当AI来到华尔街：对冲基金经理们该担心自己的饭碗吗？

摘要：前段时间，中国量化基金幻方孵化出的DeepSeek在全球AI领域都掀起了轩然大波。这在金融界也引来不少好奇：如今的AI究竟给金融行业带来了什么影响，AI炒股靠谱吗？

文 | 硅谷101

随着华尔街的对冲基金之间竞争白热化，基金经理最关心的问题变成了“怎样利用有限的资源获得更大的回报”？

人工智能和机器学习的发展让不少基金看到了产业变革的希望：

全球最大的对冲基金桥水，去年就宣布将推出一只完全利用机器学习进行决策的基金，价值20亿美元。

著名多因子量化基金AQR的创始人，克里夫·阿斯内斯在一次采访上表示，“AI即将取代我的工作。”

不过，也有知名投资人对AI如何影响华尔街基金持保留态度。

前段时间，中国量化基金幻方孵化出的DeepSeek在全球AI领域都掀起了轩然大波。这在金融界也引来不少好奇：如今的AI究竟给金融行业带来了什么影响，AI炒股靠谱吗？

带着这些问题，硅谷101特约研究员Yiwen来到了华尔街，一起聊聊：

人工智能如何改变金融服务行业？不断发展的技术即将取代什么样的工作？被高度监管、对错误零容忍的量化基金，对人工智能还存有怀疑态度吗？人工智能究竟能不能帮我们选股票呢？

01 量子计算量化基金的历史与分类

我们先回顾下对冲基金与技术发展密不可分的行业历史，并解释金融市场中的量化、多因子基金、多空策略等名词。

聊到“投资”时，大部分人想到的是“基本面投资”。投资人需要深度了解一个公司的业务，和竞争对手的差距，宏观事件对公司前景的影响等等。“股神”巴菲特就是基本面投资的代表。

Warren Buffett

美国投资家、企业家及慈善家：

“你不需要是90%企业的专家，也不需要是80%、70%或50%的专家，但你必须了解那些你投入资金的企业。如果这些企业只占整个市场的一小部分，这也没关系。”

基本面投资人竞争的法宝是“信息差”。对冲基金会去分析公开信息，例如财报、媒体报道、见面会等信息。

公开信息谁都能拿到，而更一手的深度调查和研究，则是一些投资机构的“信息差法宝”，比如此前的浑水（Muddy Waters）和兴登堡（Hindenburg Research），都一度善于揭示上市公司造假和违规行为、通过做空来获得收益。

有一个公式可以方便大家理解投资的理论基础：

信息率（information ratio，简写为IR）是衡量超额风险所带来的超额收益；

信息系数（information coefficient，简写为IC）被用来评估模型或投资策略中的预测值与实际投资结果之间的相关性，也可以表示一个投资经理或基金选股能力的好坏；

广度（Breadth，简写为BR）是在同一时间做了多少个相互独立的投资决策。

史方舟

量客投资合伙人：

基本面投资的一个特点是，通过深挖它的基本面逻辑去提高IC，尽管最终的持仓量不可能很高，但是投资人对每一个行业、行业中的每一个标的都做了非常细致的尽调，所以他的IC是非常高的，并通过这种方式取得超过大盘指数的超额回报（Alpha）。这里还有一些自主决策（discretionary），因为投资人不得不去用一些主观的判断。在这一层面量化对他的帮助是很大的。

当“拼信息差”成为越来越难的竞争手段的时候，“拼技术”反而成了大势所趋。

随着技术进步，越来越多对冲基金开始采用所谓的“混合策略“，将基本面分析与量化技术相结合。基金试图让以数据驱动的模型与人类的判断相结合，来建立更好的投资策略以及组合。

Chapter 1.1 什么是量化投资？

对冲基金的发展和技术的进步是密不可分的。

19世纪末，通过对金融市场上百年来行为的观察，人们发现交易的价格是有迹可循的。基于这样的规律，绘制出了我们熟悉的“K线图”，用来表示市场的每日行情，从而预测未来的价格走势。这就是最早的“技术分析”。

后来，在计算机技术日益成熟以后，交易员们也把技术分析写成了程序，在对冲基金内被广泛使用。

如果说技术分析是在看个股，那么金融学理论的发展则让投资人学会了看股票的组合。

早在50年代，经济学家马科维茨提出了：用数学模型去解释投资者如何利用分散投资来优化投资组合，也就是后来获得诺贝尔经济学奖的投资组合理论。

Harry Markowitz

美国经济学家：

现代投资组合理论为投资者提供了一个风险与收益权衡曲线，如果你想要在长期获得较高的平均回报，就必须忍受短期的波动。如果你希望短期内的稳定性，就需要接受较低的平均回报。”

史方舟

量客投资合伙人：

多因子（smart beta）和基本面量化（fundamental quant）其实是一回事。它的核心思想是，law of investment（投资基本定律）里的IC（信息系数）不一定非常高，但是要看Breadth（广度）能不能被提起来。

今天的基金虽然各有特色，但基本的逻辑都是基于金融学理论建立投资组合，寻找合适的“因子”，再通过现有的数据进行假设检验，最终建立投资模型。

所谓“因子”，可以理解为是一个影响股票涨跌的因素。我们将因子变成一个客观的、可以量化的指标，包括在投资组合里，就可以在建立“多空”组合的时候根据该指标来判断公司的好坏了。

比如，假设基本面分析认为，因为女性承担风险的能力越高，所以一个公司内的女性高管越多，股票就越会上涨。那么量化投资人就可以把董事会中女性董事的数量作为一个指标，从高到低排序，多投那些排的高的公司。

史方舟

量客投资合伙人：

最基本的思想是，通过一个客观的量化指标建立多空组合，哪怕最终是纯多投或者纯空投，但是最基本是来自于多空的思想。所以它跟基本面一样，非常在乎底层逻辑。

但单独只用一个指标判断公司的营收情况显然不够准确，所以“多因子投资”就出现了。这类基金会基于多个因子或维度来建立投资组合，其中代表是AQR。

Chapter 1.2 多因子投资和AQR资本

AQR的创始人克里夫·阿斯内斯（Clifford Asness）是著名经济学家，也是“有效市场理论”创始人尤金·法玛（Eugene Fama）的学生。

1993年，Eugene Fama和Kenneth French创立了“三因子模型”，提出了三个会影响股票回报的因子：市场风险、市值、估值。

换句话说，小盘股和价格低于内在价值、不受欢迎的廉价股票更容易跑赢市场，在长期获得巨大收益。

而阿斯内斯在研究中发现，除了这些因子外，动量（momentum）也是影响收益的一个因子。动量因子指的是，正在上涨的股票，短期内会继续有良好的表现，反之亦然。

带着这样的发现，阿斯内斯成立了AQR，建立基于这些因子的投资模型。2000年，AQR通过对科技股泡沫的判断一战成名。

2000年8月，华尔街对那些“闪闪发光”的科技股趋之若鹜，科技股的泡沫也因此被炒的火热，然而AQR却反其道而行之，便宜的买入其他行业的股票。

当时，华尔街大多不看好这个操作，因为AQR的逆势操作让它账面上损失惨重，管理的资产规模从10亿美元一度缩水到4亿美元。

即便如此，阿斯内斯依然信心十足。他还发表了一篇名为《泡沫逻辑》的文章，直接驳斥了支持科技股高估值的观点。他在文章中写道：“当谬误盛行时，总得有人站出来戳穿皇帝的新衣。”

最终，美国的科技股泡沫还是破裂了，那些高估值的科技股无一幸免，纷纷暴跌。

从2000年3月到2002年10月，纳斯达克指数甚至狂跌了77.9%。就在许多华尔街投资者血本无归之际，AQR却在这场风暴中大获全胜，不仅填平了账面亏损，还从最初的10亿美元管理资产，暴涨到了2004年的120亿美元。

即使中间经历过多次动荡，AQR也在2018年时成为了全球第二大的对冲基金。

在2019年的一次采访中，阿斯内斯解释了他最关注的四个因子：价值（Value）、动量（Momentum）、收益率差（Carry）、防御（Defensive），或者说质量因子。

Clifford Asness

多因子量化基金AQR创始人：

价值策略（Value）：便宜的资产往往会战胜昂贵的资产，如果你用某种基本面指标来衡量价格，较低价格的资产往往会随着时间推移表现更好。

动量策略（Momentum）：最近表现强劲的资产往往会在短期内继续延续其趋势，比随机走势更具持续性。

收益率差（Carry）策略：结合了前两者，用来预测价格，同时强调“等待时也能赚钱”，比如通过持有高收益资产来赚取利差。

质量（Defensive）策略：关注那些相较于其他证券风险更低、资产负债表更健康、盈利能力更强且收益更稳定的资产。”

但也就在2009年，AQR迎来了残酷的量化寒冬。

首先，AQR在当时坚持的多因子投资策略里，使用了一种“静态权重”的的权重分配方式，也就是投资组合中每个因子的权重在构建时就被确定，并不会随着市场环境或因子表现动态调整。

例如，如果一个多因子策略设定了动量因子40%、价值因子30%、质量因子30%的权重，那么无论市场情况如何，这些权重都不会改变。

AQR在决定这套权重的时候，往往会利用历史数据进行回测，这套风格形成之后很难进行改变。毕竟过去三四十年的数据中被证明可行的因子，怎么能因为一年表现不好就推翻重来呢？

但阿斯内斯在自己的博客文章里提到，2020年的前六个星期里，价值投资遭遇了严重的滑铁卢，代表这套静态权重的因子分配方法在某些情况下是行不通的。

2020年底，AQR的人员经历了一次大的变动，几乎很多老员工都离开了，而AQR也借此契机改变了自己的风格，在原本的模型上增加了更多的灵活性。

之后，经历了两年的低迷，今天的AQR重新回到了第一梯队。而他们的新蓝图，和AI不无关系，这一点我们随后会讲到。

Chapter 1.3 多统计套利与文艺复兴

虽然多因子投资里面使用了大量的数学模型，但本质还是在讲一套关于因子的故事。

而“统计套利”这一投资风格却完全抛弃了金融叙事，反而试图在速度上打败竞争对手，这时才是算法和算力真正大显身手的时候。

提到统计套利，就不得不谈对冲基金界的传奇人物：吉姆·西蒙斯（Jim Simons）。

2024年五月，这位数学家出身的投资人离世，享年86岁，这样的一则新闻，也让他创建的对冲基金“文艺复兴”科技公司重新出现在了大众视野。

自1988年创立以来，文艺复兴始终是一家相对低调的基金。无论是西蒙斯本人，还是那些签了30页保密协议的员工，都对这家公司赚钱的秘密讳莫如深。但这并不影响外界震惊于他旗下基金的表现。

文艺复兴的第一支基金产品“大奖章基金”，在34年间获得了40%的年净回报率，扣除服务费之前甚至达到了惊人的66%。也就是说，在该基金的整个运行周期内，他带给了文艺复兴公司600亿美元的利润。

迄今为止，大奖章基金是最成功的单一投资工具，西蒙斯所依靠的，就是统计套利。

他依赖于复杂的数学模型和大量的计算，在看似杂乱无章的金融市场里寻找规律，通过机器创造财富。因此，西蒙斯被他的传记作者称为“征服市场的人”。

统计套利有三大法宝：技术分析、时间序列分析和机器学习。

我们之前已经提到了技术分析。

时间序列分析指的是，一种通过分析历史数据来预测未来价格变动的交易策略。在这种分析里，最重要的是确保稳定性。因为统计套利的核心，就是历史会不断重复。

史方舟

量客投资合伙人：

机器学习是第三大法宝的原因在于，统计套利对底层逻辑的追究是比较淡的，所以更能接受一些黑箱，特别是对端到端的机器学习的使用比较活跃。

机器学习的数据当然是越多越好，文艺复兴前联席总裁罗伯特·默瑟就说过，没有哪种数据会比拥有更多数据更好（There’s no data like more data）。这也解释了统计套利与前两种投资风格不同的地方，也因此统计套利派系的调仓频率更高，达到了平均三天一次。

Chapter 1.4高频交易

高频交易（High-Frequency Trading），是通过大量的数据和复杂的算法，同时依赖计算机算法和超高速数据传输，通过大量的交易操作在极短的时间内获利，将短期的市场变化利用到了极致。

因此这种“量化交易”的手段比起“投资”，更多属于“交易”的范畴。

高频交易主要核心特点是交易速度极快，通常涉及每秒数千甚至数百万次交易。

这样的策略并不复杂，主要就是靠拼那几毫秒的速度优势。Citadel Securities、DeepSeek背后的幻方，曾经都使用了这种策略。

在高频交易风头正盛的时候，这些基金甚至不惜花重金铺设一条从纽约到伦敦的海下光纤电缆，只为了将交易速度提升零点零几秒，在竞争对手之前抢占先机。

如今大部分高频交易，仍然拼的是不同基金的硬件和算法能力，不过很多基金也意识到，只强调速度的高频交易黄金期已经过去了。

彭博社评论员Aaron Brown在2020年就写道：大量量化交易基金现在也开始用起了传统对冲基金的投资方法，在流动性不是那么强的市场里寻找被低估的机会，未来的基金构成也只会更加复杂。

在当下的美国市场里还有一个问题，就是寡头企业的出现。

采访嘉宾告诉我们，在美国，券商下单之后（比如说散户们爱用的Robinhood），很多交易订单都到了Citadel Securities的手上，而它也占了高频交易市场份额的41.5%。

Citadel进行的交易越多，拿到的市场信息也就越多，这让高频交易之间的竞争变得更加困难。

总体而言，对冲基金的四个派系是：持仓从少到多、定性到定量、稳定到不稳定、低频到高频的逐级转变，这之中也代表着一个重要逻辑的变化：价值。

史方舟

量客投资合伙人：

很多量化的短期策略，核心是提供了短期市场的流动性。因为它的反应比一个人更快，所以就有空间做到更大的可竞争性。它赚的钱来自于交易信息的差距和交易行为的差距，而不是因为创造了直接的价值。

02 AI来到华尔街

如今的人工智能如何赋能量化策略？尽管统计套利和高频交易天然和机器学习密切相关，但最先对生成式AI产生兴趣的，却是看起来和AI关系最远的基本面分析。

Chapter 2.1 数据难题

生成式AI的一大吸引力是：能解决金融业长期面对的数据难题。

基本面分析需要处理大量和公司有关的公开信息，比如财报、证监会报告、媒体报道、高层演说等。这些信息往往是以非结构化的文字形式存在的，处理起来十分复杂。而统计套利和高频交易中只需要处理代表价格的数字，难度反而下降了很多。

采访嘉宾告诉我们，其实早在2016年，基本面分析就开始关注人工智能和深度学习了。

基本面分析最重要的就是打出信息差。传统上来说，这些信息要么是来自公开财报的信息，要么是分析师通过尽调去挖掘的非公开信息。但随着监管的不断完善，公司要披露的信息越来越多，基本面分析的基金竞争也就越来越难打了。

Dr Miquel Noguer i Alonso

AI金融研究院创始人、前UBS瑞士执行董事：

我们并没有（能够）利用所有的非结构化数据，一方面是因为缺乏相应的工具，另一方面即使面对结构化数据，我们也没有足够的勇气去充分利用它。

2016年是一个觉醒的时刻，因为我们意识到市场上其实存在大量数据，而这些数据可以被用来分析股票。

但就在十年前，金融业发现了所谓的“替代数据”（alternative data），替代数据是指那些非常规、但能推动股价涨跌的数据，比如信用卡交易记录、社交媒体、电商平台的买家评价，甚至卫星图像等。

Dr. Richard Peterson

MarketPsych CEO：

举个例子，通过查看手机定位数据可以实时了解人们的动向、知道他们进入了哪些商店。又或者通过卫星数据监测节假日期间商场停车场的容量，如果看到停车场爆满，我们就可以推测这家零售商的销售状况可能不错。

但在有了大量数据后，金融业又面临了一个新的问题：没有合适的工具去处理这些数据，因为这些数据太过于复杂了。

对于基金经理来说，阅读、消化和总结大量的非结构化数据会消耗大量精力；在买方看来，卖方报告里还可能包含对做决定没有必要的细节。

而ChatGPT诞生后，人们发现生成式AI最擅长处理非结构化数据的，这对处理复杂的金融数据来说提供了非常大的帮助。

武军辰

Menos AI CEO、联合创始人：

AI agent（智能体）可以帮我们的基本面经理（fundamental managers）、投资经理（pm）、股票研究员（stock analysts）去处理大量的卖方研究（sell side research）和股票研究（stock research），把这些信息从非结构化（unstructured）变成变成一个可以查询的结构化数据（structure data）。

在需要阅读和总结大量数据，并根据需求写一些基本的、可重复性高的代码时，AI就像一名勤勤恳恳的实习生，可以迅速完成这些工作。

采访嘉宾还告诉我们，AI的另一个应用场景就是帮助基金经理去清理和归纳原始数据，让经理可以花更多的时间和精力在分析这些数据上。

巴利亚斯尼资产管理公司的首席经济学家Chris Pulman就告诉彭博社，曾经需要他花两天时间准备的中央银行会议的预览报告，现在只要花30分钟，因为AI已经帮他完成了整理各路经济学家看法、生成图表等一系列的研究工作。他表示，人工智能比他一开始想的更有用。

Chapter 2.2 工具即服务

除了处理数据以外，AI还给金融业带来了另一种效率提升。

武军辰

GenAI（生成式AI）到底真正带来的革命性东西，用一句话概括为：工具即服务。

金融业是一个被高度监管的行业，尤其在2008年的金融危机之后，美国政府通过了《多德·弗兰克（Dodd-Frank）法案》，向对冲基金提出了更多的披露义务。这也导致对冲基金行业需要聘请专人去分析投资组合的风险，完成合规申报等内容。

而进行这些分析则需要大量专业化的软件，同时每一个软件都要配备一个分析师，但在AI时代，这些软件都能以AI agent的形式存在，提供一站式服务。

武军辰

现在很多工具开始变得更智能了，比如你可以直接把一个投资组合交给风险分析（risk analysis）的工具（tool）或者软件（software）。

所谓“工具即服务”是，过去可能风控团队需要十个人，现在两个人就够了，因为很多的过程都可以被自动化。这些工具拿到数据后可以自动生成风险报告，人们甚至可以跟它进行问答交互。我觉得未来这个会有很大的作用。

在对冲基金里，前台通常是对冲基金的盈利来源，主要负责投资决策和与客户的互动；

中台主要负责风险管理、合规性和确保交易与基金的整体战略和监管要求相符；

后台负责对冲基金的行政、运营和支持工作，包括提交法律和合规报道。

AI也许就可以替代中台和后台的重复性工作，特别是节省重复性高的分析的时间。

除了写作外，AI同样适用于数学和编程，这恰恰也是量化分析师每天都在做的事情。所以，即使是最保守的量化分析师也会想，"我能不能用这个工具来为我新开发的算法生成文档，并生成代码呢？" 答案是肯定的，这将极大地节省时间。

Chapter 2.3 寻找超额回报Alpha

不过，关于AI是否能实现“实习生”到“分析师”的飞跃、为对冲基金找到超额回报（alpha），对冲基金的看法则没有那么乐观。

Ken Griffin

CITADEL(城堡投资公司)CEO：

“我认为有些人幻想着LLM（大语言模型）会告诉他们该买哪些股票，但这只是幻想而已。”

也有对冲基金在尝试通过AI建立投资策略，比如前面提到的AQR正在进行的新尝试。阿斯内斯在多次采访中提到，AQR正在使用大语言模型从文字数据中挖掘新的交易信号，并让现存的交易信号变得更准确、更有用。

交易信号是指能够为投资者提供决策参考的信息或指标。例如，文字信息中往往蕴含着丰富的情绪表达：在财报会议中，高层对公司经营状况的表述可能展现出正面、负面或中立的态度。

而在美联储的发布会中，其对当下经济的看法可能表现为鹰派或鸽派，这些态度实际上就是一种交易信号。

在生成式AI出现之前，投资者通常需要多次阅读这些信息，才能总结出相应的情绪态度。

英伟达的量化分析师Ioana Boier就解释了她正在研究的工具，基于情绪识别找到交易信号。

Ioana Boier

英伟达量化分析师：

你可以跟踪这种情绪随时间的变化：如果它维持在中性水平，你可能不会采取任何行动，但如果情绪极端正面或极端负面，你就可以将其视为一个信号。这正是策略可以发挥作用的地方，你可以采用类似的阈值设定（thresholding）方法来进行决策。

看中这个风口的数据和服务提供商也不在少数：专注于替代数据的Acuity Trading最近推出了完全由AI驱动的交易信号生成服务，主要聚焦在外汇和加密货币市场。

前面我们说的都是基金经理们如何利用生成式AI处理文字信息的能力，除此之外，量化基金也在挖掘机器学习处理复杂的数字、建立统计模型方面的作用。

Chapter 2.4 统计模型中的AI

像AQR这样的多因子基金，通常会有以下投资流程：

通常来说，多因子基金会通过统计模型，来确定哪些因子能够预测股票的表现，将得到的因子结合起来，再推测出一个最优的投资组合，并根据这个最优组合调整基金中现存的投资组合，尽可能达到更优。

但如何将多个因子结合在一起、确定每个因子在投资组合里所占的权重，却是完全不同的过程。

2019年底，阿斯内斯就是因为一意孤行，提高了“价值”因子在AQR的投资组合里所占的比例，导致AQR在疫情期间损失惨重。但是这次，阿斯内斯却觉得，有可能通过AI来挑选合适的投资组合。

AQR的机器学习部门主管Bryan Kelly认为，由于大语言模型在训练中使用了大量数据，存在大量预测变量，因此能更好地识别因子和股票变化之间的非线性关系。

传统的统计模型都是回归分析，往往只能分析一个因变量和一个自变量之间的线性关系。但由于大模型本身十分复杂，反而能给到因子更为准确的权重。

在AQR自己的试验中，大模型将投资回报提升了50-100%。Bryan Kelly也将这种情况称之为“复杂性的价值”（virtue of complexity）。

Clifford Asness

多因子量化基金AQR创始人：

长期以来我们一直在讨论不要过度拟合。量化投资的一个风险在于，你可能在数据中看到一些随机的模式并误以为可以交易它们，而一种应对这种风险的方法，就是将数据与理论和常识相结合。

但AI在某种程度上让我们偏离了传统的方法，这让我感到有些不适，因为你一定程度上把决策权交给了机器。

我们的采访嘉宾认为，尽管近几年来AQR和量化基金对AI的接受程度高了很多，它们也不会完全使用大模型进行投资决策，因为这和阿斯内斯多年来坚持的风格不符。

史方舟

量客投资合伙人：

我觉得这是和基因有关系的，我认为AQR今天也不可能接受，把端对端黑箱模型的结果直接作为投资的决策，因为它的投资风格决定是要在经济学和金融学上具有可解释性。

目前，学界和业界都推出了不少研究分析人工智能在量化金融上的应用，比如大模型如何生成时间序列。采访嘉宾认为目前大热的AI agent，将会在未来有很多应用场景：

时间序列agent：可以决定使用哪些模型（例如 Transformers、长短期记忆网络）来进行股票的时间序列预测。

基本面agent：可以分析公司的财务报表、商业计划和其他定性信息，以评估公司的状况。

ESG agent：可以评估公司的治理、社会影响和环境因素。

合规agent：可以做出投资决策前检查公司高管的犯罪记录等事项。

必须承认的是，很多人工智能的应用都还处在早期，几乎没有量化基金完全使用大模型去替代人类分析师以及基金经理的决策。

武军辰

我们认为AI最多叫辅助决策者（decision assistant），还是需要人做决策。我很认可一种说法：AI短期之内是不会代替人的，尤其不会代替人去决策，但是会用AI的人会代替掉不用AI的人，因为有很多工作可以用AI自动化掉（automated），让人更高效。

最后，在大模型盛行的时代，对冲基金如何在工具相同的情况下提升竞争力，也是一个问题。

史方舟

量客投资合伙人：

如果你是投资人，现在有一家基金有非常专业的人工智能团队：它的策略端对端，从最原始（raw）的数据直接给你最终的投资决策，然后表现很好，这个时候你愿意投吗？

当基金的竞争优势只限于人员专业、表现好时，其实把自己放在了非常尴尬的状态，因为我（投资者）永远可以找到另外一组很专业的AI专家，并且滚动（rolling）3个月或者6个月表现比你（这家基金）好，那这家基金如何去建立和客户之间的黏性呢？

这是一个竞争性的游戏。如果你的能力不如你的竞争对手，即使你使用了一些工具，也未必能创造主动收益（Alpha）。也许它用的工具更好、掌握的数据更多、质量更高，或者他找到了更合理的数据组合，到了AI时代情况依然如此。但话说回来，如果你不去投资，不去尝试，那你肯定会落后，在投资决策的速度上，你会远远慢于你的竞争对手。

03 AI未来的华尔街征程

无论传统的资产管理者和投资人再如何抵抗，AI正在走进华尔街，也正在改变基金管理人们的投资方式。