用户名:  密码:   
网站首页即时通讯活动公告最新消息科技前沿学人动向两岸三地人在海外历届活动关于我们联系我们申请加入
栏目导航 — 美国华裔教授专家网科技动向科技前沿
关键字  范围   
 
智能金融的核心引擎:一览与前瞻
智能金融的核心引擎:一览与前瞻
作者:鲍捷 | 12/12/2016 9:06:09 AM | 浏览:365 | 评论:0

我们正在探索智能金融落地的各种场景。智能金融这件事,不仅在中国很新,在美国也是很新的事物。在探索智能金融的过程中,包括技术的基础、技术在金融行业的切入点、盈利模式等,大家都没有完全探索出来。我估计还要花上三五年甚至更久的时间才能搞清楚。

之前很多人都会问我:你们是不是做互联网金融的?最近几个月以来,大家开始问:你们是不是做科技金融的?Internet Finance 和 Fintech 这两个概念,大家都已经很熟悉了,但智能金融是一个更小的概念。我的理解是:智能金融是科技金融的一个子模块,和互联网金融有一定交叉,但并不完全相同。前一段时间我看了《清华科技评论》,这是一本很厚的集子,里面讲了国内外100多个这样的公司。毕马威也出了一个中国Fintech 50强的列表。仔细看的话,这些公司从事科技金融和互联网金融的都有,但是涉及到智能金融的其实还是非常少的。智能金融从去年开始在中国刚刚起步,今年又陆陆续续出现了一些,但是还处于非常初步的阶段。

智能金融的核心引擎:一览与前瞻

在之前20多年的金融数据化和智能化的过程中,智能金融逐步成熟起来。这离不开之前做的很多工作,从金融到互联网金融,再到科技金融,其实经历了很多的准备工作。不仅是数据的准备工作,还有市场的教育工作。已经有这些领域的前辈帮我们探了路,趟了很多地雷。按照我的理解,智能金融的核心问题是两件事情:自动化和智能化。先有自动化才有智能化,像个人征信、银行大数据,还有之前的P2P和众筹,都用到了很多人工智能的算法,包括机器算法和知识图谱。但是,真正以人工智能为核心来构造智能金融系统的,目前在国内我基本上没有看到。在国外,我们可以看到 Alphasense、Kensho 这样的公司,国内目前还没有成熟的对应公司。

智能金融的核心引擎:一览与前瞻

为什么会有智能金融出现?这是这些年中国经济,特别是金融产业发展所带来的一些因素造成的。

智能金融的核心引擎:一览与前瞻

促进因素包括:

第一点:市场规模的成长

举个例子,我们之前找A股的研报,随便一搜,大概就下载了30多万份研报的PDF文件。我们去找新三板研报的时候,发现新三板93%的企业没有任何研报,98%的企业只有一份或者少于一份的研报。在A股市场上,中国的研究员可能有7000人或更多,他们在两千多家公司上面研究了20年时间,把每个行业都研究透了,写出来上百万份报告。新三板上现在有将近一万家公司,未来还有可能达到两万家,其中一半以上的公司所在的行业都是新兴行业。在这些行业上,如果我们还沿用之前人工研究的方法,需要多少研究员?现在是七千个研究员,要把研究员扩大到七万个来解决这个问题的话,显然是不可能的。所以之前的研究体系跟交易体系、资源配置体系,只适合为很少的公司进行运作。现在面临着一个十倍甚至更大市场,我们不可能沿用原来的方式来服务这个市场,必须要依靠技术。而人工智能就是这个过程中最重要的一环。

第二点:产业的升级

之前我们看A股的公司,上面有各种各样传统的产业,国有企业的产业。那么到了新三板上,我们看到了一大半以上公司都是新兴行业,这些行业在A股上根本没有。在新三板,我们找到了六万多种产品,其中超过60%的行业标签在A股上是找不到的。传统培养行业研究员的方式跟不上今天的新兴行业的成长速度。新三板还只有一万家企业,早期市场有几十万家企业,还有更多新兴的行业,怎么可能用人力完全把它建模出来?必须用技术的手段。

第三点:人工智能技术的进步

特别是最近几年,深度学习技术和知识图谱技术快速发展,使得我们有可能解决这些问题。这些问题并不是全新的问题,在美国之前也有。十年之前美国有一批公司出来做这种事情,但他们最终大多死掉了。为什么?因为那个时候从底到上,每一层的技术架构都不完善,从数据库到前面的搜索引擎,都是自己来搭。那个时候还没有成熟的体系来支撑,也没有开放的数据来建立整个生态链。2006年之后,美国的这种数据发展起来了。2001年之后整个语义网的技术,2012年之后整个知识图谱的技术,使得我们现在有可能解决这些问题了,不需要我们再重头开始构造整个架构了。

以上是正面的因素。在这些正面因素的前提下,为什么智能金融现在还是一个非常弱小的产业?我们下面来看看制约智能金融发展的因素。

制约因素包括以下三点:

第一点:数据的缺失

在美国,这个问题已经解决得比较好了。在国内,相信做过这件事情的同行都会有切身体会。无论是政府数据,还是行业数据,数据缺失都是第一位的。3月份的时候,我们开了一个沙龙叫“语义对话金融”。在这个沙龙上我问在座的投资人:你们觉得当今最需要解决的问题是什么?答:是数据!巧妇难为无米之炊,所以我们必须先把数据问题解决。现在大多数的数据在哪里?其实都被隐藏着。很多数据,在政府的各部委的数据中,在各个地方政府里面,现在还没有一套很好的开放方法,让大家能够访问到。实际上,这是全民的财富。从2009年之后,美国从白宫开始一层一层去搞开放数据,最后要求政府每一级都真正地开放数据。使用数据的每一个人,不需要事先申请就可以使用,这一点在中国目前是还没做到的。即使是大家能够接触到的数据,现在用得还不是特别好。比如说机器可读的金融报表,现在的结构化金融报表本来应该让每个人都可以访问,这样我们就不用雇那么多实习生去爬数据了。但现在它也不是每个人都能够拿到。另外,在股转书、年报、季报里,90%以上的数据都是非结构化的。怎么使用这些数据?现在没有一套很好的办法帮我们用好这些财富。

第二点:人才的缺失

既懂金融又懂技术,这样的人才是非常非常少的。因为这两种人是完全不一样的,一个来自火星,一个来自金星。能将这两种背景结合在一起的人,在中国可以说是凤毛麟角。

第三点:组织变革的困难

我觉得这个因素是最重要的一个问题。我前两天在看一本书叫《创业者》,英文叫Founders at Work。这本书第一篇文章是 PayPal 的创始人回忆他们当时怎么创造出 PayPal 的。记者问他们:为什么你们不害怕银行来做这件事情呢?创始人说:银行绝对不可能做这件事情,因为银行关心的问题是银行原来的体系内部,他们认为 PayPal 完全不可能做出来,因为他们认为反欺诈的问题绝对不可能被解决。但是 PayPal 就解决掉了这些问题。现在我们回过头来想,是不是还有类似的事。在一开始的时候,大量金融创新的可用性、可靠性都不是那么好。在这种大型组织里,想运用这种新技术是很困难的事情。这就是一个典型的创新者的窘境。特别是在技术面临的挑战前面,组织的变化,整个理念的变化,它的价值体系的变化都是挺慢的一件事情。我们大家都知道,银行只看风险是不够的。国家强调提高直接融资的比例,降低间接融资的比例。但是银行为什么就不能很快转变过来呢?因为银行原来的一整套体制都是风控驱动。风控是高压线,所以人的提拔,奖惩全都是按照风控来做的。在外部形势没有发生变化的前提下,这个并没有什么错误。但如果发生了变化呢?组织在这个过程中会变化,但不会这么快。这使得越大的组织,在使用这些新技术的时候,反应越慢。这是制约因素。

简单看一下中美比较,去年毕马威把中国 Fintech 50 强和国际 100 强做了一个比较。他们刚刚做了一个发布会,这里面有几个大块,跟智能金融有一点关系,但不是完全一样。我们看框起来这一块是大数据征信。中国对这一块进行了密集的投入,比美国还密集。我怀疑中国有没有一千家在做这件事情。另外智能投顾这一块,做财富管理的公司美国非常多,中国非常少。这跟中国各种产业环境也有关。现在,中国的监管机构不是很鼓励做这件事情。之前,哪怕是非智能的投顾,在中国其实也没有发展得特别好。所以智能投顾的基础并不是很成熟。

智能金融的核心引擎:一览与前瞻

 智能金融的核心引擎:一览与前瞻

再看科技系统这一块。美国有这么多公司,中国居然是一片空白。中美两国的发展,也预示着我们哪些地方发展过热,哪些地方可能还需要再加强一下。

最关键的,我觉得是上面两张图里都还没有的东西。毕马威 2016 Fintech 榜单里提到了几家公司,像Alphasense 和 Kensho,2015年都没有出现,2016年才把它们加进来。类似这样的还有其他一些公司。我认为非常值得关注的智能金融的公司,像Palantir和Dataminr,这些公司真正的是以人工智能为核心来改造金融的数据产业链,很多这样的公司还没有进入公众的视野。但实际上像 Alphasense和CB Insights 这样的公司,其实已经有七八年的历史,并不是一夜之间冒出来的。

智能金融的核心引擎:一览与前瞻

那么他们是怎么起家的?很多新兴的技术,像知识图谱技术,其实在2007年、2008年的时候,是非常悲催的。我从2001年开始做知识图谱,2007年博士毕业。那个时候想找称心的工作是蛮难的一件事情,因为大家当时都不看好这些技术。到了2012年之后,这方面才慢慢受到关注。特别是谷歌从2010年的时候,买了一个小公司(Metaweb),发现这个技术特别有用。他们发现,只有机器学习是不够的,知识图谱特别有用。之后发生了几个大事件,在2012年左右像苹果的 Siri和IBM的Watson,他们发现,仅仅是通过统计的方法,无法解决他们现在面临的问题。必须把人的知识、世界的知识放到系统里,才能解决各自的问题。在2007年、2008年之后,已经有一些公司先知先觉开始将这些技术用到金融里面了,Alphasense和CB Insights都是那时候成立的。

Palantir 是 2004 年成立的。用我们行话说,它是个本体编辑器(Ontology editor),这个东西是非常枯燥的。从2004年到2010年,我自己写过五个本体编辑器,不过没有想过进行商业化。Palantir 则商业化了,变成了一个估值100多亿的企业。这说明,人工智能的价值取决于你怎么用它。把它用到好的角度上,找到市场结合点,哪怕是看起来很偏门的技术,也完全有可能成长为一个很大的市场。 Palantir 背后也有一个很大的知识图谱团队,因为要想把策略生成、数据集成做好,把下面的逻辑模型做好,都必须用到知识图谱技术。

智能金融的核心引擎:一览与前瞻

智能金融公司在美国从2007年、2008年就开始有了,在中国最近一两年才开始做起来,就是因为每个国家的经济发展都有阶段性。我们只有一个阶段、一个阶段地把前面的技术都夯实了,才能去做更高级的事情。所以之前我们花了20年时间,做银行的金融的信息化。信息化之后,我们才能做大数据化。像工商银行可能是做这种大数据最早的一批,然后做了七八年甚至上十年时间。很多银行只是为了满足巴塞尔协议的那些要求,就花了十年时间。有了这些东西之后,从2015年之后,我们看到有些做信息处理的自动化企业。做了自动化之后,才能去做智能化,这是一层一层发展的。我们目前做智能化,坦白说有点早。如果太冒进会成为先烈,所以应该实事求是追求合理的目标。

智能金融的核心引擎:一览与前瞻

这幅图是我从工行的前行长杨凯生先生的文章里面摘出来的。这篇文章蛮新的,发表于2016年。在回顾他们工行的大数据架构时,他把整个大数据的发展过程分为五个阶段。他认为前面三个阶段现在都已经做得比较好了,报表显示已经发生了什么事情,分析为什么会发生这些事情,预测还会发生什么事情。后面两个层面,就是运营分析和动态正在发生什么,实际上这两个层面不是光靠大数据技术就能解决的,需要更多的人工智能技术,包括机器学习技术、知识图谱技术。比如这篇文章里也讲了好几个例子,讲了一个工商银行有上千万的房产抵押,而这个房产的价值,每天都会变化,不停地变化,该怎么快速跟踪上千万的抵押房产呢?他们开发了一套系统,其中还用到了自然语言处理的技术,来估计每一个房子价值的变化。

把视野往后推一推,我们今天谈的智能对产业的影响,其实只是漫长的技术对金融的推进过程的自然延伸。从1960年到现在,过去这半个多世纪的时间,每一代计算技术的发展都对金融产业产生了巨大的冲击。特别是这些技术创造了新的业务,这是最重要的一件事情。所以每一次革新开始的时候,大家总是先提高现有业务的效率,然后再往前走。随着每一次效率的提升之后,就会有新的组织出现、新的业务出现,去挑战原来的组织和业务。大家发现这个技术不仅仅可以提高效率,还可以创造出新的业务,从而颠覆原有的大型组织。所以金融组织也是不断地新陈代谢。

智能金融的核心引擎:一览与前瞻

我看过一篇文章,是中信建投的一位高层写的,他说中国券商是个高危行业。他分析了一下过去15年的券商,发现好像超过一半的券商都死掉了。虽然现在券商的收入很高,好像去年的平均利润率是50%,但是我们十年后看,券商的淘汰率可能也会很高。那么什么样的组织能够存活下来?我们看看上面的表格会得到一些启示。在每一次的迭代过程中,都会有一些顺应技术进步的新兴组织冒出来。最近这些年人工智能让我们能够看到,我们可以去做自动化的小贷、精准获客,还有策略自动化、组合风险管理,这些事情可以做。其实还有很多其他的事情,有待新兴的组织去服务。

智能金融的核心引擎:一览与前瞻

在谈智能金融之前,我们来解释一下什么叫“智能”。我们看到很多东西都冠以智能。我的鞋子里面有一个鞋垫,它称为智能鞋垫,后来我掰开看了一下有一个小芯片,就称为智能了。还有智能灯泡、智能音箱、智能汽车,这些东西都称为智能。这些东西背后的智能指的是同一个东西吗?

我把上图中的三种智能称为智能的三个阶段

第一个阶段,是机器人化或者自动化,它代替人完成一般性的、重复性的动作,比如说里面的芯片,或者套了一个公式。

第二个阶段,称为小聪明(Smart),像智能音箱是典型的,它可以完成一个相对而言比较简单的数据集成的事情,或者人花上很长时间才能完成但是机器很快就可以完成的事情,我们称为Smart。

第三个阶段,就是Intelligent,可以真正地进行预测、分类、聚类、策略等等,提供深度的洞察,这些都需要长期深入的训练才有可能得到的技能。一般意义上,在说人工智能的时候,我们通常会认为是Intelligent层面才课称为人工智能。但是目前我们在商业上看到,很多情况下大家会把这个概念往外伸,把Robot、Smart也说成人工智能。智能灯泡不算是人工智能,智能鞋垫也不算是人工智能,但是我们在提智能的时候,很多人会把这些卖成 AI 技术的一部分。

智能金融的核心引擎:一览与前瞻

看硬件的时候,我们可以看得很清楚,但看软件就不一定看得那么清楚了。比如说智能投顾这个概念是不是AI的应用?其实本身它就有多种含义的。如果只看基于60年代就已经有的资产配置理论来说的话,那我们可以认为它不是人工智能的。它只是在一些简单数据提取、整合这方面,做了一些 Robot 的工作,所以这不是人工智能。但是智能投顾这个概念,也用在很多事情上。比如说在智能选股这些事情上面,就有人工智能在里边。所以说这个概念的含义是多种的。

我认为可以分为三个层面:

第一个层面是Robot。在座很多人都雇过实习生。这些实习生每天从 PDF 里面扒数据是人工智能吗?这是人工的智能,但不是人工智能。这个工作是非常机械的,就不应该用人来做,而应该用机器来做。

第二个层面是Smart,指数据的简单分析、摘要、过滤、跟踪、可视化。Alphasense是智能的,是美国的基于知识图谱的语义、金融搜索。这个软件可以去监视上市公司所有的年报、季报、会议记录,开会的时候说了什么,董事长一句话说完,一秒钟之内,交易策略自动就推送到投资者那里去了。这样一种工作,用人来干一个小时也可以完成,但是用机器人,不到一秒钟就可以干完,这是Smart。

第三个层面是Intelligent,提供数据的决策支持和洞察,这是高级分析师才能做的事情。Robot 是实习生就可以做到,Smart 是一两年工作经验的分析师才可以做的。Intelligent 是高级分析师才能做到的。他真正有这些行业的经验和洞察力,他才能做出来这件事情,才能够合格的提出一个参谋的意见。像这样的事情,我们认为才是真正的人工智能。Kensho 从某种程度上来说接近了,但我还不能够有信心地说 Kensho 现在已经是这样的东西了,因为 Kensho 包括两大块内容,一块是数据集成,第二块就是策略生成,它的数据集成那一块,我认为还只能说是 Smart。

智能金融的核心引擎:一览与前瞻

真正的 Intelligent 是怎么发展起来的?其实人工智能的行业是“有多少人工,就有多少智能”。因为每往前走一步,最核心的问题都是成本、成本、成本。如果想去构造一个所谓非常聪明的系统,从技术上来说都是做得到的。我经常爱开玩笑说,如果明天发生第三次世界大战的话,所有的AI问题我们都可以在五年内解决掉。因为只要政府能够征发一千万人,来给我们做数据标注就可以了。我们在商业中,不可能免费得到一千万奴隶。我们解决这些问题的最好方法,就是经过快速的产品迭代。在每一个层次上面,我们从低质量的数据到高质量的数据,在投入一些成本之后,我们获得一些收益,然后不断地去加速人的辅助价值。大家常听到一句话,什么职业要在人工智能的压力下失业了,速记员要失业了,或者说翻译要失业了。坦白说我认为这种话说得不对。其实技术发展那么多年,真正的被技术消灭了的行业、职业真的很多吗?我不觉得,更多的时候是增强了。我们有了计算器之后,真的把会计这个行业给消灭掉了吗?其实会计做得更好了。人工智能取代这个、取代那个是现在根本不用担心的问题。实际上,人应该起到画龙点睛的作用。每一个层面机器帮我们,我们有了更好的数据,我们有更好的创造力,来加速人的判断,这才是比较好的人工智能的应用。中间有很多的步骤,我不一一去讲这些细节了。

在这里面有两张表,讲了分别从底层技术的层次上,我们到底有哪些技术可以用。同样今天没有足够多的时间,把这里面的每一点都讲到。如果把这两张表给解释完了的话,可能就要花半个小时时间,只好略过。

智能金融的核心引擎:一览与前瞻

智能金融的核心引擎:一览与前瞻

我们看最后的层面“策略生成”。如果想造出 Kensho 这样的系统来,我们到底需要花多少人力和物力?这绝对不是一个小团队可以做出来的。比如说组一个10人团队,给他们一年的时间,就能做得出来吗?这是不可能的事情。因为背后需要做的底层技术发展实在太多了。

智能金融的核心引擎:一览与前瞻

这里多提一下知识图谱技术。其实知识图谱是一堆问题,而不是一个技术。虽然知识图谱为人所知是最近三四年的事情,实际上这个领域成型已经有15年时间了。2001年,我们管它叫Semantic Web(语义网),2006年的时候叫Linked Data(互联数据),2012年的时候叫 Knowledge Graph(知识图谱),到了2015年我们又把它改成一个新名叫Smart Data(智能数据)。今后一两年,大家听到智能数据这个词不要诧异,它和知识图谱是同一个技术,只是换了一个马甲而已。因为我们这一行,博士论文每五年一届,所以每五年我们这个行业就要换一个马甲。1998年的时候我们叫Agent,在这之前我们叫 Lisp、专家系统。所以整个知识图谱的技术,实际上有三四十年的发展历程。最早起源的技术,60年代就有了,整个细分为几个大块。我认为细分下来,有几十种不同的技术,统称为知识图谱。并不是找到一两个做自然语言处理的人就可以号称是知识图谱。

从来源来讲,知识图谱可以分成四大块:

第一块:知识提取。这一块主要是从自然语言处理的角度来看的。比如说,我们现在有股转书或者研报,研报里面有很多表格。把这些表格的数据提取出来,就叫自然语言处理的技术。我们从非结构化的数据里,把数据信息结构化,也就是知识提取。

第二块:知识表现。我们拿到了一些数据之后,怎么进行有效处理。尤其是背后有意义的数据,像股权关系网络里面,股东A和股东B之间有亲属关系,他的兄弟们、同学们,这些关系是什么意思?这是一种知识,我们要有一种方法,让机器更方便地进行自动处理,这一部分就叫知识表现。

第三块:知识存储。刚才提到了图数据库。图数据库是知识存储的一个分支,还有很多其他数据库,比如RDF数据库,还有混合的结构化和非结构化数据的管理。

第四块:知识检索,有时候也叫语义检索。这里面又细分成六七种不同的技术,我就不一一列举了。

这些技术对我们有什么用呢?先举一个小例子,在投资研究的过程中,我们最早跟一些券商研究员聊的时候,逐渐分析他们的行为过程。我发现应该可以将他们的分析过程分成四个步骤:

智能金融的核心引擎:一览与前瞻

第一步,是搜索。比如说百度搜索。有时候可能是通过线下聊天或者微信,听说这个行业不错。大家看看这个行业有哪些公司,比如说珠宝这个行业,我在搜索里去搜珠宝,绕过了前面若干个不该点击的链接之后,找到了一个正确的链接。然后在这个链接里头,我们找到了一篇文章说珠宝行业里面有8家公司可以看。

第二步,是找数据。这8家企业的数据在哪儿呢?打开一个金融终端,把里面的数据提取出来。可能一年的数据不够,那么把过去几年的都拎出来,然后一年一年地给筛出来。

第三步,把这些数据扔到EXCEL表格里。有些表头,还有一些公式也都是事先定义好的,他们每天都要做这件事。我们之前还遇到了一个人,他每周一都要发布一个新的EXCEL,里面包含股转中心中的新三板在审企业。这些企业有1000多个,每周一下午三点的时候发布。他每周一下载下来之后,把数据调出来,用以前定义好的模板把EXCEL表格填出来。每一个周一要花三个小时做这个事情。他怎么过滤数据,都是他自己的世界观。

第四步,就是呈现。他拿到了数据,要写PPT、做报告、画图、画表,然后看风险点,各种进一步分析。

当然这只是非常简化的一个过程,实际的研究过程可能会比这复杂很多,而且是迭代的过程。这里也没有包括那些非案头的工作,如打电话和现场调研。

在这四步里,其实每一步你都会看到,人80%的时间在做什么?是在把一些文字、数字从一些地方挪到另外一个地方。这些事情为什么要用人来做呢?这些事情要用机器来做嘛。这就是人工智能在上面能够起到的作用。每一个层面上,我们可以用语义联想来做搜索,做行业对标简化发现细分行业的问题。我们可以用微信机器人,在微信里快速寻找数据。有报道的摘要、产业链的分析、数据的集成等等。一系列的算法,可以在每一个细节上面提高分析师的效率。这就是文因互联现在在做的事情。

我们在2016年1月份就做过新三板的金融终端,5月份发布了搜索,7月份发布了快报去跟踪投前和投后的信息。最近我们做了自动化企业报告。企业要素分析大概有十来个点,这些点都是以前要一个实习生花上一天时间,甚至两天时间才能够做完的。现在一秒钟之内就可以做成一份。也可以在微信群里说,我要某一个企业的分析报告,在10秒钟之后微信机器人会在微信群里给你发出来。对于一些企业的负责人,或者时间特别宝贵的人来说,这非常有价值。之前他们的助理做这个报告,至少需要一天。现在在街上、出租车上,他看到了一个公司,想看看那个公司的信息,一分钟之内就能找到。这种信息的及时性是以前享受不到的。

智能金融的核心引擎:一览与前瞻

信贷报告准备的自动化是我们跟银行合作的一个例子。信贷经理、客户经理生成报告的过程中,需要填很多表。填完这些表格,他们把数据从一个表里挪到另外一个表里。这里面有大量企业基本信息数据、工商数据、实际控制人的数据。这些数据都是从很多其他的表里面提取出来的。一个信贷报告中大概有一两百个点,根据我们的评估,这其中大概有一半左右可以自动化。我们就跟银行一起来自动化。同时,我们还跟一些评级机构做类似的事情。在债券的评估报告里,大家要看六百多个点。这六百多个点大部分都是可以自动化的。从各种各样的地方,把信息从表格中抽取出来,然后定义好,进行呈现和总结。

智能金融的核心引擎:一览与前瞻

自动化行业的上下游分析是另外一个例子。我们之前就已经有这样的数据。但是在新三板以及早期创投一级市场上,有大量的新行业,这些行业的上下游从来没有人分析过。那么怎么做呢?我们去看看市面上已经公开的数据,包括这几十万份的新三板上的年报、半年报,还有股转书,还有对整个产业的描述,这些都是金子。从这里面,我们可以抽取出来几乎每一个细分行业,上下游企业有哪些?他们对应的产品有哪些?所以对这上千个新兴行业,我们都可以机器生成这样一个产业链。上图是园林行业的例子。园林的上游企业,有沙石、石材,它的下游有绿化、工程、设计、种植景观。这些工作以前都是要用人工,要用行业专家来做。我们现在有了机器之后,并不是取代了行业专家,而是可以让行业专家大大节省时间,把成本降低。

智能金融的核心引擎:一览与前瞻

最后一部分是我们正在跟一些交易所在做的公告自动摘要。A股的已经基本做好了,明年初还会做美股的。这都还是一些很初步的工作。对于整个投资研究而言,这些可以说都是一些局部的具体应用。我们做了十几个这样的工具之后,现在在把它们组合在一起变成一个投资研究系统。这个投资研究系统可以做发现标的、企业的研究、行业的分析、事件的分析,最后生成各种各样的自动化报告,能够让每一位研究人员把他的时间放在能够创造更多价值的事情上。多一个小时做什么不好?不工作的话,睡觉也好、谈恋爱也好,做什么都好。让金融人士每天延长生命一小时,这就是我希望达到的目标。

智能金融的核心引擎:一览与前瞻

我们现在做的事情还都非常初步。再回到刚开始说的,智能金融这件事情才刚刚开始,我们的着眼点并不是下一步就替代什么,或者做很智能化的事情,而是把小事情做好,真正地帮助人做一些自动化的小事,提高人的效率。我相信在5年以后,我们会有一个智能金融的生态系统出来。人工智能在这个过程中会起到非常重要的作用。我们文因互联希望跟这个产业一起同步成长,谢谢大家!

智能金融的核心引擎:一览与前瞻

相关栏目:『科技前沿
《新媒体发展趋势报告》:未来媒体浪潮 —— 智媒化 2017-01-16 [50]
芬兰VTT技术研究中心开发“短程雷达可穿戴设备”有助于引导盲人 2017-01-15 [61]
奥胡斯大学物理学家研究“时空弯曲“:地心比地表年轻2年半 2017-01-13 [103]
CES 2017:HoloPixo是如何实现不用任何介质进行全息成像的? 2017-01-12 [321]
斯坦福大学研发超薄芯片问世 屏幕有望卷起来放入包中 2017-01-09 [111]
几年前接收到的神秘撤消宇宙电波:康奈尔大学科学家刚找到它的来源 2017-01-09 [130]
我们的认知塌了 - 关于量子卫星的惊人背景 2017-01-05 [420]
新物种FF91 续航超700公里提速2.39秒 2017-01-04 [240]
人工智能将如何改变商业形态? 2016-12-31 [250]
福岛核辐射物质污染全球 影响空前并日渐显现 2016-12-30 [340]
相关栏目更多文章
最新图文:
:2017华侨华人创业发展洽谈会邀请函 & 新年贺信 :长春侨联祝大家:春节快乐! :中国地质大学(武汉)首届“国际青年学者地大论坛”(3/17-20) :首都体育学院2017年公开招聘公告 :美国陆军部发布《2016-2045年新兴科技趋势报告 - I》 :美国陆军部发布《2016-2045年新兴科技趋势报告 - II》 :南加州中華科工學會大學生/研究生獎學金(截止日期 2/15) 丹萌:《中国医生健康指数年度调查》:大陆超6成医生健康亮红灯!
更多最新图文
更多《即时通讯》>>
 
打印本文章
 
您的名字:
电子邮件:
留言内容:
注意: 留言内容不要超过4000字,否则会被截断。
未 审 核:  是
  
关于我们联系我们申请加入后台管理设为主页加入收藏
美国华裔教授专家网版权所有,谢绝拷贝。如欲选登或发表,请与美国华裔教授专家网联系。
Copyright © 2017 ScholarsUpdate.com. All Rights Reserved.