投資者對AI驅動投資產品應要求更高透明度
在其他行業，產品功能或技術應用若與宣傳不符，往往會引發質疑甚至觸發監管調查。金融行業理應採取同樣標準，確保投資者獲得充分資訊，作出明智決策。
釐清AI與AI漂洗
在討論「AI漂洗」前，首先須明確「人工智能」一詞的含義。本文所指的AI，並非「強人工智能」（Strong AI），即具備通用人類思維能力的系統，而是「弱人工智能」（Weak AI），即是能在特定任務中模擬或增強某項人類認知功能的技術系統，例如監督式機器學習（supervised machine learning）、非監督式機器學習（unsupervised machine learning）、強化學習（reinforcement learning），或自然語言處理（natural language processing）等。
「AI漂洗」通常指企業或機構在未有實質應用AI技術的情況下，透過市場推廣手段誇大其在AI領域的投入與成效，以達致商業目的。這類做法不但可能誤導投資者，亦會削弱市場對真正AI應用的信任，進一步影響整體行業聲譽。
為何「AI漂洗」在投資界逐漸浮現？
相較其他行業，「AI漂洗」在投資管理領域雖未構成普遍現象，但其跡象已逐步浮現。原因之一在於AI技術的實施細節往往不易量化或難以經外部驗證。機構可利用這一資訊不對稱，對其AI應用程度作出誇大描述，而外界卻難以查證。
此外，部分資產管理公司可能基於市場對其科技創新的期望所帶來的壓力，傾向展示其「科技能力」，以維持競爭優勢，即使其AI應用只屬初步階段。再者，許多投資機構本來已建立穩定的投資流程，對於大幅採用新技術持審慎態度，尤其當現有策略已獲得商業成功時，管理層更可能傾向維持現狀，而非承擔額外風險進行重大技術改動。
這種情況可比擬為Jenga層層疊積木遊戲：每次的改動看似細微，但若未經審慎考慮，整體架構或會出現失衡。資產管理人擔心，在未充分理解AI對投資流程影響的情況下貿然作出調整，反而削弱原有優勢。
專業能力與管治架構的重要性
「AI漂洗」的另一成因，是部分投資機構內部負責AI或數據科學的領導人員，缺乏足夠技術背景。相對而言，科技行業的AI項目通常由具備深厚專業知識的領導者主導，確保各項決策具備技術依據。
若金融機構機構認為無需實質改革亦可維持投資表現，便可能未有動力聘請或培訓具備AI專業背景的人才。這種人力資源配置，未必足以支撐真正的AI開發與應用。
此外，出於商業機密考慮，許多投資公司不願公開其投資流程細節，市場上亦未有統一標準去界定AI應用的成熟程度。這進一步加劇外界對「AI漂洗」的辨識難度。
投資者宜作出審慎查詢並要求資訊披露
在AI應用迅速擴展之際，資產擁有人、機構投資者及監管機構宜對聲稱使用AI技術的投資產品提出更具體且深入的查詢，了解其AI應用的實質內容，包括資料來源、模型驗證方法、風險控制及管治架構等。
以下提問可供投資者與持份者參與，以更全面、審慎地評估資產管理公司對AI技術的實際應用情況：
- 使用哪類演算法或組合？如何實質改善資產回報預測能力？
- AI模型的表現如何優於傳統或簡單模型？能否提供相關績效指標作量化比較？
- 採用哪些數據來源進行模型訓練？是否涵蓋另類數據（如衛星影像、情緒分析等）？這些數據如何整合至投資決策流程？
- 如何進行原始數據的預處理與特徵篩選？是否使用基本面特徵，例如收益驚喜、價格動向，或其他訊號與指標？在將資料輸入模型之前，如何進行資料的預處理？是否會將輸入特徵進行標準化或正規化？如何處理缺失值、異常值及有限樣本問題？
- 如何確保模型的可解釋性？是否透過模型選擇或事後分析工具？若是後者，能否提供具體說明或案例？
- 能否舉出近期受模型結果影響的投資決策？負責人如何向投資團隊解釋該決策？
- 是否具備樣本外回測或交叉驗證結果？模型在自助或合成數據集上的表現如何？相較於較簡單的模型、傳統基準以及等權重投資組合，該模型表現如何？
- 如何驗證模型穩健性並防止過擬合？例如，如何在模型中調整超參數？是否有監測「模型漂移」的機制與再訓練流程？
- 內部是否設有AI管治架構？是否定期審查模型合規性，並符合行業標準？
- 若部分AI技術外判處理，如何確保外部供應商的技術質素與風險控制水平？
撰文：CFA協會高級聯屬研究員Joseph Simonian
免責聲明：本專頁刊載的所有投資分析技巧，只可作參考用途。市場瞬息萬變，讀者在作出投資決定前理應審慎，並主動掌握市場最新狀況。若不幸招致任何損失，概與本刊及相關作者無關。而本集團旗下網站或社交平台的網誌內容及觀點，僅屬筆者個人意見，與新傳媒立場無關。本集團旗下網站對因上述人士張貼之資訊內容所帶來之損失或損害概不負責。
