Redding Ridge 如何用 AI 整理信贷投资组合数据

Michael Manapat 介绍 Rowspace：公司与金融机构合作，使用智能体协调分散的数据。他邀请 Apollo 关联结构性信贷管理机构 Redding Ridge 的首席运营官 Jack McDonald 对谈。

McDonald 说 Redding Ridge 管理结构性信贷，主要是抵押贷款债券，即 CLO。他表示这是一家独立运营公司，演讲时管理约 500 亿美元资产。

他介绍多个基金和投资每天会产生数以千计的数据点。主动管理 CLO 时，投资经理作决策需要及时、一致的信息。

许多信息属于私有数据，分散在文档和系统中。McDonald 说 Rowspace 与团队一起理解计算方法、工作流以及应以哪个数据源为准。

第一个例子是投资组合构建。CLO 有特定测试和资金分配顺序，这些规则写在契约和法律协议中，投资经理必须考虑。

他说，投资经理过去用 Excel 构建包含 200 至 400 个信贷标的的模拟组合，大约需要两到三天。按其团队的经验，利用当前信息和新工作流，几分钟就能得到初步组合。

McDonald 把输出描述为大约完成 80% 至 90%，之后投资经理再运用判断并调整。这些数字是其团队的经验，并非独立验证的准确率或速度保证。

该工作流汇集文档库、交易和合规系统以及定价数据。重点不只是生成文字，而是整理用于投资组合决策的信息。

他的第二个例子是仓储融资账户中的购入活动。过去，员工需要核对不同银行对账单中的买卖记录，并每周向管理层发送摘要。

McDonald 说，在他们的实现中，报告现在约一分钟就能重复生成，员工每天再做质量检查。他将其与过去每周占用两三名员工数小时的人工流程比较。

Manapat 问，既然输出会支持交易和投资组合决策，为什么通用聊天机器人不足以完成工作。实际问题不只是模型能力，还包括能否访问企业自己的经验证数据和业务规则。

McDonald 说通用模型适合研究和学习，而他们的实现以企业自有数据为中心。通用模型也可以连接私有数据；他强调的区别是这一具体工作流如何取得依据并完成验证。

他说，同一数据项可能出现在多个来源中，但特定用途可能只有一个来源合适。Rowspace 员工与投资及财务团队共同工作，理解计算并选择或协调数据来源。

团队在使用信息前，会验证来自交易管理、绩效系统和外部定价来源的数据。自动化减少了人工汇总，但讲者并没有声称无需验证。

谈及 Apollo 的采用文化时，McDonald 描述了组织愿意采用新技术、提升团队能力并替代重复流程。这些是他对组织的观察。

他认为大型金融机构的 AI 应用仍处于早期。银行和资产管理公司有复杂的中后台系统，应用必须考虑这种复杂性。

他说 Redding Ridge 当前重点是提高常规工作的效率，让员工有精力处理其他项目。他也预计部分研究和初级支持工作会随时间变化。

Manapat 问 AI 会成为普遍的生产力工具，还是持久的竞争优势。McDonald 认为，如果与强健流程和可靠信息结合，它可以提升竞争力。

在活跃市场和私人市场中，他认为及时了解可用流动性、价格及其他相关事实很有价值。反过来，不准确的信息可能通过决策影响企业和投资者。

展望未来，McDonald 希望团队无需花大量时间人工核对，也能对分享给投资者的信息有信心。这是团队目标，并非声称错误已经消失。

他还希望技术成为团队日常思考的一部分。常规工作节省的时间可以用于追问流程为何存在、是否应该改变，以及哪些工具有帮助。

他给建设者的建议是认识到金融机构有很多细微差别。看似奇怪的工作流可能有其原因；要花时间与真正执行工作的人一起了解。

McDonald 将与 Rowspace 的合作进展归因于团队持续与投资和财务人员共同工作。Manapat 最后强调，要让这类系统有用，需要投入人工和技术工作。