智选精研|「资产管理中的人工智能:工具,应用及前沿」从业者简报:概览

「智选精研」项目本篇精选文章为《资产管理中的AI：工具，应用及前沿》一书的提炼总结「从业者简报」的概览部分。

之后CFA上海协会学术研究组将陆续翻译该书其他章节的「从业者简报」，欢迎关注。

Practitioner Briefs - AI in Asset Management: Tools, Applications, and Frontiers

翻译：李祎晗，CFA，西交利物浦大学助理教授

审校：许铭，CFA，CFA上海协会理事

作者：Cathy Scott

Practitioner Briefs 原文链接：

https://rpc.cfainstitute.org/themes/technology/ai-in-asset-management/ai-in-asset-management-practitioner-briefs (点击文末“阅读原文”可查看)

AI in Asset Management: Tools, Applications, and Frontiers原文链接：

https://rpc.cfainstitute.org/research/foundation/2025/ai-in-asset-management-book

从业者简报 (Practitioner Brief)：概览

人工智能（AI）此刻正在改变着投资机构的运作方式，它极大地赋能了投资经理，研究员和其他相关从业人员。分析数据、理解市场、构建组合、管理风险的方式可能会因AI而发生根本性变化。《资产管理中的AI：工具，应用及前沿》一书由十章组成，其作者均为来自行业与学术界领域内权威研究者与从业人员，力图在数量金融与现代数据科学之间架起桥梁。而《从业者简报》系列作为全书的提炼总结，汇总了人工智能在金融领域的核心主题，方法和应用，分为十章与原书内容一一对应。

本书由CFA Institute Research Foundation和CFA Institute Research and Policy Center联合推出，汇集了以下核心学科——机器学习、深度学习、强化学习、网络理论、自然语言处理以及量子计算，以展示人工智能是如何在实际投资环境中应用的。它还讨论了AI成功落地所需的一些关键要素，例如支持向量机等建模方法，以及AI伦理与模型可解释性等原则。以下内容是对这些方法、工具和使用案例的综合整理，旨在帮助从业者将人工智能快速融入实际业务流程。

一、

AI投资工作流程

当代投资团队把AI视作多阶段的工作流程，链接了数据工程，模型开发，可解释性和部署等多个板块。形成类似如下的流程：

数据 → 特征工程/特征提取 → 建模 → 可解释性 → 决策制定 → 最终部署

这套总流程是全书的核心，本书的每一章都对应这一流程中的一个或多个环节。这也反映了机构在实践AI时的真实流程，展现了买方机构和研究团队如何设计端到端的整体系统。下面分别介绍这一核心流程中每个细分环节与书中章节的对应关系：

数据：《无监督学习I: 技术总览》（Simonian）和《自然语言处理》（Fabozzi）两章内容展示了结构性数据和非结构性数据是如何揭示隐藏信息的，内容从市场关系涵盖到文本情感分析等等。

特征工程/特征提取¹:《商品期货中的机器学习》（Guida）和《无监督学习II：网络理论》(Konstantinov and Sadeghi) 两章展示了一些金融市场领域内的部分特征比如基差（basis）²、偏度（skewness）³和网络中心性（network centrality）⁴是如何增强预测性建模。

建模：《支持向量机》（Golts），《投资中的集成学习》（Yazdani），《深度学习》（Bilokon and Simonian)，《强化学习和逆向强化学习》(Halperin, Kolm, and Ritter), 和《金融量子计算》（Zapata）章节展示了各类模型如何处理非线性关系、序列数据、优化等问题，以及如何在不确定性环境下进行决策。

可解释性：《金融中的AI伦理》(Martirosyan)，《集成学习》（Yazdani）和《网络理论》章节强调使用SHAP（Shapley 加法解释）值⁵、可视化的金融网络图和治理框架来实现更高的透明度、可验证性和可解释性。

决策制定：《强化学习》(Halperin, Kolm, and Ritter)，《网络理论》(Konstantinov and Sadeghi) 和《自然语言处理》（Fabozzi）章节展示了人工智能如何指导分配、进行预测和战略沟通。

最终部署：《金融中的AI伦理》（Martirosyan）一章提出了在生产环境中实施负责任部署并开展持续监控的整体框架。

综合而言，这些章节共同为现代投资团队展现了一套完整的投资领域人工智能工作流程。

二、

业内应用领域

目前业内投资机构把AI的完整工作流程落到具体业务场景里，最终体现在可衡量的业务产出上——覆盖组合构建、预测、信息处理与治理等多个领域。目前AI在投资中对投资机构产生最大实际影响的方向可以概括为以下四个领域，每个领域都展示了资产管理人、量化研究人员与风控团队如何将这些技术落地应用，以及下一阶段应用扩展的重点正在出现在何处。

组合构建与优化：现代投资中，AI正在将静态的基于均值-方差的优化转化为动态的、数据驱动的自适应资产配置。集成学习和强化学习正在被用来构建投资组合，这种方法可以动态适应不断变化的市场特征，这是传统模型所不具备的。机器学习里的梯度提升⁶和随机森林⁷可以从大量特征中提取收益预测，强化学习（Halperin, Kolm, and Ritter）可以通过“奖励驱动”来直接优化资产配置。关于商品期货（Guida）和网络化分散化（Konstantinov and Sadeghi）的研究表明：充分利用丰富特征信息、并结合网络拓扑结构进行资产配置，有助于增强组合抗冲击能力、降低回撤，并提升实时决策质量。下一步的方向，就是把这些自适应方法大规模整合进风险平价⁸和多资产策略中。

信号发现与预测：机器学习通过挖掘非线性关系，拓展了股票、商品和宏观因子上的信号来源；深度学习（Bilokon and Simonian）和集成学习（Yazdani）提升了多周期预测能力；针对商品市场（Guida）与网络理论（Konstantinov; Sadeghi）的研究表明，基差、偏度、中心性等理论驱动型特征，可转化为稳定的超额收益来源；研究者结合SHAP等特征归因方法验证模型可解释性。到了2025年，预测已经是一个多模型多周期的工作，可解释性与预测精度同等重要。

文本智能与市场情绪：从财报，监管文件到可持续发展报告，大语言模型（LLMs）正深刻改变机构处理和理解文本的方式。Transformer模型可以在大规模文本中提取情绪并进行分类，同时检索增强生成技术⁹（RAG）可以实现实时、基于证据的回答。其带来的机遇在于: 把非结构化信息转化为可用于决策的结构化资产。

风险管理与可解释性：网络理论和可解释AI（XAI）¹⁰正把风险管理的视角扩展至整个金融网络和模型。通过中心度、模块度等图论指标，可以识别系统性关键节点和传播路径，从而提前预警市场压力；同时，《金融中的AI伦理》（Martirosyan）与《集成学习》（Yazdani）中均探讨了SHAP、公平性测试和透明度框架。此类方法可用来验证和约束模型行为，纳入企业级人工智能治理。金融AI模型不仅要带来收益，并且在“可靠性，韧性和合规”方面也要达标。

三、

AI技术在资产管理中采用现状：

基于2025年的展望

机器学习和深度学习已经全面嵌入到预测，信号提取和投资组合优化的工作流程中；强化学习正在从概念走向真正落地实践，用于自适应资产配置和交易策略。自然语言处理和大语言模型在投研、合规以及ESG分析中迅速扩张。网络分析已成为压力测试，传播建模和系统性风险监管的标准工具。量子计算虽仍处于试验阶段，但是在优化问题和复杂抽样类应用中开始显示出潜力。

总的来说，这些技术不是单一割裂的工具，而是要联合起来作为一整套相互关联的能力，嵌入到投研、投资和风控的各个环节中。它们共同帮助投资机构实现更快的洞察，不断适应变化，更广泛的数据整合和越来越可解释的决策流程。

四、

资产管理中AI技术可操作化

当AI深入嵌入投研工作流程中，难点已经不是“能不能做出来”，而是“能否在长期内以可持续、可解释的方式用好这些系统”。为了实现整个流程的可控，需要规范的流程设计，透明的模型治理，以及投研，技术，风控等多团队协同。先进行具备良好可解释性的小规模试点，再把有效模型逐步放大到生产环境，借助版本控制、模型追踪（如MLflow）与性能监控保障流程一致性与合规性。得出的结果要经过量化验证和经济直觉解释的双重把关，以确保信号的可靠性。最终要实现的不是AI代替投资决策，而是用可拓展、可解释的系统去放大人类的洞察力，提升投研效率，提高决策质量。

五、

关键总结

如今AI已经从小规模尝试升级为“投研流程、风控流程、决策流程”的一部分，成为基础性制度的一部分。机器学习+网络模型对分散化（diversification）与系统性风险（systemic risk）有更好的把握; 深度学习+强化学习提升预测与自适应配置；自然语言模型把非结构化信息变成可量化情报；量子+ AI伦理则是下一前沿，把业绩与问责紧密相连在一起。

对于从业者来说，有三个关键要点: 1. 要选择具有“适应性”的模型：静态传统模型在动态市场会失效，而人工智能可以使系统随变化而学习。2. 透明度是必需：可解释与治理不是可选项；它们是获得信任、在机构落地的基础。3. 竞争优势在于“整合”：现在的优势来自把数据、模型和人的专业经验在组织内链接起来，而不是依赖于某个模型有多么厉害。

最后，未来的赢家不是“模型最多”的机构，而是“能把技术、透明度和专业判断结合起来，把模型稳定、合规、可控地用到决策里”的机构。

相关内容：

Cao, Larry, ed. 2023. Handbook of Artificial Intelligence and Big Data Applications in Investments. CFA Institute Research Foundation. https://rpc.cfainstitute.org/research/foundation/2023/ai-and-big-data-in-investments-handbook.

CFA Institute Research and Policy Center. 2025. “The Automation Ahead: Exploring the Next Frontier of Investment Automation.” https://rpc.cfainstitute.org/research/the-automation-ahead-content-series.

Wilson, Cheryll-Ann. 2025. “Creating Value from Big Data in the Investment Management Process: A Workflow Analysis.” CFA Institute Research and Policy Center. https://rpc.cfainstitute.org/research/reports/2025/creating-value-from-big-data-in-the-investment-management-process.

Wilson, Cheryll-Ann. 2025. “Explainable AI in Finance: Addressing the Needs of Diverse Stakeholders.” CFA Institute Research and Policy Center. https://rpc.cfainstitute.org/research/reports/2025/explainable-ai-in-finance.

附录：核心评估指标与方法

随着在金融领域中人工智能从实验探索走向实际投产运用，模型评估已转向多维度体系。当前的行业从业者主要从以下维度开展量化评测：

性能与稳定性：通过预测精度（决定系数R2、均方根误差）与交叉验证，保证模型在不同市场环境下均具备稳健性；借助特征工程从数据中筛选或构建有效变量，以提升模型效果。
透明度与可信度：采用 SHAP 值、特征权重、可解释人工智能（XAI）及公平性检验，实现模型可解释性，并满足模型治理的相关要求。
投资组合与系统性影响：基于夏普比率、索提诺比率¹¹（Sortino）与网络指标，将模型输出与风险调整收益¹²（risk-adjusted returns）、系统抗风险能力建立关联。
长期自适应能力：对数据漂移¹³（drift）进行监控，并合理设定模型重训练频率，确保人工智能系统能够适配数据与市场的动态变化，持续保持有效与可靠。

注释：

特征工程：又称特征提取，是指利用技术手段从原始数据中提取、构造、选择出对机器学习更有价值更易学习的特征（变量）的过程。
基差（Basis）：现货与期货价格的差，用于刻画现货紧俏度、持有成本与套保风险。
偏度（Skewness）：衡量收益分布的不对称性。
网络中心性（Network Centrality）：衡量网络中哪些要素连接最多、最关键、最具系统重要性。
SHAP 值：量化每个特征对单次预测结果的贡献，用于模型可解释性。
梯度提升：是一种按顺序叠加弱模型、每一轮拟合上一轮误差（等价于沿损失函数负梯度方向修正）从而逐步提升预测性能的一种集成学习方法。
随机森林：是一种通过对数据与特征进行随机抽样训练多棵决策树，并对它们的预测结果进行投票或平均来提高泛化能力、降低过拟合的集成学习方法。
风险平价（risk parity）：一种资产配置方法，让各资产对组合总风险的贡献相近，通常通过对波动率更低的资产给更高权重来实现。
检索增强生成（RAG）：LLM 先检索实时/外部资料再生成回答，使输出更准确且有依据。
可解释人工智能（XAI）：是指智能体以一种可解释、可理解的人机互动方式与使用者达成清晰有效的沟通，以取得人类信任，同时满足监管要求。
索提诺比率（Sortino）：仅以下行风险作为风险口径，衡量投资组合每承担一单位下行风险所能获得的超额收益的风险调整收益指标。
风险调整收益：衡量投资组合或模型在单位风险下获取稳健超额回报能力的量化指标，包括夏普比率，索提诺比率等。
数据漂移：指模型训练数据与实际应用场景中的真实数据分布发生显著偏离，进而导致模型预测精度下降、决策信号失效的现象。

声明

本文章仅供读者阅读参考，并非官方逐字译文，若与英文原文存在不一致之处，以英文原版为准。

英文原文版权归CFA Institute所有。CFA上海协会经CFA Institute授权，对《从业者简报-人工智能在资产管理中的应用：工具、实践与前沿》进行翻译和转载。CFA Institute保留所有相关权利。

「智选精研」项目介绍

CFA上海协会学术研究组计划系统精选CFA Institute所发表的与资本市场及资产管理高度相关的权威文章，通过精准翻译与核心提炼，结合中国市场的实际情况进行拓展分析，形成兼具国际视野与本土实践价值的深度内容。工作成果将通过CFA上海协会微信公众号推送，为协会会员及金融行业从业者提供持续的知识更新。

未来，学术研究组更计划进一步聚焦会员们最为关注的热点主题，组织线下研讨及专题讲座，搭建学术研究与实务领域的交流平台，促进全球智慧与国内从业者需求的深度融合。

我们期待这一项目能成为连接国际前沿理论与上海本土金融实践的知识桥梁，助力会员及从业者在全球化背景下提升专业洞察力。

往期回顾

Issue 1：投资相关的恶习、美德与些许幽默：金融历史中的30条著名格言

- END -

CFA Society Shanghai

如果你对此类内容感兴趣

请点击赞或在看让我们知道

也欢迎分享至朋友圈