KeyFrame內部研究專用

AI Agents Will Upend Investing Even More Than Coding - Frank Long, Coatue

AI Engineer英文
觀看原始影片

三句話摘要

投資基金如何透過將複雜決策分解為可計算的函數層級,並為每層選擇最適執行器(代碼、統計、LLM、人類),以實現高品質的投資決策。 AI 在投資中的真正價值不在於自動化本身,而在於透過最適執行器的組合和系統化的分解方法,將龐大複雜的資訊流轉化為高品質的決策。 投資函數的本質是資訊壓縮:將世界上所有資訊轉化為單一決策三元組(選股、部位、時機)。系統若無法接觸 API 接入 75% 的服務,就像給天才投資者一台沒有登入權限的電腦,再聰明也發揮不了作用。

重點整理

  1. 投資函數的本質是資訊壓縮:將世界上所有資訊轉化為單一決策三元組(選股、部位、時機)。系統若無法接觸 API 接入 75% 的服務,就像給天才投資者一台沒有登入權限的電腦,再聰明也發揮不了作用。

  2. 資訊源的雙層架構缺一不可:外部背景包括新聞、股價、監管文件,內部背景包括當前部位、流動性限制、過往案例。兩者都應透過 API 自動化獲取。KKR 的成功在於既有先進的技術系統,也建立了嚴謹的文化,詳細記錄每一決策及其結果。

  3. 複雜決策必須多層次分解:以新聞解析為例,需要蒐集→翻譯→篩選→提取→摘要→交叉驗證等多個環節。每個環節都涉及大量超參數(如是否提取圖片、如何分塊、是否結構化輸出),需要逐一調優。

  4. 執行器選擇是優化的核心:並非所有計算都該用 LLM。確定性代碼用於簡單邏輯(如 PE 比判斷),統計模型用於複雜關係,LLM 用於語義任務(摘要、推理),人類用於需要判斷力和現實導航的決策(如企業管理層會議)。自動化的目標不是自動化本身,而是最大化決策品質。

實用技巧與重點

  • 投資決策三元素
  • 股票選擇
  • 部位大小
  • 進場時機
  • 資訊來源分類
  • 外部:新聞、股價、監管文件、公開資料
  • 內部:當前部位、流動性需求、風險限制、過往案例、部門歷史
  • 新聞解析工作流程
  • 蒐集(MCPs、CLI、資料源授權)
  • 分塊策略(圖片處理、文本切割方式)
  • 翻譯/提取
  • 篩選(過濾無關內容)
  • 摘要/結構化
  • 交叉驗證(與內部筆記、會議記錄對照)
  • 四類執行器及選擇基準
  • 確定性代碼:快速、便宜、可靠(例:PE < 15 判斷)
  • 統計/古典機器學習:迴歸模型、模式識別
  • LLM / AI Agent:摘要、複雜語義理解、推理
  • 人類:管理層會議、需要判斷力的決策、複雜現實世界導航
  • LLM 超參數空間
  • 模型大小:大/中/小
  • 推理努力:xhigh/high/medium/low
  • 工具鏈配置:工具選擇、技能加載、hooks 配置
  • 複雜度估算
  • 單個節點:≥10 個超參數
  • 每個超參數:≥20 個有效值
  • 整個基金系統:數十個資料源,每個源≥3 個轉換層級
  • 搜尋空間:近乎無限

結論

AI 在投資中的真正價值不在於自動化本身,而在於透過最適執行器的組合和系統化的分解方法,將龐大複雜的資訊流轉化為高品質的決策。

完整解析

Frank 在 Coatue 的核心論述是:AI 在投資領域的衝擊力將超越在程式設計領域的影響。這個大膽的預測源於一個簡單但深刻的觀察:投資基金的本質運作可以形式化為一個數學函數——輸入外部環境背景和公司內部背景,輸出一個決策三元組。看似簡單,實則是人類面臨的最複雜的資訊壓縮問題之一。

實現這個函數的第一步是資訊接入。關鍵原則很直白:人類投資經理在螢幕上看得到的所有東西,系統也應該看得到。外部資訊包括新聞報導、實時股價、監管文件等,必須透過 API 直接流入,而不是靠員工手動複製貼上。同樣關鍵的是內部背景:當前的投資組合部位、流動性限制、對特定股票或管理團隊的歷史認知。KKR 在這方面樹立了標杆——不只是建立了先進的技術基礎設施,更重要的是建立了嚴謹的組織文化,確保每一項交易決策、每一次失誤都被詳細記錄和分析。

然而,即便掌握了完整資訊,也不能直接塞進 AI 的上下文視窗期待魔法發生。必須進一步將這個龐大函數分解為可理解、可評估的子函數。蒐集相關資訊、篩選掉噪音、分析其市場含義、最後轉化為具體決策。看似三個步驟,實則每個環節都內含複雜性。

以韓文新聞解析為具體案例:由於 AI 和半導體成為今年市場主題,能精確理解韓文媒體的報導對投資決策有巨大價值。但這個看似簡單的任務實際上牽涉多個環節——如何蒐集文章、是否需要翻譯成英文、要不要提取圖片還是轉成文本、如何去重、如何判斷相關性、是否需要轉成結構化資料、如何與公司內部筆記交叉驗證以確保準確性。每個環節都有多個超參數可調。

這裡浮現的核心洞察改變了遊戲規則:並非所有計算都該用 LLM。對於簡單的邏輯判斷(PE 比小於 15),傳統 if-else 最快最便宜最可靠。對於複雜的非線性關係,統計模型或古典機器學習更有效,能模擬現實世界的複雜性。對於摘要、推理等語義任務,LLM 確實是現狀最優解。但對於需要真實世界判斷力的工作——比如與企業管理層面對面溝通——人類仍然無可替代。自動化的目標並非為了自動化本身,而是為了最大化每一步的決策品質。

投資系統的真正複雜性在於它幾乎不是線性的。它是一張充滿分支邏輯的複雜網絡,每個節點都可能有多種執行路徑。一個數據源可能需要十多個轉換環節;每個環節都有十多個超參數;每個超參數有二十多個有效值。加上 LLM 本身的超參數選擇(大模型或小模型、推理努力等級、工具鏈配置),搜尋空間變得近乎無限。在這樣的複雜性前,最大的挑戰不是技術實現,而是如何架構化地分解問題,找到清晰的評估標準,這樣才能有方向地最佳化,而不是漫無目的地調整參數。

Frank 強調,這個框架遠超投資領域。在政策制定、非營利組織、藥物發現、企業策略等領域,都需要建立這樣的狀態機——將複雜的世界資訊轉化為連貫的決策。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。