在CFA協會最新舉行的圓桌訪談中，專家深入探討了「智能體AI」如何通過全新的技能標準和數據模型重塑金融投資工作流，並警告投資者需警惕AI模型中固有的「損失厭惡」等行為偏見。

近日，CFA協會高級研究主管Rhodri Preece主持了一場關於「人工智能與金融」的圓桌會議。CFA協會應用投資實踐與工具部門主管Brian Pisaneschi與數據科學研究員James Tate共同出席。在這場對話中，專家們詳細拆解了Agentic AI（智能體AI）在投資工作流中的構建路徑、金融數據缺失的最新解法，以及模型選擇與治理背後不為人知的「偏見」盲區。

Agentic AI重塑工作流：從「代碼驅動」到「技能驅動」

在過去，金融從業者使用AI往往需要複雜的編程能力。但如今，構建智能體工作流的門檻正在大幅降低，行業標準的演進正讓AI從「輔助工具」變成「核心樞紐」。

Brian Pisaneschi指出，一年前構建智能體還需要學習各種Python庫，而現在行業已經轉向使用Markdown文件（半結構化文本）來描述特定工作流，即所謂的「技能（Skills）」。

更具顛覆性的是MCP（模型上下文協議）服務器的普及。Pisaneschi強調，MCP服務器現在已成為行業標準，「MCP服務器的作用是讓大型語言模型能夠幾乎原生地與外部數據API等進行交互。」

這種轉變改變了金融人的工作習慣。過去，分析師需要登入彭博終端提取數據再導入Excel；現在，邏輯反轉了。Pisaneschi一針見血地指出：「執行任務的主要方式，是首先與人工智能平台本身進行交互。一旦你連接了所有需要的數據源……人工智能就能自主判斷，它會提取相關信息，然後啓動相應的對話和工作流程。」

這種模式的精妙之處在於它的「簡潔性與可迭代性」。分析師可以通過不斷糾錯，將修改後的信息添加到技能文件中。「即使模型本身沒有改進，僅僅通過我們為特定任務創建的技能文件，我們就能憑藉自身的知識和對模型的迭代，構建出極其強大的工作流程。」

突破歷史數據瓶頸：「合成數據」顛覆傳統壓力測試

金融市場的數據常常是不完整的，而AI為數據缺失提供了全新的解法。除了傳統的線性插值和「最近鄰插補法」，James Tate指出，最具商業想象空間的是利用生成式AI生成「合成數據（Synthetic data）」。

這在投資組合管理中具有巨大的實戰價值。Tate表示：「我認為這在金融行業非常有價值，例如可以用於情景模擬、壓力測試投資組合或回測交易策略。」

傳統的壓力測試往往依賴歷史經驗分佈，而生成式AI不預設任何線性假設或分佈假設。「使用這種人工智能驅動的方法，你不需要預先設定數據的函數形式或假設給定的分佈，這更像是一種經驗主義方法……理論上它們可以模擬不同變量之間任何潛在的關係。」分析師可以輸入通脹、收益率、GDP等宏觀數據，讓AI通過數據驅動來推演投資組合的可能路徑，這為應對不斷變化的市場機制提供了極大的靈活性。

開源 vs 專有模型：成本優化與「贏家通喫」的博弈

面對市面上繁多的AI模型，金融機構該如何選擇？這不僅關乎性能，更關乎數據隱私與成本。

出於隱私保護，許多機構傾向於開源軟件。Pisaneschi坦言，開源大模型可能比主流專有軟件（如OpenAI）落後大約三個月。在專有模型領域，「贏家通喫——擁有最好的模型會帶來巨大的競爭優勢，」 因為巨頭們實現了強大的並行化，並針對智能體任務優化了工具框架。Tate也指出，專有模型在可擴展性上具有壓倒性優勢：「使用專有模型，你可以快速擴展規模，通過API批量發送5萬個請求，24小時內就能得到結果。」

然而，開源軟件的核心商業價值在於「成本優化」。Pisaneschi指出，如果處理海量數據，頻繁調用OpenAI的API將極其昂貴。因此，機構可以基於高質量數據集，在本地訓練並運行小型語言模型（SLM）。「如果你能得到一個足夠好的模型，就可以在本地運行這個小型語言模型，從而節省大量成本，幾乎是免費的。」

投資界最大的誤區：AI並未消除偏見，甚至自帶「損失厭惡」

在治理與合規層面，市場普遍存在一個誤區：認為將決策委託給機器就能消除人類的情緒偏見。本次圓桌給出了截然相反的結論。

Tate發出了嚴厲警告：「我最大的擔憂是大語言模型中的偏見問題……很多研究表明，這些大型語言模型中的偏見基本上反映了投資者的偏見——它們是用人類生成的數據訓練的，自然會反映人類的偏見。」

他特別提到了一個極具衝擊力的發現：「研究表明，大型語言模型存在損失厭惡偏差。這會帶來什麼影響呢？如果你讓它們管理一個既有盈利也有虧損的投資組合，它們更有可能持有虧損部分，而實際上應該將這些資金轉向更明智的投資方式。」 此外，由於訓練數據的緣故，模型還存在嚴重的西方中心化和偏好美國科技股的傾向。

以下是訪談正文：

Rhodri Preece

大家好，歡迎收看本期圓桌會議。我是特許金融分析師協會（CFA Institute）高級研究主管羅傑·普里斯。今天我們將探討人工智能與金融，特別是人工智能如何重塑工作流程、投資流程，以及人工智能對投資機構治理的影響。

Rhodri Preece

今天和我一起參與對話的是我的同事布萊恩·皮薩內斯基（Brian Pisaneschi）。布萊恩是應用投資實踐與工具部門的主管，也是 CFA 協會研究與政策中心的常駐人工智能專家。還有我的同事詹姆斯·泰特（James Tate），他是數據科學研究員，也是 CFA 協會的附屬研究員。歡迎詹姆斯和布萊恩，非常感謝二位。

Rhodri Preece

那麼，讓我們深入探討今天的話題。正如我剛纔提到的，金融領域目前正經歷着翻天覆地的變化。鑑於人工智能的快速普及，我們常常難以跟上步伐。但我們知道，各種工具層出不窮，工作流程也必須隨之改變和演進，以適應技術發展。有時，從業者很難知道從何入手，應該關注哪些方面。布萊恩，我想請你先談談一些最新的工具以及人工智能的應用前景，無論是用於自動化投資流程，還是通過這些工具來優化部分工作流程。

Brian Pisaneschi

就最新情況而言，我現在幾乎每天都在談論工具和技能。我們已經聽說了很多關於智能體人工智能（Agentic AI）的內容。一年前我還在用 Python 構建這些智能體人工智能解決方案，當時必須學習各種不同的 Python 庫才能把它們組合起來。

Brian Pisaneschi

關於智能體工作流程，去年，Anthropic 推出了一種名為「技能」（Skills）的全新行業標準，它本質上就是主提示，但這些主提示結構非常完善，能夠讓系統自主完成任務。它們只是 Markdown 文件——Markdown 是一種半結構化文本——用於描述特定的工作流程。在這個工作流程中，它可能還會用到一些其他資源。例如，如果你要創建一個估值模型，技能文件中可能包含一個可以預先填充的 Excel 文件。當然，你也可以創建自己的 CSV 文件，或者添加連接器來連接外部數據，以便導入和處理數據。

這些連接器就是 MCP 服務器，現在已經成為行業標準。這些工具能夠讓你快速地在工作流程中利用智能體 AI。所以，如果你有一些重複性任務，你可以創建一個技能文件，而無需懂編程。現在，你也不需要成為技術高手才能創建這些智能體工作流程。但如果你具備這些能力，可以讓它們更加強大——你可以創建自己的自定義 MCP 服務器。MCP 服務器的作用是讓大型語言模型能夠幾乎原生地與外部數據 API 等進行交互。

想想看，從業者使用工具的傳統方式是打開 Excel 文件……

Rhodri Preece

他們會登入像彭博終端這樣的市場數據終端，然後使用各種不同的平台來整合、提取信息，最後進行分析。而你剛纔舉的例子，聽起來像是人工智能工具凌駕於所有這些工具之上，各工具彼此連接並可以與之交互。所以你的主要觀點是……

Brian Pisaneschi

執行任務的主要方式，是首先與人工智能平台本身進行交互。這描述很貼切，沒錯，就是這樣。一旦你連接了所有需要的數據源——就像我剛纔說的，如果你已經有類似 Excel 的模型在使用，你可以直接提供內部技能文件——那麼人工智能就能自主判斷，無論你提出什麼問題，它是否在處理你已經定義的特定任務。它會提取相關信息，然後啓動相應的對話和工作流程。

Brian Pisaneschi

最有趣的是，它並非革命性的創新，它的精妙之處在於它的簡潔性。當然，人工智能對於特定技能的運用有其基本能力。我們目前的做法是，如果它出錯，我們可以指出錯誤，比如"你這裏出錯了，下次別再犯同樣的錯誤"。作為個人，在特定項目中，可以不斷改進，出錯後進行修改，並將修改後的信息添加到技能文件中。

而且，如果同一任務由公司甚至整個行業的多位分析師反覆執行，每個人都可以不斷提升這項技能。即使模型本身沒有改進，僅僅通過我們為特定任務創建的技能文件，我們就能憑藉自身的知識和對模型的迭代，構建出極其強大的工作流程。任務的執行方式將會進一步演變，而我們已經從這些例子中看到了這一點。

Rhodri Preece

我想請詹姆斯加入討論，更深入地探討一下數據方面的問題。顯然，模型的優劣取決於它所能獲取的數據來源。我們經常談到現在是數據新時代，數據量非常豐富，但實際上高質量或可靠的數據仍然匱乏，數據集中仍然存在空白。詹姆斯，您能否談談我們可以通過哪些方式來解決這些不足，無論是通過機器學習概念方面的最新進展，還是更傳統的方法？

James Tate

謝謝，羅傑。表面上看，你可能擁有大量數據，但歷史數據有限，或者存在一些缺失，這在金融領域是個常見問題。解決數據缺失問題主要有兩種方法，實際上取決於缺失的數據類型。舉個簡單的例子，如果你下載了一些不同資產類別的歷史數據，但發現部分數據缺失，一種很容易實現的方法是線性插值——本質上，它就像連接每個缺失數據點和實際存在的數據點。

James Tate

現在，讓我們把問題複雜化一些。假設你有一個數據集，其中不僅包含收益率數據，還包含其他宏觀經濟變量或公司信息。如果這個數據集中存在缺失值，那麼你可以使用一種叫做"最近鄰插補法"的方法。這是一種非常簡單且標準的數據科學方法，可以用來處理缺失數據。

James Tate

第三種方法是合成數據，我認為這非常有趣，也是我研究的重點。這指的是使用生成式人工智能模型來生成合成數據，也就是由某種統計模型生成的數據。我認為這在金融行業非常有價值，例如可以用於情景模擬、壓力測試投資組合或回測交易策略。

你可以使用歷史時間序列數據訓練一個生成式模型，還可以將其與其他數據（例如宏觀經濟變量）結合起來，讓模型學習收益率和宏觀經濟變量之間的潛在關係。我想特別強調這一點：使用這種人工智能驅動的方法，你不需要預先設定數據的函數形式或假設給定的分佈，這更像是一種經驗主義方法。

James Tate

這些生成模型的好處在於，理論上它們可以模擬不同變量之間任何潛在的關係，不需要你強加線性假設。這些模型會從數據本身學習，因此是數據驅動的。你可以用歷史收益和宏觀經濟數據（比如通貨膨脹率、收益率、GDP 變化、就業數據等）來訓練生成模型。模型訓練完成後，你就可以進行模擬——例如，如果通貨膨脹率變化到某個值、收益率下降 x、GDP 變化若干，我的投資組合未來收益的可能路徑是什麼？

這些模型可以做到這一點，非常有前景。它提供了一種新的模擬方法，投資組合收益不再侷限於歷史經驗，也就是說，不僅僅是使用經驗收益分佈並直接從經驗收益中進行抽樣。但這種方法的一個侷限性在於，你如何根據經驗收益來調整你的收益呢？

Rhodri Preece

是的，所處的市場環境很重要，因為我們知道市場機制會隨着時間推移而改變。而這些生成式模型則有可能解決這些問題。因此，在建模能力和特定模型所需的假設方面，我們擁有更大的靈活性，尤其是在分析數據時，從而能夠獲得更好的數據和更好的工具。

Rhodri Preece

你們兩位都提到了開源模式與專有模式的區別，我們很想了解目前的市場格局。布萊恩，你之前舉了一些關於代理功能的例子。執行這些工作流程是否需要高額付費訂閱？開源模式可以實現嗎？如果可以，那麼如今的市場格局與傳統的金融領域有何不同？傳統的金融領域往往涉及私有信息，而且需要向供應商支付相對較高的費用才能獲得這些工具。

Brian Pisaneschi

隱私信息確實是個問題，所以行業裏很多人都只專注於使用開源軟件，因為他們不能把任何信息和數據泄露出去。當然，市面上有很多優秀的開源大型語言模型，但它們可能落後於主流軟件大約三個月。

比如 OpenAI，他們最新的模型確實很不錯，但其大部分價值體現在他們所謂的"harness"（工具框架）上，本質上是指智能體框架的底層架構。例如，Claude Code 就是一個集成到平台中的智能體架構。諷刺的是，他們實際上泄露了整個代碼庫，開源社區利用這些代碼庫創建了許多優秀的開源替代方案。但他們仍然擁有某種競爭優勢，因為他們實現了強大的並行化，並針對智能體任務優化了他們的工具框架。舉個例子，如果你直接拿一個開源模型（比如 DeepSearch 之類的）放到開源框架裏，它肯定不如 Claude Code。在這個領域，贏家通喫——擁有最好的模型會帶來巨大的競爭優勢。

如果你所在的機構無法將數據導入 OpenAI，也不必擔心，市面上仍然有很多非常優秀的開源模型。此外，開源軟件的一大價值在於成本優化。我和 James 正在做的一個項目需要處理大量數據，如果每次都向 OpenAI 發送 API 調用，將耗費大量資金。所以我們可以基於數據集訓練一個小型語言模型。現在訓練模型變得非常容易且快速，只要保證訓練數據的質量，避免"垃圾進、垃圾出"，如果你能得到一個足夠好的模型，就可以在本地運行這個小型語言模型，從而節省大量成本，幾乎是免費的。對於開源軟件而言，這就變成了一個成本優化問題。

James Tate

真正重要的部分在於，你需要一種方法來比較所有不同的方案。你可以使用自己開發的模型作為基準，用幾個流程進行測試；然後使用許多免費的開源替代模型，用同樣的流程運行它們，並比較所有結果。

James Tate 我發現，使用一個規模小得多的開源大型語言模型，我幾乎可以復現 OpenAI 專有模型在指定任務上的表現。但我遇到的難題是可擴展性，因為即使是運行一個小型的大型語言模型也相當困難。我當時使用的模型有 360 億個參數，這在今天看來相當小，但三年前，它的規模要大得多。

James Tate

我仍然花了很長時間纔得到我需要的結果。而正如布萊恩所說，使用專有模型，你可以快速擴展規模，通過 API 批量發送 5 萬個請求，24 小時內就能得到結果。除非你在基礎設施上投入大量資金，否則很難在本地複製這種能力。我認為對於大多數公司來說，這可能並非必要，因為有更簡單的替代方案。所以，你需要仔細考慮具體的用例是什麼。

Rhodri Preece

具體需求是什麼？在選擇合適的模型時，需要考慮哪些限制條件？它可以來自專有軟件，也可以來自開源軟件。但這確實引發了一些關於治理的問題。我認為人工智能治理是一個非常龐大的領域，可能超出了本次討論的範圍，但我想稍微談談這個領域。我知道很多機構都在努力解決這樣一個問題：如何建立合適的框架，以確保能夠負責任地使用工具和數據集，保護客戶數據的機密性，並在對客戶負有信託義務的範圍內履行信託責任。顯然，CFA 協會作為專業機構，非常關注這個問題，我們有自己的道德準則和職業行為標準。James，在使用大型語言模型、人工智能工具和大型數據集時，你認為主要的倫理考量是什麼？

James Tate

我最大的擔憂是大語言模型中的偏見問題，這也是我們正在積極研究的課題，目前是一個非常熱門的話題。關鍵在於，這些大型語言模型由於基於所有公開數據進行訓練，因此存在嚴重偏向西方數據集的問題，例如美國股票、科技股等。在日常工作中使用這些模型時，很容易就能發現這一點——它們會推薦某些路徑，或者默認採用某些建議，而這都源於預訓練數據。

你可以通過使用 MCP 服務來解決這個問題，讓模型訪問其他數據集，並賦予它們特定的技能，這樣你就能確切地知道它們需要尋找什麼。例如，你可能有一些用於篩選的特定盈利能力指標。如果你沒有向大型語言模型指定具體的篩選條件，而你又在進行股票篩選，那麼它可能會默認選擇某個比率進行篩選。因此，你需要事先設定好這些篩選條件。

James Tate

但我最擔心的是，真正意識到這些模型存在偏見的人並不多。很多研究表明，這些大型語言模型中的偏見基本上反映了投資者的偏見——它們是用人類生成的數據訓練的，自然會反映人類的偏見。

James Tate

研究表明，大型語言模型存在損失厭惡偏差。這會帶來什麼影響呢？如果你讓它們管理一個既有盈利也有虧損的投資組合，它們更有可能持有虧損部分，而實際上應該將這些資金轉向更明智的投資方式。目前，研究人員仍在積極探索這方面的實際意義。但很顯然，如果你是一名管理者，正在使用這些模型，你需要意識到它們的侷限性，並了解如何找出這些侷限性。

Rhodri Preece

找出這些侷限性之後，你可以明確地決定如何應對它們。這是一個非常有趣的觀點，因為行為金融學的文獻非常豐富，人類存在偏見是衆所周知的。但人們常常存在一個錯誤的假設：如果能將一些任務委託給機器或某種工具，就能消除一些影響投資決策的人類偏見。而實際上，正如你所說，隨着大型語言模型的出現，情況並非如此——無論是機器驅動的輸出還是人類的決策，都存在偏見。了解如何應對這些偏見至關重要。布萊恩，你想對此發表一下看法嗎？

Brian Pisaneschi

我認為這關乎控制。想想投資中的量化分析，像止損單這樣的基本工具，就能輕鬆減輕自身的情緒偏見。如果你把這些操作通過規則庫和投資策略來實現，就能真正減少很多情緒偏見。當然，正如詹姆斯所說，這些大型語言模型非常複雜，它們擁有某種決策權，而這種決策權本身就容易受到偏見的影響。

詹姆斯還提到了修復這些問題的方法，也就是注入一些東西來減少這些偏見。一旦做到了這一點，你就可以利用我之前提到的技能來實現，比如紅隊演練（Red Teaming）。紅隊演練是網絡安全行業用來嘗試入侵自身系統的手段，目的是找出突破系統的方法。如果你能針對這些偏見對你的模型進行紅隊演練，並創建一個技能文件來減輕這些偏見，你就賦予了它更多可控性。如果這種控制是可預測的，那麼你就能有效減少人類自身的偏見以及大型語言模型本身的偏見。關鍵在於控制——在於能夠發現這些偏見，發現錯誤，進行修正，然後再次測試。

Brian Pisaneschi

通過大量的輸出，你可以增強對系統的信任和信心。因為在人工智能的實際技術層面，所有關於治理和倫理的問題，最終都是為了贏得信任。當我們給一個大型語言模型佈置任務時，我們擁有相關的知識，我們是金融領域的專家。我們觀察輸出結果，判斷其好壞，就像對待員工一樣——隨着時間的推移，不斷給它佈置任務，它的表現可能會越來越好。

Brian Pisaneschi

這就是贏得信任的過程。那麼，如何在整個公司層面大規模地贏得信任呢？你需要給它分配大量的任務，進行評估，創建它應該完成的任務的輸出分佈，然後通過審查輸出和評估結果來贏得信任。在人工智能模型主導的世界中，信任的概念本身就值得單獨探討。

Rhodri Preece

謝謝布萊恩分享這些想法。很遺憾，今天的圓桌會議時間有限，只能聊到這裏了。本次討論涵蓋了模型、工具、數據治理以及人工智能倫理等廣泛議題。您可以在 CFA 協會研究與政策中心找到更多相關見解、前瞻性思考和研究成果。我們鼓勵您訪問我們的網站，查看更多資源。最後，衷心感謝詹姆斯和布萊恩，非常感謝！

本文來自微信公衆號「AI原生Lab」，持續拆解真實AI落地案例，分享企業AI實踐與方法論。