生成式AI先改变了投研的哪一环?

  • Bernstein会议讨论认为,AI对主观投资者的增量更大:量化团队在生成式AI普及前已大量使用自动化和机器学习,AI带来的更多是编程、信息搜集等环节的补充;主观投研则能借助AI降低处理非结构化信息的技术门槛。
  • AlphaPai的平台演进体现了应用重心变化:2023年先把会议等信息转成文字和结构化纪要,2024年开始覆盖公司研究、行业研究和分析师工作流,2025年的PaiWork再把数据、工作流、研究工具和AI代理整合进一个工作环境。AI由单点工具逐渐进入日常研究流程。

实际使用增长有多广,应用价值体现在哪里?

  • AlphaPai称其服务超过12万名专业用户,覆盖约8000家机构;过去一年平台token使用量增长80倍,但5.5%的用户消耗了50%的token,说明使用强度并不平均,活跃程度集中在一部分用户。
  • 会议机器人把路演、专家交流等内容整理成可检索的信息,持续跟踪工具则自动更新公司、行业、技术和供应链动态。它们针对的是人工收集、整理和维护信息的耗时环节,而非直接替代最终投资决策。

效率提升能否转化为投资超额收益?

  • 讨论者提到,一些深度使用AI的量化基金表现强劲,但无法据此把投资成功归因于AI。AI能让投资者测试更多信号;测试越多,偶然筛出高夏普策略的风险越高,回测表现需要相应折减。
  • AI处理信息的能力对高频投资者更直接;对于中频投资者,AI能否改善决策的证据有限。中频宏观策略历史数据较少,更难判断模型复杂度提高是否会带来更好的未来表现。
  • 因此,AI更适合承担研究流程中的信息处理和效率工作,投资专业人士仍要评估、验证和改进AI生成的结论。

哪些因素决定AI能否持续改变投资行业?

  • AI接手更多信息搜集和综合后,人的价值更偏向线下调研、专家访谈、独立判断与质量控制。大型平台有规模和人才优势,但精品机构也可以借助AI扩大研究覆盖面。
  • AI更快处理新信息,可能让市场短期更快反映信息;如果不同投资者使用相似系统并得出相似结论,持仓也可能趋同,带来更大的市场波动和低效阶段。讨论者还提出,强调较少依赖AI的流程可能成为一种差异化方向。
  • 普及速度取决于工具能否融入日常工作,以及用户能否看到明确的生产率或投资回报;其中,AI改善投资决策和业绩的证据仍是重要门槛。