CFA圆桌：Agentic AI 若何沉塑金融工作流、投资流程与治理

在CFA协会最新进行的圆桌访谈中，，，，，专家深刻探求了“智能体AI”若何通过全新的技术尺度和数据模型沉塑金融投资工作流，，，，，并忠告投资者需警惕AI模型中固有的“损失讨厌”等行为私见。。。。。 近日，，，，，CFA协会高级钻研主管Rhodri Preece主持了一场关于“人为智能与金融”的圆桌会议。。。。。CFA协会利用投资实际与工具部门主管Brian Pisaneschi与数据科学钻研员James Tate共同出席。。。。。在这场对话中，，，，，专家们具体拆解了Agentic AI（智能体AI）在投资工作流中的构建蹊径、金融数据缺失的最新解法，，，，，以及模型选择与治理背后不为人知的“私见”盲区。。。。。 在从前，，，，，金融从业者使用AI往往必要复杂的编程能力。。。。。但如今，，，，，构建智能体工作流的门槛在大幅降低，，，，，行业尺度的演进正让AI从“辅助工具”造成“主题枢纽”。。。。。 Brian Pisaneschi指出，，，，，一年前构建智能体还必要进建各类Python库，，，，，而此刻行业已经转向使用Markdown文件（半结构化文本）来描述特定工作流，，，，，即所谓的“技术（Skills）”。。。。。 更具颠覆性的是MCP（模型高低文和谈）服务器的遍及。。。。。Pisaneschi强调，，，，，MCP服务器此刻已成为行业尺度，，，，，“MCP服务器的作用是让大型说话模型可能险些原生地与表部数据API等进行交互。。。。。” 这种转变扭转了金融人的工作习惯。。。。。从前，，，，，分析师必要登录彭博终端提取数据再导入Excel；；；；；；此刻，，，，，逻辑回转了。。。。。Pisaneschi言简意赅地指出：“执行工作的重要方式，，，，，是首吓纂人为智能平台自身进行交互。。。。。一旦你衔接了所有必要的数据源……人为智能就能自主判断，，，，，它会提取有关信息，，，，，而后启动相应的对话和工作流程。。。。。” 这种模式的精妙之处在于它的“简洁性与可迭代性”。。。。。分析师能够通过不休纠错，，，，，将批改后的信息增长到技术文件中。。。。。“即便模型自身没有改进，，，，，仅仅通过我们为特定工作创建的技术文件，，，，，我们就能凭借自身的知识和对模型的迭代，，，，，构建出极其壮大的工作流程。。。。。” 金融市场的数据时时是不齐全的，，，，，而AI为数据缺失提供了全新的解法。。。。。除了传统的线性插值和“最近邻插补法”，，，，，James Tate指出，，，，，最具贸易设想空间的是利用天生式AI天生“合成数据（Synthetic data）”。。。。。 这在投资组合治理中拥有巨大的实战价值。。。。。Tate暗示：“我以为这在金融行业极度有价值，，，，，例如能够用于情景模拟、压力测试投资组合或回测买卖战术。。。。。” 传统的压力测试往往依缆氟史经验散布，，，，，而天生式AI不预设任何线性如果或散布如果。。。。。“使用这种人为智能驱动的步骤，，，，，你不必要预先设定数据的函数大局或如果给定的散布，，，，，这更像是一种经验主义步骤……理论上它们能够模拟分歧变量之间任何潜在的关系。。。。。”分析师能够输入通胀、收益率、GDP等宏观数据，，，，，让AI通过数据驱动来推演投资组合的可能蹊径，，，，，这为应对不休变动的市场机造提供了极大的矫捷性。。。。。 出于隐衷保唬；；；；ぃ，，，，很多机构偏差于开源软件。。。。。Pisaneschi坦言，，，，，开源大模型可能比主流专有软件（如OpenAI）落后约莫三个月。。。。。在专有模型领域，，，，，“赢家通吃——占有最好的模型会带来巨大的竞争优势，，，，，” 由于巨头们实现了壮大的并行化，，，，，并针对智能体工作优化了工具框架。。。。。Tate也指出，，，，，专有模型在可扩大性上拥有压倒性优势：“使用专有模型，，，，，你能够急剧扩大规模，，，，，通过API批量发送5万个要求，，，，，24幼时内就能得到了局。。。。。” 然而，，，，，开源软件的主题贸易价值在于“成本优化”。。。。。Pisaneschi指出，，，，，若是处置海量数据，，，，，频仍挪用OpenAI的API将极其昂贵。。。。。因而，，，，，机构能够基于高质量数据集，，，，，在本地训练并运行幼型说话模型（SLM）。。。。。“若是你能得到一个足够好的模型，，，，，就能够在本地运行这个幼型说话模型，，，，，从而节俭大量成本，，，，，险些是免费的。。。。。” 在治理与合规层面，，，，，市场普遍存在一个误区：以为将决策委托给机械就能解除人类的感情私见。。。。。本次圆桌给出了截然相反的结论。。。。。 Tate发出了严格忠告：“我最大的忧郁是大说话模型中的私见问题……好多钻研批注，，，，，这些大型说话模型中的私见根基上反映了投资者的私见——它们是用人类天生的数据训练的，，，，，天然会反映人类的私见。。。。。” 他出格提到了一个极具冲击力的发现：“钻研批注，，，，，大型说话模型存在损失讨厌误差。。。。。这会带来什么影响呢？？？？？若是你让它们治理一个寂仔盈利也有吃亏的投资组合，，，，，它们更有可能持有吃亏部门，，，，，而现实上应该将这些资金转向更明智的投资方式。。。。。” 此表，，，，，由于训练数据的缘故，，，，，模型还存在严沉的西方中心化和偏好美国科技股的偏差。。。。。 各人好，，，，，欢迎收看本期圆桌会议。。。。。我是特许金融分析师协会（CFA Institute）高级钻研主管罗杰·普里斯。。。。。今天我们将探求人为智能与金融，，，，，出格是人为智能若何沉塑工作流程、投资流程，，，，，以及人为智能对投资机构治理的影响。。。。。 今天和我一路参加对话的是我的同事布莱恩·皮萨内斯基（Brian Pisaneschi）。。。。。布莱恩是利用投资实际与工具部门的主管，，，，，也是 CFA 协会钻研与政策中心的常驻人为智能专家。。。。。唬；；；；褂形业耐抡材匪埂ぬ┨兀↗ames Tate），，，，，他是数据科学钻研员，，，，，也是 CFA 协会的从属钻研员。。。。。唬；；；；队材匪购筒祭扯鳎，，，，极度感激二位。。。。。 那么，，，，，让我们深刻探求今天的话题。。。。。正如我刚才提到的，，，，，金融领域目前正经历着天翻地覆的变动。。。。。鉴于人为智能的急剧遍及，，，，，我们时时难以跟上措施。。。。。但我们知路，，，，，各类工具层出不穷，，，，，工作流程也必须随之扭转和演进，，，，，以适应技术发展。。。。。有时，，，，，从业者很难知路从何动手，，，，，应该关注哪些方面。。。。。布莱恩，，，，，我想请你先谈谈一些最新的工具以及人为智能的利用远景，，，，，无论是用于自动化投资流程，，，，，还是通过这些工具来优化部门工作流程。。。。。 就最新情况而言，，，，，我此刻险些每天都在讨论工具和技术。。。。。我们已经听说了好多关于智能体人为智能（Agentic AI）的内容。。。。。一年前我还在用 Python 构建这些智能体人为智能解决规划，，，，，其时必须进建各类分歧的 Python 库能力把它们组合起来。。。。。 关于智能体工作流程，，，，，去年，，，，，Anthropic 推出了一种名为“技术”（Skills）的全新行业尺度，，，，，它性质上就是主提醒，，，，，但这些主提醒结构极度美满，，，，，可能让系统自主实现工作。。。。。它们只是 Markdown 文件——Markdown 是一种半结构化文本——用于描述特定的工作流程。。。。。在这个工作流程中，，，，，它可能还会用到一些其他资源。。。。。例如，，，，，若是你要创建一个估值模型，，，，，技术文件中可能蕴含一个能够预先填充的 Excel 文件。。。。。当然，，，，，你也能够创建自己的 CSV 文件，，，，，或者增长衔接器来衔接表部数据，，，，，以便导入和处置数据。。。。。 这些衔接器就是 MCP 服务器，，，，，此刻已经成为行业尺度。。。。。这些工具可能让你急剧地在工作流程中利用智能体 AI。。。。。所以，，，，，若是你有一些沉复性工作，，，，，你能够创建一个技术文件，，，，，而无需懂编程。。。。。此刻，，，，，你也不必要成为技术高手能力创建这些智能体工作流程。。。。。但若是你具备这些能力，，，，，能够让它们越发壮大——你能够创建自己的自界说 MCP 服务器。。。。。MCP 服务器的作用是让大型说话模型可能险些原生地与表部数据 API 等进行交互。。。。。 他们会登录像彭博终端这样的市场数据终端，，，，，而后使用各类分歧的平台来整合、提守信息，，，，，最后进行分析。。。。。而你刚才举的例子，，，，，听起来像是人为智能工具超出于所有这些工具之上，，，，，各工具彼此衔接并能够与之交互。。。。。所以你的重要概想是…… 执行工作的重要方式，，，，，是首吓纂人为智能平台自身进行交互。。。。。这描述很贴切，，，，，没错，，，，，就是这样。。。。。一旦你衔接了所有必要的数据源——就像我刚才说的，，，，，若是你已经有类似 Excel 的模型在使用，，，，，你能够直接提供内部技术文件——那么人为智能就能自主判断，，，，，无论你提出什么问题，，，，，它是否在处置你已经界说的特定工作。。。。。它会提取有关信息，，，，，而后启动相应的对话和工作流程。。。。。 最有趣的是，，，，，它并非革命性的创新，，，，，它的精妙之处在于它的简洁性。。。。。当然，，，，，人为智能对于特定技术的使用有其根基能力。。。。。我们目前的做法是，，，，，若是它犯错，，，，，我们能够指出谬误，，，，，好比"你这里犯错了，，，，，下次别再犯同样的谬误"。。。。。作为幼我，，，，，在特定项目中，，，，，能够不休改进，，，，，犯错后进行批改，，，，，并将批改后的信息增长到技术文件中。。。。。 并且，，，，，若是统一工作由公司甚至整个行业的多位分析师反复执行，，，，，每幼我都能够不休提升这项技术。。。。。即便模型自身没有改进，，，，，仅仅通过我们为特定工作创建的技术文件，，，，，我们就能凭借自身的知识和对模型的迭代，，，，，构建出极其壮大的工作流程。。。。。工作的执行方式将会进一步演变，，，，，而我们已经从这些例子中看到了这一点。。。。。 我想请詹姆斯参与会商，，，，，更深刻地探求一下数据方面的问题。。。。。显然，，，，，模型的曲直取决于它所能获取的数据起源。。。。。我们时时谈到此刻是数据新时期，，，，，数据量极度丰硕，，，，，但现实上高质量或靠得住的数据依然匮乏，，，，，数据集中依然存在空缺。。。。。詹姆斯，，，，，您能否谈谈我们能够通过哪些方式来解决这些不及，，，，，无论是通过机械进建概想方面的最新进展，，，，，还是更传统的步骤？？？？？ 感激，，，，，罗杰。。。。。表表上看，，，，，你可能占有大量数据，，，，，但汗青数据有限，，，，，或者存在一些缺失，，，，，这在金融领域是个常见问题。。。。。解决数据缺失问题重要有两种步骤，，，，，现实上取决于缺失的数据类型。。。。。举个单一的例子，，，，，若是你下载了一些分歧资产类此外汗青数据，，，，，但发现部门数据缺失，，，，，一种很容易实现的步骤是线性插值——性质上，，，，，它就像衔接每个缺失数据点和现实存在的数据点。。。。。 此刻，，，，，让我们把问题复杂化一些。。。。。如果你有一个数据集，，，，，其中不仅蕴含收益率数据，，，，，还蕴含其他宏观经济变量或公司信息。。。。。若是这个数据集中存在缺失值，，，，，那么你能够使用一种叫做"最近邻插补法"的步骤。。。。。这是一种极度单一且尺度的数据科学步骤，，，，，能够用来处置缺失数据。。。。。 第三种步骤是合成数据，，，，，我以为这极度有趣，，，，，也是我钻研的沉点。。。。。这指的是使用天生式人为智能模型来天生合成数据，，，，，也就是由某种统计模型天生的数据。。。。。我以为这在金融行业极度有价值，，，，，例如能够用于情景模拟、压力测试投资组合或回测买卖战术。。。。。 你能够使用汗青功夫序列数据训练一个天生式模型，，，，，还能够将其与其他数据（例如宏观经济变量）结合起来，，，，，让模型进建收益率和宏观经济变量之间的潜在关系。。。。。我想出格强调这一点：使用这种人为智能驱动的步骤，，，，，你不必要预先设定数据的函数大局或如果给定的散布，，，，，这更像是一种经验主义步骤。。。。。 这些天生模型的益处在于，，，，，理论上它们能够模拟分歧变量之间任何潜在的关系，，，，，不必要你强加线性如果。。。。。这些模型会从数据自身进建，，，，，因而是数据驱动的。。。。。你能够用汗青收益和宏观经济数据（好比通货膨胀率、收益率、GDP 变动、就业数据等）来训练天生模型。。。。。模型训练实现后，，，，，你就能够进行模拟——例如，，，，，若是通货膨胀率变动到某个值、收益率降落 x、GDP 变动若干，，，，，我的投资组合将来收益的可能蹊径是什么？？？？？ 这些模型能够做到这一点，，，，，极度有远景。。。。。它提供了一种新的模拟步骤，，，，，投资组合收益不再局限于汗青经验，，，，，也就是说，，，，，不仅仅是使用经验收益散布并直接从经验收益中进行抽样。。。。。但这种步骤的一个局限性在于，，，，，你若何凭据经验收益来调整你的收益呢？？？？？ 是的，，，，，所处的市场环境很沉要，，，，，由于我们知路市场机造会随着功夫推移而扭转。。。。。而这些天生式模型则有可能解决这些问题。。。。。因而，，，，，在建模能力和特定模型所需的如果方面，，，，，我们占有更大的矫捷性，，，，，尤其是在分析数据时，，，，，从而可能获得更好的数据和更好的工具。。。。。 你们两位都提到了开源模式与专有模式的区别，，，，，我们很想相识目前的市场格局。。。。。布莱恩，，，，，你之前举了一些关于代理职能的例子。。。。。执行这些工作流程是否必要高额付费订阅？？？？？开源模式能够实现吗？？？？？若是能够，，，，，那么如今的市场格局与传统的金融领域有何分歧？？？？？传统的金融领域往往涉及私有信息，，，，，并且必要向供给商支付相对较高的用度能力获得这些工具。。。。。 隐衷信息的确是个问题，，，，，所以行衣凤好多人都只专一于使用开源软件，，，，，由于他们不能把任何信息和数据泄露出去。。。。。当然，，，，，市面上有好多优良的开源大型说话模型，，，，，但它们可能落后于主流软件约莫三个月。。。。。 好比 OpenAI，，，，，他们最新的模型的确很不错，，，，，但其大部门价值体此刻他们所谓的"harness"（工具框架）上，，，，，性质上是指智能体框架的底层架构。。。。。例如，，，，，Claude Code 就是一个集成到平台中的智能体架构。。。。。嘲讽的是，，，，，他们现实上泄露了整个代码库，，，，，开源社区利用这些代码库创建了很多优良的开源代替规划。。。。。但他们依然占有某种竞争优势，，，，，由于他们实现了壮大的并行化，，，，，并针对智能体工作优化了他们的工具框架。。。。。举个例子，，，，，若是你直接拿一个开源模型（好比 DeepSearch 之类的）放到开源框架里，，，，，它注定不如 Claude Code。。。。。在这个领域，，，，，赢家通吃——占有最好的模型会带来巨大的竞争优势。。。。。 若是你地点的机构无法将数据导入 OpenAI，，，，，也不用不安，，，，，市面上依然有好多极度优良的开源模型。。。。。此表，，，，，开源软件的一大价值在于成本优化。。。。。我和 James 在做的一个项目必要处置大量数据，，，，，若是每次都向 OpenAI 发送 API 挪用，，，，，将耗费大量资金。。。。。所以我们能够基于数据集训练一个幼型说话模型。。。。。此刻训练模型变得极度容易且急剧，，，，，只有保障训练数据的质量，，，，，预防"垃圾进、垃圾出"，，，，，若是你能得到一个足够好的模型，，，，，就能够在本地运行这个幼型说话模型，，，，，从而节俭大量成本，，，，，险些是免费的。。。。。对于开源软件而言，，，，，这就造成了一个成本优化问题。。。。。 真正沉要的部门在于，，，，，你必要一种步骤来比力所有分歧的规划。。。。。你能够使用自己开发的模型作为基准，，，，，用几个流程进行测试；；；；；；而后使用很多免费的开源代替模型，，，，，用同样的流程运行它们，，，，，并比力所有了局。。。。。 James Tate 我发现，，，，，使用一个规模幼得多的开源大型说话模型，，，，，我险些能够复现 OpenAI 专有模型在指定工作上的阐发。。。。。但我遇到的难题是可扩大性，，，，，由于即便是运行一个幼型的大型说话模型也相当难题。。。。。我其时使用的模型有 360 亿个参数，，，，，这在今天看来相当。。。。。，，，，但三年前，，，，，它的规模要大得多。。。。。 我依然花了很长功夫才得到我必要的了局。。。。。而正如布莱恩所说，，，，，使用专有模型，，，，，你能够急剧扩大规模，，，，，通过 API 批量发送 5 万个要求，，，，，24 幼时内就能得到了局。。。。。除非你在基础设施上投入大量资金，，，，，不然很难在本地复造这种能力。。。。。我以为对于大无数公司来说，，，，，这可能并非必要，，，，，由于有更单一的代替规划。。。。。所以，，，，，你必要仔细思考具体的用例是什么。。。。。 具体需要是什么？？？？？在选择相宜的模型时，，，，，必要思考哪些限度前提？？？？？它能够来自专有软件，，，，，也能够来自开源软件。。。。。但这的确引发了一些关于治理的问题。。。。。我以为人为智能治理是一个极度重大的领域，，，，，可能超出了本次会商的领域，，，，，但我想稍微谈谈这个领域。。。。。我知路好多机构都在致力解决这样一个问题：若何成立相宜的框架，，，，，以确保可能掌管任地使用工具和数据集，，，，，保唬；；；；た突莸幕苄裕，，，，并在对客户负有信任使命的领域内推广信任责任。。。。。显然，，，，，CFA 协会作为专业机构，，，，，极度关注这个问题，，，，，我们有自己的路德准则和职业行为尺度。。。。。James，，，，，在使用大型说话模型、人为智能工具和大型数据集时，，，，，你以为重要的伦理考量是什么？？？？？ 我最大的忧郁是大说话模型中的私见问题，，，，，这也是我们在积极钻研的课题，，，，，目前是一个极度热点的话题。。。。。关键在于，，，，，这些大型说话模型由于基于所有公开数据进行训练，，，，，因而存在严沉左袒西方数据集的问题，，，，，例如美国股票、科技股等。。。。。在日常工作中使用这些模型时，，，，，很容易就能发现这一点——它们会推荐某些蹊径，，，，，或者默认选取某些建议，，，，，而这都源于预训练数据。。。。。 你能够通过使用 MCP 服务来解决这个问题，，，，，让模型接见其他数据集，，，，，并赋予它们特定的技术，，，，，这样你就能确切地知路它们必要寻找什么。。。。。例如，，，，，你可能有一些用于筛选的特定盈利能力指标。。。。。若是你没有向大型说话模型指定具体的筛选前提，，，，，而你又在进行股票筛。。。。。，，，，那么它可能会默认选择某个比率进行筛选。。。。。因而，，，，，你必要事先设置好这些筛选前提。。。。。 但我最不安的是，，，，，真正意识到这些模型存在私见的人并不多。。。。。好多钻研批注，，，，，这些大型说话模型中的私见根基上反映了投资者的私见——它们是用人类天生的数据训练的，，，，，天然会反映人类的私见。。。。。 钻研批注，，，，，大型说话模型存在损失讨厌误差。。。。。这会带来什么影响呢？？？？？若是你让它们治理一个寂仔盈利也有吃亏的投资组合，，，，，它们更有可能持有吃亏部门，，，，，而现实上应该将这些资金转向更明智的投资方式。。。。。目前，，，，，钻研人员仍在积极索求这方面的现实意思。。。。。但很显然，，，，，若是你是一名治理者，，，，，在使用这些模型，，，，，你必要意识到它们的局限性，，，，，并相识若何找出这些局限性。。。。。 找出这些局限性之后，，，，，你能够明确地决定若何应对它们。。。。。这是一个极度有趣的概想，，，，，由于行为金融学的文件极度丰硕，，，，，人类存在私见是多所周知的。。。。。但人们时时存在一个谬误的如果：若是能将一些工作委托给机械或某种工具，，，，，就能解除一些影响投资决策的人类私见。。。。。而现实上，，，，，正如你所说，，，，，随着大型说话模型的出现，，，，，情况并非如此——无论是机械驱动的输出还是人类的决策，，，，，都存在私见。。。。。相识若何应对这些私见至关沉要。。。。。布莱恩，，，，，你想对此颁发一下见解吗？？？？？ 我以为这关乎节造。。。。。想想投资中的量化分析，，，，，像止损单这样的根基工具，，，，，就能轻松减轻自身的感情私见。。。。。若是你把这些操作通过规定库和投资战术来实现，，，，，就能真正削减好多感情私见。。。。。当然，，，，，正如詹姆斯所说，，，，，这些大型说话模型极度复杂，，，，，它们占有某种决策权，，，，，而这种决策权自身就容易受到私见的影响。。。。。 詹姆斯还提到了建复这些问题的步骤，，，，，也就是注入一些器材来削减这些私见。。。。。一旦做到了这一点，，，，，你就能够利用我之前提到的技术来实现，，，，，好比红队演练（Red Teaming）。。。。。红队演练是网络安全行业用来尝试入侵自身系统的伎俩，，，，，主张是找出突破系统的步骤。。。。。若是你能针对这些私见对你的模型进行红队演练，，，，，并创建一个技术文件来减轻这些私见，，，，，你就赋予了它更多可控性。。。。。若是这种节造是可预测的，，，，，那么你就能有效削减人类自身的私见以及大型说话模型自身的私见。。。。。关键在于节造——在于可能发现这些私见，，，，，发现谬误，，，，，进行建改，，，，，而后再次测试。。。。。 通过大量的输出，，，，，你能够加强对系统的信赖和信心。。。。。由于在人为智能的现实技术层面，，，，，所有关于治理和伦理的问题，，，，，最终都是为了赢得信赖。。。。。当我们给一个大型说话模型安插工作时，，，，，我们占有有关的知识，，，，，我们是金融领域的专家。。。。。我们观察输出了局，，，，，判断其曲直，，，，，就像对待员工一样——随着功夫的推移，，，，，不休给它安插工作，，，，，它的阐发可能会越来越好。。。。。 这就是赢得信赖的过程。。。。。那么，，，，，若何在整个公司层面大规模地赢得信赖呢？？？？？你必要给它分配大量的工作，，，，，进行评估，，，，，创建它应该实现的工作的输出散布，，，，，而后通过审查输出和评估了局来赢得信赖。。。。。在人为智能模型主导的世界中，，，，，信赖的概想自身就值得单独探求。。。。。 感激布莱恩分享这些设法。。。。。很遗憾，，，，，今天的圆桌会议功夫有限，，，，，只能聊到这里了。。。。。本次会商涵盖了模型、工具、数据治理以及人为智能伦理等宽泛议题。。。。。您能够在 CFA 协会钻研与政策中心找到更多有关见解、前瞻性思虑和钻研成就。。。。。我们激励您接见尊龙凯时网站，，，，，查看更多资源。。。。。最后，，，，，衷心感激詹姆斯和布莱恩，，，，，极度感激！

?作者： 李红撰 · 更新于 2026-09-08 00:03:08

?91视频官网格策：法兰克福走在正确路路上，，，，，今天踢了45分钟好球

?污污视频安装包最突出的例子，就是在现在的世界地图上，非洲和格陵兰岛差不多大，但非洲实际面积3000多万平方公里，格陵兰岛200多万平方公里，非洲是格陵兰岛面积的14倍。

?娜娜视频app第二种做法是向量检索*：把每条技能的文字描述转换成一串数字（向量），通过计算这些数字之间的相似度来判断哪些技能和当前任务"长得像"。

? 记者 梁冬梅 摄 · 更新于 2026-09-08 00:03:08