面向大宗商品交易员的推荐引擎：Anekha Sokhal 谈 Moshi

大宗商品交易员的推荐引擎——Anekha Sokhal，Moshi

Moshi 如何将市场数据转化为可操作的洞察，以及为什么 AI 工具必须契合交易员的工作流程。

Latent.Space

2026年10月22日

当 Anekha Sokhal 从事能源衍生品交易时，要掌握市场动态，就意味着需要追踪的信息量远超任何一个人所能阅读的范围。如今，作为 Moshi 的 CEO，她正在打造自己当年希望拥有的工具：一个将市场信息与交易员持仓真正关心的内容连接起来的推荐引擎。

在 AI Engineer New York 大会上，Anekha 与 swyx 一起讨论了她的成长路径——从数学专业到摩根大通，再到创立 Moshi——以及为什么有用的 AI 必须契合人们实际工作的方式。她将 Moshi 形容为 Bloomberg、Claude 和 Netflix 的结合体：市场数据、用于处理这些数据的界面，以及为交易员量身定制的推荐。

他们还谈到了可信信源、文档抽取、自建还是采购模型，以及 AI 工程师被要求“你就是整个团队”所承受的压力。Anekha 分享了她在大会上与客户交流的收获，以及为什么见用户要先于招聘。

观看本期节目

在 YouTube 上观看 Anekha Sokhal

节目笔记

Moshi——Anekha 的公司

Anekha Sokhal——背景与工作

GIQ 研究论文——访谈中讨论的研究

Reducto——文档抽取

AI Engineer New York

时间戳

0:00——AI Engineer New York 与“你就是整个团队”

0:54——认识 Anekha Sokhal

2:09——从数学到能源衍生品

3:46——富布赖特奖学金与成为创始人

5:45——Moshi 为交易员做什么

6:10——处理海量市场数据

9:03——Bloomberg 与市场工作流程

10:03——Bloomberg、Claude 和 Netflix

12:03——从仪表盘到工作流程

15:03——可信信源与信号

17:13 — 自建还是采购模型，以及文档抽取

18:20 — AI Engineer New York

20:32 — 客户会议与社区

23:54 — 招聘与和客户交流

25:55 — swyx 进入 AI 的路径

文字记录

自动生成的文字记录；措辞可能存在错误。已省略说话人标签。

0:00 所以我实际上延长了在纽约的停留时间，因为我们现在的安排是，我本来今天就要走。我们现在周四有会议，于是又延长了一天，周五又延长了一天，周一也是。然后现在还有会议，有人跟我说，嘿，我们做能源的，咱们在休斯顿聊聊吧。所以大会之后，我们整整一周都排满了会议。AI Engineer 那场很有意思，因为很多人觉得被管理层的压力压得喘不过气。要做什么？因为现在人们会说，我们不需要一个团队，你就是团队。所以情况就是，嘿，我现在得自己搭建整个系统。但那个系统通常是由 10 个人来做的。好了，我们正在演播室里。这是我与 Moshi 的 Anekha 一起录制的最后一期 AIE 播客。欢迎。非常感谢。

2:02 顺便分享一下这方面的“战争伤痕”。你学过金融计算，比如随机微积分吗？是的，我学过。我的本科学位是数学、运筹学、统计学和经济学，在沃里克大学读的，专业简称 MORSE。当时所有人都说，天哪，你也太书呆子了吧。我特别讨厌跟别人说这个。而现在呢，大家都说，哇。是啊，每个人都说，天哪，机器学习、AI。是啊是啊。然后是衍生品。所以我学过这些。我的背景就是从英格兰沃里克大学开始的，然后我就知道自己想从事交易。我不知道你进入交易行业的经历是怎样的，但我想要的是节奏快、和数据打交道的工作，我特别热爱数据。当我读到交易是什么的时候，我完全无法想象自己去做任何其他职业。所以我就一心要做这个。于是我拿到了第一份投资银行和交易方面的实习，然后在摩根大通拿到了实习机会，并从那开始。

3:04 我先从新兴市场交易台做起，之后转到大宗商品，并在那里做衍生品交易。所以我职业生涯的大部分时间都在做能源衍生品。因为我有数据背景，所以我总是从想要把市场拆解成各个不同部分的角度来看待市场。比如在大宗商品领域，很多都关乎基本面、各种新闻以及各种实际发生的情况。所以我一直对从零开始搭建东西很着迷。所以在我做交易的时候，我看到了这种转变，就是先有数据，然后某件事将会发生。就在那时我离开了摩根大通，实际上我想成为一名创业者、一名创始人。但我想做一家数据公司。所以我拿到了富布赖特奖学金来到美国，因为你们这里有如此不可思议的风险投资。就这么随口一说就拿到了富布赖特。

4:06 是的，我想我讲个有趣的故事吧，我当时在伦敦上一节瑜伽课。我当时想，我父母有一家珠宝生意。我在大学创业之前，还兼职做过一个计算机视觉初创公司。所以我就想，哦，珠宝领域有哪些问题？哦，比如虚拟试戴。所以这就促使我想成为一名创始人。然后我想，我怎样才能在最适合做创始人的国家成为一名创始人？我又想，我想成为一名能谈技术的创始人。所以那是大概2020年、2021年的时候。我发现富布赖特有数据方向的奖学金，而且他们在全英国只给一个名额。所以我就想，我来这里的途径就是富布赖特奖学金，而他们只给一个。这真的很好笑，因为我不知道你还记不记得2020年新冠疫情的时候，天然气市场疯了一样。所以当时天然气市场出现了疯狂的

5:06 波动性。所以当我进行富布赖特面试时，他们问我，你喜欢什么，你如何看待未来？我谈到了全球性问题，即每个人都面临能源市场危机，以及数据与此的关系。每个人都能理解我在说什么，因为油价疯狂，他们的电费也疯狂上涨。这把我带到了美国，来到这里，深入机器学习研究，与 Stability AI 一起在 ICLR 上发表论文，与 NASA 合作，做了很多非常有趣的工作，这又把我带到了 Moshi。Moshi 是什么？Moshi，我们正在打造我交易时希望拥有的程序。我们所做的是为金融交易员提供实时洞察，从大宗商品和能源市场以及宏观市场开始。我们所做的是处理比人力所能及更多的数据，告诉你所有对你的投资组合重要的事情，对吧

现在是6:09。你们会处理什么样的数据，能让我们大致了解数据的类型和数量级吗？类型和数量级。那我先从数量级说起。我向别人解释时有个有趣的说法：我花四秒钟对你说完这句话，而在同样的时间里，Moshi 已经学会了300件新东西。这就是我们处理的数据量级。至于数据类型，这让我很兴奋，就像我思考如何交易时那样。我会把市场拆分成交易员用来决定做哪笔交易、如何管理风险时所看的各种不同类型的数据。所以我的做法是，把市场分成结构化和非结构化数据。有期货市场的时间序列，以及围绕它的所有技术分析。所以我们看的是所有这些统计指标、各种不同的技术指标、所有的移动平均线。

7:11 那是一组数据。显然，它还在不断更新。我们接下来看的一组数据是大宗商品基本面市场的时间序列。所以，尤其是在某些大宗商品市场，供需因素很多。然后我们再看非结构化数据。新闻是最明显的一类。但除此之外，还有各种另类数据。比如，有 X 上的数据。有播客里的音频数据。X，推特。X，推特，对。你读推特。好。所以要理解所有这些不同类型的数据。而我会说，这属于数据的公开可得性。还有另一整类数据，就是用户的私有数据。所以我相信你交易时也有这种情况，就是你有自己关注的分析师。我不可能跑来告诉你，嘿，你应该，你知道，读这个人的东西，因为你需要的人你自己已经有了。然后你会有自己关注的订阅。你会有自己的内部数据，对吧？

8:11 就像我们交流过的一些公司一样，如果他们是做市场交易的、做能源市场交易的，他们会有专人负责统计通过霍尔木兹海峡的LNG船只数量。所以这些数据都是用户个人的。于是我们把这两类数据点放在一起，做所有的数据清洗、数据转换。然后我们运用统计和机器学习，给它打标签，基本上就是在它之上构建我们整套本体。接着我们把它放进Moshi，就像n维图一样。然后我们产出输出，也就是一个把数据推送给你的软件。所以每次你打开Moshi，你都会看到与你的投资组合相关的新内容。而且你可以拉取数据。所以LLM，我要在30秒内给你答案，而这通常要花你好几天。那么，人们经常说这是新彭博吗，还是说这是你不认同的说法？你不喜欢被描述成新彭博？对，这是个有趣的问题。

9:13 因为显然那是那头800磅的大猩猩，或者说英式说法里的800磅大猩猩。对，你知道，我觉得彭博有某些功能，比如彭博聊天，那是这个平台非常棒的一个方面。对，给不知道的人解释一下，交易员会在聊天里完成数十亿美元的交易。而且有一套标准化的公式。其实我进入NLP领域的起点，就是把彭博聊天解析成我日志用的结构化定价表。我们就是这样给期权定价的。对，彭博聊天是一回事。我不会说我们是新彭博。我会说我们是另一种类型的软件，并不是。我觉得这是最简单的说法。我不知道这有多大争议。但如果彭博、Claude和Netflix生了个孩子。Netflix。那就是Moshi。你们有视频？Netflix。

10:14 我们其实有一个推荐系统，是我们在内部搭建的。它的逻辑是：如果你是一名交易员，你正在关注某件事，你此刻真正关心的是它的二阶和三阶衍生影响，而这些你并不会立刻意识到。我明白了。所以我们搭建了一整套推荐系统，举个简单的例子，还是拿石油交易员来说，如果有一家能源股票公司正在做某件事，而这件事会间接影响石油，你需要立刻知道这一点。你从新闻流里是拿不到这个信息的。你能从一张关联图谱里得到它，图谱会把这一点展示给你。因为如果这两个信息点此刻同时出现，你唯一能建立关联的方式，要么是靠人，靠人把这些点连起来，要么是靠模仿人的系统，也就是一种能完成这件事的推荐系统。而这正是我们努力去做的事，因为我当年做交易的时候，真希望自己能有这样的工具。是啊。你知道，Netflix 有一整套让人上瘾的机制，这并不好。

11:15 确实有。不过是的，这非常有意思。我觉得推荐系统是AI最重要的部分之一。作为AIEs的策展人，我每年其实都有一个LLM推荐系统专题。而工程师们往往不重视它的重要性。比如它的参与度并不高，尽管推动这些东西的一些人，我是说，他们为YouTube做推荐系统，为Netflix做Netflix的推荐，为Instagram和TikTok做推荐。然后呢，没人来。我就想，你什么意思？你对推荐系统不感兴趣？你知道，我觉得它真的很有意思。我觉得部分原因是他们把它弄得看起来太简单了。就好像，哦，这太……这是整个公司里最重要的系统。没错。而且我得说，可能还有与之相关的东西，我觉得有些公司做得非常好，比如Spotify、Instagram，那就是人们推出AI时带来的一件事

12:15 现在每个人都能搭建自己的 Claude 仪表盘了，对吧？就像，嘿，这是我自己做的。太好了。太好了。但如果你想让别人也用上它，那这就相当于把你的大脑装进了一个仪表盘，或者装进了某个东西里。试着让一个新用户把它融入自己的工作流。这时你面对的不再是一个问题，而是一个 UI 问题，也就是他们该如何与它交互。因为有时候用户并不总是会那样使用它。这些平台做得非常好的一点是，它们会把数据推送给你，这就像钩子一样钩住你。于是你自然而然甚至都没意识到自己正身处这个平台，你会想，哦，我想要那个。不，不，我其实真的想要那个。所以作为一家公司，我们一直在内部尝试理解 UI 与推荐系统之间是什么关系。因为我们的论点是：如果你解决了其中一个，你自然也就解决了另一个。我觉得这是当下的一件大事：如果每个人都在做软件，你怎么才能让它真正成为人们会去用的软件？这个观点挺有意思的。

13:19 是的，有点先有鸡还是先有蛋的问题。好吧，总之，我忘了提我自己的相关背景。其实我以前在伦敦做外汇期权交易。然后我在利率方面也待过一段时间。职业路径非常相似：你先从 EMEA 做起，然后可能进入 G10。是的，至少在外汇领域我们是这么叫的。你要吸收大量信息，而 LLM 现在很可能能更好地处理这些信息。我十年前做这行的时候还没有这些工具。但现在我看到了。后来我转到了买方，在那里你开始为另类数据付费，就像你一样。其实在 Balyasny，我们是最早做 X fire hose 或 Twitter fire hose 的少数几家之一。是的，那东西贵得离谱，大概每月 30 万美元的数据费用，你得付钱才能拿到所有推文。以前它是免费的。然后你就对它们进行解析。

14:19 我不认为……我不知道它是否曾经免费过。它对研究人员是免费的。好吧。但如果你是一家对冲基金，那你就得花钱买。而且它非常嘈杂。所以我眼睛一亮，因为我不确定自己会不会拿这些东西来做交易，因为有时候人们真的就是随便胡说八道。有时候人们还会通过散布消息来试图操纵市场。而这其实没那么重要。但我们也会有另类数据，比如卫星信息、信用卡信息之类的。所以在买方，我的头号问题是：你们在看我的数据吗？答案很可能是否定的。但你怎么让人放心？你怎么跟那些你甚至不一定看得见的系统集成？是的。我觉得这里面有两个问题，第一个是：既然有这么多数据可用，你怎么知道什么才是重要的？所以当我们看 X 数据时，这自然就成了我们与人交谈时的一个话题，或者我们甚至可以把它扩展到任何类型的数据。

15:20 我们发现，人们确实会有自己信任的人，会追随这些行业内的声音，尤其是在大宗商品领域。会有大宗商品供应商，会有LNG，所有这些设施都会在上面活跃，因为这也是他们发布状态更新的最快方式。哇。所以这很有意思，因为我们发现很多用户会告诉我们这一点。所以就像，哦，好吧，所以你把它当作可信来源，是因为你相信某个特定的人。有点可疑。对吧。所以这就是那种情况之一：我们找到了一种方法，尽可能多地过滤掉不可靠的信息。但当我们向某人展示时，我们会给出一个置信度评分，意思是，好，有人在说这件事，但这是围绕这段对话发生的其他所有事情。因为对人们来说有趣的是，是否存在分歧的信源，比如一个例子是有多少

16:21 船在走，现在有多少架飞机在我们上方飞过。如果路透社在说什么，或者彭博社在说什么，华尔街日报在说什么，他们可能并不都一致。但他们不一致这件事本身就是一条数据，因为那里是不是有机会？因为没人知道。所以这就是我们试图给人们提供信息的方式。然后第二个问题是，你知道，人们的数据到处都是。我认为有不同类型的集成。第一种是，他们那些杂乱的 PDF 数据怎么办？那些数据，我们构建的是一个视觉语言模型来理解它。所以我们会把他们可以上传到 Moshi 云版本的数据拿过来。然后我们实际上会去把它拆解，再在我们的数据库里重建起来。还有某些类型的数据，你只能连接到他们的系统。然后那更像是对话式的。我假设这个视觉语言模型是你们自己运行的，拥有它重要吗？还是说你愿意把它外包出去，我的意思是，有无数供应商，Reducto

17:24 这就像是一种不做文档处理的方案。拥有自己的模型，还是直接用现成的，这有多重要？我认为这是很多公司目前都在纠结的问题。对我们来说，第一个问题是，如果有人把他们的数据交给我们，我们不想把它发送给第三方。因为市面上确实有一些系统可以帮你做这些事。但你要确保已经就他们如何处理这些数据达成一致：他们拿这些数据做什么？这是第一个问题。第二个问题是，如果你没有一支工程师团队，那这是一个很好的解决方案。但如果你像我们一样有一支工程师团队——一个有趣的事实是，团队里大多数人都曾在某种程度上与 NASA 合作过——那他们就想自己构建模型。但不是每个人都有这样的条件。所以，你知道，我认为这真的取决于你团队所处的位置。是的，明白了。好，那么说到你的演讲，你显然从中收到了很多主动联系。

18:28 这是我们第一次做以金融为主题的活动。所以我当时真的不确定能请到哪些人进门。显然，我们为这群人做了大量宣传和推广。你最后都和什么样的人聊过？是的，我们，那是一个绝佳的机会，因为我们一直在接连不断地和人交流。而我们最初以为会有的兴趣点，过去一小时里已经有人在领英上给我发消息说，嘿，我看了你的法庭演讲。你在休斯顿吗？我们能见个面吗？或者嘿，你在纽约吗？我们能见个面吗？我们接触到的人里有很多交易员，要么在基金、咨询行业，然后AI工程师是个很有意思的群体，因为他们很多人都觉得被管理层的压力压得喘不过气。要做什么？因为现在人们会说，我们不需要一个团队，你就是那个团队。所以就像，嘿，我现在得把这整套系统建起来

19:31 我自己。但那个系统通常是由10个人完成的。所以很多人跟我们聊过，他们说，嘿，我需要建一个系统。但你知道，我需要有一群智能体吗？可要是哪里出问题了呢？有意思的是，嘿，我把系统建好了。人们告诉我他们需要它。它就在他们的邮箱里。没有人，没有人在点它。但他们又抱怨自己有这个问题。就像，我该怎么办？所以那是一个方面。然后是合作。你知道，我们一直在见人，人们会说，嘿，你们在做这个。这很有意思，因为我们也在做这个。我们之后聊聊吧。所以我实际上延长了在纽约的停留时间，因为我们现在，我本来今天就要走的。我们现在周四有会，又延了一天，周五，又延了一天，周一。然后我现在还有会，人们会说，嘿，我们做能源的。咱们在休斯顿聊吧。所以我们会议结束后的那一周已经排满了会议。我的天。是啊。我的团队还说，嘿，Anekha，又有人报名了。又有人报名了。所以这超级酷。

20:32 一对一地做这些有意思吗？我猜是因为他们需要私下问你一些事情。只是安排这么多会议似乎非常低效，你本可以用这些时间来做业务或打造产品。是的。我们会尽量对人有帮助，先开一次初步会议，但之后我们真正想要的是能够理解你要解决的问题，然后据此制定计划。所以我们现在已经在做一些事情来把流程串起来，比如因为收到的主动联系太多，我们正在举办我们的第一场网络研讨会。我们不可能总是做这些一对一的会面。更普遍地说，当我在买方时，银行实际上会为我们安排这些会议。是的。他们会来到像这样的小房间。会有一个圆桌。我一次见五个人。比如我会说，我是一家公司的CFO，我需要做投资者关系。

21:33 我会一次见五家基金，而我就是这五家基金之一。我会设想我们未来能为你做什么，这个我还没做，我还没把这个搞起来，但我们应该在现场做这些会议。就像你，这说得通。人们喜欢看了你的演讲。他们想和你多聊聊。他们应该能报名，然后你可以做五对一。而且很可能所有这些问题都一模一样。其实，那会是个很棒的主意，因为另一个，因为我们在金融行业时就这么做过，那，那真是个好主意。因为我们有过一个，嗯，有时候你甚至不知道你要见的人长什么样。好吧。所以你会试着拍下你所在位置的照片。真的吗？就像，嘿，来这里见我，来这里见我，然后给他们打电话。所以这样的想法会很棒。就像分配一个会议室。是的。就像，嘿，就像。我是说，这整层楼都是干这个的，但我们得预先把它分配给其他演讲者，不过，嗯，我们，我们想做些动态分配。我只是不知道怎么，你知道，把这事推动起来。我正试着和你一起把它填满。这样你就不用，比如飞到休斯顿，或者甚至，即使他们在纽约，你甚至都不用去他们的办公室。

22:34 大家直接进来，把会议开完就走。我其实觉得那会是个很棒的主意。比如给这个人安排一个30分钟的时段，然后大家报名。就随你想怎么样。对。比如更小规模的一对一。那是个很棒的主意。对。对。呃，我是说，还有别的什么，比如我们，我猜我们可以做得更好的地方，或者你在会议上有的其他体验，我觉得这是我参加过组织得最好的会议，不，不，说真的。比如我拿到的那些高质量指南的数量，而且一切都超级清晰，比如演讲者团队、分组讨论室，嗯，演讲者休息室，我觉得休息室从来没这么好过。呃，对。所以剪头发。我知道。我没做面部护理。我做了面部护理和按摩。对。我知道你剪了头发。我确实剪了头发。对。嗯，我，我，我是说，我们确实想吸引演讲者。呃，这次绝对是，呃，超出了预期，这要感谢cognition做了这些。但是，呃，对，我是说，呃，组织是一回事。

23:38 我确实认为，就商业价值和效率而言，我觉得那是一个重要的、呃，要素。比如我们想把这个做成，呃，你知道，一个对你们既有用于招聘又有用于销售的东西，你知道，我不知道该怎么平衡这一点，因为，对，你到底，什么，什么对你更重要，招聘还是销售？所以就我们而言，我们刚招了人，也计划继续招，嗯，我们一直在见人，但现在的优先事项是见客户，那是优先事项，不一定是招聘。嗯，因为我觉得在招聘方面，我们有持续从LinkedIn进来的主动投递。真的吗？对。我有个，我们有一个职位挂出来。我们不得不把它关了。它只开放了四天。我们收到了2500份申请。好。嗯，所以这本身就很难处理，但见那些想买的人，以及那些，因为我觉得有些人有这个问题，但他们不想买。还有些人有这个问题并且想买。然后就是你们，试图找到那个匹配，也就是，

24:39 我还没找到任何做过这件事的人。嗯，好吧，但我真的很喜欢你这个一对一的想法。对。对。我是说，基本上我是在把我以前作为对冲基金人士所拥有的东西转移到这个市场，也就是AI与金融。对。嗯，好吧，我们明年会试着做这件事。我们会努力把它做成那个决定性的东西。嗯，我觉得在招聘方面，那就是买方，这一点很清楚。我觉得，我觉得我在那方面肯定能更好地帮到你。呃，在招聘方面，我也想帮你。对。好。比如2500人太多了，而且大部分都是噪音。所以你需要一个更好的筛选机制。我有一个很强烈的看法。好，请讲。还有很多人也在做这件事，但方式是那种偷偷摸摸的，不是，他们在打探，他们在刺探。你有这种情况，但你也有那种，比如法律上不允许工作的人。所以那里有太多噪音了。比如签证，那周围也有很多噪音。所以当我还是第一次，比如我是第一次创业的创始人，当我第一次

25:41 开始了，你不知道那些事情。你不了解那个市场。对。而且与此相关的噪音很多。是的。好。嗯，我们会，我们会尽量为你提供更高信噪比的内容。我们想办一场高信噪比的会议。呃，我很感谢你抽出一些时间跟我们交流，也恭喜你取得成功。非常感谢。我很想，我有一个问题，就是你是怎么转向AI的。呃，就是，就是决定开始做。呃，我，我离开了，呃，对冲基金界。我转到了科技行业，然后当AI浪潮到来时，我意识到我最好非常、非常快地行动，呃，来建立这个领域。嗯，所以我做了AI工程方向的博士后，呃，创办了这个，这个会议以及媒体相关的东西，因为我，我在骨子里非常是一个媒体人。是的。呃，我内心深处。嗯，我确实有点怀念交易，但这非常有成就感，因为我能见到真实的人，而不是整天盯着屏幕。呃，是的，我也有同感。好，谢谢。我想我们得走了。非常感谢。谢谢。谢谢。

关于本集的讨论

准备好了解更多了吗？