摩根大通资产管理公司(J.P. Morgan Asset Management)全球股票业务主管昆西(Paul Quinsee)认为，他知道让分析师成为明星的技巧。就像星探一样钱球,迈克尔·刘易斯的畅销书是关于数据科学如何改变棒球的，昆西近四十年来一直在观察基本面研究分析师们的比赛——尽管是在尘土较少的领域。
当JPMAM投资平台主管、前股票交易和股票数据科学全球主管克里斯蒂安•韦斯特(Kristian West)带着对多年收集的研究笔记进行预测分析的结果来找昆西时，昆西感到很惊讶。他可能没有书中描述的侦察兵那么固执钱球当他们听到数据“认为”赢得一场比赛需要什么时，但该公司的“超级预测者”的特征并不都是直观的。
除了对分析师的性格测试，韦斯特的机器学习模型还“读取”了多年来存储的笔记，其中包括分析师的观点、他们与公司会面的频率、他们使用的模型类型以及它们的复杂性。
韦斯特和他的团队发现，最好的预测者写的研究报告更短，而且数量更多。他们看到的公司更多，模型更简单，笔记的语气和语言也更极端。与前橄榄球运动员/华尔街分析师的刻板印象相反，这些超级预测者不参加团队运动。
尽管像D.E. Shaw和Renaissance Technologies这样的量化公司以数据和先进的计算技术为生，但许多传统公司仍处于为投资组合经理开发专有工具的早期阶段。投资组合经理根据新产品的财务潜力、公司管理层的远见能力或公司抵御全球大流行的能力等基本因素做出决策。“要么是量化，要么是基础。我们要做的就是把两者结合起来。”“我们为自己作为基本面分析师的洞察力感到自豪，但你实际上是如何观察到这一点的?”
在处理和评估人工智能能力和数据的潜力时，管理者处于不同的阶段。作为一个例子,惠灵顿管理公司70人的投资科学小组一直专注于将数据分析应用于投资理念和培养专业投资者，包括发现和减轻他们行为偏差的负面影响。
为基础投资组合经理配备人工智能和数据科学工具和平台的成本也很高。尽管该行业正在与Alphabet和其他科技公司争夺有才华的开发人员和程序员，但调查显示，大多数资产管理公司认为，这对业绩和风险管理至关重要。今年早些时候，咨询公司埃森哲(Accenture)发现了这一资产拥有“工业化和集中化”人工智能的管理者他们投资平台上的技术在经风险调整后的回报方面获得了显著提升。
JPMAM在三年多前创建了一个数据科学团队，但韦斯特将该团队的重点转向了四个项目。第一个是环境、社会和治理信息，尽管这些信息被大肆宣传，但数据仍然很少。该团队正在努力“填补”企业报告在环境、可持续性、员工满意度和其他问题上的“空白”。第二个项目涉及使用语言学和自然语言处理来筛选内部和外部文件，以创建预测性见解，而第三个项目的重点是让投资组合经理能够访问来自母银行摩根大通(J.P. Morgan)的汇总零售和业务数据。项目经理们可以在该公司的技术平台Spectrum的仪表盘上看到这些信息，并可以创建模型和队列，比如一个可能检查千禧一代消费习惯的模型。
第四部分是关于应用数据科学和金钱球——本质上是投资和替代数据研究。
JPMAM在过去三年里已经在这个庞大的项目上花费了4亿美元，尽管这个数字包括经纪人关系管理团队、股票交易(包括交易分析)和衍生品团队的技术开发。
在某种程度上，JPMAM的机器学习基金——美国应用数据科学价值基金——让人们对该公司的框架有了一个鸟瞰。想象一下，一只基金使用模仿投资者行为的模型。该模型“阅读”内部和外部的研究，查看交易和其他数据，然后做出股票推荐。
投资组合经理兼美国股票衍生品主管Hamilton Reiner表示，当想到一个数据科学基金时，"你会自动认为它是量化的。但不是，这是一种基本面投资。"但我们可以消耗数十万个数据点来[告知]这个基本镜头。”
Eric Moreau从数据科学团队调至该基金的投资组合经理，他表示，当投资者听到数据科学时，他们通常认为该基金正在分析其他人从未见过的数据，以帮助识别证券。“我们一直在寻找新的数据集，但我们看待数据科学的方式是识别隐藏的关系，帮助调整头寸规模，以及控制投资组合构建中的尾部风险。这是对数据的利用，而不仅仅是选择正确的证券。”
除了伟大的击球手和跑垒者，数据科学已经帮助棒球行业的总经理们确定赢得比赛所需的技能范围。赖纳说，在投资方面，数据科学帮助他超越了证券选择的范畴。“我以为我的整个职业生涯都是关于优秀的选股人。你听说过年度选股人，但你从未听说过年度投资组合构建(人物)，”他表示。
该公司有意将该模型建立得完全透明。机器学习应用程序，本质上是在处理数据时学习和适应的计算机程序，可能令人费解。这些应用程序会在遇到更多数据时进行学习。然而，许多亚博赞助欧冠机构投资者需要向董事会、受托人、捐赠者和其他人解释他们投资背后的决策。JPMAM对其ML模型进行了编程，使其能够在各个层面清楚地说明做出决策的原因，以便该公司能够向客户和监管机构解释其决策。“对于ML模型，它们往往是相当暗的。我们有意识地设计和组织了我们的设计，这样它就能自我解释了。”
但韦斯特表示，该产品比其背后的ML框架更受关注。例如，公司的每个人都可以使用该平台接收有关可能影响基金持仓或主题的变化的警报。他说:“这个框架对我们所有人都很重要，尤其是在基本面投资领域。”“可能有一个特定的PM或团队关心的主题。然后，你可以对该主题进行建模，这样，如果证券(似乎)误入该主题，你就会收到警报。”他说，虽然量化分析师一直在这么做，但这对基础投资经理尤其重要。
韦斯特的大部分工作都与乔治·盖奇，资产管理部的首席执行官，重新定义了JPMAM的技术战略和基础设施。韦斯特使用人工智能和数据科学彻底改革了股票交易，但这家资产管理公司仍然以垂直集成的方式开发应用程序，这意味着开发人员可能会开发一款昂贵的应用程序，为价值团队增加回报，而另一家科技集团则会找到一个数据源，帮助产生固定收益领域的盈利想法。不幸的是，这两种科技存在于各自的世界里。
2021年初，在投资平台负责人迈克·卡马乔(Mike Camacho)成为摩根大通财富管理解决方案首席执行官后，盖奇给韦斯特打电话，请他带头对技术基础设施进行全面改革，其中包括研究、投资想法的开发、投资组合构建(本质上是将所有想法放入投资组合中)和交易。韦斯特已经彻底改革了交易策略，其中包括整合新技术。使用一个全球订单管理系统和一个全球机器学习模型，今年53%的交易涉及自动订单，绝大多数是由机器学习模型驱动的。韦斯特还记得资产和财富管理(包括私人银行业务)首席执行官玛丽•埃尔多斯(Mary Erdoes)和盖奇的反应，后者问道:“我们能在整个管理部门复制这种做法吗?””