人工智能(AI)近年来已成为资产管理技术的关键口号之一，机构和精品公司都在这一领域进行了大量投资。
今年TradeTech会议的发言人也热衷于谈论人工智能及其各种子集如何在进一步的开发工作后优化交易流程及其对更广泛行业的理论利益。
Vanguard的EMEA地区投资运营主管Sean Kennedy概述了基于AI的技术可以采取的各种形式，包括机器学习，过程自动化(RPA)和深度学习等子组件。
“在我们的案例交易中，我们在其他行业的中看到的真正价值在于查看整个生命周期的功能区域。因此，我们现在花时间研究应用机器学习以优化整个生命周期的方法，“他说。
“我们在Vanguard以及整个行业看到的是，传统上中间办公室功能正在与前台办公室更加紧密地结合在一起，因此这些线路变得非常模糊。围绕新技术的机会是通过机器学习将它们编织在一起以推动优化。“
摩根大通CIB首席行政官Sanoke Viswanathan强调该机构在其研究领域使用自然语言处理 - 计算技术在自然语言和语音分析与合成中的应用 - 用于情感分析和新闻分析等功能。
“可能是那些花费大量时间而不是大量收益的新兴领域，我们称之为自动决策; robo-trading或robo-hedging，以自动方式回答客户端查询等。这是一个应用程序分类，我发现它与最终用户产生了很好的共鸣，因为这是人们决定如何部署这些技术的方式，“Viswanathan说。
然而，尽管AI及其技术子集可以提供经证实和潜在的好处，但在行业完全熟悉该技术之前，仍然需要解决一些值得关注的问题。
“我们对专注于金融市场的人工智能基础研究水平不满意。在与客户的讨论中，关于我们正在处理的问题类型，在市场模拟，时间序列预测等方面没有进行足够的核心研究。因此，我们希望建立一个专注于此的研究能力，“Viswanathan说。
肯尼迪强调了进一步采用人工智能技术的主要障碍之一是缺乏透明度和对这些系统如何运作的信任，突出了浅层和深层学习技术之间的区别。
肯尼迪说：“浅层学习本质上是创建小型模型或计算，你可以回过头来检查，甚至可以实时观察输入和输出，并通过透明来证明输出是合理的。”
“在深度学习中，你会失去透明度。信息进入，一系列计算发生，系统训练自己学习，输出出来，在理想状态下用于推动决策。这就是我看到大多数犹豫的地方，这可能具有挑战性。
“这项技术有很多应用程序远比我们在这个行业中使用的技术更先进，但让内部的监管机构，客户甚至用户信任这种类型的输出并使用它向前迈进似乎是真正的挑战。”
在会议的另一场会议上，T。Rowe Price的全球系统交易和市场结构负责人Mehmet Kinak表示，AI是该行业的“热门话题”，但他还没有找到任何开发出良好系统的组织。
“另一方面，机器学习很有趣，例如经纪轮。它将大量交易成本分析(TCA)和数据纳入交易决策，“他说。
“机器学习我相信会接管，但我不确定人工智能。即使在车轮上，数据也在驱动这种方法，而且我对我正在使用的经纪人不可知，因为它只是数据，而且就像我看不到它们一样。“
