随着人工智能淘金热加剧，华尔街宽客加入聊天机器人热潮

杰西·利弗莫尔审视了趋势线。沃伦·巴菲特寻求安全边际。彼得林奇押注于增长率。在市场的悠久历史中，交易系统和投资公式占有崇高的地位。

然而，由于 ChatGPT 等语言模型的计算能力，即使是金融界的传奇人物也无法预测人工智能支持者如今的梦想。

在这个新世界中，如果企业高管出现不必要的离题或在主题之间跳转，自动化程序就会发出警告——这可能是对未来焦虑的迹象。另一个人工智能模型剖析了商业幻灯片中的产品蓝图和图表，试图预测股票波动。甚至还有一种交易工具可以将最高管理层的实际声明与机器编造的想象对话进行比较，以某种方式找出市场流动性。

学术界提出的听起来很巧妙的投资想法与日俱增。

当然，宽客们花了几十年的时间试图揭示美国企业界隐藏的股票预兆，但取得的成功有好有坏。但由于聊天机器人的奇迹，自然语言处理（处理文本理解的人工智能分支）再次成为最热门的玩具。兑现热潮正在利用大学研究人员和系统投资者之间的长期联系，并在所谓的情绪分析领域开辟了新领域。

荷宝 (Robeco) 的另类阿尔法研究主管迈克·陈 (Mike Chen) 表示：“基于字典的基本情绪分析——绝对是被套利了。”该公司运营着价值 820 亿美元的量化策略。 “你能做的还有很多。”

从本质上讲，语言数据处理旨在通过分析数字背后的文本含义来帮助宽客更好地预测未来。想象一下分析师阅读新闻或收听财报电话会议，但在眨眼间就通过无数来源跟踪每一个公司的情况。

除了文本分析之外，还有大量研究剖析说话的语气、视频中的面部表情甚至表情符号。在荷宝，量化分析师最近开始分析高管在财报电话会议上的语气和语气，以了解他们真正信心十足的迹象。数据提供商 Stockpulse 今年开始收集影响者对 TikTok 上经济和各公司的看法。

在联博公司，数据科学家 Andrew Chin 和 Yuyu Fan 正在全力使用人工智能工具来寻找企业演讲中隐藏的含义。并非每一次尝试都奏效。例如，当他们深入研究中国公司如何总结经纪人的现场访问时，他们发现文本越复杂（例如句子的长度和不必要的单词），就越有证据表明相关公司正在陷入困境。

另一方面，字数除以经纪人活动的长度（代表说话速度）并没有多大意义。在美国的财报电话会议上，他们研究了使用“我们”代词作为合作和团结的标志。这也被证明毫无意义。

“我们确实试图产生广泛的信号——有时是数百个——但这并不意味着所有信号都会起作用，”这家市值 6690 亿美元的管理公司的高级数据科学家范表示。

多年来，财报电话会议的情绪一直变得更加积极，这可能表明高管们正在利用这一信号。资料来源：沃尔夫研究

虽然机器阅读过去依赖于计算积极和消极的单词，但聊天机器人背后的大型语言模型在解析上下文方面要好得多，即使是在蜿蜒的段落中。这些机器人不仅旨在结构化非结构化，还承诺自动执行研究任务并以极快的速度产生新的交易想法。仅 ChatGPT 的引入（它已经吸收了足够的文本，可以很好地掌握所有主题）就是一种制度转变。学术研究人员发现，简单地告诉聊天机器人评价新闻标题对股票是好还是坏，比以前的方法产生了更好的结果。

与此同时，人工智能的炒作也反映出了量化专业人士学术生活中一个尴尬的事实：构建一个新的研究玩具，论文就会随之而来。早在 ChatGPT 之前，市场从业者就对大量新发现的挑选获胜股票的方法保持警惕。它甚至还有一个讽刺的名字：“因素动物园”。

新的研究技术加速了交易理念的繁荣，但也存在很多噪音。

“其中一些是有用的，但可能很多都没有用，”沃尔夫研究公司(Wolfe Research)的量化分析师殷罗(Yin Luo)表示。 “几乎每个领域都有太多关于以多种不同方式使用 ChatGPT 的学术论文。”

随着企业高管试图智胜机器人，寻找新信号的过程已经被证明是一场猫捉老鼠的游戏。 2020 年的一篇学术论文显示，管理人员现在正在刻意使用听起来积极的词语，避免使用相反的词语，以取得更高的情绪分数。根据上述研究今年的更新，随着人工智能工具变得越来越复杂，公司正在更新他们的演示文稿，以融入积极的语气和乐观的句子。

这就是为什么像荷宝的陈这样的量化分析师正在寻找难以伪造的管理层信心的微妙迹象。在这家荷兰资产管理公司，机器扫描公司演讲，以检测具体内容还是模糊内容、自发内容还是照本宣科的内容，以及高管是否直接回答分析师的问题。

“高管们接受过如何说正确话语的培训，”他说。 “除了基本情绪之外，你还可以考虑很多不同类型的东西。”

让最新的语言模型在金融领域变得更好的一种方法是让人们根据自己的专家解释来标记句子，无论句子是积极的还是消极的，就像 AB 和 Man Group 所做的那样。这有助于为人工智能提供额外的培训。

在 Man，量化分析师一直在尝试什么提示最适合让 ChatGPT 解释公司语言。 Man AHL 系统部门机器学习负责人斯拉维·马里诺夫 (Slavi Marinov) 表示，提供一些示例似乎会有所帮助。

对他来说，目前大量情绪研究的缺点是，即使信号是预测性的，很多时候它们的表现也只是像经典的量化因素一样，比如动量，一种让赢家一路上涨、输家输家的投资风格。下山的路上。

马里诺夫说：“人们可能会孤立地看到一些信号对于预测回报很有用，但他们不会考虑它们是否对我们已经知道的所有事情都有补充。” “所以他们不断地重新发现相同的基本效应。”

换句话说，从情绪分析中得出的见解无法给交易专业人士带来什么新鲜价值，他们已经在仔细审查从最近的价格走势到分析师预测修正以适应市场趋势的所有内容。

康奈尔大学的尼克·盖斯特（Nick Guest）和贾文·严（Jiawen Yan）说：“迂回性捕捉到文本是否在不相关的概念之间蜿蜒流动，而不是采取更直接的路线。”他们共同撰写了一项关于如何利用此类披露来隐藏坏消息的研究。 （SIVB：硅谷银行）

就像当时所有与人工智能相关的事物一样，即使有很多炒作，情绪分析的繁荣也带来了真正的希望。然而，尽管计算技术取得了新的进步，人类还远未过时。如果说有什么不同的话，那就是行业专家与数字运算者的关系变得更加密切——即使这只是教他们去哪里寻找。

AllianceBernstein 投资解决方案和科学主管 Chin 表示：“如果你是一名分析师，无论如何你都会寻找这一点，那么这可能是有道理的。” “如果你只有大量数据，并且试图找到一些模式和关系，那么其中一些将是噪音并且没有用处。”