Penulis: Yuanchuan Investment Review
Laporan pengangguran terbaru dari Anthropic membuat para profesional keuangan merinding.
Dalam laporan tersebut, tingkat substitusi posisi keuangan mencapai 94%, menempati peringkat ke-2 dari semua profesi, tetapi tingkat substitusi aktual saat ini hanya 28%, menunjukkan ruang potensial yang besar di masa depan. Untungnya, 30% profesi hampir tidak terpengaruh, sehingga para profesional keuangan masih dapat mempertimbangkan peluang kerja ulang seperti menjadi pencuci piring atau tukang ledeng.
Berada di industri ini cukup lama, selalu menimbulkan kecemasan—para profesional keuangan hidup dalam dunia "perbandingan", dengan evaluasi penjualan dan peringkat kinerja yang menekan setiap hari, menciptakan kegelisahan jika tidak belajar.
Seperti setelah liburan Tahun Baru Imlek, seorang analis keuangan kembali ke meja kerjanya dan masih bertanya-jawab dengan Chatbot, sementara rekan kerjanya di meja sebelah sudah memelihara 8 lobster, berdebat dengan penuh semangat tentang kenaikan dan penurunan harga minyak mentah.
Industri keuangan tidak pernah menolak efisiensi, dari pelaporan pesanan manual hingga perdagangan terprogram, dari penjualan perbankan offline hingga penjualan online, semuanya demikian. Namun kali ini, AI tidak menggantikan alat keuangan yang tidak efisien, melainkan manusia yang tidak efisien di balik alat tersebut. Bagaimanapun, biaya tertinggi di industri keuangan adalah manusia, dan di balik laba perusahaan manajemen aset, yang diperbandingkan adalah bagaimana mengelola lebih banyak uang dengan lebih sedikit orang.
Oleh karena itu, berbagai perusahaan private equity mulai merangkul kapasitas produksi canggih: Diewei Asset membuka kursus online, mengajarkan cara menjinakkan "peneliti digital" yang bekerja mandiri 24/7; Mingxi Capital menggunakan Manus untuk secara otomatis menghasilkan brosur promosi indeks peningkatan dividen, dengan tata letak yang menyamai kecanggihan era majalah. Bahkan nasabah pun menjadi lebih waspada, di mana manajer wealth management baru saja merekomendasikan private equity populer, mereka langsung bertanya kepada Douban apakah harus membelinya.
Industri private equity perlahan memasuki momen Detroit: Become Human, di mana setiap mata rantai dalam rantai yang matang—penelitian investasi, operasi, penjualan—telah mulai digantikan.
Gaji VS Biaya Token
Dalam lingkungan kompetitif dengan biaya operasi yang tinggi dan Alpha yang semakin sulit diperoleh, rasio efisiensi manusia adalah indikator yang coba dioptimalkan oleh para bos private equity setiap hari sebelum tidur.
Dalam rantai industri private equity, gaji peneliti umumnya tidak rendah. Menurut data Mulifang, gaji tahunan peneliti kuantitatif saham biasanya antara 800.000 hingga 1,5 juta yuan, sedangkan gaji peneliti subjektif sedikit lebih rendah, tetapi kadang-kadang ada insentif yang mengejutkan—awal tahun ini, seorang peneliti subjektif miliaran yuan menerima bonus tahunan lebih dari 20 juta yuan karena merekomendasikan Nvidia.
Jika private equity dapat mengandalkan penelitian investasi berbasis AI, mereka menghemat biaya puluhan juta yuan. Jika AI dapat bekerja 24 jam, menurunkan upah per jam sekaligus meningkatkan output, semua biaya perjalanan, lembur, transportasi, dan tunjangan makan yang sebelumnya dipotong dari Carry bos, tidak diperlukan oleh AI.
Di bidang manajemen aset, kemajuan teknologi pada dasarnya adalah dua kata: meningkatkan efisiensi, mengurangi biaya. Bos private equity tidak peduli apakah AI benar-benar dapat berpikir seperti manusia, yang penting pekerjaan dapat diselesaikan.
Mengenai hal ini, Howard Marks menghitung perhitungan ekonomi: jika dapat menghasilkan hasil analisis asisten peneliti dengan gaji $200.000 per tahun, maka bagi yang membayar gaji, tidak penting apakah itu benar-benar berpikir atau hanya mencocokkan pola, yang penting adalah apakah hasil kerja cukup andal sehingga memiliki nilai penggunaan.
Setelah Tahun Baru Imlek, 8 tim teknik keuangan sekuritas secara kolektif merilis tutorial "memelihara lobster", mempercepat proses penggantian peneliti manusia. Mereka menguji OpenClaw, yang dapat secara aktif menghasilkan hasil penelitian seperti manusia.
Di aplikasi Jinmen, presentasi berjudul "OpenClaw: Dari Pemula hingga Mahir" oleh Open Source Engineering ditayangkan 4839 kali; Xu Jianhua dari Timur Laut merekomendasikan 20 skill yang dapat meningkatkan efisiensi penelitian investasi 10 kali lipat; Cao Chunxiao dari Fangzheng menggunakan lobster untuk mereproduksi strategi PB-ROE, strategi seleksi saham bentuk pegangan cangkir, dan penggalian serta backtest faktor otomatis penuh.
Jika dipikir-pikir, ini setara dengan meng-upgrade skill package Warren Buffett, William O'Neil, dan Jim Simons secara bersamaan.
Trader yang suka belajar
Penjual menjelaskan dengan sungguh-sungguh, pembeli juga belajar dengan antusias. Sebuah private equity di Beijing, karena takut mesin utama terkontaminasi, memberikan setiap peneliti komputer baru dan subsidi token 50.000 yuan, khusus untuk memelihara lobster [1].
Yang Xinbin dari Snowball Asset Management melatih dua peneliti lobster, mengatakan bahwa setiap hari berbicara dengan AI lebih banyak daripada dengan manusia. AI Agent yang dilatih secara mandiri dapat menyelesaikan pekerjaan dalam dua hari yang mungkin lebih efisien daripada peneliti kuantitatif matang dalam setengah tahun, bahkan potensinya lebih besar.
Paul Wu dari Qinyuan Investment secara bertahap menempatkan AI di berbagai departemen, merasakan bahwa AI dapat menyelesaikan loop tertutup dalam beberapa peran kerja, mampu beroperasi dan beriterasi secara independen. Dia memperkirakan, dalam waktu dekat, pengeluaran perusahaan akan berubah menjadi pembelian dan pemeliharaan seorang analis Apple AI, dan kemudian mungkin seorang penasihat portofolio investasi Paul.
Di masa lalu, banyak private equity mengalami keausan konversi penelitian—peneliti merasa manajer investasi tidak kompeten, manajer investasi merasa peneliti tidak berguna. Kehadiran OpenClaw membuat bos private equity untuk pertama kalinya melihat kemungkinan baru—tidak perlu menoleransi gesekan dan konflik internal dengan peneliti biasa-biasa saja, juga tidak perlu khawatir peneliti inti direkrut dengan gaji tinggi oleh pesaing.
Dari segi karakteristik, lobster memenuhi semua harapan indah manajer investasi terhadap peneliti: bekerja sepanjang waktu, tidak libur atau bermalas-malasan; memori jangka panjang yang terakumulasi, data kunci dapat diingat dengan mudah; sangat setia dan patuh, tidak akan membawa strategi inti untuk mendirikan perusahaan sendiri; terus beriterasi mandiri, tidak seperti peneliti lama yang terobsesi dengan ketergantungan jalannya sendiri dan kemudian tersingkir oleh zaman.
Jika di masa depan biaya Token silikon jauh lebih rendah daripada gaji karbon, bagaimana bos private equity dapat menolak peneliti AI yang patuh, mudah digunakan, dan dapat dilatih?
Substitusi Bukan Hanya karena Lobster
Private equity subjektif masih mempertimbangkan apakah biaya Token划算, sementara pabrik kuantitatif besar, dengan infrastruktur komputasi yang dibangun sendiri, telah memampatkan biaya Token ke tingkat yang sangat rendah. Namun, menghadapi demam ini, mereka justru tenang secara tidak normal.
"OpenClaw bagi kalangan teknologi kuantitatif hanyalah produk setengah jadi seperti mainan", kata seorang profesional kuantitatif terkemuka di Shanghai kepada saya. Signifikansinya adalah untuk mengurangi hambatan teknologi bagi institusi subjektif dan investor retail, memberikan jalur pemulihan biaya yang jelas untuk investasi infrastruktur besar perusahaan model besar sebelumnya, tetapi tidak terlalu berarti untuk lingkungan produksi serius seperti investasi kuantitatif.
Profesional kuantitatif terkemuka lainnya mengungkapkan lebih blak-blakan, lobster di kalangan keuangan seperti skema piramida. OpenClaw memiliki karakteristik acak, non-sistematis, keamanan rendah, dll., yang dapat membawa ketidakpastian besar pada seluruh sistem kuantitatif.
OpenClaw bukanlah kekuatan produktif yang maju di kalangan kuantitatif, kata Cui Yuchun dari Xuntu Technology, tidak perlu cemas:
Kemampuan lobster dalam optimasi Agent, panggilan alat (melibatkan browser penelitian investasi, penulisan, analisis data, dll.) bahkan secara signifikan lebih lemah daripada Manus, Kimi, dan Agent lainnya. Bagi seorang peneliti tanpa latar belakang pemrograman, diperlukan 5-10 jam untuk menyebarkan dan memulai, sebagian besar tugas tidak dapat memberikan hasil di atas 60 poin.
Saat investor retail menggunakan Skill Analisis Saham China lobster untuk memilih saham, seolah-olah membuka pintu dunia baru, kuantitatif telah membangun platform Multi-Agent (multi-agen), dengan persenjataan Agent yang lebih kaya, membentuk tekanan yang menghancurkan terhadap lobster. Namun, operasi sistem yang kuat ini belum tentu membutuhkan lebih banyak manusia.
Sistem penelitian investasi kuantitatif tradisional biasanya menggunakan arsitektur jalur perakitan: pembersihan data → perhitungan faktor → prediksi model → optimasi portofolio. Setelah memasuki era AI, beberapa institusi mulai menyederhanakannya seperti Man Group kuantitatif top luar negeri, menjadi pembagian peran → panggilan alat → desain alur kerja. Pekerjaan yang standar dan berulang, secara bertahap digantikan oleh AI Agent, tidak perlu banyak peneliti lagi yang teralienasi di pabrik keringat faktor.
Misalnya, sistem multi-agen Apollo AI dari Xiyue Investment, AI Agent tertanam di setiap link penelitian investasi, data, perdagangan, operasi. Pendiri Zhou Xin menggambarkannya, seperti memiliki tujuh atau delapan ratus karyawan AI tambahan.
Di depan ada tekanan seperti "pabrik tanpa orang" kuantitatif, di belakang ada investor retail yang menggunakan OpenClaw untuk mengurangi kesenjangan informasi, membuat manajer investasi subjektif yang berada di zona efisiensi menengah dalam posisi canggung—melihat informasi yang dihasilkan dengan susah payah oleh peneliti, di atas ditekan oleh kuantitatif, di bawah dikejar oleh investor retail, tidak dapat dihindari terjebak dalam kecemburuan AI FOMO.
Selama Tahun Baru Imlek, saya membaca laporan tahunan seorang manajer subjektif terkemuka di Shenzhen, dia mengkhawatirkan harapan manajer investasi yang terlalu tinggi terhadap peneliti:
Manajer investasi berharap peneliti dapat peka terhadap pasar, memberikan sinyal peluang tepat waktu, memberikan penelitian dan penilaian yang领先于同行, bahkan perlu selalu berada di "lingkaran inti". Peneliti yang dapat mencapai tingkat seperti ini, mengapa masih需要 manajer investasi? Mereka dapat berinvestasi saham sendiri untuk menjadi kaya, mengapa masih melayani manajer investasi?
Oleh karena itu, dia menurunkan ekspektasi—peneliti hanya bertanggung jawab meneliti target dan masalah spesifik, tidak perlu menemukan peluang, juga tidak perlu memberikan saran investasi, semua ini adalah pekerjaan manajer investasi.
Sebaliknya, jika yang dibutuhkan manajer investasi subjektif hanyalah seseorang yang tidak memasuki lingkaran inti industri, hanya mengandalkan analisis meja untuk melacak target, bukankah peneliti seperti ini selanjutnya akan digantikan oleh AI Agent?
Penutup
Berada di pasar saham A股, dua tahun terakhir ini, terasa seperti ditekan tombol percepatan.
Terutama paruh pertama tahun ini, banyak hal terjadi. Tahun lalu, Deepseek dirilis saat Tahun Baru Imlek, liburan Qingming Trump menaikkan pajak secara kasar, hingga Tahun Baru Imlek tahun ini seluruh orang memelihara lobster, bulan pertama belum selesai, Timur Tengah sudah mulai berperang. Otak orang keuangan selalu dalam keadaan kelebihan beban, sudah tidak ingat kapan terakhir kali liburan tanpa belajar. Setidaknya sebagai editor, daya komputasi otak manusia sudah tidak mencukupi.
Dalam ingatan, dua tahun lalu saat berkomunikasi dengan manajer investasi untuk menulis artikel, selalu mendengar mereka dengan senang hati menggunakan kalimat canggung untuk menggambarkan keadaan kerja mereka—"setiap hari menari tap dance pergi kerja." Tetapi dua tahun terakhir saat berkomunikasi, mereka akan berbicara tanpa senyuman tentang "iterasi" yang diorganisir tim, "iterasi" konsep investasi, "iterasi" kognisi industri.
AI berkembang begitu cepat, kemajuan rekan sekerja begitu cepat, sepertinya hanya dengan iterasi,才不会被淘汰.
Industri ini terlalu cemas.
AI tidak memahami sifat manusia, tidak dapat memprediksi apa yang sebenarnya diperdagangkan di pasar saham A股 yang dipadati investor retail saat ini, apakah turunan ketiga atau kelima; AI sulit berempati, tidak dapat memahami mengapa seseorang terikat dengan Two Oil Barrels selama bertahun-tahun, tetapi masih memegangnya hingga hari ini, hanya menunggu hari itu untuk lepas; AI tidak dapat bertanggung jawab, tidak akan diblokir di pintu oleh investor karena rugi 30%, juga tidak perlu menulis surat permintaan maaf untuk merenungkan jiwa, introspeksi diri.
Jika di masa depan AI menggantikan semua manajer investasi dan peneliti, maka hipotesis pasar efisien成立, tidak akan ada Alpha, dan hampir tidak akan ada Buffett berikutnya.
Jadi pertanyaan sebenarnya adalah, di masa depan industri manajemen aset, ketika AI mengambil alih penggalian data, menjalankan model, dan menulis laporan, apa yang tersisa bagi manusia? Yang tersisa justru kecintaan pada investasi, intuisi terhadap ketidakpastian, dan alasan untuk tetap bertahan meskipun dikatakan penelitiannya tidak sebaik AI.
Kita tidak dapat mengubah tren peningkatan proporsi AI, tetapi kita dapat mengubah mentalitas sibuk menanggapi, lelah mengejar, dan konflik internal.
Seperti dalam game "Detroit: Become Human", pilihan yang akhirnya harus dibuat pemain bukanlah menghancurkan AI, juga bukan tunduk padanya, melainkan memutuskan peran apa yang harus dimainkan manusia dan AI.
