AI技术能给金融带来什么
2017-04-13 今日投资官微
来源: 维基百科 文因互联分析
人工智能的热潮被AlphaGo带到顶点，然而在人工智能的学科发展史上是有繁荣期和稳定期的。一个技术突破会带来一定时期内难以想象的繁荣，之后的科学发展也随之比以往更快，但需要明白的是不会天天都是技术突破。
关于人工智能的热议有很多，玩的套路也很多，值得相信的是不论是人工智能的繁荣期还是稳定期，只有真玩家才会笑到最后。来看看真玩家们人工智能和金融的主流玩法：
自动报告生成：证券研究
人工智能辅助：量化交易
金融搜索引擎：证券研究
智能投资顾问：财富管理
自动报告生成：证券研究
目前，自动报告生成主要运用自然语言处理（NLP）中的两种技术：
自然语言理解（NLU）：将日常话语消化理解，并转化为机器可后续处理的结构；
自然语言生成（NLG）：将由机器拆分好的结构化数据以人们能看懂的自然语句表达出来。
我们可以将这两种技术理解看成对日常对话这一原料的拆分加工和整装成可理解的自然语句——最终产品。
然而真正生成报告还需要利用以上技术完成3个步骤：
1.处理海量异构数据
将投行分析师需要阅读的年报，彭博新闻社的实时新闻以及数据，行业分析报告，以及法律公告等资源进行消化。其中对于文本中的图片和表格需要OCR（光学字符识别）等技术解析。
2.分析数据
这一过程涉及运用知识图谱中常用的知识提取与实体关联将其关键逻辑主干抽出，结合事件地点等因素，将关键信息嵌入预先设计好的报告模板中。
3.文章生成
经过处理海量异构数据与分析数据的过程后，即可生产新闻，券商分析研报，上市招股书，企业年报，定增公告，甚至基金研究员开每日晨会所需的投资建议书也都可以用类似方式生成。用户只需选择符合其需求的模板确定主题与关键信息，以及报告呈现形式，便可生成基本内容。而且投行分析师可以进行校对与人工二次编辑，加入有价值的观点与结论，并提升报告精准度。
自动报告生成已经被广泛的运用到新闻行业中，代表的科技公司有美联社投资的Automated Insights已为美联社自动生成出10多亿篇文章与报告。法国公司Yseop可以每秒生产3000页内容，支持英语，法语，德语等多种语言，产品广泛用于银行、电信公司的客户服务部门以及财经新闻网站。
人工智能辅助：量化交易
量化交易从很早开始就运用机器进行辅助工作，分析师通过编写简单函数，设计一些指标，观察数据分布，而这些仅仅把机器当做一个运算器来使用。直到近些年机器学习的崛起，数据可以快速海量地进行分析、拟合、预测，人们逐渐把人工智能与量化交易联系得愈发紧密，甚至可以说人工智能的3个子领域（机器学习，自然语言处理，知识图谱）贯穿量化交易的始终。
机器学习：从数字推测模型
量化交易分析师们对财务、交易数据进行建模，分析其中显著特征，利用回归分析等传统机器学习算法预测交易策略。这种方式有两个主要弊端，其一是数据不够丰富，仅限于交易数据，更重要的是它受限于特征的选取与组合（Feature Engineering），模型的好坏取决于分析员对数据的敏感程度。此外一种做法是，模仿专家的行为，选择某一领域的特定专家，复制他们的决策过程，并导入可重复的计算框架。
自然语言处理：把握市场动态
当量化交易分析师发现数字推测模型的局限性后，开始考虑引入新闻，政策，社交网络中的丰富文本并运用自然语言处理技术分析，将非结构化数据结构化处理，并从中探寻影响市场变动的线索。
除此之外，也有采用自然语言处理技术，如运用自然语言处理，深度学习(Deep Learning)等多种AI技术，进行量化交易模型的建立。
通过结合自然语言搜索，图形化用户界面和云计算，将发生事件关联金融市场，提供研究辅助，智能回答复杂金融投资问题，从而加速交易时间，减少成本，用动态数据与实时信息，及时反映市场动态。
知识图谱：减少黑天鹅事件对预测的干扰
机器学习与自然语言处理的技术经常会在一些意外（如“黑天鹅”事件）发生的时候预测失败，例如911、熔断机制和卖空禁令等等。人工智能系统没有遇到过这些情况，无法从历史数据中学习到相关模式。这时候如果让人工智能管理资产，就会有很大的风险。
此外，机器学习擅长发现数据间的相关性而非因果性。很有名的一个例子是早在1990年，对冲基金First Quadrant发现孟加拉国生产的黄油，加上美国生产的奶酪以及孟加拉国羊的数量与标准普尔500指数自1983年开始的10年时间内均具有99%以上的统计相关性，1993年之后，这种关系莫名其妙的消失了。这就是由于自学习的机器无法区分虚假的相关性所导致的，这时候就需要专家设置的知识库（规则）来避免这种虚假相关性的发生。
知识图谱本质上是语义网络，是一种基于图的数据结构，根据专家设计的规则与不同种类的实体连接所组成的关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。就金融领域来说，规则可以是专家对行业的理解，投资的逻辑，风控的把握，关系可以是企业的上下游、合作、竞争对手、子母公司、投资、对标等关系，可以是高管与企业间的任职等关系，也可以是行业间的逻辑关系，实体则是投资机构、投资人、企业等等，把他们知识图谱表示出来，从而进行更深入的知识推理。
金融搜索引擎：证券研究
金融搜索引擎的背后核心技术是高质量的知识图谱和大量的业务规则，帮助实现联想、属性查找、短程关系发现。探索引擎，如分面浏览器，也是在知识图谱的基础上，则提供了人机协作的界面，让人对数据的探索过程可以很方便地被记录、迭代、重用。此外推荐系统和推送系统也非常有用，帮助金融用户聚焦在关键数据上，更省时省力地做投前发现和投后跟踪。
语义搜索面向金融投资领域，从文件/新闻和研究中集合所有投资信息并进行语义分析，在全球公司数据中进行趋势分析。其使命愿景是从大量噪音中寻找有价值的信息，专注信息丰富度和碎片化基本问题，从而大大提高金融人士的工作效率，节省工作时间。
智能投资顾问：财富管理
传统投资顾问需要站在投资者的角度，帮助投资者进行符合其风险偏好特征、适应某一特定时期市场表现的投资组合管理。而这些工作都需要以大量昂贵的人工方式完成，所以财富管理服务也因此无形的提高了进入门槛，只面向高净值人士开设。
借助于机器与量化技术，为经过调查问卷评估的客户提供量身定制的资产投资组合建议，包括股票配置、股票期权操作、债权配置、地产资产配置，旨在提供一个自动化的投资管理服务最大化投资回报。
系统在进行自动化投资管理时一共有5个步骤：
确定当前投资环境的理想资产类别
以最低成本的ETF（交易型开放式指数基金）代表每一资产类别
确定风险承受能力并创建合适的投资组合
将现代投资组合理论（MPT）分散风险
定期监控并重新调整平衡投资组合
智能投顾能够战胜人性，避免投资人受市场变化而产生不理性的情绪化影响，使机器严格执行事先设定好的策略。并且智能投顾拥有比传统财富管理机构、私人银行更为透明开放的信息披露，及时提供风险提示，极大的减少了资产托管人与管理人之间的信息沟通壁垒。
基于资产组合理论和各种金融衍生模型们应用到产品中，在云端低成本、快速、批量化地解决各种数据运算，再根据用户的倾向和设定的风险偏好，个性化地提供资产配置组合方案。让投资更方便，更准确的智能投顾。
智能投顾使人工智能技术不再远离人群，真正使得每一位普通人都能享受到智能金融科技公司所带来的好处，也让许多曾经认为“人工智能是遥不可及”的人认识到智能金融公司不仅仅只服务于金融行业的专业人士，而是可以为整个商业社会相关的群众创造价值。
当人工智能不再是新鲜事的时候，证券研究自动生成报告、人工智能辅助量化交易、金融搜索引擎证券研究和智能投资顾问财富管理这四种人工智能和金融结合的主流玩法让我们看到在未来，金融和人工智能结合成为智能金融的无限可能。
深圳市今日投资数据科技有限公司是一家专注于金融数据和数据应用的FinTech（金融科技）公司。公司产品包括智能投顾Alpha.J、分析师数据库和量化投资策略等。今日投资智能投顾Alpha.J在证券市场的占有率稳居第一。
