智能投研在資本市場的應用與發展趨勢

本文共字，預計閱讀時間。

文/廣東博眾證券投資諮詢有限公司 王啟偉

（本文為「證券機構數位化轉型與證券科技創新」徵文活動入圍文章。）

1、什麼是智能投研。

從資本市場誕生的時候起，就隨之而生一個新的群體----投研人員。投研人員運用他們的聰明才智，不僅能為投資者賺取超額利潤，而且維護了市場的穩定，確保資產價格不會長期偏離其基本面情況，從而減少了資產泡沫的產生。隨著機器學習（ML）、自然語言處理（NLP）、生物識別（BT）等AI技術在各領域的運用，我們的生活正在經歷一場前所未有的變革。生活中我們越來越多的運用到諸如Siri、小愛等人工智慧助手，能夠幫助我們發送簡訊，撥打電話，檢索信息，甚至還可以陪用戶聊天。

與此同時，人工智慧在金融領域的應用場景也越來越多，在提高金融機構工作效率、輔助投資決策、防控金融風險等方面卓有成效。在這之中，輔助資產管理成了人工智慧在金融行業的最大的應用場景，智能投研應運而生。智能投研可以定義為：在基礎的金融數據基礎上，通過深度學習、自然語音處理等等人工智慧算法，對數據、時間和結論信息進行自動分析處理，為金融機構從業人員提供輔助，以提高行業工作效率。其基本流程如下圖：

2、智能投研和智能投顧有何區別。

顧名思義，智能投顧主要是將人工智慧輔助引入投顧業務，而智能投研則是將人工智慧引入投研業務中。智能投顧更加偏向於站在客戶立場上為客戶提供資產配置建議，對客戶資金配置到股票、債券、基金等品種上的份額提供合理建議，收取諮詢服務費，主要面向C端客戶；而智能投研更加偏向於輔助資產管理，服務於金融機構的投研人員，主要面向B端。

3、為何智能投研會興起。

智能投研的興起既是由以人工智慧技術為代表的供給端所推動的，也是由金融行業的需求所決定的。首先，人工智慧技術的進步使得眾多基礎的宏觀、行業數據可以不經人工處理而自動生成更直觀的數據集合和圖例，從而節省了大量人力物力，深受各類投資機構和企業的喜愛。同時，隨著網際網路的普及，我們已身處信息爆炸時代，投研業務面臨數據量過大、數據渠道過多、數據結構多樣、數據真假難辨等突出問題，這些問題單靠傳統的投研處理方法和手段已很難勝任或很難長期勝任，急需利器；投研作為投資業務鏈條的一環，交易、風控等都在快速智能化發展，投研同樣需要變革；保持分析的客觀性是投研工作的基本要求，藉助現代科技手段，既可以提高各類投研工作的效率，又可以彌補人類主觀情緒的幹擾。

對於金融機構來說，人工智慧技術的使用，使得傳統投研工作的各個環節有了一定程度的優化和革新，比如：前期信息搜集的不全面和耗時間，是傳統投研中主要的缺陷，引入人工智慧可以解放大量基礎的投研信息搜集類工作。另外，通過結構化、模型化的處理方式，智能投研也提升了金融市場海量原始數據的效用和價值。

4、智能投研的發展歷程。

投研行業有較長的歷史，但是智能投研的歷史卻較短。2000年，美國黑石集團開發了Aladdin系統，使用自然語言處理技術解析文檔，提供風險管理和投研諮詢。拉開了投研智能化的序幕，2010年，Alphasense等陸續成立；2015年我國開始出現人工智慧輔助投研，目前行業參與者眾多，但在數據積累、技術水平等方面還不具備全球競爭力。全球範圍看，智能投研大致發展過程如下：

• 2000年，BlackRock集團開發資產管理平臺--Aladdin系統，使用大數據和NLP（自然語言處理）等技術處理新聞、企業和行業研究報告等不同文件，並將文件中的信息與可能涉及的公司和行業聯繫起來，給研究人員提供投資建議；
• 2010年，Alphasense推出面向金融投資人員的智能搜尋引擎，採用自然語言處理（NLP）技術，從公司公告、新聞和研究報告中整合投資信息。該搜尋引擎可以向研究人員快速提供與標的有關的信息；
• 2013年，Kensho成立，早期服務於高盛內部，專注事件驅動與資產的相關性研究，通過機器學習及雲計算搜集和分析數據，大大縮短傳統投資分析周期，能夠分析海量數據對資本市場各類資產的影響，並通過自然語言處理技術理解和解答覆雜的金融問題；
• 2015年，我國文因互聯成立，陸續發布智能搜索、公告自動化閱讀等工具；上市公司恒生電子發布智能小梵，可以實現智能搜索；
• 2015年，鼎複數據推出金融風險智能防控產品；
• 2016年，通聯數據成立蘿蔔投研，產品包括智能諮詢、智能搜索等；
• 2017年，熵簡科技，推出面向基金公司的輔助決策智能工具。

此外，天弘基金、嘉實基金、華夏基金等經營機構目前也在開始試水智能投研：

5、智能投研與傳統投研的異同。

所謂智能投研，本質上說是用人工智慧代替投研人員的部分工作。但兩者並不完全相同。相比傳統投研，智能投研在數據來源、數據處理方式、獲取渠道方面都有很大的區別。其主要的區別如下表所示：

6、智能投研行業的市場空間。

智能投研屬於新興行業，市場空間廣闊。其應用場景主要是兩類，一類是傳統金融機構，另一類包括上市公司、監管機構等等。在智能投研興起之前，做投研須有專業的投研團隊，投入非常巨大，所以一般只有專業金融機構才會有相關業務。隨著人工智慧應用在投研工作上，基礎投研工作的成本急劇下降。所以上市公司、監管機構等有投研需求的單位也將涉足智能投研部分業務。

從專業投資機構的需求來看，收入來源主要是頭部券商和大型公/私募基金，機構數量和資產規模成為主要的限制條件。根據鯨準研究院測算，當前金融機構在研究數據方面投入的基礎成本是20億-30億。而IT軟體投入約為75億-85億。僅從金融機構的情況來看，市場規模相對有限，但是智能投研將來的需求方絕不僅僅是金融機構，增量需求至少有上市公司、監管機構、投行業務部門、銀行信貸部門、監管審核部門等。其他潛在客戶還有媒體、企業、政府、法律機構等。這些機構和部門的需求將為智能投研打開廣闊的市場空間。

從長期來看，智能投研的潛在市場空間遠大於現有金融數據行業規模。根據第三方市場調研機構Burton-Taylor的數據，全球金融數據市場的規模達到260億美元，全球的資產管理規模約為80萬億美元；由證券業協會統計的國內資產管理行業的約為50萬億元，而金融數據行業的規模僅為20-30億，與海外市場相比，市場潛力巨大。

註：數據來自Burton-Taylor

7、行業現狀和競爭格局。

國內智能投研剛剛興起，處於加速競爭階段，行業格局還未形成，各類金融機構、金融數據服務商、網際網路公司等都在積極布局，利用自身的優勢進行差異化競爭。

7.1 金融機構。

金融機構，尤其是大型公募基金，對智能投研有巨大的需求，基於自研系統有成本優勢和可定製的特點，大型基金有充足的動力去自研智能投研系統。目前，包括華夏基金、天弘基金、易方達等在內的國內機構，已經有產品切入賽道。金融機構在構建智能投研系統方面有先天的優勢，以公募基金為代表的金融機構，資本實力雄厚，投研實力更是顯著高於其他行業競爭者，其開發的產品更加貼合研究人員的使用習慣；但是，金融機構缺乏專業的人工智慧方面的人才，其投研模型往往晦澀專業，適用於機構內部，而不適用於其他用戶，這是其主要的缺點。

7.2 第三方公司。

第三方公司以新切入智能投研行業的創業公司為主，比如：文因互聯、鼎複數據等，其核心成員或來自網際網路公司，有雄厚的技術實力，但缺乏對投研工作的了解；或來自金融機構，熟悉投研的流程和關鍵點，但缺乏對人工智慧技術特點的把握。兩類公司由於其特點，各有其特長和缺陷。未來兩類公司或強強聯合，彌補短板，從而可以和其他類型的競爭者競爭市場份額。

7.3 金融數據服務商。

如前文所述，傳統的金融數據服務市場格局已經十分穩定，巨頭壟斷了市場，數據服務商有轉型成為智能投研服務供應商的動力。數據服務商的優勢是有海量數據積累和大量B端客戶。劣勢是既沒有金融機構對投研的深入研究，也沒有網際網路巨頭的技術優勢。諸如恒生電子、通聯數據等企業已經切入智能投研業務。

7.4 網際網路巨頭。

網際網路時代，巨頭們無論數據積累、資金實力還是技術實力都領先於其他競爭對手，目前各大科技巨頭都在向金融行業滲透，以百度為例，度小滿金融與易方達聯合推出易百智能量化基金。螞蟻金服也曾在2017年宣布與頭部基金共同展開相關研究工作，幫助金融機構優化投資策略。網際網路巨頭在技術、數據等方面都有較好的積累，但是在金融場景的理解方面還不夠深入，需要繼續加強與金融機構的合作。

8、智能投研產業鏈。

智能投研產業鏈主要包括三個部分：上遊數據源與數據採集、中遊數據處理、下遊為各類用戶。

8.1 上遊。

智能投研行業的上遊主要是金融數據服務，包括金融數據的採集、存儲和服務。數據主要包括傳統金融數據、爬蟲數據和其他數據。傳統數據，指傳統意義上投研人員用人力去搜集和整理的數據，主要包括宏觀經濟數據、行業數據、公司年報季報、財務數據、交易數據、券商研究報報等；爬蟲數據是指利用爬蟲技術，從各類網站或文件上採集的數據，包括從各類媒體網站、地方政府網站、社交媒體上獲取的數據。爬蟲技術興起之前，獲取這一類數據十分困難，因為他們分散著在網絡的各個角落，這些數據更加細節，對投研結果的價值提升有著重要意義；其他數據包括天氣數據、衛星數據和各類智能終端採集的數據等。

金屬數據服務行業附加值較低，目前競爭格局明朗，新進入者較難生存。近年來，隨著信息披露的要求越來越嚴格，各類金融數據呈現爆炸式增長，金融數據採集領域誕生了一批壟斷性較強的行業巨頭，如wind、Bloomberg等，市佔率都達到了50%以上，行業競爭格局基本確定，新進入者很難撼動巨頭的地位。

8.2 中遊。

智能投研行業中遊是金融數據處理或者說金融信息加工，是智能投研產業鏈的核心，智能投研能在多大程度上替代人力就取決於數據處理過程。金融數據處理行業主要的產品是兩大類。一類是數據處理工具。包括數據提取所用的工具、根據用戶的需求定製的處理工具等等。另一類是處理好的數據，比如wind和ifind產業鏈圖譜，數據已經經過處理，產業鏈上下遊關係、各部分產值佔比、各環節相關企業等信息被整理之後呈現給用戶。

金融信息加工是智能投研的核心環節，也是附加值最高的環節，目前還未形成穩定的格局，處於加速競爭階段。

8.3 下遊。

智能投研的下遊是投研的各類應用場景，即數據和生成結論的需求方。主要包括金融投資的買方、賣方和監管機構等。賣方主要指券商，券商主要包括三個部門的需求。投行部門：提交文件的審核、找項目。網金部：APP智能投顧功能的底層支持。研究所：報告的質控檢查、信息搜索、公告數據提取；買方主要是投資機構。一級市場：找項目，監控競爭對手。二級市場：量化投資的策略因子、資產組合的監控及風險預警。監管機構主要是證監會和交易所：標準金融文本的審核、信息披露的監控等監管科技範疇。

9、智能投研存在的問題。

目前的智能投研存在的問題也有不少，主要是以下幾個方面：

9.1 信息安全問題：金融數據和客戶自身的投資習慣等數據是智能投研不可缺少的的部分，網際網路時代，整個智能投研過程都基於網際網路，一旦網絡受到攻擊，輕則損失部分數據，重則損失全部數據或導入錯誤程序，導致投資決策出現錯誤而引起巨大損失。

9.2 如何監管的問題：智能投研由人工智慧算法來給出投資決策，可能會有算法出現錯誤的狀況；並且，若有人惡意在程序裡面加入非法功能，不恰當得利，由於人工智慧自身的學習、決策機制的產生等行為無法追溯，但在現有的法律和監管體系下，很難界定人工智慧由於故障或行為引發的社會責任問題。

9.3 依賴於大量的數據，傳統投研由人的大腦完成，有限數據結合人的常識便可得到主要的投資依據。而對於人工智慧來說，必須用大量的數據去「訓練」算法。而不充分的數據，往往得到錯誤的結論。

10、智能投研未來的發展趨勢。

目前智能投研雖然進步很快，但是在投研工作中仍處於初級輔助階段，我們展望智能投研的未來，有一個問題需要回答，智能投研在未來的投研工作中將扮演什麼樣的角色？智能投研會完全取代人嗎？答案是否定的，智能投研在可預見的將來仍將以做輔助工作為主，投研的核心是優秀的投研人員輸出觀點，根據有效市場理論，正是因為不同投研人員的預期不同，所以才能為客戶賺取超額收益，從而跑贏市場。

投研工作中存在大量模式化、標準化的工作，比如研究報告的撰寫、合規文件定期報送、重大事件短評、IPO文件部分章節等，這些工作目前主要由初級投研人員來完成，但是投研人員的核心價值是輸出觀點，用人工智慧處理上述工作既可以節約大量人力成本，為投研人員釋放更多的時間。

總結來說，智能投研定位於更好地輔助投研人員，未來隨著技術的繼續推進，在金融行業的滲透率將進一步升高，具有廣闊的發展空間。

[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！

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！

本文版權歸原作者所有，如有侵權，請聯繫刪除。