The news is by your side.

投资管理中的AI:风险前沿的5堂课

7


人工智能正在改变制定投资决策,并在这里留下来。明智地使用它可以提高专业判断并改善投资成果。但是该技术也有风险:当今的推理模型仍然不发达,监管护栏尚未到位,并且对AI输出的过度依赖可能会扭曲具有虚假信号的市场。

这篇文章是对投资管理专业人员AI最新发展的季度反思的第二部分。它结合了一组投资专家,学者和监管机构团队的见解,他们正在为金融专业人士提供双月通讯,“投资管理中的情报”。本系列中的第一篇文章通过引入AI的承诺和投资经理的陷阱来奠定舞台,而这篇文章将进一步推向风险前沿。

通过研究最近的研究和行业趋势,我们旨在为您提供实用的应用程序来导航这种不断发展的景观。

实际应用

第1课:人 +机器:决策质量的更强大的公式

人类和机器智能的融合增强了一致性,这是决策质量的关键标志。正如哈佛商学院的卡里姆·拉卡尼(Karim Lakhani)所总结的那样:“这与AI取代分析师无关,而是关于使用AI代替那些不替换的分析师。”

实际含义: 投资团队应设计工作流程,其中人类直觉得到补充,而不是由AI驱动的推理辅助工具代替,从而确保更稳定的决策结果。

第2课:人类仍然拥有不确定性边界

可以通过问题思考并创建计算出的解决方案的大型推理模型(LRM)的当前局限性,这意味着投资经理可以破译结构不足的不完美市场的影响。边境推理模型在高复杂性下崩溃,从而增强了当前形式的AI仍然是一种模式识别工具。

尽管新一代的推理模型有望改进边际绩效,例如更好的数据处理或预测,但结果并不能符合承诺。实际上,结构化的市场现象越少,模型的结果越容易失败。

实际含义: 基准灵敏度和及时设计周围的透明度对于在投资研究中的一致使用至关重要。

第3课:监管机构输入AI竞技场

监督当局正在试用生成AI(Genai)进行工艺自动化和风险监测,为行业采用案例研究。监管机构正在迅速确定与AI有关的漏洞,可能会对金融稳定产生负面影响。金融稳定委员会(FSB)发布的一份报告是在2008年金融危机促进金融市场透明度之后成立的,指出了许多潜在的负面影响。该组织说,Genai可用于在金融市场中传播虚假信息。其他可能的问题包括第三方依赖性和服务提供商的集中度,由于广泛使用常见的AI模型而增加的市场相关性以及包括不透明数据质量在内的模型风险。网络安全风险和AI治理也列在FSB列表中。

为了机智,监管机构正在警惕,他们自己整合AI应用程序以解决所探索的系统风险。

实际含义: 自适应监管框架将塑造AI在金融稳定性和信托责任制中的作用。

第4课:Genai作为拐杖:防御技能萎缩

Genai可以提高效率,尤其是对于经验不足的工人,但它也引起了人们对元认知懒惰的担忧,或者倾向于将批判性思维卸载给机器/AI和技能萎缩。结构化的AI -Human工作流程和学习干预措施对于保持深厚的行业参与和专业知识至关重要。

Genai企业对学生AI使用的分析表明,将高阶思维(例如分析和创造)外包给Genai的趋势不断增长。对于投资专业人士来说,这是一把双刃剑。尽管它可以提高生产率,但它也可能会冒着核心认知技能的萎缩,这对于逆势思维,概率推理和变异的感知至关重要。

实际含义: 投资者必须确保AI工具不会成为拐杖。取而代之的是,它们应该嵌入结构化的决策和工作流程中,这些决策和工作流程保留甚至加强人类判断力。在这个新的环境中,发展元认知意识和培养智力谦卑可能与掌握财务模型一样有价值。投资于AI识字率并试行保留批判人类判断的AI -Human工作流程将有助于培养 也许放大,认知参与。

第5课:AI群效应是真实的

在寻求alpha时,逆势意味着了解其他所有人正在使用的模型。类似AI模型的广泛使用引入了系统性风险:增加市场相关性,第三方浓度和模型不透明度。

实际含义: 投资专业人员应该:

  • 多元化模型来源 并保持独立的分析能力。
  • 建立AI治理 框架以监视数据质量,模型假设以及与信托原则的一致性。
  • 保持警惕 信息失真风险,尤其是通过公共财务话语中的AI生成的内容。
  • 使用AI作为思想伴侣,这不是捷径,而是刺激反思和假设测试的提示,框架和工具。
  • 火车团队挑战AI输出 通过方案分析和特定领域的判断。
  • 组合的设计工作流程 人类意图的机器效率,尤其是在投资研究和投资组合构建方面。

结论:清晰地导航AI风险边界

投资专业人员不能依靠人工智能公司做出的过于自信的承诺,无论是来自LLM提供商还是相关的AI代理商。随着用例的增长,以他们所能提高投资决策质量所能和不能增加的内容的正念来导航新兴的风险前沿,至关重要。


附录和引文:

Fagbohun,O.,Yashwanth,S.,Akintola,AS,Wurola,I.,Shittu,L.,Inyang,A。,。 。 。 Akinbolaji,T。(2025)。 Greeniq:一个深入的搜索平台,用于全面的碳市场分析和自动报告生成。 arxiv。

Handa,K.,Bent,D.,Tamkin,A.,McCain,。,Durmus,。,Stern,M.,。 。 。 Ganguli,D。(2025年4月8日)。 人类教育报告:大学生如何使用Claude。从拟人化中检索:

Van Zanten,J。(2025)。衡量公司的环境和社会影响:ESG评级和可持续发展目标分数的分析。 组织和环境

Brynjolfsson,E.,Li,D。和Raymond,L。(2025)。在工作中生成的AI。 《经济学季刊》

Pérez -Cruz,F。和Shin,H。(2025)。 将AI代理放在一般任务上。 国际定居银行(BIS)。

Ren,Y.,Deng,X。(。,&Joshi,K。(2024)。 解开人类和人工智能互补性:最近作品的见解。 SSRN。

Traub,B.,Traub,I.,Peper,P。,Oravec,J。,&Thurman,P。(2023)。 建模AI驱动的丰度时代:将人与AI的杠杆比率(HAILR)应用于知识工作。 SSRN电子期刊。

Schmälzle,R.,Lim,S.,Du,Y。,&Bente,G。(2025)。 观众参与的艺术:基于LLM的科学演讲的薄薄。 arxiv。

Otis,N.,Clarke,R.,Delecourt,S.,Holtz,D。,&Koning,R。(2023)。 生成AI对企业家绩效的不平衡影响。 OSF预印本。

Fan,Y.,Tang,L.,Le,H.,Shen,K.,Tan,S.,Zhao,Y。,。 。 。 Gašević,D。(2024)。当心元认知懒惰:生成人工智能对学习动机,过程和表现的影响。 英国教育技术杂志

财务稳定委员会。 (2024)。 人工智能的财务稳定含义。 财务稳定委员会。

英格兰银行的财务政策委员会。 (2025)。 重点的财务稳定性:金融系统中的人工智能。 英格兰银行。

Qin,Y.,Lee,R。和Sajda,P。(2025)。 在体现的控制任务中对AI队友的感知会影响团队绩效,这反映在人类队友的行为和生理反应中。 arxiv。

Gao,K。,&Zamanpour,A。(2024)。 AI综合应用如何影响金融工程师的心理安全和工作生活平衡:中国和伊朗的财务工程师和管理人员的观点。 BMC心理学

Backlund,A。和Petersson,L。(2025)。 自动驾驶仪:自主代理长期连贯性的基准。 arxiv。

Xu,F.,Hao,Q.,Zong,Z.,Wang,J.,Zhang,Y.,Wang,J。,。 。 。 Gao,C。(2025)。 迈向大型推理模型:通过大语言模型对加强推理的调查。 arxiv。

Daly,C。(2025年5月8日)。 克拉纳(Klarna。从彭博社检索:

Hämäläinen,M。(2025)。 关于AI的心理学 – 首要效应会影响ChatGpt和其他LLM吗? arxiv。

Schmälzle,R.,Lim,S.,Du,Y。,&Bente,G。(2025)。 观众参与的艺术:基于LLM的科学演讲薄片。 arxiv。

Bednarski,M。(2025年,5月至6月)。为什么首席执行官在使用AI写消息之前要三思而后行。 哈佛商业评论

Shojaee,P.,Mirzadeh,I.,Alizadeh,K.,Horton,M.,Bengio,S。,&Farajtabar,M。(2025)。 思考的幻想:通过问题复杂性的角度了解推理模型的优势和局限性。 Apple Machine Learning Research,Apple Inc.

Meincke,L.,Mollick,E.,Mollick,L。,&Shapiro,D。(2025)。 提示科学报告1:及时工程是复杂且有偶然性的。 宾夕法尼亚大学沃顿商学院的生成AI实验室。

Ivcevic,Z。和M. Grandinetti(2024)。人工智能是创造力的工具。 创造力杂志

Zhang,J.,Hu,S.,Lu,C.,Lange,R。,&Clune,J。(2025)。 达尔文·戈德尔(DarwinGödel)机器:自我解决的代理商的开放式演变。 arxiv。

Foucault,T.,Gambacorta,L.,Jiang,W。,&Vives,X。(2024)。 金融中的人工智能。 经济政策研究中心(CEPR)。

Kosmyna,N.,Hauptmann,H.,Yuan,Y.,Situ,J.,Liao,X. -H.,Beresnitzky,A.,。 。 。 Maes,P。(2025)。 您的大脑在Chatgpt上:使用AI助手进行论文写作任务时的认知债务积累。 arxiv。

Vasileiou,S.,Rago,A.,Martinez,M。,&Yeoh,W。(2025)。 人们如何修改不一致的信念?通过用户研究检查人类的信念修订。 arxiv。

Prenio,J。(2025)。 从基本知识开始:AI Gen Gen Applications在监督中的库存。 金融稳定研究所,国际定居银行(BIS)。



关键词: