隨著 AI 投資工具快速崛起，早在 30 多年前就將機器學習帶進華爾街的紐約大學教授 Vasant Dhar 卻警告，在 AI 模型尚未經過驗證前，他不會把自己的資金交給 ChatGPT 管理。AI 雖然能協助分析資料及推演投資情境，但答案容易受到提問方式影響；若大量投資人依賴相同模型交易，更可能放大市場波動。
Dhar 在《MarketWatch》週一 (27 日) 刊出的專訪中表示，他曾詢問 ChatGPT 是否應該做多輝達 (NVDA-US)、比亞迪及標普 500 指數，之後再次提出相同問題，卻得到不同答案。這顯示大型語言模型的輸出並不穩定，結論也可能隨問題的表達方式、背景資料及預設條件而改變。
他強調，AI 可以協助整理資訊、模擬情境及執行企業估值，但前提是分析必須建立在可靠數據之上。若模型未經測試，也無法確認它在不同投資假設下會如何改變結論，投資人便不應只憑聊天機器人的回答買賣股票。
投資人都跟著 AI 交易 「羊群效應」恐放大市場震盪
除了個別投資人可能因錯誤答案蒙受損失，Dhar 也關注 AI 對整體金融市場造成的影響。他指出，如果大量投資人信任同一套 AI，並按照相同訊號進出市場，一旦模型判斷錯誤，可能引發集體買進或拋售，進一步放大價格震盪。
這種情況也就是所謂的「羊群效應」，即投資人不再依據自己的研究作出判斷，而是跟隨其他市場參與者採取相同行動。當越來越多人使用相同或相似的 AI 模型，交易方向可能更加集中，使局部錯誤迅速擴散至整個金融體系。
Dhar 表示，市場目前距離全面依賴同一套 AI 仍有一段距離，但隨著 AI 在金融領域的應用持續擴大，未來投資人若想擊敗市場，關鍵可能不只是取得 AI 訊號，而是辨識模型何時出錯。
至於 AI 最終會降低市場波動，還是造成更大的不穩定，目前仍沒有明確答案，結果將取決於金融機構是否建立完善的驗證、監督及制衡機制。
Dhar 甚至認為，AI 未來可能協助央行偵測資產泡沫或金融風險累積，找出人類決策者容易忽略的訊號。不過，AI 和人類一樣可能犯錯，因此在缺乏問責及審查制度的情況下，不宜直接取代重要的金融決策。
散戶頻繁短線交易 虧損機率更高
談到一般投資人應如何使用 AI，Dhar 表示，首先必須釐清自己是否真的熱衷研究投資，或者只希望在全職工作之餘讓資產成長。兩類投資人的時間、知識及風險承受能力不同，適合採取的策略也不一樣。
對於沒有時間或興趣深入研究市場的人，他建議與其頻繁進行短線交易，不如選擇自己認同的指數並長期持有。如果相信美國經濟能持續成長，可以考慮投資標普 500 指數；若看好少數科技巨頭繼續主導產業，也仍應親自研究企業基本面，不能把投資判斷完全交給 AI。
Dhar 警告，缺乏完整交易系統的散戶若頻繁從事短線操作，通常只會提高虧損機率，而且交易越頻繁，資金流失速度可能越快。
相較之下，大型語言模型在長期投資研究上具有一定價值。過去，評估輝達或 SpaceX 等企業的長期價值，需要分析高度不確定的產業前景，並推演多種未來情境，主要依賴人類投資人的判斷。如今，AI 已能協助處理部分工作，但應被定位為研究夥伴，而非代替投資人作出最後決定。
AI估 SpaceX 僅 6,000 億美元
Dhar 也在專訪中介紹由他打造的 Damodaran Bot，簡稱 DBOT。這套工具以紐約大學金融學教授、被譽為「估值教父」的 Aswath Damodaran 為原型，能根據使用者提出的投資論點，模擬 Damodaran 的估值方法分析企業價值。
DBOT 採用企業自由現金流估值法，主要檢視營業利益率、營收成長率、加權平均資金成本及再投資效率等 4 項因素。與人類分析師相比，這套工具最大的優勢是速度，可以在短時間內將相同方法套用至整個標普 500 指數成分股。
不過，DBOT 並非單純複製 Damodaran 的看法，有時甚至會得出差距甚大的結論。
以 SpaceX (SPCX-US) 為例，該公司首次公開發行時的估值達 1.77 兆美元，Damodaran 估算的合理價值約為 1.2 兆美元，DBOT 給出的估值卻只有約 6,000 億美元，不到 Damodaran 估值的一半，立場也比它所模仿的人類專家更加保守。
DBOT 分別檢視 SpaceX 的火箭發射、Starlink 衛星網路，以及以 xAI 為核心的 AI 業務。分析結果認為，AI 部門需要投入龐大資本，未來回報卻高度不確定，因此對部分成長假設提出質疑。
相較之下，Damodaran 在分析時較多採用 SpaceX 提供的數據，因此得出較高估值。DBOT 則會把自身與市場針對 4 項關鍵估值因素採用的假設並列，讓投資人自行判斷哪些預測較為合理，而不是直接給出單一買賣指令。
Dhar 表示，這個案例顯示，AI 的價值不只在於加快分析速度或複製專家觀點，也能協助投資人檢驗人類分析師採用的假設。不過，模型得出的數字仍不等於正確答案，最終判斷仍須由投資人負責。
1994 年將機器學習帶進華爾街
Dhar 投入 AI 金融應用的歷史可追溯至 1994 年。當時他離開學術界加入摩根士丹利 (MS-US)，將曾經用於辨識及預測消費者購買行為的機器學習技術帶進自營交易部門。
當時華爾街的量化研究主要由物理學家及經濟學家主導，前者偏好物理模型，後者大多採用線性模型，機器學習無法完全融入任何一個陣營，因此受到不少質疑。
不過，Dhar 開發的模型後來改善了交易團隊的績效。他隨後在摩根士丹利及德意志銀行 (DBK-US) 繼續研發 AI 模型，並於 1998 年將 SCT Capital 獨立出來，成立最早一批完全依靠機器交易策略運作的避險基金。目前，該公司的演算法仍每天使用 AI 進行交易。
隨著技術演進，Dhar 採用的方法也從早期機器學習逐步發展至深度學習及視覺模型。他目前也與主權財富基金合作，開發大宗商品的系統化交易訊號。
Dhar 認為，AI 發展的重要轉折最早可追溯至 2015 年至 2016 年，當時機器翻譯開始在部分語言組合中展現接近人類的能力。2017 年，Google 研究團隊發表《Attention Is All You Need》論文，提出後來成為大型語言模型技術基礎的 Transformer 架構。
ChatGPT 於 2022 年推出後，AI 進一步從用途有限的專門工具，轉變為一般人也能使用的通用技術。Dhar 認為，機器如今可以完成許多過去必須由投資組合經理及教授親手處理的工作，但這不代表人類已經失去作用。
相反地，真正重要的工作已轉向提出正確問題、檢視模型採用的假設，並判斷 AI 產出的分析過程與最終結論是否可信。
