一、人工智能+投资悄然来临，知识图谱促智能投研腾飞
1.人工智能+投资悄然来临
人工智能+投资悄然来临，相对传统投资优劣势均较明显。
近日极受
关注的围棋之斗谢幕，AlphaGo不出意外地以3:0完美战胜中国棋手柯洁，
人工智能在棋类游戏中的优势已无可争议。
与此同时，AI与投资领域的
结合正悄悄来临，2017年5月19日，微软人工智能首席科学家邓力透露
已经离开微软，加入美国基金公司Citadel担任首席人工智能官
，同时表示Citadel在人工智能
创新上的机遇及对增进公司在该领域领导地位的热情让其倍感振奋。
5月
15日，李开复在哥伦比亚大学发表了题为《一个工程师的人工智能银河
系漫游指南》毕业演讲，他表示采用智能投资算法获得了比他私人理财
顾问高八倍的收益，人工智能将取代交易员、银行职员、会计师、分析
员和保险经纪人。
2017年3月，管理资金超5万亿美元的资产管理公司
贝莱德拟大幅削减依靠人工主动选股的部门，并引进相关量化人才。由
此可见，人工智能的触角已伸向专业能力极强的投资领域。
相较于传统
投资，AI+投资具有两点明显优势：开发成本虽高，但复制推广和运
营成本极低，非常适合大规模客户群的渗透。机器的情绪控制和逻辑
推理比人类更胜一筹。
同时，AI+投资缺陷也非常明显，其最大缺陷在于
无法解决边界不确定的开放性问题，
比如智能手机未来的技术创新点在哪里，苹果什么时候可以推出下一代
智能手机等等；不能自我学习形成新的因果关系判断，从而通过AI
完成的判断缺乏前瞻性。
机器决策的前提是基于历史事件、知识图谱、
历史结论，对于新出现事物，尤其是黑天鹅政治经济事件的判断力有待
考验。
2. 智能投顾蓬勃发展，智能投研初露雏形
按投资者不同需求，人工智能+投资可分为智能投顾和智能投研。
智
能投顾，指根据投资者不同的理财需求，具有人工智能的计算机程序系
统通过算法和产品搭建数据模型，从而完成传统上由人工提供的理财顾
问服务。智能投研，指利用大数据和机器学习，将数据、信息、决策进
行智能整合，并实现数据之间的智能化关联，从而提高投资者工作效率
和投资能力。
智能投顾：未来五年国内规模有望每年翻倍，人机结合是趋势
国外智能投顾欣欣向荣，传统金融机构后来居上：经历近十年的发
展，国外智能投顾市场已初具规模，以Wealthfront，Betterment为代表的
新兴智能投顾公司管理规模已达数十亿美元，与此同时部分传统金融机
构通过自己开发或并购涉足该领域，如嘉信理财推出Schwab Intelligent
Portfolios，Blackrock收购Future Advisor。
根据统计公司Statista的预测，
2017年美国智能投顾管理资产规模将达到2248.02亿美元，到2021年将
达5095.55亿美元，年复合增长率29.3%。截止2017年2月，资管规模
最大的前五家公司，先锋基金、嘉信智能投资组合、Betterment、Wealthfront、
personal capital分别管理着470、102、73.6、50.1、36亿美元。
国内智能投顾紧随其后，资管规模未来五年有望每年翻倍增长：
在
欧美蓬勃发展态势下，我国智能投顾公司，包括璇玑、资配易、摩羯智
投（招商银行）、蓝海智投、弥财等在内的数十家公司，亦快速兴起。
此
外，我国传统金融机构同样快速布局，2016年8月广发基金率先推出“基
智理财”，成为第一家推出智能投顾服务的基金公司；2016年年底招行率
先推出智能投顾产品——摩羯智投，目前摩羯智投占据国内智能投顾资
金管理规模的多数；民生证券和品钛集团旗下的璇玑宣布合作开发数字
化资产配置系统；长江证券推出iVatarGo国内首款智能财富管理系统等。
Statista预测2017年我国智能投顾管理资产规模达271.38亿美元，到2021
年将达4678.31亿美元，复合年增长率103.8%，发展空间巨大。
按人力参与程度，智能投顾分为机器导向、人机结合以及以人为主
三种模式 ； 人机结合将是未来投顾发展趋势。
在智能投顾爆发时期，几
乎所有的公司模式都是以机器导向为主，国外以wealthfront、betterment、
嘉信理财智能投资组合为代表，国内以弥财、蓝海智投等公司为代表。
而机器导向模式的核心特点在于门槛低、费用低，缺陷在于因无法吸引
大量高净值客户，导致其资管规模存在天花板。
针对高净值客户，人工
投顾显得必不可少，近段时间人机结合的投顾模式逐渐受到重视，有望
成为做大投顾规模的发展趋势：
嘉信理财于2017年3月推出“Schwab
Intelligent Advisory”人机结合新业务，投资者可以随时通过电话或视频
会议获得理财顾问的专业建议，并获得由智能投顾的算法模型给出的基
于ETF的投资组合建议；
智能投顾鼻祖Betterment于2017年1月推
出人机结合的理财服务——“Betterment Plus”和“Betterment Premium”，
其中Betterment Plus门槛10万美金，费用0.4%，投资者每年可与专业理
财顾问进行一次电话咨询；Betterment Premium门槛25万美金，服务费
0.5%，投资者随时可获得专业理财顾问的电话咨询服务。
2017年6
月，恒生电子发布智能投顾产品BiRobot3.0，其产品特点中特别表明需要
人值守（“财富管理自动化+智能理财+有人值守+现金管理策略”）。除了
上述机器导向和人机结合两种模式外，投顾还包含以人为主模式，目前
以社交跟投和投资策略为主流模式，国外以motif、covestor为代表，国
内以雪球、金贝塔等公司为代表。
智能投研：国内基金纷纷试水，人工智能大幅提高传统投研效率
国外创业公司跃跃欲试。
相较于智能投顾，智能投研技术难度更高，
其发展态势初露雏形，还未成规模。如Palantir Metropolis（平台整合多
源数据，将不相干的多个信息置于一个统一的定量分析环境中，构建动
态知识图谱）。
Visible Alpha（通过设立专有的新数据集和工具套件以增
强机构投资者对公司未来基本面的量化见解能力）、Trefis（细拆公司产品
/业务预测收入）、Alphasense（获取专业且碎片化信息）。
Dataminr（ 收集
Twitter等公共来源上的实时数据，并转化为可付诸行动的信号 ）、
Kensho （试图回答“当Netflix超出盈利预期，Amazon明天表现将如何？”、
“Apple发布新产品前后的股票交易如何？”等投资问题）。
国内创业公司、基金公司、数据服务商积极参与智能投研。
国内智
能投研逐渐兴起，如包括通联数据的萝卜投研
、数库科技、文因互联
等创业公司。
值得一提的是，部分基金公司对智能投研的尝试
越来越多，如天弘基金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；
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；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。
需要注意的
是，由于国内金融数据较于国外存在数据不丰富甚至残缺的致命缺陷，
数据标准化、关联化的建立显得至关重要，因此国内数据服务商，如wind、
东方财富、同花顺、恒生聚源等公司是推动智能投研发展过程中的重要
组成部分。
智能投研终极目标实现搜索到投资观点的自动跨越。
传统投研流程，
可简化成四个步骤，
搜索：
通过百度/谷歌、专业书籍、公告等寻找行
业、公司、产品的基本信息。
数据/ 知识提取：
通过万得、彭博等金融
终端或者直接阅读公告、新闻获得数据/知识。
分析研究：
通过Excel
等工具和逻辑推演完成分析研究。
观点呈现：
将分析研究的结果以PPT、
word等形式呈现。
传统投研流程存在搜索途径不完善、数据获取不完整
且不及时、人工分析研究稳定性差、报告呈现时间长等缺陷，而人工智
能可以帮助每一个步骤提高效率。
如智能搜索和智能资讯增大有效信息
来源，公告/新闻自动化摘要和上下游产业链分析提高数据/知识提取效率，
事件因果分析和大数据统计分析完善研究方法
等等
。未来，智能投研的
终极目标，是自动实现搜索到投资观点的一步跨越。
现阶段智能投研工具与传统投研工具的本质区别在于交互体验、数
据逻辑和自我优化学习能力。
交互体验：传统投研工具如万得、彭博
均是非图形化的类EXCEL表格界面，而Kensho、数库科技等智能投研
工具均是图形化界面，交互体验更强，比如可以在图形界面上随意点击
一个节点进行相关查询，非常利于投研效率的提高。
数据逻辑和自我
学习优化能力：由于传统金融数据服务商的数据是基于财务报表的逻辑
关系，是静态存在的，因此没有自我学习优化能力，并且不能跨公司实
现数据之间的逻辑关联；
而Kensho、数库科技所提供的数据服务，一方
面具有静态基于会计逻辑的数据，另一方面可以实现数据的动态关联，
并且这种动态关联可以跨公司和行业实现。
通过海量数据、知识图谱和
深度学习能力，机器可以发现事件与事件之间的关联关系，并通过知识
图谱实现信息向决策的一步转化，并且这种转化过程是可以通过机器学
习逐步自我优化的，甚至可以说会比人类做得更好。
智能投研与投顾两者有望优势互补
智能投研和智能投顾具有天然协同优势，未来有望优势互补。智能
投研通过实时动态获取多维度数据，完成数据向信息的结构化转换，最
终形成投资决策，使得投资人员的工作效率和投资能力可以得到大幅提
高。
在智能投研对个股分析的基础上，可以形成范围更广的资产配置策
略，与提供合理资产配置建议的智能投顾具有极大的协同性。未来随着
投资专业化、私募基金大发展、个人与机构的界限逐步模糊的背景下，
两者有望通过加强合作优势互补。
3. 知识图谱促智能投研腾飞
知识图谱本质是一张由知识点相互连接而成的语义网络的知识库 ，
具体包括知识提取、知识表现、知识存储、知识检索四大分支。
知识图
谱（Knowledge Graph）的概念由谷歌在2012年正式提出，其本质上是由
知识点相互连接而成的语义网络的知识库，其中图的结点代表实体或者
概念，而图的边代表实体/概念之间的各种语义关系，旨在实现更智能的
搜索引擎，在智能问答、情报分析、反欺诈等应用中发挥着重要作用。
尽管知识图谱概念是于2012年正式提出，但从细分组成部分看，知识图
谱可追溯到数十年前，具体包括知识提取、知识表现、知识存储、知识
检索。
知识提取：
利用自然语言处理、机器学习、模式识别解决结构
化数据生成问题。
知识表现：
重新组织结构化数据，通过逻辑推理使
得机器能够处理的同时人也可以理解。
知识存储：
进行大量的结构化
数据管理，同时混合管理结构化和非结构化数据，比如图数据库，RDF
数据库等。
知识检索：
用语义技术提高搜索与查询的精准度，为用户
展现最合适的信息。再进一步说，知识图谱涉及技术非常多，比如知识
收集中的实体关系识别技术、语义相似度计算、关键词提取等，知识表
现的知识推理、规则推理等技术。
知识图谱将促智能投研腾飞。
通过知识图谱相关技术，机器可以从
招股书、年报、公司公告、券商研究报告、新闻等半结构化表格和非结
构化文本数据中批量自动抽取公司的股东、子公司、供应商、客户、合
作伙伴、竞争对手等信息，并构建出公司的知识图谱。
当某个宏观经济
事件或者企业相关事件发生的时候，投资者可以通过知识图谱做更深层
次的分析和更好的投资决策，比如在美国限制向中兴通讯出口的消息发
布之后，如何构建最佳投资组合。
我们认为，随着知识图谱相关技术逐
步发展并应用，不仅可以进一步完善数据的丰富度和准确度，还可以加
速数据标准化、关联化的建立，进而促进搜索向投资观点的一步跨越。
二、KENSHO：智能投研领域的“AlphaGo”
Kensho是智能投研最具想象力先行者。
2013年5月丹尼尔·纳德勒
与程序员彼得·克鲁斯卡尔联合创立
Kensho，总部位于马萨诸塞州剑桥市。
Kensho是一个将云计算与金融
咨询业务结合起来的数据分析公司，目标是建立更智能化的信息数据平
台服务于证券分析师和交易员，为客户提供更加优质、快速的数据分析
服务。
过去一段时间，Kensho被《财富》杂志提名为2016年“五家最热
的金融科技公司”之一，世界经济论坛将其评为世界上最具创新力的私
营科技公司之一，同时被福布斯认为是全球50强最具创新的金融科技公
司之一。
1. 联合创始人：因禅结缘立，创立Kensho
因禅结缘，创立Kensho：
丹尼尔·纳德勒，现年33
岁，拥有哈佛大学经济学博士学位。在美联储工作期间，纳德勒发现尽
管有像彭博、路透、Capital IQ等金融分析工具，但是这些软件依然不能
解决需要投资什么的问题，尤其是对一些事件驱动的数据分析，基于此，
纳德勒萌生了创立Kensho的想法。
彼得·克鲁斯卡尔，现年30岁，拥有麻省理工学院计算机科学的学
士和硕士学位。在联合创办Kensho之前，彼得是Google软件工程师，
曾在gmail团队以及access team上工作。在谷歌工作前，彼得曾在kayak
工作，为其贡献了第一个分析平台、网站和iphone平台。
值得一提的是，纳德勒和彼得在求学期间由于禅宗的共同兴趣便结
识，“Kensho”原意即从佛教禅宗而来，意为“见性”，“Ken”是日语“看”
的意思，音同汉语的“看”，“sho”为日语的“自然、本质”之意，这个
日语禅宗的原意为“透过现象理解事物的本质”。
团队成员人才济济。
目前Kensho有大约80名员工，团队成员不乏
来自谷歌和苹果的一流工程师以及华尔街分析师、物理学家、经济学家
等，包括iPhone原始工程团队7名成员之一，世界上第一个固态两位量
子处理器的创始人，哈佛最年轻入学者等。
此外Kensho为了建立民用非
结构化地缘政治和全球自然事件的数据库，还聘请了前美国国家情报总
监詹姆斯·希恩博士加入了Kensho计划的顾问委员会。现有员工大概有
50人在位于马萨诸塞州的剑桥办公室工作，此外，Kensho也在纽约和华
盛顿设有办事处。
2. 融资情况：累计融资超1亿美元，估达值达5亿美元
累计融资超1亿美元，B轮融资值估值5亿美元。
自2013年起，公司
累计融资超过1亿美元，其中2017年4月公司获得B轮5000万美元融
资，由标普国际（S＆P Global）领投，市值达五亿美元，投资人还包括
高盛，摩根大通，美银美林，摩根士丹利，花旗集团和富国银行等机构。
S＆P Global也不仅仅是Kensho的主要投资者，旗下的市场数据部门还将
为Kensho的分析平台提供最新的金融数据包，为投资者们输出一个全新
的、由AI驱动的市场分析能力。
3. 产品：Warren试图解决 投资分析的“速度、规模、自动化
三大挑战”
试图通过构建国际事件数据库及知识图的综合图表模型，解决当今
投资分析的“速度、规模、 自动化 ”这三大挑战。
