不经意间，人工智能正在悄然改变着金融行业的玩法甚至格局，在Nikolas Badminton的预测中，20年后，计算能力的提高可能意味着重新定义世界的财富、货币使用和价值，甚至重新定义不同阶级的平权。

　　一向“致力于”刷新三观的硅谷“暗黑势力”近年来更是卯足了劲儿，要让科技触角蔓延得更广，抓地更深。一款围棋游戏不过是人工智能刚刚展露出来的尖尖角，金融科技或许才是人工智能未来的主战场。英途四月份即将启程硅谷，对话美国区块链创新公司在不同场景应用的领先经验，并探访大数据、人工智能与金融科技结合的创新模式（点击了解考察详情）。

　　早在2015年2月份，世界上最大的对冲基金桥水基金就开始建立人工智能团队，以在竞争激烈的投资界获得优势。

　　同时，许多量化投资公司都在招聘工程师和编程人员来扩展人工智能团队，其中包括管理着240亿美元资产的Two Sigma Investments和管理着250亿美元的Renaissance Technologies。

　　《金融时报》首席经济评论员马丁?沃尔夫今天指出，人们为什么希望新的金融科技会改变这些行业呢？尤其是对银行业而言。答案是，这些行业目前的经营方式不是很好。眼下银行业效率低下、成本高昂，充斥着利益冲突，容易滋生不道德行为，特别是还能够产生巨大的危机。

　　那么如果人工智能被引入金融领域究竟会带来什么呢？

　　人工智能+金融=？

　　目前金融机构的主流玩法有四种：一、投资银行和卖方研究尝试自动报告生成；二、公募、私募基金在通过人工智能辅助量化交易；三、金融智能搜索；四、财富管理公司在探索智能投顾方向。

　　一

　　自动生成投研报告

　　在投资银行的投行业务与证券研究业务中涉及大量的固定格式的报告撰写工作，如招股说明书中的部分章节，研报，以及投资意向书。这些报告撰写需要大量的投行初级员工进行长时间枯燥繁琐的数据罗列、整理、反复Copy-Paste工作。

　　真正生成报告需要完成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。

　　Narrative Science由西北大学的新闻系和计算机科学系的联合创立，旨在通过给定主题的数据分析，自动生成文章报告。该公司的著名数据分析平台Quill可以分析结构化数据，将人工智能与大数据进行技术融合，理解这些数据的重要性，从而产生简短的文字表述或结构化的报告内容。Quill的主要面向对象为——金融服务提供商。Narrative Science的CEO Frankel表示“我九游网页版们的目标是替代人工做绝大部分基础工作，让机器来处理数据和信息”。

　　二

　　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。

　　1.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。

　　Fintech创新公司——AppZen是世界上第一个基于人工智能技术的自动化金融解决方案平台。通过 ReceiptIQ系统的深度学习，自然语言处理等技术，AppZen应用可以自动化完成审计、合规、结算、分析等服务。 ReceiptIQ自动比对系统数据，判断金融风险，跟踪公司政策和合规，判断资金合理性。他们的客户包括：Hitachi Comcast, InvenSense等等。

　　2.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。

　　其中最为知名的是号称”取代投行分析师“的投资机器人——Kensho。Kensho是一家致力于量化投资大众化的人工智能公司，旗下有一款产品Warren被称之为金融投资领域的“问答助手Siri”。Kensho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。

　　这一技术也被广泛运用于风控与征信。通过爬取个人及企业在其主页、社交媒体等地方的数据，一来可以判断企业或其产品在社会中的影响力。

　　3.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。

　　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。

　　目前知识图谱在金融中的应用大多在于风控征信，基于大数据的风控需要把不同来源的数据（结构化，非结构）整合到一起，它可以检测数据当中的不一致性。

　　而以投资关系为例，知识图谱可以将整个股权沿革串起来，方便地展示出哪些PE机构在哪一年进入，进入的价格是多少，是否有对赌条款，这些信息不仅可以判断该机构进入当时的估值，公司未来的发展情况（公司成长的节奏），还可以看清PE机构的投资偏好，投资逻辑是如何变更发展的。

　　全球估值第四高，被称为“下一个独角兽”的公司——Palantir曾推出一个基于知识图谱的金融数据分析平台—Palantir Metropolis，可以整合多源的量化资料，并提供一套方便易用的分析工具来满足复杂的研究需求，其中的组件能够进行复杂搜索，可视化编辑与分析，有非常丰富的人机交互能力。目前Palantir将结构化客户内部数据，关联相关数据，让客户自己创立分析规则整合并优化模型，量化处理数据，从而解决客户的特定需求。

　　三

　　金融搜索引擎

　　券商/私募基金研究员在进行研究工作的时候需要搜集海量信息，再整理和分析其中内容，如上下游分析，对标企业研究，竞争对手研究，企业亮点/风险点分析等等。

　　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。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。

　　Alphasense就是这样一个在数据层面上轻量级，将复杂逻辑判断交给用户去完成，专注于解决专业信息获取和碎片问题的金融搜索引擎。Alphasense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。

　　四

　　智能投资顾问

　　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。

　　但是现在，智能投资顾问（robot advisor）正在以最少人工干涉的方式进行投资组合管理，管理你九游娱乐APP的资产的可以是一排计算机，而你九游登录入口也不用是高净值人士。并且智能投顾在以更强大的计算机模型运用人工智能的技术对大量客户进行财富画像，以人工智能算法为每一位客户提供量身定制的资产管理投资方案。

　　Personal Capital也是一家提供在线资产管理及投资理财顾问服务的公司，该公司成立于2011年，它可直接关联投资账户，根据用户收益提出优化建议。Personal Capital面向用户提供平台和人工服务两种模式，前者通过连接使用者账户为其提供全方位金融账户跟踪和分析，后者通过线上一对一的人工投资顾问采取收费服务。目前Personal Capital已获得1亿美元左右融资。

　　信息参考：对冲研投

相关考察推荐

　　了解更多考察详情，请点击“阅读原文”