数据是资产管理的未来：但它也有一个陷阱

无论在哪个行业，人工智能和机器学习现在都很流行，资产管理也不例外。 到 2027 年，大约 16% 的资产管理公司预计将

消失 由于技术进步和投资者期望的范式转变。 人工智能和机器学习技术正在被应用于金融行业的各个方面。 这一切都是为了采用数据驱动的方法，而不是几十年来一直采用的传统资产管理方式。

毫无疑问，人工智能工具和大数据可以对资产管理产生积极影响并提高其效率。 但这绝对不是您所有财富管理问题的答案。 首先，数据仍然被视为可以帮助决策的原材料。 它还不是与预期结果明确相关的资产或战略工具。 为了真正将数据驱动的方法融入到资产管理中，企业需要更深入地研究并寻找普遍使用数据的方法。

仅靠工具无法完成工作

任务和流程自动化的最大问题之一是大多数公司倾向于在真空中做出这些决策。 这是“随波逐流”的典型例子。 仅仅因为其他人都在这样做而实施自动化并不会给您带来竞争优势。 事实上，这可能会导致比人们想象的更多的问题。 

几十年来，资产管理行业一直遵循特定的运营方式，市场表现一直是最大的收入驱动力。 要转向完全数据驱动的方法，拥有了解如何有效使用这些数据并将其集成到现有系统中的熟练人员是很有帮助的。

资产管理公司不能仅仅为了使用人工智能和机器学习工具而采用人工智能和机器学习工具，而是需要采用科学的方法来制定适当的策略。 科学依据应成为识别市场趋势和评估客户需求的基础。 工具始终可以基于此类假设和发现来构建，但需要熟练的团队来驾驭这些工具并相应地即兴发挥。 毕竟，如果操作这些工具的团队不了解其范围，那么增强资产管理系统的整个目的就会落空。 这将我们引向下一点——人的因素。

需要人性化的接触

人类专业知识与科学方法之间的协同作用是在资产管理领域有效采用人工智能和机器学习的完美秘诀。 资产管理通常涉及复杂的决策，超出了定量数据分析的范围，可能需要考虑定性因素、了解市场动态以及解释地缘政治和经济事件。 

虽然 ChatGPT 等工具可以快速生成一组结果，但它们无法与高效的人工方法或熟练专业人士的见解相媲美。 考虑到该人工智能工具知识的限制，这一点尤其值得注意，仍然“冻结” 2021 年，无法提供当前信息。 金融业的基本原则和结构长期以来没有改变，在不久的将来也可能保持不变。 经验丰富的资产管理者的人性化服务将确保个性化服务并保障客户的利润。

小数据不容忽视

随着大数据在技术进步的背景下成为人们关注的焦点，我们必须牢记小数据在资产管理领域的重要性。 虽然大数据被认为对于训练人工智能和机器学习工具至关重要，但小型数据集和特定的客户案例往往是最成功的资产管理策略的起源。 当某种定制方法成功后，就会在更多的客户群中进行进一步的测试和完善。 最终，这些以人为本且富有洞察力的策略可以扩展，以满足不同客户的需求，无论其业务量有多大。

人工智能和机器学习有潜力大大增强资产管理，但在实践中，公司需要结合人类专业知识和人工智能/机器学习工具。 人工智能和机器学习可以处理数据分析、模式识别和决策支持的某些方面，使人类能够专注于更高层次的战略规划和决策。

话虽如此，我们不能忽视人类在资产管理中的作用也在不断演变。 随着人工智能和机器学习技术的不断发展，资产管理者越来越多地被这些工具“增强”，利用它们来增强他们在预测分析、算法交易、风险管理等方面的决策能力。 这种增强并不总是必然导致替换。 人类判断和机器智能之间的共生关系可能是资产管理的未来，因为它利用两者的优势来制定量身定制的策略并取得更好的结果。

• SEO 支持的内容和 PR 分发。 今天得到放大。
• PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
• 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
• 柏拉图ESG。 碳， 清洁科技, 能源， 环境， 太阳能， 废物管理。 访问这里。
• 柏拉图健康。 生物技术和临床试验情报。 访问这里。
• Sumber: https://www.finextra.com/blogposting/25174/data-is-the-future-of-asset-management-but-it-comes-with-a-catch?utm_medium=rssfinextra&utm_source=finextrablogs