我们如何利用人工智能增强我们的管理人研究能力
摘要:
- 罗素投资正在利用人工智能和机器学习技术改善工作流程，解锁各项新的能力。
- 在我们的管理人研究工作中，通过加强量化分析，利用自动化提高效率，研究的深度和广度都得到了提升。
- 我们预计，随着开发工作的深入推进，技术将持续进步，让罗素投资始终站在创新的前沿，为我们的客户带来独特的投资洞见，指导客户的投资决策。
引言
最近几个月甚至几年，我们经常听到人工智能、机器学习和流程自动化等热门词汇，它们背后分别代表了一系列不同的技术和能力，人们通过对这些技术进行分类，并赋予简单易认的名称，掀起了一股传播热潮。然而，这些技术如何转化成现实中的应用？ 以流程为导向的金融服务机构如何利用这些新技术为客户服务？
在罗素投资，我们一直在不断升级自身技术，提升量化分析能力，为客户提供更优质的服务。在这段没有终点的旅程中，将人工智能和机器学习嵌入工作流程，只是我们最新迈出的一步。我们相信，这些技术能力与投资团队通过独家渠道获取的质化洞见相结合，有助于罗素投资为客户创造稳健和可重复的佳绩。我们怀着激动的心情，在这里与大家分享其中一些创新举措。
背景
在正式分享之前，或许需要为本文提到的一些计算机术语提供更明确的定义。虽然这个领域仍在快速进步（伴随着媒体的大肆宣传，相关术语被误用的可能性较大），但我们在本文中将力争保持下列术语定义的一致性。
- 人工智能(Artificial intelligence, AI)是一个总称，最广义来讲，包含对计算机系统进行训练以实现自动感知输入参数和系统运行环境并作出反应的一系列底层技术、方法和流程。人工智能的应用范例包括AlphaGo等游戏引擎、自动驾驶系统和ChatGPT等生成式工具。
- 机器学习(Machine learning, ML)是人工智能的一类，主要指利用现有数据，开发和部署统计关系及算法，以训练和“教导”系统，并将这些系统用于处理新的数据集，从而生成更具通用性和预测性的输出值。
- 流程自动化(Process automation)是一个更为笼统的词汇，可涵盖多种技术（包括人工智能和机器学习），通过提取不同来源和应用中的数据，预填充报告中的数据，提示数据的差异性和特点，并持续监测风险，提升工作流程效率。
增强我们的能力
罗素投资向来有技术创新的传统，从RADAR排名和内容管理系统到Explorer分析引擎再到METRiQ投资组合管理工具，我们的技术不断推陈出新。将人工智能和机器学习整合到这些系统中，是我们在利用技术和数据为客户不断创造佳绩的旅程中，最新迈出的一步。
世界上有海量数据，对于研究和投资组合管理团队而言，能否在数据的洪流中筛选出真正重要的东西，是优秀和平庸的分界线。基于我们已有的大量质化研究、排名和量化分析，罗素投资的分析师借助人工智能和机器学习的力量，进一步优化了我们的研究流程。
在此基础上，我们推出了“管理人研究自动化(MRA)”计划，目的是实现管理人研究流程的创新化和规模化，在符合直觉、简单易用的系统界面中，通过自动化人工分析，提供先进分析和可视化工具，整合分散各处的数据（包括内部和外部数据），基于一致的评估方法，对数以千计的管理人进行分析评估和比较。
优化管理人研究
虽然罗素投资已经积累了最庞大的独家管理人研究和分析数据库，但通过“管理人研究自动化”计划，系统化地运用这些能力并整合到我们的Explorer分析引擎中，能够进一步提升研究的广度和深度。今天我们主要介绍这项计划带来的三点提升：发掘、量化和监测。
在我们的管理人发掘流程中，“管理人研究自动化”关注的焦点是效率和自动化。如今，罗素投资的分析师能够快速有效地发掘出研究范围内的新产品，生成详细和标准化的报告，便于与现有排名清单中的策略进行充分比较。
“管理人研究自动化”还提升了我们的量化分析能力。长期以来，分析师主要依靠经验确定可比管理人并进行比较。如今，借助人工智能驱动的量化分析工具，可以自动提示适当的可比管理人，从业绩和基本面指标的角度，进行全面比较分析。接着，我们的系统将生成量化分析报告，以便分析师详细评估同类策略的优劣。
技术还增强了我们的管理人监测能力。在确定策略排名和推荐等级的过程中，罗素投资的分析师需要确定“观察点”（即当前排名的风险点）。通过“管理人研究自动化”，不仅能够对这些分析师确定的观察点进行自动化监测，还能基于观察到（和预期中）的策略表现变化模式，主动提示潜在观察点，让分析师能够更快速、更容易地发现示警信号。
我们相信，加上罗素投资分析师持续开展的面谈和质化评估，这些技术能够提升我们的工作效率，增强我们的发掘能力，超越过去盲目筛选的局限，发现有潜力的管理人，并帮助我们更好地发现排名清单中管理人业绩可能恶化的预警信号。
下一步怎么做？
罗素投资延续一直以来的创新传统，继续开发独家人工能力和机器学习能力，进一步利用我们的技术平台，服务于内部团队和终端客户。限于篇幅，本文无法深入探讨细节问题，希望大家可以理解。但我们可以透露的是，我们的研究团队已经开发出一个利用机器学习预测管理人长期和短期内相对于同类管理人的业绩和风险状况的独家工具(QMS)。
QMS基于产品和机构特点、持有基本面和财务指标等一系列参数，发现不同管理人之间的复杂关系和动态变化模式，从独特的角度对不同管理人进行量化分析。未来，我们计划进一步将QMS工具整合到管理人研究流程中，以提升我们的管理人发掘效率，同时更有效地侦测已投管理人的风险。敬请关注。