人工智能对资产管理的颠覆 ——人工智能夯实资产管理基础(5)

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。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，比如：观测App下载量，微博中提及产品的次数，在知乎上对其产品的评价。 [原创文章：www.11jj.com]

[原创文章：www.11jj.com]

率先使用自然语言处理技术的人工智能对冲基金是今年6月份在伦敦新设的对冲基金CommEq。CommEq的投资方法结合了定量模型与自然语言处理（NLP），使计算机能够如人类一样通过推断和逻辑演绎理解不完整和非结构化的信息。除此之外，也有采用自然语言处理技术的金融科技公司，如由李嘉诚与塔塔通讯投资的Sentient Technologies运用自然语言处理，深度学习(DeepLearning)等多种AI技术，进行量化交易模型的建立。

2.减少预测干扰

机器学习与自然语言处理的技术经常会在一些意外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，这时候就需要专家设置的知识库（规则）建立知识图谱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。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，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。

不过，知识图谱在工业界还没有形成大规模的应用。即便有部分企业试图往这个方向发展，但很多仍处于调研阶段。这其中的难点在于如何与特定领域机构建立起一套合作方式，如何将合作变成一种可轻易编程的界面，让该领域专家可以通过系统以一种非常简单的方式进行行业逻辑的建模，而他的逻辑可以通过系统实时得到验证，使其进一步更新，只有通过专家与机器反反复复的迭代，形成闭环，才会服务好用户。

（二）证券研究的实践案例

1.Kensho