不經意間，人工智能正在悄然改變著金融行業的玩法甚至格局，在Nikolas Badminton的預測中，20年后，計算能力的提高可能意味著重新定義世界的財富、貨幣使用和價值，甚至重新定義不同階級的平權。

　　一向“致力于”刷新三觀的硅谷“暗黑勢力”近年來更是卯足了勁兒，要讓科技觸角蔓延得更廣，抓地更深。一款圍棋游戲不過是人工智能剛剛展露出來的尖尖角，金融科技或許才是人工智能未來的主戰場。英途四月份即將啟程硅谷，對話美國區塊鏈創新公司在不同場景應用的領先經驗，并探訪大數據、人工智能與金融科技結合的創新模式（點擊了解考察詳情）。

　　早在2015年2月份，世界上最大的對沖基金橋水基金就開始建立人工智能團隊，以在競爭激烈的投資界獲得優勢。

　　同時，許多量化投資公司都在招聘工程師和編程人員來擴展人工智能團隊，其中包括管理著240億美元資產的Two Sigma Investments和管理著250億美元的Renaissance Technologies。

　　《金融時報》首席經濟評論員馬丁?沃爾夫今天指出，人們為什么希望新的金融科技會改變這些行業呢？尤其是對銀行業而言。答案是，這些行業目前的經營方式不是很好。眼下銀行業效率低下、成本高昂，充斥著利益沖突，容易滋生不道德行為，特別是還能夠產生巨大的危機。

　　那么如果人工智能被引入金融領域究竟會帶來什么呢？

　　人工智能+金融=？

　　目前金融機構的主流玩法有四種：一、投資銀行和賣方研究嘗試自動報告生成；二、公募、私募基金在通過人工智能輔助量化交易；三、金融智能搜索；四、財富管理公司在探索智能投顧方向。

　　一

　　自動生成投研報告

　　在投資銀行的投行業務與證券研究業務中涉及大量的固定格式的報告撰寫工作，如招股說明書中的部分章節，研報，以及投資意向書。這些報告撰寫需要大量的投行初級員工進行長時間枯燥繁瑣的數據羅列、整理、反復Copy-Paste工作。

　　真正生成報告需要完成3個步驟：

　　1.處理海量異構數據

　　將投行分析師需要閱讀的年報，彭博新聞社的實時新聞以及數據，行業分析報告，以及法律公告等資源進行消化。其中對于文本中的圖片和表格需要OCR（光學字符識別）等技術解析。

　　2.分析數據

　　這一過程涉及運用知識圖譜中常用的知識提取與實體關聯將其關鍵邏輯主干抽出，結合事件地點等因素，將關鍵信息嵌入預先設計好的報告模板中。

　　3.文章生成

　　經過處理海量異構數據與分析數據的過程后，即可生產新聞，券商分析研報，上市招股書，企業年報，定增公告，甚至基金研究員開每日晨會所需的投資建議書也都可以用類似方式生成。用戶只需選擇符合其需求的模板確定主題與關鍵信息，以及報告呈現形式，便可生成基本內容。而且投行分析師可以進行校對與人工二次編輯，加入有價值的觀點與結論，并提升報告精準度。

　　Narrative Science由西北大學的新聞系和計算機科學系的聯合創立，旨在通過給定主題的數據分析，自動生成文章報告。該公司的著名數據分析平臺Quill可以分析結構化數據，將人工智能與大數據進行技術融合，理解這些數據的重要性，從而產生簡短的文字表述或結構化的報告內容。Quill的主要面向對象為——金融服務提供商。Narrative Science的CEO Frankel表示“我們的目標是替代人工做絕大部分基礎工作，讓機器來處理數據和信息”。

　　二

　　輔助量化交易

　　量化交易從很早開始就運用機器進行輔助工作，分析師通過編寫簡單函數，設計一些指標，觀察數據分布，而這些僅僅把機器當做一個運算器來使用。直到近些年機器學習的崛起，數據可以快速海量地進行分析、擬合、預測，人們逐漸把人工智能與量化交易聯系得愈發緊密，甚至可以說人工智能的3個子領域（機器學習，自然語言處理，知識圖譜）貫穿量化交易的始終。

　　1.機器學習：從數字推測模型

　　量化交易分析師們對財務、交易數據進行建模，分析其中顯著特征，利用回歸分析等傳統機器學習算法預測交易策略。這種方式有兩個主要弊端，其一是數據不夠豐富，僅限于交易數據，更重要的是它受限于特征的選取與組合（Feature Engineering），模型的好壞取決于分析員對數據的敏感程度。此外一種做法是，模仿專家的行為，選擇某一領域的特定專家，復制他們的決策過程，并導入可重復的計算框架。

　　Fintech創新公司——AppZen是世界上第一個基于人工智能技術的自動化金融解決方案平臺。通過 ReceiptIQ系統的深度學習，自然語言處理等技術，AppZen應用可以自動化完成審計、合規、結算、分析等服務。 ReceiptIQ自動比對系統數據，判斷金融風險，跟蹤公司政策和合規，判斷資金合理性。他們的客戶包括：Hitachi Comcast, InvenSense等等。

　　2.自然語言處理：把握市場動態

　　當量化交易分析師發現數字推測模型的局限性后，開始考慮引入新聞，政策，社交網絡中的豐富文本并運用自然語言處理技術分析，將非結構化數據結構化處理，并從中探尋影響市場變動的線索。

　　其中最為知名的是號稱”取代投行分析師“的投資機器人——Kensho。Kensho是一家致力于量化投資大眾化的人工智能公司，旗下有一款產品Warren被稱之為金融投資領域的“問答助手Siri”。Kensho結合自然語言搜索，圖形化用戶界面和云計算，將發生事件關聯金融市場，提供研究輔助，智能回答復雜金融投資問題，從而加速交易時間，減少成本，用動態數據與實時信息，及時反映市場動態。

　　這一技術也被廣泛運用于風控與征信。通過爬取個人及企業在其主頁、社交媒體等地方的數據，一來可以判斷企業或其產品在社會中的影響力。

　　3.知識圖譜：減少黑天鵝事件對預測的干擾

　　機器學習與自然語言處理的技術經常會在一些意外（如“黑天鵝”事件）發生的時候預測失敗，例如911、熔斷機制和賣空禁令等等。人工智能系統沒有遇到過這些情況，無法從歷史數據中學習到相關模式。這時候如果讓人工智能管理資產，就會有很大的風險。

　　知識圖譜本質上是語義網絡，是一種基于圖的數據結構，根據專家設計的規則與不同種類的實體連接所組成的關系網絡。知識圖譜提供了從“關系”的角度去分析問題的能力。就金融領域來說，規則可以是專家對行業的理解，投資的邏輯，風控的把握，關系可以是企業的上下游、合作、競爭對手、子母公司、投資、對標等關系，可以是高管與企業間的任職等關系，也可以是行業間的邏輯關系，實體則是投資機構、投資人、企業等等，把他們知識圖譜表示出來，從而進行更深入的知識推理。

　　目前知識圖譜在金融中的應用大多在于風控征信，基于大數據的風控需要把不同來源的數據（結構化，非結構）整合到一起，它可以檢測數據當中的不一致性。

　　而以投資關系為例，知識圖譜可以將整個股權沿革串起來，方便地展示出哪些PE機構在哪一年進入，進入的價格是多少，是否有對賭條款，這些信息不僅可以判斷該機構進入當時的估值，公司未來的發展情況（公司成長的節奏），還可以看清PE機構的投資偏好，投資邏輯是如何變更發展的。

　　全球估值第四高，被稱為“下一個獨角獸”的公司——Palantir曾推出一個基于知識圖譜的金融數據分析平臺—Palantir Metropolis，可以整合多源的量化資料，并提供一套方便易用的分析工具來滿足復雜的研究需求，其中的組件能夠進行復雜搜索，可視化編輯與分析，有非常豐富的人機交互能力。目前Palantir將結構化客戶內部數據，關聯相關數據，讓客戶自己創立分析規則整合并優化模型，量化處理數據，從而解決客戶的特定需求。

　　三

　　金融搜索引擎

　　券商/私募基金研究員在進行研究工作的時候需要搜集海量信息，再整理和分析其中內容，如上下游分析，對標企業研究，競爭對手研究，企業亮點/風險點分析等等。

　　金融搜索引擎的背后核心技術是高質量的知識圖譜和大量的業務規則，幫助實現聯想、屬性查找、短程關系發現。讓人對數據的探索過程可以很方便地被記錄、迭代、重用。此外推薦系統和推送系統也非常有用，幫助金融用戶聚焦在關鍵數據上，更省時省力地做投前發現和投后跟蹤。

　　Alphasense就是這樣一個在數據層面上輕量級，將復雜邏輯判斷交給用戶去完成，專注于解決專業信息獲取和碎片問題的金融搜索引擎。Alphasense面向金融投資領域，從文件/新聞和研究中集合所有投資信息并進行語義分析，在全球公司數據中進行趨勢分析。

　　四

　　智能投資顧問

　　傳統投資顧問需要站在投資者的角度，幫助投資者進行符合其風險偏好特征、適應某一特定時期市場表現的投資組合管理。而這些工作都需要以大量昂貴的人工方式完成，所以財富管理服務也因此無形的提高了進入門檻，只面向高凈值人士開設。

　　但是現在，智能投資顧問（robot advisor）正在以最少人工干涉的方式進行投資組合管理，管理你的資產的可以是一排計算機，而你也不用是高凈值人士。并且智能投顧在以更強大的計算機模型運用人工智能的技術對大量客戶進行財富畫像，以人工智能算法為每一位客戶提供量身定制的資產管理投資方案。

　　Personal Capital也是一家提供在線資產管理及投資理財顧問服務的公司，該公司成立于2011年，它可直接關聯投資賬戶，根據用戶收益提出優化建議。Personal Capital面向用戶提供平臺和人工服務兩種模式，前者通過連接使用者賬戶為其提供全方位金融賬戶跟蹤和分析，后者通過線上一對一的人工投資顧問采取收費服務。目前Personal Capital已獲得1億美元左右融資。

　　信息參考：對沖研投

相關考察推薦

　　了解更多考察詳情，請點擊“閱讀原文”