全球数字化转型 | 人工智能将带来财务分析变革，技术先进的投资者将获得优势

概要

机构投资者越来越多地借助人工智能¹(AI)来增强其日常投资流程，并且随着技术的进步，AI使用量可能会激增。AI可以自动执行常规任务，并能够在庞大数据库中发现隐含模式，从而提高预测的准确性、协助风险管理并优化投资组合。但是，对AI的使用面临技术和组织方面的挑战，需要多个利益方密切协作。使用AI需要高管支持、大规模资本投资和技能水平高的团队，这使技术先进且资金雄厚的投资者获得了决定性优势。

AI将提高效率，并逐步改变投资流程。大型语言模型²将会显著提升生产率，使投资者有更多时间拓展分析范围并深化其分析。但是，其广泛的可及性意味着单纯使用这些模型不会提供更高的回报。实现这一目标需要实施更传统的AI模型³，由于这些模型需要内部培训和定期维护，因此在应用方面更具挑战性。

执行将成为关键，这将拉大赢家和输家之间的差距。有效的AI战略将会优先考虑具有可靠记录的应用程序，例如使用大型语言模型进行信息概括和提取。当资产管理公司使用AI进行预测时，由于金融市场中观察到的模式变化迅速，他们在进行投资决策时面临模型可靠性下降的挑战。因此，当模型失去效力时，他们将需要健全的流程和自动系统监控。

另类数据将使分析更加及时，并降低对企业公开信息的依赖。AI的进步使得来自社交媒体、信用卡交易或者卫星的另类数据⁴能够转换为投资者可解读的信号，可以为那些能够运用这项技术的投资者提供宝贵的见解。目前，这些新的信息来源带来了很大的技术挑战，但当今的另类数据可能会成为未来的主流信息。

风险评估格局将扩大。随着生产率的提升，投资公司将能够分析此前因成本限制而未被考虑的小型企业，这将提高私人信贷市场的透明度。此外，AI还会深化风险评估，使专业投资人士更准确地衡量资产层面的风险。下一个前沿领域将是分析不同公司的资产之间的关系，以揭示相关联的脆弱性。

AI将提高效率，并逐步改变投资流程

机构投资者越来越多地借助AI来优化其投资流程，随着技术的发展，AI的使用率将上升。OpenAI的GPT和Anthropic的Claude等大型语言模型可以显著提高生产率，因为它们处理年报、债务文件、新闻文章或经纪人研究等大量文本数据的速度显著超过人类。这些模型可以自动创建盈利报告或市场评论等文档，并生成投资观点。此外，它们可以协助编写代码，使投资者能够设计适合其需求的小型应用程序。

倘若投资者克服了法律和合规限制，则采用大型语言模型的障碍低于传统AI。大型语言模型的所有者已创建了网站和工具⁵，只需支付少量费用即可访问其模型，大型科技企业已将AI功能嵌入其产品。例如，微软公司在其Edge浏览器中提供了免费版本的Copilot，并为Microsoft 365软件添加了AI功能的付费版本。希望在大型语言模型基础上构建应用程序的投资者只需编写几行代码，并以简单的英语表达其想要的功能，即可访问这些应用程序。

尽管创建应用程序需要IT资源，但添加和维护用于概括、翻译或信息提取等简单任务的AI组件相对简单，因为模型所有者负责培训和建设基础架构。

图表1

虽然许多资产管理公司出于隐私权的考虑限制了对大型语言模型的使用，但仍有解决方案确保用户数据的保密性。采用这项技术的主要挑战在于建立适当的风险和合规框架，以及教育员工了解AI模型的可能性和局限性。

现有大型语言模型的广泛可及性意味着它们本身不会使机构投资者的表现优于同业。尽管如此，这些AI工具可通过概括和分析财务和法律文件、起草内部研究文件、定制投资组合和改善客户服务来大幅提高生产率。这些方面生产率的提高将使投资者能够将其覆盖范围扩大到更多公司，开展更全面更及时的分析，并实现显著的成本效益。相反，未能采用AI工具的投资者可能会处于竞争劣势。

虽然大型语言模型近来备受关注，但它们往往难以处理需要输入大型数字数据库的任务，例如预测经济或财务指标。传统AI模型在这些应用方面可以产生更好的结果，这些使用案例在财务分析工作中占很大比例。特别是，基于决策树的传统模型⁶在这些情况下通常表现良好。

图表2

但是，传统AI模型的推出难度远高于生成式AI背后的大型语言模型，因为前者需要投资者自己进行培训和模型维护。能够克服挑战将传统模型和大型语言模型结合起来的投资者将能脱颖而出，提高表现优于同业的可能性。因此，在短期内，这些技术先进的投资者有望从AI中获益最大。

AI将增强而不是取代人类的判断

虽然AI的作用可能会扩大，但它将增强而不是取代人类的判断⁷。所有AI模型，无论是生成式还是传统模型，在遇到与其训练中的情形类似的情况时通常表现良好，而在新的情况或不寻常的情况下则表现欠佳。例如，仅针对一个经济稳定时期收集的数据进行训练的算法在金融危机期间不可能表现良好。如果AI模型输入的数据不实或虚假，它们也将出现失误⁸。

尽管如此，AI的发展将使量化投资更为流行，尤其是利用短线模式的投资策略。量化投资利用数学、概率、数据和统计分析等因素来构建投资组合、制定交易策略和管理风险。由于机器处理大量数据和推导的速度远快于人类，我们可能会看到投资者越来越多地采用利用微小价格差异或市场短暂异常进行交易的投资策略。

执行将成为关键，这将拉大赢家和输家之间的差距

AI能够为机构投资者提供巨大潜力，尤其是在削减成本方面，但利用AI来提高回报而不仅仅是提升效率也会带来相当大的组织和技术挑战。在金融市场的优异表现总体上是一场零和游戏。表现优于指数的资产管理机构赢的本质上是其他机构输的钱，但只有极少数能够持续击败其同业。AI可能会扩大这一小部分投资机构与其他投资者之间的差距。

在ChatGPT首次亮相之前就已经存在有效的AI解决方案，但大多数资产管理公司尚未实施这些解决方案，而且往往难以扩展到概念验证阶段之外。实施基于传统AI模型的解决方案需要投资团队、数据科学家、数据工程师⁹、机器学习工程师¹⁰、IT专家和风险、法务与合规部门等各方之间的广泛协作。

图表3

将具有不同激励目标的工作团队协调一致需要资产管理公司的领导层采取积极的管理方式，这种方式需要传达至中层管理人员。AI试验通常从基层开始由金融分析师或资产管理机构开发小型AI工具来优化日常任务。然而，如果没有所有管理层对重新构想现有价值链和工作流程的承诺，这些举措将无法扩大应用规模。

制定有效的AI战略还需要谨慎的资源分配。资产管理公司在实施AI时可能会倾向于将尖端技术应用于复杂的用例，但这种方法可能不会产生最佳结果。例如，从头开始训练大型语言模型具有挑战性，需要大量资源，而且成品的表现可能不如大型科技公司开发的模型。

由于技术进步迅速，最有效的AI战略是避免将太多资源绑定到数量有限的应用程序上。相反，重点需放在其他行业具有良好往绩记录的应用上。一个好的方法可能是首先尝试利用大型语言模型来提高生产率。对于总结或制作简报等简单应用而言，可能不需要聘用具有专业技能的人员。收获这些唾手可得的果实将使资产管理公司获得经验并与利益相关方建立信任，从而为更宏大的项目奠定基础。

资产管理公司的下一步将是收集数据来训练传统AI模型或微调大型语言模型。为此，其需要聘请具有专业知识的人才，例如数据科学家，并与资产管理公司的IT团队密切合作，建立云环境和数据基础设施。与其他行业一样，资产管理公司需要开发大量AI应用程序，才能看到对其商业模式产生重大影响。因此，他们需要设置工具来使模型部署和再训练自动化，以便数据科学家可以专注于创建新模型而不是维护现有模型。

资产管理公司面临一个独特挑战，即他们开发的AI投资模型在接近投资决策时会变得越来越不可靠。金融市场中观察到的模式变化很快，因为市场价格不仅取决于证券的基本特征，还取决于投资者如何看待并吸收此类信息。此外，资产管理公司也会追逐同一超额回报来源，但当太多资产管理公司开发出识别相同模式的AI模型时，这种超额回报来源就会消失。

因此，资产管理公司需要建立强大的系统来监测模型的投资策略何时不再发挥作用，并决定是否可以重新训练或应该停止使用该模型。他们还需创建金融分析师和基金经理能够理解的投资模型；否则后者可能不愿意使用相关模型。

使用大型语言模型来识别投资机会很有吸引力，但这种方法面临几个问题。幻觉风险(返回听起来合理但输出不正确的结果)现已众所周知，但在最新一代模型中这种风险已有所降低¹¹。此外，大型语言模型可能会产生不可预测的结果，细微的输入变化或模型差异都会导致不一致的输出，从而使得在开发阶段进行回溯测试¹²变得困难¹³。尽管如此，这些模型的能力正在迅速进步，并将在投资过程中逐渐变得越来越重要¹⁴。它们还可以接受解释模型输出的工具的结果¹⁵，并生成非专家能够理解的报告，从而便于金融分析师和基金经理使用。

另类数据将使分析更加及时，并降低对企业公开信息的依赖

虽然许多先进的大型语言模型都是专有的，但多数传统AI模型都是开源的，所有人都可以访问。最初，实施挑战将有利于具有高水平技术专长的资产管理公司，但随着AI在行业中的广泛应用，这一优势最终将消失。因此，用于训练AI模型的数据将成为竞争优势的重要来源。

目前，多数投资者仅依赖财务报表和经济报告等常规数据源进行投资决策。这些数据源通常包含结构化数据，因此很容易将其纳入传统或基于AI的分析过程中。但传统数据具有局限性，包括数据来源有限、发布存在时滞以及所有市场参与者均可平等访问。

传统数据源仅占个人和机器日益增长的数字足迹中可用信息的一小部分¹⁶。越来越多的投资者开始转向社交媒体、在线零售网站、信用卡交易、手机、物联网(IoT)传感器和卫星等来源的另类数据，以获得竞争优势。

图表4

另类数据往往缺乏结构，因此较难使用传统方法进行分析。但随着AI算法的进步以及计算和数据存储成本的降低，现在可将另类数据转换为投资者可解读的信号。

这些信号为标准市场数据添加了前瞻性或补充信息，有助于产生更高的投资回报。前瞻性见解可让投资者提前获取键信息，例如在正式发布使用工厂地理位置数据来预估汽车制造商的生产水平。补充性见解使投资者能够通过财务报表以外的数据评估公司业绩和风险，例如通过查阅社交媒体和电子商务评论来衡量消费者品牌忠诚度。

整合另类数据可显著改善投资流程，但过程并不简单。由于可用的选项过多，选择正确的数据集较为困难，其价值取决于资产类别、时间范围、投资策略以及投资者已经可以访问的数据集等因素。当收集的数据包括专有或个人信息时，也可能出现法律问题。一旦选定数据集，将其转换为人类或机器可理解的信号需要复杂的IT基础设施，例如可实时提取大型数据集的工具和高性能计算能力。从另类数据中提取的价值也必须超过其成本。

处理另类数据需要高水平专业知识。例如，处理社交媒体数据涉及复杂的任务，如过滤虚假账户并准确关联涉及同一公司在不同写作风格和语言中的提及。由于历史覆盖范围有限，对另类数据进行回溯测试具有挑战性。投资者面临在有限的信息基础上采取行动或等待更多数据积累的两难境地，这可能随着数据集变得更加普遍可得而降低其价值。

另类数据的日益普及将逐渐削弱其价值，迫使资产管理公司不断寻找新的独家数据来源。减缓上述价值衰减的可能方式是使用多个另类数据集来创建独特数据组合。该方法延长了数据价值的生命周期，并可能产生单个数据集无法揭示的见解。另一种策略是将另类数据与专有数据(例如交易数据或过往交易期间收集的信息)相结合。

众多挑战表明目前只有最成熟的投资者才会使用另类数据，但这些数据来源将逐渐变得更容易获取，当前的另类数据可能成为以后的主流信息。通过提供洞察报告期之间的市场动态，这一变化将加速投资决策。此外，这也将挑战单一事实来源的概念，使得投资者能够核实来自官方来源的信息。在这种新环境下，仅依赖传统数据的投资者将处于竞争劣势。

风险评估格局将扩大

虽然只有极少数投资者会通过在投资流程中纳入AI来提高回报，但未来几年多数投资者的生产率将有所改善。这样的效率提升将可降低风险评估的成本，使得先前因盈利能力有限而被忽略的小额借款人得以被纳入分析范围。同时，另类数据将提供更多信息，以帮助了解这些规模较小的实体。

这些趋势可进一步推动私人市场的增长，尤其是私人信贷，即非公开交易或发行的非银行贷款。私人信贷借款人的规模通常小于上市公司，其年收入在1,000万美元至10亿美元之间¹⁷。尽管该业务板块增长迅速，从2018年的1万亿美元增至2023年的1.5万亿美元¹⁸，但其透明度较低导致其无法实现更快速增长.¹⁹。AI还可简化财务和法律文件的分析流程，这些文件在非公开市场中的标准化程度低于公开市场，此外，AI还能帮助进行投资估值。

如果区块链等分布式账本技术(DLT)²⁰能够增强该板块的流动性，则私人市场对信用评估的需求可能会进一步上升。代币化可以将债务工具转换为可交易的区块链代币，并有助于创建二级市场。DLT还能创建一个对所有市场参与者开放并且可靠的数据储存库。但是，许多复杂的技术和运营问题仍未解决，而且在许多地区，代币持有人的法律地位尚不明确。截至2024年5月，代币化私人信贷金额仅为5.44亿美元²¹。

随着结合人类智慧和机器智能的信用评估需求增加，AI将能够实现新的风险评估方式。资产管理公司可以重复使用其AI投资建议模型中的组件来生成新的信号，例如根据财务信息来预测债券价格的模型可转用于预测利润预警。

图表5

这些新信息将可单独作为投资策略的依据，也可与其他信息结合，发展出新的投资策略。结构良好的AI工具将使投资者能够将一个模型中获得的优化方法应用到另一个模型。

AI和另类数据也使投资者能够衡量机构层面以外的风险，从而深入到单个资产的层面进行分析。目前大多数风险评估都侧重于整个机构，因为各机构通常以这种方式报告数据。但结合AI和另类数据的解决方案可自动对实体的资产进行编目，从而识别其位置、类型、盈利、环境和所有权结构等特征。其实现方式包括分析年报、新闻、公共数据库、卫星图像和其他来源。

图表6

获取资产层面的信息是准确评估某些风险的关键。洪灾或山火等气候相关灾害可能会严重影响对运营至关重要的办公楼或仓库等特定资产。同样，个别地区的问题也可能对企业的信用质量产生重大影响。其中一个悲剧性的例子是布鲁马迪纽矿坝坍塌事故，这次事故涉及矿业公司淡水河谷公司(Vale S.A.，Baa3/正面)。2019年发生的这次矿坝崩塌引发了泥石流，淹没了淡水河谷公司总部和附近一些村落，造成了大量人员死亡、大面积环境被破坏以及180亿美元的赔偿费用²²。

资产层面的评估也有助于准确衡量政治动荡或武装冲突的风险。例如，当前持续的俄乌冲突已导致基础设施遭到大面积破坏和大量资产被扣押。

此类详细的风险评估对于保险公司、客户和供应商具有价值。这种风险评估也可以完善企业层面的总体风险分析，或对投资组合中的特定风险敞口提供更准确、更全面的评估。风险评估的下一个前沿领域将是分析不同公司的资产之间的关系，以揭示潜在脆弱性的相互关联。这种方法将有助于揭示不同行业和地区的隐性风险和依存性，从而更全面地了解日益复杂的全球经济所面临的风险。