用 AI 投资理财，回报会比基金经理更好吗？
让你把存款和投资款，都交给 AI 打理，你会放心吗？
在刚刚落幕的世界人工智能大会上，蚂蚁集团发布了「隐语 Cloud」大模型密算平台，以及金融 AI 助理支小宝。
前者是蚂蚁探索多年的隐私计算技术的阶段性成果，首次在国内把 GPU 使用到了密算过程中，后者则是服务了 4300 万用户的「私人理财专家」—— 只需一部手机，用户就能获得高质量的行情分析、持仓诊断、资产配置和投教伙伴等个性化的服务。
自从大模型爆发以来，本来就有理财习惯的用户，自然希望能借一臂之力。简单点的，是打开聊天窗口直接发问，比如这样👇🏻
同样是问英伟达的股票表现，左边的 Kimi 不仅给出了分析看法，还列出了信息来源。相比之下 ChatGPT 返送的回答，就更简单一点。
尤其是后面追加的茅台行情，ChatGPT的回答透露着一股「不熟，勿扰」的即视感😅
相比于万能场景的 Chatbot，支小宝不愧是立足理财场景，给出了非常丰富、而且是可视化的回答。
信息来源包含了多家券商的数据和信息，all-in-one 的方式，直接省掉了反复切跳平台的工夫。
不过，信息差还是能看得出来的。让支小宝回答英伟达相关的问题，结果不比茅台那么眼花缭乱，但仍然足够有诚意。
在结尾时，无论是GPT还是支小宝，都 一定会强调投资决定全在用户个人，所有的信息，统统仅供参考。
普通用户借助 AI，提高自己的理财收益，挣点零花钱，问题不大，管理好预期，记住 股市有风险就行。
可专业的投资机构，也能靠 AI 吗？
本月初，对冲巨头桥水启动了一只以机器学习为决策依据的基金——盘子规模达到了 20 亿美元。 目前基金使用的模型是专有技术，不过，未来计划尝试引入 OpenAI、Anthropic 等大公司的模型。
桥水基金首席投资官（联席）Greg Jensen 图片来自：Fortune.com
从来没见过那么多钱，连想都想象不到😢。
然而，那是管理着超过 1080 亿美元的桥水来说，20 亿或许都不算什么。但考虑到是 AI 主导、人工辅助的操作，听着就有点儿抽象了。
从什么时候起，机器也能投资了？
作为用户，在手机这端看到返送结果的时候，难免会好奇： 这些回答的背后，大模型都干了些什么？怎么做到的？
其实，「科技魔法」早就在跟投资结合——尤其是在专业机构那里。
早在 2017 年，摩根大通就尝试了用人工智能处理金融文件，名为 COIN，主要用于处理合同文书等材料。
这两年来，大语言模型则吸引了更多注意力。
Bloomberg 借助 GPT 开发了专门的大语言模型，50 亿参数的数据集包含了 Bloomberg 自家的新闻文章、市场数据和研究报告。
就在昨天，a16z 领投了 AI 搜索引擎 Hebbia 的 B 轮融资，金额高达 1.3 亿美元，估值 7 亿美元。
Hebbia 强调自己的技术能够分析文档、音频和视频，以及更复杂的非结构化数据。一直以来，它的重点服务对象之一就是金融业。
在金融领域，找到非结构化数据之间的关联，至关重要。自然语言处理中的 NER 技术，不仅可以用来做信息提取，提供投资建议，还可以通过识别风险实体，监控欺诈、洗钱等不合规行为。
除此之外的另一种路线，是基于「情绪分析」，这也可以交给机器学习。早期的方法是基于 Python，通过把含义积极和消极的词语分别量化，来编制情感分数。当市场情绪表现乐观，股票也就看涨；反之，则看跌。
但这种方法的局限性很大，并不能准确反映市场情绪。不断改良之后，通过引入深度学习模型、朴素贝叶斯、向量机等方法，有效提高了预测准确性——尤其是提高了股票市场的分析。
不仅要能看股价，还要能解释
尽管用的是「情绪分析」方法，但机器并不真正了解情绪。
「它们不知道什么是贪婪，什么是恐惧，以及可能的因果关系是什么」，桥水的联席首席投资官 Greg Jensen 这样说。
贪婪和恐惧，恰恰是很多人投资的起点和终点。
但大模型只懂数据，更偏向「有效市场假说」的路线：股票的价格，反映了所有可用的信息，通过挖掘和分析各种数据，投资者可以建立对市场的了解，从而判断股价的变化。
除了在桥水工作，Greg Jensen还是扑克爱好者，曾经在2022年世界大赛上获得金手链 图片来自：华尔街日报
模型对投资决策的判断，建立在对历史数据的理解上，从而展开预测。东京大学的最新研究，提出了一个新的框架 LLMFactor，不仅要提高预测结果，还要能提供可解释性。
既然是基于大语言模型，首要任务是获取足够多的知识。研究人员把从纽约证券交易所和纳斯达克证券交易所收集到的资料，用于指导模型。
下一步，则是提炼出关键因子，指示模型提炼住影响股票价格走势的关键因子。在这一步里，研究人员对指令做了结构化处理，不仅是着眼于关键字，更要结合新闻内容，整体性地理解所有可能出现的影响。
在后续的比较测试里，这个关键因子的框架被用于和几个传统派别下的不同方法做对比，包括情感分析，关键词分析等，LLMFactor 都有不错的表现。
相比于捕捉到下一只暴涨的股票，这个研究团队更希望捕捉到「可解释性」——可以这样理解，如果不能讲明白为什么对某只股票看涨或看跌，那离赌就不远了。
大语言模型因此被寄于厚望， 它可以把计算机的判断和决策过程，生成为人类可读的解释。新加坡国立大学的一个研究团队也在做类似的尝试。
通过「总结-解释-预测」三个步骤，模型不仅能够收集和分析信息，还要自己学着解释信息，最后提供投资预测。
不完美，就不能用吗？
可解释性之所以重要，恰恰是因为金融市场之复杂。
蚂蚁集团财富保险事业群智能服务算法总监陈鸿的看法是，金融领域中，观点必然是冲突的。
「某种意义上，冲突构成了市场交易的基础，买卖双方必然对资产价格有截然不同的预期，所以才有一买一卖。」
那么，经过专业训练、多年执业的分析师，也不能敢说在纷杂的信息当中，做到百胜不怠，大模型能够保证吗？
尽管投入了 20 亿美元，Jensen 表示，桥水基金的分析师仍然会参与协助，提供人工辅助，确保投资决策流程的完备。
不过，「 具有内在缺陷，不代表系统不能安全工作。」陈鸿认为，人本身就是这样一个例子。
大语言模型究竟有没有真正具备「分析」和「理解」的能力，始终存在争议。更重要的是，除了专业知识，「know-how」，也就是过程性知识。
一件事情如何拆分、如何规划、如何执行，都需要过程性知识。AI 如何捕捉这些碎片化的、非结构的信息，并用于决策当中，都将是未来需要突破的难点。