資管科技的明珠:智能投研3.0體系構建導論——價值、定義與方法論

本文共字，預計閱讀時間。

導讀：資管科技被稱為金融科技的下半場，涵蓋投研、交易、風控、營銷等多場景；其中智能投研因其業務地位的核心性，可謂是「資管科技的明珠」。我們認為，「智能投研」的核心目標，是通過「數據中臺」和「知識圖譜」，將「HI」與「AI」有機結合，系統性的對抗個體相較於市場的信息不對稱與認知不對稱，從而幫助資管機構構築起可持續、可解釋、可追溯的投資研究平臺能力，提升核心競爭力。基於過去3年在智能投研領域的實踐案例與探索思考，筆者提出：智能投研已經進入「3.0時代」——在本文中，筆者將從建設價值、概念剖析和建設方法論三個維度，解讀我們對智能投研3.0體系的理解與實踐。

一、Why：重新審視投研系統建設的價值

資本市場是一個典型的非完美博弈市場。投資的本質是基於時間維度做價格預測，賺預期差的錢。預期差來自於信息不對稱與認知不對稱。信息不對稱會導致信息盲點，導致「他知我不知」；而認知不對稱所帶來的認知盲點，會令人無法充分利用已獲得的顯性信息，導致「只知其一，不知其二」。

誠然，投資中有很多藝術的成分，即不確定性，因為它本身是相當複雜的群體博弈；如何捕捉預期差，不同的方法論孕育出了不同的投資流派。而在此文中，我們僅探討其可解釋、可模擬、可追溯的部分；因為上述三個特質代表著這部分能力的可沉澱與可復用。

基於上文定義的狹義框架，若我們把傳統的「研究-投資」過程抽象，那麼：市場上的所有信息都是模型的輸入端（input），而決策過程是中間的複雜函數（由人腦來執行，基於一定的研究框架或者投資框架），輸出端為一個投資信號（基於研究模型）或者投資決策（基於投資模型）。

然而，現實中，人腦是有限注意的（limited attention），再資深的研究員和基金經理都會有不同程度的信息盲點和認知盲點；而研究團隊的價值正是幫助投資團隊持續對抗組織相較於市場的信息不對稱與認知不對稱。

基於以上論述，想要在資本市場上捕捉預期差，獲取超額收益，研究團隊需要履行好兩大核心職能：

一者，克服信息不對稱，擴充組織的信息集，並提升其時效性，以獲取信息優勢；

二者，克服認知不對稱，掌握更廣域的知識，建立更完備的框架體系，以甄別更深層、更長期的價值；

因此，建設投研系統，最根本的就是幫助研究團隊在這兩項職能上強化效力，固化能力，實現研究端向投資端可持續、可衡量、更高效的轉化。在這裡，首當其衝的，是強調「系統化」，因為「系統化」是組織「熵減」的基礎；進一步的，在「投研」的基礎上再加上「智能」二字，核心強調信息技術對上述目標達成的牽引與賦能；最終，我們希望通過「系統化」和「智能化」的建設，打造企業「平臺級」的「研究-投資」能力。

二、What：如何定義智能投研與智能投研3.0？

第二部分，探討我們對「智能投研」的理解。

如何定義「智能投研」？我們圍繞四個關鍵詞來釋義：智能、投研、系統、平臺。

何謂投研？狹義者，可以定義為」面向投資的研究」，主體為「研究」；廣義者，可以將其拆解，涵蓋「投資」與「研究」，我們常說的「投研一體化」指的就是希望實現研究端和投資端的高效聯動。在實際的需求分析時，不能將「投資」與「研究」混為一套。

何謂智能？它可以是一個概念，所謂「智能化」是指「事物在網絡、大數據、物聯網和人工智慧等技術的支持下，所具有的能滿足人的各種需求的屬性」；是傳統「信息化」、「數位化」等建設的終極目標。從方法論上，我們提出「智能=數據+邏輯」，強調技術對投研業務的牽引與賦能。

何謂系統？它可狹義理解一套具象的信息技術系統；亦可以將之廣義理解為一個」系統化「的理念，系統化是對抗組織「熵增」的底層思維之一，強調對流程的梳理、抽象和規則化定義；對共性能力進行抽離、封裝與產品化。

何謂平臺？同樣的，它也可以狹義的理解為一個具象的系統平臺；亦可以理解為一種生產關係與組織形式，強調核心能力的固化和平臺對人的賦能，如果每個人都是資源，那麼通過「平臺化」建設讓有限資源發揮更大的價值，通過全局統籌來優化資源配置，在同等投入之下，讓組織獲取更高產出。

那麼，過去的「智能投研」做了什麼？我們立足中國本土，將國內「智能投研」的發展劃分為3個階段：

階段一：智能投研1.0階段，載體為金融數據與資訊終端，典型代表為Wind、ifind等SaaS金融資訊軟體，旨在提供給專業人士一個垂直、及時、全面的信息平臺。作為第一代資管領域軍備競賽的紅衣大炮，當前此類軟體已成為每一個投研人員的必備工具，由於行情數據與財務數據的信息不對稱所導致的交易機會在機構投資者之間被基本消除。

這個階段的典型特徵是：

（1）由第三方機構獨立提供，無須內部IT團隊參與；

（2）軟體終端形態，高度產品化、標準化、同質化；

（3）核心為外部公開信息的集中採編、整體與呈現；

（4）內容為傳統資訊與數據，無法從信息層面，產生超額收益。

階段二：智能投研2.0階段，核心強調的是如何利用技術來提高研究員的研究能力，主要是面向研究部門，核心受眾對象為研究員，旨在提升研究工作的效率和效益；圍繞研究業務本身展開。

在這個階段，出現了不少A（AI）、B（Big Data）、C（Cloud）與研究業務結合的產品，典型代表為智能搜索，另類數據，圖表解析等，幫助研究員獲取信息優勢，提升部分dirty Work的效率。

這個階段的典型特徵是：

（1）產品與技術由第三方機構提供，但需要內部IT團隊輕度參與（需要私有化部署與運維）；

（2）圍繞某項前沿技術，尋找與業務結合的落地場景，相對孤立；

（3）形態呈現多樣化，包括數據，軟體，算法等；

（4）圍繞研究工作效率提升這一核心命題展開。

階段三：智能投研3.0階段，要進一步強調研究業務的外部性，包括對投資端的轉化，和對公司平臺能力建設的轉化，以實現公司投資能力的可持續、可追溯、可解釋；強調對金融機構盈利能力的綜合貢獻。

在這個階段，一方面我們不僅滿足於對研究工作的效率提升，更關注於公司研究平臺能力的建設和向收入端的轉化。客戶需要的不再僅僅是一個一個孤立的組件，或者一個標準化的軟體產品；而是一套因地制宜的解決方案——可以根據每家公司的經營特性、發展規劃、IT建設能力與階段來個性化設計與落地，強調業務閉環與自主可控。

我們認為，在大資管時代下，建立智能投研3.0體系，對金融機構提升中長期核心競爭力至關重要。

這個階段存在以下典型特徵：

（1）in-house團隊的持續壯大

• 內部IT團隊和業務部門均更深入的參與建設，將內部建設與外部產品與技術有機集合；
• 上升到公司戰略層面，前瞻的機構往往會設立專項小組甚至部門，通過組織架構調整與制度建設來提升機構數智化轉型的步伐，投研數智化是該組織的核心課題之一。

（2）對第三方廠商提出更高的要求

• 首先，從業務上，對廠商的業務理解與全局思維提出更高的要求；
• 其次，從技術上，廠商需要掌握更前沿的技術能力與更前瞻的技術理解；
• 第三，從角色上，廠商不再僅是做被動的需求實現，更要做到主動的業務賦能。

（3）強調開放生態、自主可控的重要性

• 強調公司平臺能力的建設，因此機構需要佔主導角色，做到自主可控；
• 對上遊的數據方與下遊的應用方都提出開放的要求，並將開放性納入選型關鍵要素之一。

（4）強調場景延展與業務閉環思維

• 建設目標的服務對象延展至大資管的全域業務（包括投資、財富管理等），這與大資管時代研究業務的服務場景延展密不可分；
• 從以「管理」為核心轉向以」業務「為核心：強調系統建設對業務的賦能與反哺，強調建設投入的效果真正反映在業務價值的提升上。

三、How：如何打造智能投研3.0體系？

前文提到，投資研究的核心目的是幫助投資者對抗相較於市場對手的信息不對稱與認知不對稱，從而捕捉市場預期差，對風險資產做出更準確的跨期定價，獲取超額收益。

那麼「智能投研」就是依託技術進步，提升投研業務整體的TFP（全要素生產率），實現機構層面投入產出比的提高，構築起機構平臺化、可持續、更高效的研究與投資能力。

我們認為，「智能投研3.0」體系的建設要圍繞三個特徵目標展開：

（1）平臺化

具體來講，就是通過系統建設打造公司的平臺能力，提升對員工的賦能。

簡單地理解，就是公司不會因為某一位研究人員的流動，導致對應行業出現研究能力的迅速崩塌；而在公司建設的平臺上，B級人才可以做出A級的工作績效，而A級人才可以成長為S級人才，從而縮短人才的培養周期，同時提高平臺對於人才的粘性。

那麼要實現上述目標，我們就必須實現投研系統化，只有系統化，才能真正意義上實現規模效應。

（2）系統化

如何實現系統化，我們認為需要做到以下4點：

1）業務數據化；

2）數字資產化；

3）流程標準化；

4）投入產出（I/O）最大化。

我們一一解讀：

首先，業務數據是最具有機構異質性的數據，將業務數據結構化留痕，是數智化的基礎設施，一方數據是講好業務故事的原料之一；

第二，是數據資產化，資產是預期會給企業帶來經濟利益的資源；我們不是要單純地「存」數據，而是要「用「數據，因此需要一套低代碼、可視化的工具，讓業務人員可以靈活、便捷、個性化的取用到能輔助其業務增值的數據，用工具武裝自己，能用數據，用好數據，講好業務故事；

第三，是流程標準化，所謂建立SOP（standard operating procedure）；這條核心是面向合規風控的場景，將規範都定義在後臺，信息自動流轉，主動預警；從而降低管理成本，規避操作風險；

最後，是投入產出最大化，這個其實也是所有建設的最終目標，強調轉化，所有投入向收入轉化；將共性、規律性、重複性的東西抽離出來進行固化，建立所謂中臺，能夠有效降低邊際成本，讓有效資源效用最大化。

以上4點，我們認為也是投研數智化建設的核心方法論。「智能投研3.0」的體系建設需要圍繞這四點方法論來展開設計。

（3）智能化

最後，所謂智能化就很好理解了，在系統中增加更多智能化的組件，讓可以由規則來定義的動作都交給系統來完成，從而解放出人力，來從事更加富有創造力和挑戰性的研究工作。其中，我們強調智能化的「可解釋性」，事實上，金融企業對」可解釋性「的要求遠高於其他行業。

在「智能投研3.0」階段，我們需要抓住以下3個關鍵詞：

關鍵詞一： +AI

即將AI技術，落地於金融資管業務場景，實現深度融合。我們不能盲目誇大算法的應用場景，但也絕不能忽視算法對智能化建設的價值。核心是要找對場景，解決一個封閉問題，通過場景的延展和語料的積累，小步快跑，以小逐大。

關鍵詞二：低代碼

即用低代碼思維實現大數據模型的搭建與運算。低代碼這個理念，在很多行業都已經是一個暢銷詞了。在金融行業亦如是，技術和業務不能割裂，但讓業務去學習代碼又是一個不切實際的想法，而通過代碼封裝，將函數、算法進行原子化、產品化的方式，可以有效的將業務與技術在流程上串聯。

關鍵詞三：可視化

即強調可視化。數據可以可視化，邏輯可以可視化，模型可以可視化，通過可視化，同樣是進一步壓縮信息傳遞與加工路徑，形成能力的固化。

總結上文，「平臺化、系統化、智能化」是「智能投研3.0」的核心建設目標，這是一個長期的系統工程；體系之龐大，建設之難度，絲毫不亞於傳統的交易體系，不能一蹴而就。

通過多年探索與實踐，我們提出，「智能投研3.0」體系建設的「業務三部曲」和」技術四階段「兩大核心綱領。

首先是「業務三部曲」綱領。

第一步，先實現業務數據化、數據資產化，做好數據工作；圍繞4個模塊展開，數據融合、知識沉澱、流程管理與績效考評，將整個流程先在業務系統中打通。

第二步，去著力構築研究中臺能力，包括能力的提升與平臺固化，這裡包括之前提到的業務數據的管理、研究邏輯的管理、策略模型的管理；進一步的，當研究能力可以相對標準化、產品化之後，我們就能夠以更低的成本，和更少的產能約束，更好更有效的實現跨部門的業務協同，更大程度的發揮研究成果的外部性，提升研究業務對公司收入的轉化效應。

第三步，我們希望做到全域的信息化、數位化、智能化。將一期、二期打造的模塊進行進一步的數據串聯，形成一套歸一化、標準口徑的數據流，並將之流向離錢更近的投資口，輔助投資決策，無論是基本面、還是量化、還是量化基本面，都可以根據其投資流派與風險收益目標，來取用適合自己的數據和應用。

最終，公司的投研一體化系統成為一個超級大平臺，內外部產生的數據、開發的系統，都成為平臺中的一個個可熱插拔的應用，每家公司均擁有自己個性化的數據湖和應用商城，由機構來定義數據模型和接口規範，讓外部的供應廠商來主動對接，從而從數據層面到應用層面都實現自主可控。

上述的「三部曲」綱領是從業務角度出發的行動路線；而在實踐中，IT部門則還需要從技術角度去規劃系統建設的落地，此時，需要把握好以下四個階段性目標，且有次序的落實：

階段一：線上化

線上化是最基礎的一步。很多服務流程本來是在線下執行的，比如各種文件的傳輸、審批流程。線上化可以大幅度提高效率，並且更好地存檔記錄。

階段二：數據化

線上化之後的第二個階段就是數據化。通過對企業和企業用戶的多維度數據的展示，更好地提供個性化服務、提高管理水平。

階段三：自動化

自動化是提高效率的必然階段。當一些服務流程標準化之後，可以通過一些技術手段替代人力。尤其是一些固定通知、固定動作。

階段四：智能化

智能化是通過一些算法和規則實現系統的集中調度，一般認為是在自動化的基礎上做智能化。（注釋：實際上，智能化是一個綜合的系統，企業內部服務人員的標準化動作是固定的，但這些動作應該對哪些用戶執行、在什麼階段執行則應該由系統進行分發。將人與系統緊密的結合起來，系統為人賦能，提高人的生產效率。）

在本節，我們梳理了「智能投研3.0」建設的整體目標，並從業務和技術兩個角度，探討了推動建設任務落實的行動綱領。

四、Core：數據中臺與知識圖譜是智能投研3.0的基礎設施

最後，「智能投研3.0」的體系建設道阻且長，我們強調：必須要將基礎設施建設放在首位。

什麼是「智能投研3.0」的基礎設施？我們提出一個簡單樸素的設計哲學：智能=數據+邏輯。

- 數據層面：用「數據中臺」來豐富投研可運用的數據，幫助業務人員獲取信息優勢，拓寬數據使用邊界。即，在成本可控的情況下，持續提升信息端的數量與質量（模型輸入端），減少整體組織的信息盲點，對抗「信息不對稱」。

- 邏輯層面：用「知識圖譜」來承載投研邏輯，將數據轉化為知識；幫助機構實現研究框架沉澱和結構化表達。即，讓系統來更多的固化和執行能用規則定義的模型，提供給投研人員以更高價值密度的信號，以降低基礎信息加工對人腦時間和空間的佔用，在有限資源下，更多的克服整體組織的認知盲點，對抗「認知不對稱」。

因此，在這個體系下，我們強調：知識圖譜與數據中臺，是智能投研3.0的基礎設施。

通過「數據中臺」，我們可以組織所有多源異構數據流（包括結構化和非結構化的），將其映射至一套統一的模型之中，並進行歸一化封裝，從而實現數據層對業務層的敏捷響應，降低數據長期的管理成本，提運升用效率。——業務需求是敏捷多變的，會隨著外部市場環境、監管環境以及內部組織架構、戰略方向的調整動態變化，且日趨高頻；而數據與數據模型相對是穩定的，維護好強大的數據中臺，可以在保持後臺IT架構相對穩定的同時，對高頻變化的前臺業務需求形成高效響應，成為變速齒輪。

而通過「知識圖譜」，我們通過人機結合的方式，將機器的計算能力的優勢及人的思維邏輯相結合，令各自優勢發揮到極致——人思考並提出問題、判斷需要哪些數據，而機器則負責查找數據和識別規律，二者共同解決問題。不同於直接提供解決方案的算法黑箱，基於「知識圖譜」給出的投資信號是具有極強的業務含義與可解釋性的。

關於如何構建面向投研的「數據中臺」與「知識圖譜」，我們將在後續的文章中與大家分享。

五、小結

最後，我們強調「大道至簡」，「智能投研」的目標不是為了讓機器取代人的決策，而是為人提供輔助。圍繞「數據融合」和「人機結合」這兩個理念，通過構建統一數據本體，以及統籌「HI（人）」+「AI（機）」各自的比較優勢，構築起全新的數據處理方式。

如果說「新基建」的核心就是在傳統的物流和人流當中加一個數字流——通過人流、物流、數字流產生產業流和資金流，變成價值流。那麼「智能投研3.0」體系，本質上是定義了一種新型的數據處理與流轉方式，是資管領域的「新基建」。

（作者：金簫，北京熵簡科技有限公司聯合創始人，深耕資管科技，專注於數據中臺在金融領域的落地與智能投研整體解決方案的業務架構設計；曾任職於中信證券股份有限公司 ，清華大學五道口金融學院金融碩士 、中央財經大學金融學士。）

[Source]

本文系未央網專欄作者發表，屬作者個人觀點，不代表網站觀點，未經許可嚴禁轉載，違者必究！首圖來自圖蟲創意。

本文為作者授權未央網發表，屬作者個人觀點，不代表網站觀點，未經許可嚴禁轉載，違者必究！首圖來自圖蟲創意。

本文版權歸原作者所有，如有侵權，請聯繫刪除。首圖來自圖蟲創意。