE平台力求通过客观且有固定方法论的量化信号去寻找能带来超额收益的投资标的，并且严格管理风险和交易成本。投资组合的主动风险以及策略的信息比率是策略长期稳定运行的两项主要目标。
数据是量化投资的基础。没有数据就无法进行信号构建。对于AI时代的机器学习模型来说，训练模型更是需要海量的数据，无数据就无人工智能。传统财务以及市场数据例如公司财报、股票市场量价数据等，已经无法满足市场对于超额收益的广泛挖掘，尤其在成熟市场的大盘股里面。系统化投资除了对于传统数据的广泛采集之外，着重于对于另类数据的发掘和分析。另类数据包括很多种类：社交媒体文字图像内容，电商平台和金融科技平台数据，网站及移动应用访问量等等。中国受益于广泛的数字化应用，具有海量的另类数据可以发掘，超过一般新兴市场甚至是欧美发达市场。
举例来说，通过对在线平台上的招聘广告进行收集分析，可以观察相关公司是否在招人，招聘职位数量，岗位类型，所需技能经验要求等。当这样的数据收集分析是跨行业、跨地点、跨平台的广泛进行的时候，在同一时间点的多家公司的业务经营情况就可以形成横向对比，经营是否处于扩张期，对于发展方向以及业务增长点的预期等等。行业层面以及地域层面的汇总也有充分用途，比如对于行业或者地域经济活跃度的判别。另外跨越时间的纵向对比也可以揭示一个行业的劳动力季节性或者更长维度的行业景气度。
对于另类数据的采集和合理化分析，可以更及时有效的追踪公司以及上下游产业链动态，预判其潜在趋势。这也是另类数据对于投资管理的差异化应用。
利用大语言模型读取券商研报来判断市场对于某些个股的情绪，是机器学习在单个信号生成中的一个典型应用。对于文本数据的处理，大语言模型最初级的形态是从文本里面逐字拿到词语，与预设词库进行比较，统计正面和负面词汇的个数，来判别语义里面的情绪。这样的应用很容易出现误判，比如增加了双重否定修饰后的语句。在贝莱德的最新一代大语言模型中，经过海量文本数据的训练，Transformer架构会对特定语境、特定语义和特征词句进行精确调整，更加精确的提取情绪。信息比率在新的大语言模型中，与前代相比有显著而且稳定的提升。
使用人工智能对既有信号进行动态选择和权重分配，是另一大类的应用。贝莱德系统化投资在这一方向自研了一套叫做AIM的机器学习系统，全称为AugmentedInvestmentManagement。如前所述，SAE通常的信号库一般意义上可以被划分为3大类，分别对应基本面、投资情绪以及宏观主题上有吸引力的股票标的。AIM可以在这些大类中按一定规则来选择单个信号的权重，以达到对于市场环境的自适应。这解决了一部分投资经理在复杂市场环境下对于信号权重是否应该改变以及需要改变多少的问题，减少了纯人工对于量化策略进行临时更改导致投资决策失误的可能性。
AIM的成功运用，是人工智能的成功，也是前述经典投资组合优化理论的成功，与贝莱德系统化投资的经验底蕴是分不开的。当然，AIM不会完全替代投资专家对于基础信号的研究和预设权重分配，在现有投资框架内AIM的权重上限被设定为30%风险预算。有AIM参与的典型投资流程，如下图所示。
值得阐述的一点是贝莱德系统化投资所涉及的机器学习以及人工智能的投资应用，更多的是用于筛选投资标的以及组合构建。在交易层面，这样的策略是比较低频、低交易量的，典型的再平衡频率是以周度为单位的。这与市场上的日度或更高频的量化交易策略有明显不同。换言之，贝莱德的应用，更多的是使用机器辅助预测在周度、月度甚至是季度的时间维度上的超额收益，并以此为据进行全市场选股，是投资选择策略而不是交易策略。
人工智能在数据采集、处理以及判断方法上，有广度、速度以及一致性的天然优势，可以提供不受投资经理个人情绪波动影响的全天候、全巿场的投资标的覆盖。如何树立正确的方法论，来引导人工智能去采集处理以及判断，仍是人（研究员）的工作,至少在第一个迭代以及后续过程中的打磨。机器的优势在于广度、速度以及一致性，方法论的可解性则是一个需要有人的经验和逻辑参与的重要因素。有效性得到充分验证之后，投资管理过程中的很多环节都可以让人工智能充分参与，这样有利于集中投资经理的精力在需要人同时人（比机器）有优势的地方。
人的优势在于跳跃性的思维，主观能动性，以及对于模型之外无法量化的风险进行分析评估的能力。一个好的投资研究员，可能可以从各方面细致的考虑研究一个或者几个投资标的，但当覆盖面达到几百或几千个不同的实体时，一个或几个研究员就力不从心了。这是机器的强项，同时不必担心不同研究员评价标准不一甚至竞争博弈的问题。但从另一个角度讲，AI有时可能不能在第一时间理解宏观政策变化或者偶发事件对于投资标的的潜在风险/机会。生成式AI在一些逻辑上甚至或有一些漏洞，尤其是开放式的大模型，对于市场规律或者投资相关性的总结亦需要投资经验丰富的专家来分析验证。投资专家的强项在于主动寻找事实，对常识和市场共识进行经验性的预判，以及举一反三的联想。
举例来说，当地域性的灾害天气（比如暴雨、洪水）发生，对于农业养殖业甚至工业的影响可能是一致的，不分行业的。同理，政策面的出口退税优惠，对家电以及运营设备的以旧换新政策等，对于受惠企业及行业来说有利润增长的因果效应。面对这样的变化，人的常识、判断和联想能力是AI不能代替的，不必等到市场第一波反应出现就可以早于AI做出判断。
量化模型里面的信号，是对数据和投资规律的数学总结。人工智能对于单个信号规律总结是需要引导的，但对于已有多个信号之间的有效配合有时比人掌握的更为灵活。把机器擅长的事务在一定规则和监督机制下尽量多地交给机器，同时发挥人的洞察力和主观能动性，共同完成受托的投资任务，力争不断收获超额收益。人工智能辅助投资，主导对于绩优标的投资价值的发现和筛选，对于投资人，资本市场以及金融行业，都是良性发展。
CBOH0924A/S-3853797