哈佛研究：人工智能可预测超七成基金经理决策

哈佛商学院（Harvard Business School）教授劳伦·科恩（Lauren Cohen）领导的一项研究利用神经网络，分析基金经理在特定季度内买入、卖出或持有某只股票的决策。该模型基于1990年至2023年的数据，以五年滚动周期进行训练。系统依赖的变量包括基金规模、资金流动、股票特征以及更广泛的宏观经济环境。

研究结果显示，该模型能够预测大部分投资组合调整。

研究最有趣的发现并非预测的准确性，而是其局限性的本质。那些算法无法预测的交易决策——约占交易总量的29%——平均产生了更高的回报。换言之，市场超额收益主要源于对常规模式的偏离。

“如果你的决策有71%能被算法预测，那么针对这部分收取主动管理费就非常困难，”科恩表示。他补充说，非常规交易承载着真正的阿尔法收益，即高于市场平均水平的超额回报，但这些交易仅占所有交易的较小部分。

这项题为《模仿金融》（Mimicking Finance）的研究发表在美国国家经济研究局（National Bureau of Economic Research） 的网站上。其新颖之处在于，与以往研究不同，它并非事后分析回报，而是试图预测交易决策本身。作者们（除科恩外，还包括宾夕法尼亚大学和德保罗大学的研究人员）认为，在捕捉基金经理复杂行为模式方面，机器学习是比传统线性因子模型更灵活的工具。

研究还发现，可预测性程度因基金而异。管理资产规模更大、收费更高或拥有更大分析师团队的基金，其操作平均更难预测。相反，运营时间更长或管理更多产品的基金经理，其决策则更具可预测性。目前，该模型仅能预测交易方向，而非头寸规模——作者们计划在未来研究中探讨这一点。

该研究的最终结论并非机器战胜了人类，而是主动管理的大部分内容实际上是基于规则的活动，本可以用更低的成本复制。

如果投资组合调整的大部分都能被算法预测，那么主动管理费的合理性就越来越局限于机器无法复制的、更小范围的决策。正如科恩所言：“真正需要专业知识的组成部分——不可预测的、非常规的部分——是存在的，但规模很小。”