生成式 AI 最先改變了投研的哪個環節?
- Bernstein 會議討論認為,AI 對主觀投資者帶來的增量效益較大:量化團隊在生成式 AI 普及之前,已大量使用自動化與機器學習;AI 帶來的更多是程式設計、資訊蒐集等環節的補充。主觀投研則可借助 AI 降低處理非結構化資訊的技術門檻。
- AlphaPai 的平台演進呈現了應用重心的變化:2023 年先將會議等資訊轉成文字與結構化紀要;2024 年開始涵蓋公司研究、產業研究與分析師工作流程;到了 2025 年,PaiWork 又將資料、工作流程、研究工具與 AI 代理整合進同一個工作環境。AI 逐漸從單點工具融入日常研究流程。
實際使用的普及程度如何?應用價值體現在哪裡?
- AlphaPai 表示,其服務超過 12萬 名專業用戶,涵蓋約 8000 家機構。過去一年,平台的 token 使用量成長 80 倍,但 5.5% 的用戶消耗了 50% 的 token,顯示使用強度並不平均,活躍度集中在部分用戶身上。
- 會議機器人會將法說會、專家交流等內容整理成可搜尋的資訊;持續追蹤工具則會自動更新公司、產業、技術與供應鏈動態。這些工具針對的是人工蒐集、整理及維護資訊等耗時環節,而非直接取代最終投資決策。
效率提升能否轉化為投資超額收益?
- 與會者提到,一些深度使用 AI 的量化基金表現強勁,但不能據此將投資成功歸因於 AI。AI 能讓投資者測試更多訊號;測試越多,偶然篩選出高夏普比率策略的風險就越高,因此需要相應折減回測表現。
- AI 的資訊處理能力對高頻投資者更為直接;對中頻投資者而言,AI 能否改善決策的證據有限。中頻宏觀策略的歷史資料較少,更難判斷提高模型複雜度是否會帶來更好的未來表現。
- 因此,AI 更適合負責研究流程中的資訊處理與效率工作;投資專業人士仍須評估、驗證並改進 AI 生成的結論。
哪些因素決定 AI 能否持續改變投資業?
- AI 接手更多資訊蒐集與綜整工作後,人的價值將更偏向實地調研、專家訪談、獨立判斷與品質控管。大型平台具備規模與人才優勢,但精品機構也能借助 AI 擴大研究涵蓋面。
- AI 更快處理新資訊,可能使市場在短期內更快反映資訊;若不同投資者使用相似系統並得出相似結論,持倉也可能趨同,帶來更大的市場波動與低效率階段。與會者還提出,強調較少依賴 AI 的流程可能成為一種差異化方向。
- 普及速度取決於工具能否融入日常工作,以及用戶能否看到明確的生產力提升或投資回報;其中,AI 改善投資決策與業績的證據仍是重要門檻。