ChatGPT 人工智能 GPT4 伦理 生成式 医疗 监管 安全 机器学习 深度学习 神经网络 计算机视觉 强化学习 模型 算法 应用 开发 研究 工具 平台 框架 数据集 训练 部署 安全 合规 培训 投资 LLM,llm AI,ai,Ai 大模型 大语言模型 制图 生图 绘图 文生图 文生视频 生成式AI AGI 世界模型 sora chatGPT,chatgpt,ChatGpt claude openai Llama deepseek midjourney 红熊猫模型 Red panda,panda Stable Diffusion,StableDiffusion,stable DALL- E 3 DALL E DALL Flux,flux 扩散模型 混元大模型 文心一言 通义千问 可灵 Pika PixelDance 豆包 月之暗面 零一万物 阶跃星辰 搜索增强 MiniMax Talkie Agent prompt fastai LangChain TTS 微调 提示词 知识库 智能体
# 热门搜索 #
搜索
别着急开户,先跟“投资版ChatGPT”聊一聊
3035点击    2024-10-23 19:50

金融+AI,真的来了?


外资基金经理和人工智能团队创始人,这两个听上去毫不关联的身份,在郑其森身上完成了重合。


带领着20人的团队,前高盛分析员郑其森推出了一个“投资版ChatGPT”——ArborChat,一款由人工智能驱动的投资专家型机器人助手,能深度分析和回答各种投资问题。


量化金融不是什么新鲜事,但在大模型技术爆发之前,大数据分析更多是建立统计模型,分析金融市场的动态变化,帮助各类投资者进行交易和风险管理。


随着大语言模型技术的突飞猛进,人工智能有了强大的文本解读和创造能力,金融+AI被赋予了更大的期待。


在日交易数据、财务数据等结构化数据之外,诸如企业战略、行业前景、企业人事变动等非结构化的数据,是否也能用AI来进行归纳和总结,实现“机器味”更少、“人味”更重的价值投资?


ArborChat给出了一个方向,AI可以模仿人类的推理过程,只要你善于下达合适的prompt,甚至能把大模型“培养”成巴菲特的投资风格。”巴老一直说投资是简单但不容易,AI没有人类的情感包袱,可能是更好的价值投资者!"


金融+AI,需要一点理想主义


“我们希望投资者在决策之前,先问问ArborChat该考虑什么,有足够的信息去做参考,而不是一时冲动就下单。”郑其森向36氪介绍。


今年36岁的郑其森毕业于香港科技大学,并曾经在哈佛大学和北京大学留学,是高盛出身的“金融才俊”。他的身上既有港人的“务实精神”,又带着金融圈不太常见的“理想主义”。连带他的创业经历和产品风格,都有这样的烙印。


2014年还在高盛就职时,郑其森和都是从事价值投资的基金经理和老同学廖展鹏喝酒聊天。


“为什么隔壁搞量化得这么轻松?”郑其森有些羡慕,AI在量化投资上已经能处理大量数据分析,帮助处理很多日常工作,但价值投资则需要去理解商业前景这类感性认识,当时的AI不足以承担这类工作。


如果故事只停留在羡慕上,则绝不符合一个理想主义者的思考路径。


一个理想主义者应该看到的是:那时的智能投顾算不上“聪明”,只能称得上“可靠”,背后的组合策略方程式在金融界已经用了几十年,不能做复杂和深入的投资标的分析。


郑其森平时看的就是TMT行业,经验告诉他“投资几乎跟世界上所有的事情相关,如果AI能够有通用能力,智能投顾一定会有很大的突破点。”


其实心里的种子早在几年前就已经种下——2012年,諾貝爾得獎者杰弗里·辛顿(Geoffrey Hinton)和OpenAI前首席科学家伊尔亚·苏茨克维(Ilya Sutskever)凭AlexNet在ImageNet竞赛中胜出而一鸣惊人,也让郑其森看到了AI在不同領域逐渐超越人类的可能。


“如果在图像处理开始能超越人类水平,那其实AI能在语言处理超越人类水平也是能想象的事情,价值投资要做成AI处理文字的能力一定要超过人类水平才能解。”


2017年,谷歌Transformer模型的发布,并在2018年以BERT模型首次在多项自然语言处理上超越人类分数,让郑其森看到了自然语言处理技术成熟的可能性。这一年他和廖展鹏也开始了自己的创业之路。


过去六年多,郑其森和团队做出的金融AI产品,服务于国内外众多银行和基金。另外亦利用自家AI能力优化高净值客户的开户和基金申购流程,创建资产管理规模达15亿美元的私募投资平台。


“譬如我们帮四大银行中的一家,抽取和分析信贷业务客户的财务报表。通过提取大量的会计数字,放到信贷模型里面做分析。”他介绍,这让平时会计师七个小时的工作流程压缩到了半小时之内。


尽管生意不错,但这些并不能让郑其森真正感到兴奋。直到大模型的爆发,使得当年的畅想成为了可能,并于近日推出了ArborChat。


ArborChat利用针对金融领域优化的大型语言模型系统,为散户以至机构投资者提供实时投资洞察、投资组合监察和深度金融分析。


郑其森终于等来了自己的“ChatGPT”时刻。“过往几十年所谓的AI投资都是以统计学模型为准的量化投资策略。基于突破性的大模型技术,现在通用人工智能样模型开始能进行非常深入的推理,并得出基本面投资方式的财务分析。”


郑其森介绍,这是前所未见的技术突破,正式开创了价值投资AI这全新的投资风格。


AI价值投资成为可能


ArborChat这样的投资机器人,到底是怎样实现价值投资决策的?


“一些我们觉得平常不过的问题对AI来说其实很难—例如“怎样比较阿里巴巴和拼多多的股价前景?”回答这个问题,AI需要做多步思考,分别查询阿里巴巴和拼多多各自的财务数据、分析师评级、股价技术分析、业务增长、公司管治和投资者情绪等多角度考量,最后才能总结两家公司的比较。”可以说,超越单层思考之后,拥有多步深度思考能力,是ArborChat走向与传统量化不同的AI投资路的基础。而ArborChat利用了独特的"思维树”技术,成功攻克金融分析的深度推理门槛。



“我们早在去年已经留意到DeepMind团队在研究怎样利用蒙特卡罗树算法尝试提升大模型的推理能力,因此亦起步研究怎样利用思维树(即树状决策推理,而非线性的”思维链”)创造做好金融分析足够深的模型推理。”透过郑其森的解释,ArborChat不单是金融定制的人工智能工具,在系统研发上团队亦有著行业前沿的研发成果,成为行业领先的智能体。


创业这几年,郑其森把自己“熬”成了半个金融AI的专家,并组建了专业的团队。“ArborChat 的AI主管之前也是银行业工作多年的数据科学专家,是跨领域的通才。”


懂金融、懂AI,一些理想主义,加上高度执行力,造就了ArborChat的核心竞争力。ArborChat团队横跨金融和数据两大复杂学科,同时多年从业经验使得其对客户需求和行业痛点有更深刻的认知。


郑其森相信,“从国外的情况来看,ChatGPT没有垄断一切,不同的垂直领域一定会有自己的领头羊产品。”


他以金融行业为例,通用大模型不是专门的金融工具,不会特意找金融数据库对接。“他们的通用框架在处理金融数据时,往往会参考很多过时的资讯。”


ArborChat系統亦用到了RAG技术,以实时提取相关资讯。但常规RAG系统是有缺陷的,用来提取金融相关的资讯会有很多杂讯。


为了让结果更符合金融特质,ArborChat采取了创新式的数据标注方法,独家RAG技术不仅大幅提升金融商业类答案的提取准确率,还能维持实时性。这一点,国内外许多炒股AI目前都没有做到。


谁会成为下一代投资巨鲸?


和近年二级市场投资遇冷的情况相比,近段时间开户潮、00后投资者的涌入,不禁令人感慨,ArborChat遇到了一个好时机。“我们这六年经历过多少的高低起伏,才等到现在。希望好时机还能持续多一会,哈哈。”郑其森苦笑道。


郑其森也对这样的情况表现出了理性思考,年轻人对金融大模型的接受度也许更高,但他们的C端客户目标还是在经验更为丰富,同时付费意愿更高的成熟投资者上。


ArborChat的独特价值,包括为零售和机构投资者提供的解决方案,B端客户也被视为ArborChat的商业化大盘。


“我们有API的形式,跟不同的金融机构合作,成为他们投资决策的一部分。”郑其森举例表示,ArborChat能够帮助金融机构跟踪投资板块里的变动。由于最近AI投资热,很多的巨头都在投资小型模块化核反应(SMR),如要拉排名前100科技公司,看看他们这块领域有没有投入,基金公司分析师可能需要花一个星期才能知道答案,而“ArborChat在to B端提供的API可以1分钟内回答。”


通过帮助金融机构搭建专用的投资分析工具,从前端投资板块分析,到投资组合跟踪,包括客户的风控,ArborChat都能够参与其中并提高效率。


ArborChat的出现绝非孤例,随着AI技术的进一步落地,未来所有基本面或者价值投资基金,AI参与部分投研或者风控是必然结果,甚至可能会出现AI主导投资决定的局面。“当ArborChat的第一版出来时,我感受到不单是十多年来的愿景终于踏出了实现的第一步,更是一个新行业范式的开始。量化投资的出现孕育了多个千亿级别的投资巨鲸,价值投资的AI将开拓一个无比巨大的蓝海,孵化下一代的行业领导者。”


文章来自于“36氪”,作者“晓曦”




关键词: AI , ArborChat , AI投资 , 人工智能
AITNT资源拓展
根据文章内容,系统为您匹配了更有价值的资源信息。内容由AI生成,仅供参考
1
AI工作流

【开源免费】n8n是一个可以自定义工作流的AI项目,它提供了200个工作节点来帮助用户实现工作流的编排。

项目地址:https://github.com/n8n-io/n8n

在线使用:https://n8n.io/(付费)


【开源免费】DB-GPT是一个AI原生数据应用开发框架,它提供开发多模型管理(SMMF)、Text2SQL效果优化、RAG框架以及优化、Multi-Agents框架协作、AWEL(智能体工作流编排)等多种技术能力,让围绕数据库构建大模型应用更简单、更方便。

项目地址:https://github.com/eosphoros-ai/DB-GPT?tab=readme-ov-file



【开源免费】VectorVein是一个不需要任何编程基础,任何人都能用的AI工作流编辑工具。你可以将复杂的工作分解成多个步骤,并通过VectorVein固定并让AI依次完成。VectorVein是字节coze的平替产品。

项目地址:https://github.com/AndersonBY/vector-vein?tab=readme-ov-file

在线使用:https://vectorvein.ai/(付费)

2
智能体

【开源免费】AutoGPT是一个允许用户创建和运行智能体的(AI Agents)项目。用户创建的智能体能够自动执行各种任务,从而让AI有步骤的去解决实际问题。

项目地址:https://github.com/Significant-Gravitas/AutoGPT


【开源免费】MetaGPT是一个“软件开发公司”的智能体项目,只需要输入一句话的老板需求,MetaGPT即可输出用户故事 / 竞品分析 / 需求 / 数据结构 / APIs / 文件等软件开发的相关内容。MetaGPT内置了各种AI角色,包括产品经理 / 架构师 / 项目经理 / 工程师,MetaGPT提供了一个精心调配的软件公司研发全过程的SOP。

项目地址:https://github.com/geekan/MetaGPT/blob/main/docs/README_CN.md

3
RAG

【开源免费】graphrag是微软推出的RAG项目,与传统的通过 RAG 方法使用向量相似性作为搜索技术不同,GraphRAG是使用知识图谱在推理复杂信息时大幅提高问答性能。

项目地址:https://github.com/microsoft/graphrag

【开源免费】Dify是最早一批实现RAG,Agent,模型管理等一站式AI开发的工具平台,并且项目方一直持续维护。其中在任务编排方面相对领先对手,可以帮助研发实现像字节扣子那样的功能。

项目地址:https://github.com/langgenius/dify


【开源免费】RAGFlow是和Dify类似的开源项目,该项目在大文件解析方面做的更出色,拓展编排方面相对弱一些。

项目地址:https://github.com/infiniflow/ragflow/tree/main


【开源免费】phidata是一个可以实现将数据转化成向量存储,并通过AI实现RAG功能的项目

项目地址:https://github.com/phidatahq/phidata


【开源免费】TaskingAI 是一个提供RAG,Agent,大模型管理等AI项目开发的工具平台,比LangChain更强大的中间件AI平台工具。

项目地址:https://github.com/TaskingAI/TaskingAI

4
prompt

【开源免费】LangGPT 是一个通过结构化和模板化的方法,编写高质量的AI提示词的开源项目。它可以让任何非专业的用户轻松创建高水平的提示词,进而高质量的帮助用户通过AI解决问题。

项目地址:https://github.com/langgptai/LangGPT/blob/main/README_zh.md

在线使用:https://kimi.moonshot.cn/kimiplus/conpg00t7lagbbsfqkq0