上篇概要性介绍了投研的组织架构、工作流程和国内相关法规。持续关注公众号的读者，应该注意到，作者曾在《全球首只人工智能ETF的些许思考》中简单介绍过智能投研，本篇咱们集中聊聊智能投研。
一、智能投研概念
金融科技领域很多概念都没有权威、统一的定义，智能投研也一样。作者从金融科技视角认为，智能投研是指基于人工智能、大数据、云计算等现代科技手段，获取、处理、分析海量相关数据，生成投资观点和报告。这里用到的关键人工智能技术包括自然语言处理（NLP，包括自然语言理解NLU、自然语言生成NLG等）、知识图谱等，人工智能提供算法和工具，大数据提供素材，云计算则提供算力。
需要强调的是，投研和投顾在国内均属于投资咨询业务范畴（详见上篇法规介绍章节），展业需要遵守相关业务规定。国内虽尚未出台针对性的法规，但智能投研和智能投顾并没有从本质上改变投研和投顾业务的本质。根据国际成熟展业情况看，智能投研、智能投顾分别主要针对机构（基金公司、券商资管、银行资管、保险资管等）和普通投资者开展，两者虽有关联，但服务内容及目标完全不同。
二、智能投研平台
国际上，智能投研平台的标杆企业是Kensho（2018年初已被标普公司收购）。现实中，多数科技公司都是以平台的方式提供主题搜索、图谱展现、线索发现、自动化投研报告等智能投研服务，同时也兼具了传统信息服务平台的常规功能比如行情、财务信息等。最理想的平台是能提供一站式投研服务的平台，通俗点说就是平台已把各类初加工过的原材料、刀具、厨灶等都备齐了而且准备了每道菜的菜谱、饮食健康指南......，就等着厨师发挥了。作者认为，要做好智能投研平台，不是简单靠技术、数据处理就行的，业务及业务场景、各类关联业务、主体的深入理解等对知识图谱构建、引擎搭建等都起到重要作用。所以，如果一家平台公司没有丰富经验的业务背景人员参与，其创立的智能投研平台最多是个信息汇聚、技术层面加工平台。能在这个行业站住脚的科技公司靠的不是技术！需要指出的是，有的科技公司只具备投研定义的部分功能，有的科技公司只是对公开信息的汇集和简单处理，也号称智能投研平台，鱼龙混杂。总之，优秀的智能投研平台屈指可数，且都在发展起步阶段。
三、智能投研是行业发展的必然
一是由于互联网及移动互联网的普及，我们已身处信息过载时代，投研业务面临数据量过大、数据渠道过多、数据结构多样、数据真假难辨等突出问题，这些问题单靠传统的投研处理方法和手段已很难胜任或很难长期胜任，急需利器；二是投研作为业务链条的一环，交易、风控等都在快速智能化发展，投研同样需要变革；三是保持分析的客观性是投研工作的基本要求，借助现代科技手段，既可以提高各类投研工作的效率，又可以拟补人类主观情绪的干扰。此外，随着新三板业务的开展，智能投研可以帮助企业很好的对接股权和债权投资方，提高新三板挖宝和公司融资的效率。
综上，内外因共同促进，智能投研是行业发展的必然。
四、智能投研解决的问题
一是“数据获取”环节。如何准确、快速、完整、全面获取数据则对投研水平高低起到决定性作用，不少金融科技公司在此领域开展了很多有意义的尝试并获得了商机。传统投研除通过现场调研获取并求证部分信息外，还需要从行业垂直信息平台（比如Wind、BloomBerg等）、综合搜索平台（百度、搜狗等等）、公司年报、招股说明书、咨询公司各类研究报告、券商研究报告、政府网站等渠道获取数据，数据渠道多且收集的数据难以快速、准确、高效整合。而智能投研则更好的解决了该问题。首先，智能投研可以丰富数据源的获取渠道，可以获取与研究标的相关的非常规的直接或间接海量信息，也称为另类数据，比如通过卫星图片观测油管数量来预测公司经营状况等；其次，智能投研可以丰富数据获取的形式，投研数据结构可以是结构化，也可以是PDF、图片等非结构化数据，比如获取上市招股书、企业年报、定增公告等等各类数据。最后，智能投研能自动、高频的获取数据，以保证信息的及时、有效。
二是“数据处理”环节。该环节将机器获取的海量数据变成机器可处理的机构化形式，然后模型化。非结构化数据的结构处理的效率和质量是智能投研平台的重要竞争力之一。Quid公司（https://quid.com/，一个搜索、分析和可视化世界集体情报以帮助回答战略问题的平台。）就是把新闻、公司信息、专利、报告、评论等非结构化数据转变为结构化数据而展业发家，后续又提供数据复杂分析、展示等一条龙服务，目前客户包括彭博社、韩国现代等；Dataminr公司通过收集、分析Twitter等平台的实时数据，提供特定线索和信号。
三是“数据分析”环节。该环节将基于人工智能对海量的初步处理过的数据进行再加工，建立公司、关键股东等知识图谱，并分析知识图谱中关键相关主题信息，最终生成各个独立观点。智能投研平台需要对标的直接、间接以及关联数据进行提取和处理，构建动态知识图谱。Palantir Metropolis公司就通过整合多渠道数据源，将表面上不相干的信息统一进行分析，构建动态知识图谱。
四是“报告生成”环节。观点聚焦、整合形成各类报告，比如深度研究报告、行业报告、公司报告、点评报告、调研报告等等。根据需要，这些报告可以是自动化的，比如美联社投资的Automated Insights公司、法国Yseop已自动生成出海量新闻报道。但该环节要铭记的是，作为投研产出物的各类报告是主要为交易服务的。投研、交易分离，投研生成的各类报告应该尽可能用站在用户也即基金经理、交易员的角度去展现，尽量避免正确但无用的报告。
五、智能投研发展简介
一般来讲，国外自2010年，国内自2014年，智能投研才开始较快发展，目前尚处在群雄逐鹿阶段，部分代表性公司简介如下：
1. 2000年， Black Rock集团开发资产管理平台——Aladdin系统，使用大数据和NLP等技术处理新闻、公司研究报告等不同文件，并将文件中的信息与可能涉及的公司和行业联系起来，给研究人员提供投资建议；
2. 2010年， Alphasense推出面向金融投资人员的智能搜索引擎，采用NLP技术，从公司报告、新闻和研究报告中整合投资信息。通过该搜索引擎，向研究人员提供快速寻找与标的有关的信息；
3. 2013年， Kensho成立，早期服务于高盛内部，专注事件与资产的相关性研究，通过机器学习及云计算搜集和分析数据，大大缩短传统投资分析周期，能够分析海量数据对资本市场各类资产的影响，并通过自然语言处理技术理解和解答复杂的金融问题；
4. 2015年，文因互联成立，陆续发布智能搜索、公告自动化阅读等工具；上市公司恒生电子发布智能小梵，可以实现智能搜索；
5. 2015年，鼎复数据推出金融风险智能防控产品；
6. 2016年，通联数据成立萝卜投研，产品包括智能咨询、智能搜索等；嘉实基金、华夏基金开始探索智能投研；
7. 2017年，熵简科技，推出面向基金公司的辅助决策智能工具。
此外，经营机构也在开始试水智能投研：
1、天弘基金2015年建立了业内领先的投研云系统，其中的信鸽和鹰眼两大系统分别为股票和债券投研提供精准支持；
2、嘉实基金2016年成立了人工智能投资研究中心，构建可扩展的智能投研平台，为系统化的科学投资决策提供支持；
3、华夏基金和微软亚洲研究院战略合作，双方将就人工智能在金融服务领域的应用展开战略合作研究。
六、智能投研的些许思考
当前国内投研整体处在传统（手工为主）向自动化、智能化演变的过程。在数据获取、动态关联、自我学习等方面较强，而在精准语义识别、关联分析、高质量报告生成等方面还有很长路要走。
一是不要迷失在数据源中。当前国家、机构、个人对数据隐私保护的重视程度不断加强，过往那种通过各类爬虫程序暴力获取（有时是盗取）非公开数据的行为对于有作为的公司应该审慎为之。数据的确是智能投研平台竞争力的最重要因素，智能投研平台在数据获取方面应遵循“取之有道”的法则，避免介入灰色数据产业链、海量暴力获取非公开数据等行为。
二是现存数据存在较多问题。智能投研的原料是数据，数据越全越完整越好。但在国内，信息公开程度、上市公司披露的数据质量、信息透明度均无法和成熟市场相比，很多卖方报告都经过了包装，很难弄清楚重点和隐藏的真实信息。国内智能投研路还很曲折，未来国内智能投研差距不在算法、算力而在数据质量、数据完整性、数据全面性、数据及时性等数据维度。
三是未来待加工的数据还很多。我国很多政府、金融数据都在逐步放开，未来大量金融信息需要加工；各类论坛、新兴媒介数据、物联网数据等等都是未来待加工、利用的重要数据源。
四是人机共舞是常态。智能投研不是替代投研人员，更无法替代资深的投研人员。毕竟很多信息还需要现场调研获取和确认，分析模型、逻辑也需要逐步完善，服务于基金经理、交易员的有灵魂的报告还离不开人去加工润色。如果非要说替代，那替代的首先是价值含量低的工作，比如当前很多公司临时聘用实习生来做的数据收集、处理、分析等工作；其次是那些没有掌握智能投研利器的从业人员。
此外，智能投研是金融科技、监管科技的一个环节，我们不应该孤立的看待智能投研。智能投研除主要服务于投研人员、基金经理、交易员外，对股票质押等信用评估类业务、风险控制等还有很多帮助，也可以较好对接监管科技，服务监管。
”工作最重要的动力是工作中的乐趣，是工作获得结果时的乐趣以及对该结果社会价值的认识。“ ----爱因斯坦
2018年10月6日国庆节于徐州
以此篇作为《证券基金行业金融科技之道》的第20篇。更多金融科技内容，敬请关注作者个人“金融科技之道”公众号。
网友评论