Kan AI sköta din portfölj? InvestorAIs Bruce Keith svarar i 'Zero Sum'

Artificiell intelligens tränger djupare in i investeringar, från hedgefonder och kvantitativa tradingdeskar till privata portföljer och automatiserad exekvering.

Men i takt med att tillgången till AI-drivna verktyg ökar växer en viktigare fråga fram: kan investerare verkligen lita på en maskin med sina pengar?

Bruce Keith, VD och medgrundare av InvestorAI, menar att tekniken kan förbättra hur människor investerar dramatiskt, men bara när den används för rätt uppgift.

Tilltalande i det senaste avsnittet av Zero Sum förklarade Keith varför det kan vara fel strategi att be ChatGPT eller en annan stor språkmodell tala om vad du ska köpa härnäst, varför AI kan vara bättre på kortsiktiga marknadsbeslut än på långsiktiga investeringar, och vad investerare bör kräva innan de överlämnar kapital till en AI-driven strategi.

De olika aspekterna av AI-investeringar

Keiths åtskillnad mellan allmänt brukbar AI och specialbyggda investeringsmodeller är central i diskussionen.

Stora språkmodeller tränas för att svara på frågor med hjälp av enorma mängder information.

Det gör dem användbara för att förstå vad som hänt i en portfölj, sammanfatta nyheter och förklara varför en tillgång rörde sig.

Men att förutse en specifik marknadsrörelse är ett annat problem.

Keith hävdade att effektiva investeringsmodeller behöver identifiera återkommande marknadsmönster, potentiella utbrott och punkter där dessa mönster förändras, istället för att enbart hämta information som redan finns online.

För att göra detta tog hans företag en okonventionell väg: anpassade datorseende, samma teknik som används i ansiktsigenkänning och självkörande bilar, för att analysera marknadsdata.

Genom att översätta enorma datamängder till visuella representationer kan deras AI "se" komplexa utbrottsmönster som mänskliga analytiker eller textbaserade LLM skulle missa helt.

Den skillnaden spelar roll i takt med att fler privatinvesterare börjar betrakta AI-chatbotar som informella finansiella rådgivare.

Den verkliga investeringsfördelen kan vara att veta när man ska gå ur

Ett av Keiths mest intressanta argument är att det är relativt enkelt att gå in i en trade. Det svårare problemet är att veta när man ska gå ur.

"Ingen berättar när du ska gå ur."

Hans bredare poäng är att investerare tenderar att fokusera starkt på att hitta nästa vinnande trade, medan riskhantering ofta avgör om dessa vinster faktiskt överlever.

Keith sade att AI är särskilt användbart för kortsiktiga beslut, och definierade det fönstret som ungefär två till tre månader.

Människor, enligt honom, är fortfarande bättre lämpade för långsiktiga bedömningar eftersom de kan arbeta med ofullständig information och inkorporera faktorer som är svåra för maskiner att kvantifiera.

Det antyder en hybridmodell snarare än en helt automatiserad: maskiner bearbetar mycket mer information än en enskild investerare kan, medan människor behåller ansvaret för helhetsbilden.

AI-investeringar behöver större transparens innan investerare kan lita på dem

Det väcker ytterligare ett problem: hur avgör en investerare om en AI-driven strategi faktiskt fungerar?

Keith menar att branschen behöver tydligare standarder för att redovisa resultat.

Investerare bör inte nöja sig med en enda huvud­siffra eller ett imponerande backtest.

"Om det du söker är konsekvens — konsekvens i resultat, konsekvens i överavkastning — så måste frågan vara: hur konsekvent har den här strategin varit?"

Han rekommenderar att börja med att titta på vinstfrekvens och andel överträffanden, följt av genomsnittlig avkastning och maximala nedgångar.

En strategi som vinner ofta kan ändå utplåna kapital om dess förlustaffärer är tillräckligt stora.

Slutsatsen är enkel: investerare bör bedöma ett AI-verktyg ungefär som en mänsklig fondförvaltare, med en verifierbar meritlista, tydlig metodik och förståelse för hur det beter sig i både stigande och fallande marknader.

Regulatorer försöker komma ikapp en teknologi som ständigt rör sig

Keith förväntar sig också att reglering kommer att bli en central del av debatten om AI-investeringar.

Han sade att tillsynsmyndigheter i grunden ligger efter, men hävdade att ett principbaserat förhållningssätt kan vara mer effektivt än att försöka skriva detaljerade regler för varje ny tillämpning.

Viktigast av allt tror han att ansvar inte kan outsourcas till maskinen.

För finansföretag som använder AI innebär det att behålla mänsklig översyn, riskkontroller och ansvarsskyldighet även när besluten blir alltmer automatiserade.

Nästa fas är AI som gör mer än att rekommendera affärer

Tekniken kan så småningom gå från att generera signaler till att utföra exekvering.

Keith sade att automatiserad exekvering redan blir vanligare, där AI potentiellt kan besluta när man ska handla, när man ska stoppa och när man ska pausa efter förluster.

Men han betonade att nödvändiga riskkontroller måste byggas runt systemet innan investerare överlämnar betydande kapital till det.

Det kan vara det verkliga nästa steget för AI på finansmarknaderna: inte att helt ersätta investerare, utan att bli ett allt mer kraftfullt lager mellan information och exekvering.

Keiths avslutande investeringskall speglade den balansen. Han nämnde indiska infrastruktursatsningar och JSW Steel bland sina positiva idéer, samtidigt som han pekade på USA-ledarskap som sin negativa rekommendation och "att lyssna på ungdomarna" som sitt jokerkort.

Se hela avsnittet av Zero Sum för hela samtalet om AI-drivna investeringar, transparens, automatisering och vad som krävs för att våga lita på en maskin med riktiga pengar.