Man Group | 资产管理中的人工智能

正文

请到「今天看啥」查看全文

人工智能热潮为何突然升温？

目前的重点主要集中在生成式人工智能上。这一飞跃允许用户使用人类语言与模型交互并生成新的输出，这是最近热潮的重要驱动因素。生成式人工智能是机器学习的一个子集，而机器学习又是更广泛人工智能的一个子集。

人工智能的子集

对于感兴趣的读者，大家可以查看这篇论文：

https://www.researchgate.net/figure/A-comparative-view-of-AI-machine-learning-deep-learning-and-generative-AI-source_fig1_373797588

本文详细介绍了生成式人工智能的发展，并讨论了其历史、工作原理和预测的经济影响。 机器学习技术在资产管理领域也已得到充分证实，成功增强了资产预测指标，改善了风险管理并降低了执行成本。 目前其使用生成式人工智能的四种方式：

#1：使用 Copilot 进行编码 – 使用自然语言与代码交互

生成式人工智能最有效的用例之一是协助编码。GitHub Copilot 等工具可以通过预测代码连续性来加速工作原型和初步研究结果的开发，从而缩短开发时间。它还促进了知识共享，因为开发人员可以要求人工智能解释其他人编写的代码的各个部分。

挑战和机遇在于训练这些工具理解专有内部代码。在英仕曼AHL，拥有大量自有代码库，可用于执行市场数据采集、股票行情映射和运行模拟等任务。现成的人工智能模型缺乏对这些专门存储库的了解。

而且 英仕曼AHL 正在开发能够理解内部代码的聊天机器人。例如，一个聊天机器人可以确定在哪里可以找到市场代码的元数据并检索时间序列价格，指定正确的库和字段，从而节省时间。这是一个重大挑战，需要大量工作才能获得有用的输出，但这种能力提高了我们的效率并利用了我们的专有知识。

Copilot使用内部库绘制标准普尔500E-Mini期货的时间序列

#2：为巨灾债交易提取信息

一个例子是巨灾债，这是一种债务工具，旨在在发生预先指定的事件（通常是自然灾害）时支付。每只巨灾债都有独特的特点，需要在投资前清楚了解，而且与利率或信用违约掉期不同，它们没有标准化的条款。这个过程包括阅读发行说明书（由一名人工分析师完成），然后由另一名人工分析师再次检查提取的数据。由于这些文件长达 200 页，因此可能需要相当长的时间。

巨灾债的发行说明书可能长达200多页

今天，我们正在测试一个由 ChatGPT 完成数据提取的流程，将相关信息放入系统模板中供审阅者检查。这样可以让一名分析师腾出时间专注于新的研究。

#3：聊天机器人协助研究投资者的问询

英仕曼集团的客户关系团队协助客户解答有关公司全套投资产品（包括英仕曼AHL的系统量化投资策略）的问题。许多问题都依赖于各种投资材料中的信息，包括月报、介绍材料、尽职调查问卷和投资评论。然后，团队会拟写面向客户的回复。例如，客户可能会要求提供有关费用、交易品种数量或投资策略风险目标的信息。

ChatGPT 可以自动执行此过程中的几个步骤。首先，它可以从相关文档中提取所需的信息。其次，它可以起草一份可供人工分析师审查的答复。这种效率让团队有时间专注于更高价值的任务。下图显示了问答聊天机器人查询文档并生成可供检查的答复的屏幕截图。

聊天机器人返回信息的截图

提高数据提取效率是一个普遍的主题——我们在巨灾债示例中看到了这一点——其他团队也从中获益：

• 自由投资分析师从监管新闻服务 (RNS) 公告中提取信息。

请到「今天看啥」查看全文