周尚頤博士（Christine Chow）

作為投資專家，我們使用主成分分析（PCA）來識別影響投資組合績效的關鍵風險因素。這是與其他技術（例如多因素風險分析或與主成分分析的混合組合）一起使用的傳統(tǒng)統(tǒng)計方法之一。在過去30年中，統(tǒng)計分析工具箱已大大擴展。現(xiàn)在，我們有了一個更吸引人的選擇，使用機器學習。我們通常稱之為人工智能（AI）。

若要使人工智能在投資分析中發(fā)揮作用，我們需要三個關鍵要素：

為什么要使用AI？了解您的問題。用戶必須了解他們試圖解決的問題，并為每個應用程序設定明確的目標。這是因為AI的核心是優(yōu)化工作。

我們擁有什么，缺少什么？了解您的數(shù)據(jù)。找出可用的數(shù)據(jù)以及需要創(chuàng)建或編譯的數(shù)據(jù)。如果涉及非結構化數(shù)據(jù)，例如新聞提要或社交媒體帖子和視頻，則必須有一種清晰的方法將非結構化數(shù)據(jù)轉換為可用格式。某些任務（如同行基準測試）需要可比較的數(shù)據(jù)，這正是投資者現(xiàn)在迫切需要的。本文重點介紹了當前關于通用報告準則的爭論，并分享行業(yè)合作如何超越通用報告，為投資者創(chuàng)建可比可信數(shù)據(jù)的例子。

怎么做？了解您的算法。一旦獲得可信的相關數(shù)據(jù)，就可以在投資組合管理中應用合適的AI技術。目標可能是最大化關鍵績效指標（例如Sharpe比率或Information比率），或最小化風險指標（例如風險價值（VaR），標準差或跟蹤誤差）。人工智能可以用來構建具模仿全指數(shù)性能特征的增強型交易所買賣基金（ETF）。它也可以用于回測和方案分析。

AI并非適用所有的投資分析

并非所有的投資分析都可以利用AI，但是當使用AI時，我們必須首先了解我們要解決的問題并設定明確的應用目標。

例如，“發(fā)展業(yè)務”不是一個明確的目標，而是“優(yōu)化銷售”。“評估董事會的有效性”不是一個明確的目標，但“最小化連鎖董事”卻是明確的目標。這是因為從根本上講，人工智能就是要使用Deisenroth，F(xiàn)aisal和Ong（2020）所著的《機器學習的數(shù)學》一書中（圖1）所述的一種或四種常用技術的組合來最大化目標函數(shù)：

圖1：人工智能中的關鍵優(yōu)化技術

圖2：全面的公司報告

AI可以根據(jù)傾向得分找到適合客戶購買的投資基金，通過在正確的時間和正確的價格提供相關報價來最大化購買機會。這結合了行為科學和客戶細分。即使匿名了個人數(shù)據(jù)，我們與之互動的每個使用AI進行定位的業(yè)務也很可能將我們每個人都歸為特定客戶類型。亞馬遜（Amazon）或網飛（Netflix）等公司多年來已經在其他行業(yè)實施了上述做法，它們根據(jù)我們的個人資料、過去的購買情況和瀏覽歷史，推薦下一個購買項目或下一部最喜愛的電影。

建立共同的報告標準

有效的預測需要高質量的人工智能分析數(shù)據(jù)。數(shù)據(jù)是目前投資業(yè)面臨的最大挑戰(zhàn)。

在英國兩年一度的氣候與綠色金融監(jiān)管論壇上，主題演講者提出的緊迫問題指出了“誤導的現(xiàn)實”，即公司信息（尤其是可持續(xù)性信息）趨向于不一致。對于財務信息，國際財務報告準則（IFRS）基金會和國際會計準則理事會（IASB）已經建立了描述公司財務業(yè)績和狀況的標準化方法，以便公司財務報表在國際范圍內易于理解和可比。但是，對于可持續(xù)性信息，公司可以選擇報告標準和評級，從而導致對綠色清洗和/或可持續(xù)發(fā)展目標（SDG）清洗的擔憂。

投資行業(yè)呼吁調整數(shù)據(jù)定義和報告標準。為此，世界經濟論壇（WEF）和影響管理項目（IMP）一直在與從業(yè)人員合作，以建立一個全面的報告系統(tǒng)。它發(fā)布了一個概念框架，以企業(yè)價值和與氣候相關的財務披露為例，將關鍵報告標準整合在一起，包括它們如何相互關聯(lián)（圖2）。

改善公司數(shù)據(jù)質量的挑戰(zhàn)

建立一個統(tǒng)一的報告系統(tǒng)正在進行中。但是，它僅解決了部分但不是全部挑戰(zhàn)。

影響報告可信度的深層次問題在于公司級數(shù)據(jù)的質量。這可能與遺留IT系統(tǒng)中的約束、全球運營中策略應用的不一致以及難以將某些業(yè)務活動歸類為確定的和獨占的存儲庫有關。例如，Adelphi和ISSESG的《歐洲可持續(xù)金融調查》以及歐洲銀行基金會（EBF）和UNEPFI的《測試歐盟分類法在核心銀行產品中的應用》等報告都提供了實例。

為特定目的標記數(shù)據(jù)存在操作挑戰(zhàn)。例如，銀行企業(yè)貸款系統(tǒng)往往按部門和行業(yè)建立，以適應關系經理團隊結構和專業(yè)知識?？铐椨糜谝话阌猛举J款或循環(huán)信貸并不一定能在系統(tǒng)得到分類。這些問題在EBF和UNEPFI報告中被認為是一些最重大的挑戰(zhàn)（請參閱報告第32頁和第36和39頁的林業(yè)案例）。當貸款在集團層面得到批準，資金被分配給多個當?shù)胤蓪嶓w時，這些挑戰(zhàn)就被放大了。

來自機器讀取和衛(wèi)星圖像的非結構化數(shù)據(jù)

除了上述報告和數(shù)據(jù)系統(tǒng)問題外，投資者還受到更多非結構化數(shù)據(jù)的轟炸。根據(jù)Wikipedia的說法，非結構化數(shù)據(jù)是指沒有預定義數(shù)據(jù)模型或沒有以預定義方式組織的信息。它通常是文本密集型的，但也可能包含日期、數(shù)字和圖像等數(shù)據(jù)。

根據(jù)NBER的論文《機器傾聽時如何說話：人工智能時代的企業(yè)披露》（Howtotalkwhenamachineislistening：corporatedisclosureintheAgeofAI），年報越來越多地被機器閱讀，用于內容提取和情緒分析。它使用一種通用的人工智能技術，稱為自然語言處理（NLP）或自然語言理解（NLU）。在美國，從美國SECEDGAR數(shù)據(jù)庫下載的機器數(shù)量占所有下載量的比例，從2003年的39%增加到2016年的78%。考慮到近幾年人工智能驅動的網絡抓取活動的爆炸性增長，到2021年，這個數(shù)字很可能已經顯著增加。

數(shù)據(jù)和分析公司如埃信華邁（IHSMarkit）開發(fā)了一個ESG報告存儲庫平臺，由其AI引擎Goldfire提供支持，以組織非結構化數(shù)據(jù)，幫助公司改進報告并構建可持續(xù)發(fā)展概況。公司可以上傳自己的報告和用戶定義的資料。該平臺使用NLP將相關信息與報告標準（如GRI（全球報告倡議）、SASB（可持續(xù)性會計標準委員會）、TCFD（氣候相關財務披露工作組）和UNSDG）相協(xié)調。其DigitalGlobe衛(wèi)星圖像服務可提供地理空間數(shù)據(jù)，以跟蹤土地使用情況、檢測森林砍伐情況以及監(jiān)測能源管道狀況和傳輸。

投資者越來越多地使用地理空間數(shù)據(jù)，來實時或接近實時地監(jiān)視被投資公司的業(yè)務績效，并提高供應鏈的透明度。保險公司將地理空間數(shù)據(jù)用于承保政策、定價以及理賠。平安保險使用NLP技術建立了“綠色清洗”指標，以了解公司氣候披露的廣度和深度，并將其與公司特征和財務績效聯(lián)系起來。TruevalesLab已創(chuàng)建工具和產品來幫助投資者發(fā)現(xiàn)隱藏的見解。使用數(shù)據(jù)和人工智能進行投資分析的復雜性只會增加。使用錨定或官方信息源，每周平均計算以篩選新聞峰值是抵抗錯誤信息風險的多種方法之一。

決定和創(chuàng)建有用的數(shù)據(jù)需要行業(yè)級的協(xié)作

在數(shù)據(jù)爆炸的時代，決定什么是重要的，以及如何使用這些信息是至關重要的。投資者應該如何應對？采取基于行業(yè)的方法似乎是最明智的。

《波塞冬原則》于2019年6月18日在紐約發(fā)布，是金融部門和航運業(yè)之間達成的一項協(xié)議，旨在將國際海事組織（IMO）關于氣候變化的政策納入航運金融決策過程。公司必須遵循所有業(yè)務活動的技術指南，包括船型編碼系統(tǒng)、特定的碳強度度量標準（即航運業(yè)的年度效率比（AER））的計算，以及三種允許的脫碳路徑計算方法的選擇。簽署者，主要是銀行內的航運金融實體，僅依靠技術指南確定的數(shù)據(jù)類型、數(shù)據(jù)來源和服務提供者進行評估，以確定貸款決定。因此，數(shù)據(jù)和分析的“價值鏈”在公司和金融家之間是一致的。

氣候變化是一個全球性問題。令人放心的是，《波塞冬原則》的簽署國包括發(fā)達和新興經濟體的銀行——來自歐洲和亞洲。采用行業(yè)統(tǒng)一的方法可以使投資者將蘋果與蘋果進行比較，從而做出明智的投資決策。

結語

可信數(shù)據(jù)是投資分析中有效應用AI程序的命脈，這僅僅是因為有據(jù)可查的“垃圾填埋”現(xiàn)象。一旦質量確保相關數(shù)據(jù)可用，就可以將合適的AI技術應用于投資組合管理。目標可能是最大化關鍵績效指標（例如Sharpe比率或Information比率），或最小化風險指標（例如風險價值（VaR），標準差或跟蹤誤差）。人工智能可以用來構建具有更少的模仿全指數(shù)性能特征的增強型交易所買賣基金（ETF）。它也可以用于回測和方案分析。此類應用程序的詳細信息可能需要單獨撰寫關于“數(shù)據(jù)與AI‘再造投資組合管理”的文章。

本文作者周尚頤博士（Christine Chow）是倫敦經濟學院（LSE）法院和投資委員會成員，國際公司治理網絡（ICGN）董事會成員，英國人工智能全黨議會小組（APPG）數(shù)據(jù)治理工作組成員，香港科學技術大學（2014—2016）的金融學兼職教授。本文中表達的觀點是個人觀點，不代表作者可能以專業(yè)或個人身份與之相關的個人、機構或組織的觀點，除非明確說明。