趨勢觀察／生成式AI 優化投資決策

生成式人工智慧（Generative AI）成為顯學，各個產業都會受到影響，資產管理業也不例外。在生成式AI及其他AI模型流行的時代，整體投資流程效率可望提升，另類數據的影響力也愈來愈大。

運用科技 降低行為偏誤

以貝萊德系統化主動投資為例，沈宇青指出，這個平台已經運作了38年，以數據資料主導觀點、科學驗證的投資理念及先進的電腦模擬技術來建構投資組合，而非只是透過科學檢驗推測。

沈宇青強調，系統化主動投資方式可以平衡傳統投資者面臨的風險。他說，傳統投資者面臨兩大挑戰，也就是大量的數據及行為偏誤。投資專家可以利用量化模型，通過嚴格的建構及不斷改進完善投資決策，發揮人類決策的優勢，並有助於降低行為偏誤和認知偏誤。

貝萊德系統化主動投資團隊位於舊金山，成員遍布倫敦和亞洲，一半成員擁有高端科技背景或工程、物理、數學或科學等相關學科的博士學位。沈宇青說，這個投資團隊利用最先進的創新技術獲取新的投資見解，加上團隊擁有敏銳的市場觸覺，做出可衡量且更優化的投資決策。

沈宇青舉例說明如何融合創新與市場直覺。在地理空間資訊方面，可以利用衛星圖像或GPS資料，追蹤貨車的活動軌跡，建立地理資訊系統，為當前的經濟表現提供更有價值的細微見解。

分析數據 準確評估趨勢

另外，自然語言處理也是明顯的例子。沈宇青分析，系統化主動投資不僅研究數據，還融合文本分析以得出投資見解。這與人類閱讀文本的原理一致，但電腦先前一直難以勝任。LLMs打破這個限制，使文本資料得以應用在投資的領域。

沈宇青指出，系統化主動投資團隊的最新模型奠基於 Transformer技術，能夠有效理解並從文本中提取關鍵細節。透過這項技術，就能準確評估市場情緒，並深入探究訊號背後的意涵。這樣的模型專門針對金融及投資相關資訊進行訓練，利用改良過的演算法及最新的應用技術，以形成投資觀點。

在疫情期間，了解有關城市交通、餐廳入座率、信用卡交易和搜尋引擎的搜尋趨勢等即時數據，是對投資人非常有幫助的資訊。沈宇青說，這些數據提供不同市場的經濟生產力和消費群體消費模式，協助投資團隊作出準確的預測及投資決策。

另外，系統化主動投資還透過物聯網（IoT）蒐集的電話會議、新聞、券商報告、政府統計資料和專家觀點等大數據，可以利用AI來客觀產生投資見解。

沈宇青預期，未來將有更多數據及優化的演算法，以衡量並採集資訊。