"Розведення раків" стало гарячою темою в фонді та інвестиційних колах Публічні фонди переживають глибоку революцію робочого процесу

Журналіст Цзяо Меньцяо, Пей Ліруй

«Ми не будемо замінені штучним інтелектом, але нас обов’язково замінять ті, хто вміло використовує ШІ, особливо у сфері публічного інвестиційного дослідження, яка поєднує науку і мистецтво, раціональність і емоційність», — зазначив один з менеджерів фонду публічних інвестицій у розмові з журналістом «Цзяньшічу».

Нещодавно популярність «вирощування лангустів» охопила не лише технологічний сектор, а й фінансову сферу, де AI-агенти, зокрема OpenClaw, починають привертати увагу публічних фондів. Журналісти «Цзяньшічу» дізналися, що багато інвестиційних компаній обережно оцінюють можливості застосування цього інструменту у дослідженнях і стратегічному плануванні, а деякі менеджери, зокрема ті, що керують кількісними фондами, вже експериментують з використанням OpenClaw для розробки стратегій. ШІ поступово перетворюється з суперінструменту у самостійного співпрацівника.

Проте, з іншого боку, індустрія інвестиційних фондів знову переосмислює вплив ШІ на традиційні моделі досліджень. Від обробки величезних обсягів фінансових даних і виявлення сигналів у кількісних інвестиціях до раніше складних моделей досліджень — усе це переживає м’яку і глибоку революцію робочих процесів, водночас стикаючись із новими викликами, такими як заміщення людини машиною і ризик витоку даних.

Попит на «вирощування лангустів» у фондовій сфері

«Спочатку я очікував від ШІ лише допомоги у тестуванні сценаріїв і обробці даних, але за останні два тижні я зрозумів, що вона має досить високу автономність: може цілодобово самостійно витягати з первинних даних хороші фактори, розширювати джерела Alpha, а точність її роботи дуже висока — ніби поруч із тобою цілодобово працює досвідчений помічник з інвестицій», — розповів один із менеджерів кількісного фонду з Шанхаю.

Нещодавно проект відкритих AI-агентів, зокрема OpenClaw, став популярним і викликав у суспільстві хвилю «вирощування лангустів», особливо у сферах, що пов’язані з обробкою складної інформації і прийняттям рішень у фондових дослідженнях.

Директор з цифрових технологій компанії Bosera Fund Че Хуньюань повідомив, що наразі команда компанії використовує OpenClaw у хмарних сервісах на легальній основі, а також досліджує можливості застосування вітчизняного програмного забезпечення у внутрішніх безпечних і відповідних сценаріях.

Крім того, компанія E Fund створила спеціальну команду для тестування функцій і технічних досліджень OpenClaw у ізольованому мережевому середовищі, але ще не перейшла до виробничого впровадження. За словами представника відділу фінансових технологій E Fund, основні сфери застосування — автоматизований збір і аналіз ринкової інформації, управління корпоративними даними тощо.

«OpenClaw — це відкритий і глибоко налаштовуваний AI-агент, який запалює нову хвилю інтересу до застосування ШІ у публічних інвестиціях. Його значення виходить за межі інструменту», — зазначив Че Хуньюань. «OpenClaw орієнтований на індивідуального користувача і має потенціал значно розкрити індивідуальні можливості інновацій. У застосуванні важлива ініціативність користувача. Зараз першими його використовують дослідники і аналітики, адже він дає їм потужного цифрового помічника, що допомагає розвивати креативність і підвищувати продуктивність».

Інвестиційний фонд Yimin вважає, що OpenClaw для досліджень і аналізу — це не просто покращення існуючих інструментів, а поступова і м’яка революція у робочих процесах.

«Головна ідея традиційних інструментів — пасивна реакція: людина вводить команду, інструмент видає результат. А головна особливість AI-агентів типу OpenClaw — це активне виконання завдань, здатність самостійно завершувати цикл «збір інформації — обробка даних — попередній аналіз — зворотній зв’язок». Наприклад, раніше дослідники витрачали 1-2 дні на збирання даних про громадську думку або фінансову звітність у певній галузі. Тепер, налаштувавши відповідні модулі, OpenClaw може автоматично збирати і класифікувати інформацію цілодобово, а дослідник залишається лише з аналізом і логічною перевіркою. Це не просто підвищення ефективності, а переформатування робочого процесу досліджень», — зазначає Yimin Fund.

Заступник директора відділу кількісних інвестицій і менеджер фонду Ван Інін з компанії CITIC Prudential говорить, що їх команда вже давно інтегрувала ШІ у щоденну роботу. Зокрема, близько 30% кількісних факторів у їхніх стратегічних моделях — це результати машинного навчання. Основний фокус — на торгових стратегіях, що базуються на цінових і об’ємних даних.

«Ми помітили, що сигнали, які визначає ШІ, при виконанні у той же день дають кращий дохід, ніж на наступний день», — пояснює вона. «Логіка у тому, що ШІ добре ловить короткострокові імпульси, викликані збільшенням ліквідності. Вчасне втручання дозволяє не тільки скористатися швидкоплинними можливостями, а й зменшити торгові витрати завдяки високій ліквідності. Весь процес автоматизований і генерує сигнали самостійно».

Заміщення чи співіснування людини і машини

Від потужних мовних моделей ШІ до автономних агентів, що самостійно планують і виконують завдання, швидкий розвиток ШІ безпосередньо впливає на базові і повторювані задачі у дослідженнях — збирання інформації, обробка даних, підготовка звітів. Чи стане це для публічних фондів, особливо для дослідників, новою «промисловою революцією» або ж вони залишаться у ролі «ткацьких дів» у цій новій епосі?

Один із менеджерів публічного фонду на півдні Китаю зазначив: «Я вважаю, що ШІ — це «зрілий стажист» або «новачок у дослідженнях». Деякі роботи, наприклад, збір і перевірка даних, простий аналіз — це вже досить зрілі. Після автоматизації цих процесів дослідники зможуть зосередитися на більш складних завданнях, які ШІ ще не може виконати».

«Можливості ШІ і людського дослідження у цій сфері не перекриваються, а доповнюють одне одного», — вважає менеджер фонду Minsheng JiaYin. «Гарний дослідник — це той, хто постійно ставить правильні питання. Його мета — не отримати готову відповідь, а сформулювати правильний «чому», щоб глибше зрозуміти ключові змінні галузі або компанії. Хороший ШІ — це інструмент, що дає якісні відповіді. Він не має високих навичок логічного мислення, але може швидко і точно відповідати на питання дослідника, підвищуючи його ефективність».

Менеджер Вей Юй з HSBC Jintrust також вважає, що наразі ШІ ще не здатен замінити менеджерів і дослідників. Він може допомагати у обробці великих обсягів історичних даних, виявляти ключові закономірності і створювати короткострокові сигнали. Це роль помічника, що допомагає приймати більш точні рішення.

«Але потрібно враховувати, що багато робіт залишаються поза досяжністю ШІ. Наприклад, польові дослідження — спілкування з керівниками компаній або менеджментом на місцях. Це важливо для оцінки їхнього стану, що може бути суб’єктивним і емоційним, але безпосередньо впливає на результати компанії і є передвісниками. Також важливою є робота з конфіденційною інформацією, яку ШІ може лише аналізувати, але не має права використовувати без відповідної згоди», — зазначив той самий менеджер.

Зміщення фокусу від широти до глибини

Хоча ШІ стає потужним інструментом у дослідженнях, професійний бар’єр у сфері фондів залишається чітким і навіть посилюється.

«Моя думка — ШІ замінює низькоцінні роботи, а не самі посади. Вона загрожує тим, хто не готовий до змін і має обмежені навички, а не тим, хто володіє ключовими компетенціями», — вважає Yimin Fund.

За словами Yimin, у епоху ШІ інформаційний розрив на ринку поступово зменшується, оскільки ШІ швидко обробля і аналізує величезні обсяги даних, і майже всі інвестиційні компанії отримують однакову базову інформацію. Тому майбутній додатковий дохід вже не залежить від швидкості отримання інформації, а від глибини її аналізу, точності прогнозів і ефективного управління ризиками. Простими словами, змагання тепер — не тільки у швидкості обчислень, а у алгоритмах, і це є ключовим джерелом альфи для менеджерів і конкурентною перевагою компаній.

Ван Інін підкреслює: «Ми цінуємо глибину мислення дослідників більше, ніж широту зібраної інформації. Вони мають ставити ключові питання, а не просто збирати якомога більше даних. Адже інформація безмежна, а справжній успіх — у тому, щоб знайти і швидко схопити найважливішу змінну».

Че Хуньюань також вважає, що ШІ сприяє підвищенню ефективності обробки інформації, але змушує дослідників переходити до більш високорівневих навичок — логічного мислення, глибокого аналізу і міждисциплінарних зв’язків. Це може сприяти еволюції систем досліджень у співпраці людини і машини, змінюючи лінійну модель «дослідник — голосування — менеджер», на більш мережеву, де дослідники і ШІ разом займаються пошуком ідей, формуванням стратегій і управлінням ризиками.

«Ми не будемо замінені ШІ, але нас обов’язково замінять ті, хто вміло використовує ШІ; особливо у сфері досліджень, яка поєднує науку і мистецтво, раціональність і емоційність», — сказав той самий менеджер. «Створення дослідницької системи на рівні компанії — це головне. Вона має відповідати особливостям компанії, для чого потрібні хороші механізми, культура, таланти і інструменти. Тут інструменти, безумовно, будуть пов’язані з ШІ. У підсумку, у цій системі кожен зможе проявити свої сильні сторони, отримуючи інформацію з єдиної платформи, і разом вони сформують гармонійну екосистему».

Об’єднання ефективності і ризиків

Звичайно, допомога ШІ робить дослідження більш швидким і ефективним, але багато публічних фондів вже відчули, що ШІ — це двосічний меч: він може значно підвищити продуктивність, але приховує багато ризиків, які при недбалому управлінні можуть призвести до збитків.

Лабораторія кількісних фінансів Yimin попереджає про «ризик чорної скриньки» — найважливішу і найскладнішу проблему. Більшість сучасних моделей ШІ (зокрема глибокого навчання) працюють за принципом «незрозумілої логіки»: відомо лише вхідні дані і результати, але не зрозуміло, як модель дійшла до висновку. Це і є «проблема чорної скриньки».

За словами лабораторії, цей ризик проявляється у двох аспектах: по-перше, у фальшивій ефективності факторів, які штучний інтелект може виявити, але вони є лише історичним підгонкою і не працюють у майбутніх умовах, що може призвести до збитків; по-друге, у можливості неправильних рекомендацій через помилкову логіку або упередженість даних, що може спричинити неправильні інвестиційні рішення. Наприклад, AI може рекомендувати купівлю акцій через хорошу історичну динаміку, але ігнорувати погіршення їхнього фундаментального стану, що спричинить збитки. Крім того, «непояснюваність» моделей ускладнює відстеження і усунення ризиків.

Ван Юй також обережно ставиться до широкого застосування ШІ. Вона зазначає, що ринок має «саморегулювальний» характер, і поведінка учасників змінюється у відповідь на застосування ШІ. «Ваші історичні дані вже включають поведінку всіх учасників, а коли ви починаєте торгувати, ваша модель сама стає частиною ринку і впливає на нього. Це — як замкнене коло», — пояснює вона.

Через це фактори, що використовуються у тренуванні моделей, особливо у кількісних стратегій, демонструють високу волатильність. Вона навела приклад: у 2023 році деякі машинні навчальні фактори показували високі результати, але зараз їхня ефективність різко коливається — це і є «залежність від прибутку і збитків». «Найбільша проблема — не знати, коли зупинитися», — зізнається вона.

Ван Юй додає, що у застосуванні ШІ потрібно бути особливо обережним щодо витоку конфіденційної інформації. «Ми використовуємо ШІ для обговорень і збору відкритих даних, але маємо сильні механізми захисту приватної інформації і запобігання витоку», — підсумовує вона.