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。Kensho主打产品，是叫“Warren”（沃伦）的金融数据收集、分析软件，拥有强劲的云计算能力、良好的人机交互界面和深度学习能力，目前产品只在高盛内部试运行，没有正式上市。

据福布斯介绍，“在能够找全数据的假设下，对冲基金分析师团队需要几天时间才能回答的问题，Warren可以通过扫描超过9万项全球事件，如药物审批，经济报告，货币政策变化和政治事件及其对地球上几乎所有金融资产的影响，立即找到超过6500万个问题组合的答案。

”可以看到，Kensho试图构建最全的国际事件数据库及知识图的综合图表模型，解决了当今华尔街投资分析的三大挑战，即速度，规模和自动化。

4. 客户：金融机构和商业媒体双管齐下

金融机构和商业媒体双管齐下，未来有望拓展至政府部门。Kensho客户主要包括两条业务线，利用历史数据帮助大型银行和其他金融机构分析诸如地理、天气等因素带来的风险敞口；帮助全球商业媒体承担事件分析业务。

目前，公司已经和谷歌、S&P等金融机构达成战略合作关系，它们不仅是Kensho的风险投资者，亦是合作伙伴，如B轮融资领投机构S＆P将为Kensho分析平台提供全球市场情报数据，在此基础上双方将合作开展未来产品开发，将新的创新能力推向市场，此外S&P将拥有Kensho的一个董事会观察员席位。

与此同时，Kensho作为CNBC的独家分析提供商，其数据可视化分析每天在CNBC上播放多次。当然，商业媒体的核心竞争力是某事件发生之后以最快的速度给出一个站得住的分析结论，该属性使得CNBC对Kensho的分析能力不会有过高要求，而会更加注重分析速度。

从谷歌、S&P、CNBC既是风险投资商也是商业合作伙伴的属性看，未来Kensho有望拓展至美国政府部门（IQT是美国CIA旗下的投资部门）。

公司已实现盈利，未来进一步提高华尔街金融机构渗透率。2017年2月，Nadler告诉福布斯，公司已实现盈利，B轮融资资金主要是为了用来扩大产品市场，令Kensho能进入摩根大通和摩根士丹利这些华尔街的核心机构。

三、核心产品Warren：低门槛获高专业服务

公司产品Warren是类似于Google搜索引擎的金融分析软件，用户只需以通俗易懂的英文来询问Warren金融问题。

比如“台风对建筑行业股票价格影响是怎样的”，随后便会将问题转换成机器能够识别的信息，并寻找云数据库与互联网中的各类相关数据与事件，运用大数据技术进行分析，并根据市场走向自动生成研究预测报告，回答投资者的问题。

Warren的强大功能使得用户不再需要有专业的金融知识，也不需要设置复杂的参数和配置算法，就可以得到类似于金融分析师分析的结果，让更多的人能够以较低的门槛获得专业的分析结果。

1. 功能：寻找事件与资产的相互关系

Warren可实现， 寻找事件和资产之间的相关性及对于其价格的影响、基于事件对资产未来价格走势进行预测。

其中，寻找事件和资产之间的相关性又包括：

寻找影响资产价格的关联事件。例如输入Apple，Warren会显示一张Apple的股价走势图，在每一天的时间节点，从中可以得到具体哪些事件影响了Apple股价以及影响的百分比，还会展现相关事件对股价波动的P-Value，即显著性影响指数。

寻找某事件对某些资产价格的影响。例如输入“美联储降低利率”，并自由选择时间段和投资的种类，比如道琼斯指数、油价等，Warren会以图表方式呈现该事件对资产价格走势的影响。

基于事件对资产未来价格走势进行预测：

利用机器学习预测资产的价格，通过可能影响价格的相关因素去预测资产未来价格的走势区间。由于Warren的数据库已经包含了大量的数据源，包括政治事件、自然事件等，因此可能存在大量显著影响资产价格的变量，Warren需要判断哪些是可以用来预测价格的相关特征。

在特征的选择上，Warren可以根据用户的建议输入相关的变量，也可以通过特征选择的算法去保留相关的特征。最后，Warren会以股票价格概率分布区间的图表呈现其预测的结果。

2. 特点：快速计算能力、良好人机交互、强大深度学习能力

Warren具有快速的计算能力、良好的人机交互性 、强大的深度学习能力。快速的计算能力：Warren搭建于纳斯达克OMX FinQloud，这是一个专门为金融服务部门设计的云计算平台，不仅可以加强云计算能力，还能够提供满足金融服务特殊安全和监管要求的技术支持。

基于此，Warren能高效完成分析师难以快速做到的信息收集、挖掘等工作，Warren获得的信息可能是传统分析师的数倍多，分析速度是分析师的百倍。

良好的人机交互性：只要输入直白正确的问题，Warren就会提供精确的答案。比如输入，当朝鲜试射导弹时，哪支国防股会涨得最多？（雷神公司、美国通用动力公司、和洛克希德马丁公司）；当苹果公司发布新iPad时，哪家苹果公司的供应商股价上涨幅度会最大？（为iPad内置摄像头生产传感器的豪威科技股份有限公司）。

强大的深度学习能力：根据各类不同问题积累经验，逐步成长，强大的学习能力让Warren越用越聪明，提出的问题越多，Warren学会的东西越多，这也是云计算系统与普通硬件计算系统的差别。

3. 影响：削弱不对称性，现代金融投机行为性质有望再次改变

Warren的出现有望如同电报、互联网诞生一样进一步削弱市场不对称性，加快信息传导速度。削弱金融市场的不对称性：Warren将传统的专业分析师小范围独享的资产价格预测分享给更多普通人，削弱市场的不对称性，同时也削弱了专业金融机构相对于普通投资者的获利优势。

加快信息在金融市场的传导速度，从而使得金融市场更受信息影响：由于Warren获取信息速度是专业人员的数倍多，分析速度是专业人员的百倍，因此Warren的出现如同电报、互联网出现一样，进一步加快信息在金融市场的传导速度。

如同19世纪出现的电报，20世纪出现的互联网一样，极大改变金融投机行为性质，大幅降低具备信息优势的机构的获利能力，我们有理由相信，如果Warren可以使得资产价格以更快、更大程度反映“所有可以获得的信息乃至决策后的结论”，那么现代金融投机行为性质将再次发生改变。

4. 缺陷：无法自我形成新因果关系，无法区分因果性/ 相关性

Warren人机交互有待提高，尚不能判别因果逻辑。尽管Warren具备基础问答能力，然而目前来看，还存在人机交互和因果逻辑混乱等致命缺陷。无法自我形成新因果关系：现阶段的Warren更像一个数据收集、图形化呈现的工具，并不能任意提供分析师决策。

比如Kensho无法直接回答特朗普上台对股市产生的影响，这是由于过去的历史事件并没有包含特朗普的相关信息。即Warren只能做到变量延展，但却无法替用户去逻辑推理事件可能的影响因素，一切背后的关系还需要用户自己去发现。

无法区分因果性还是相关性：假设我们发现比特币价格和黄金价格具有一定的相关性，并基于其关系去预测比特币未来的走势。但是我们没有发现，英国脱欧是驱动两种资产价格上涨的背后原因。即Kensho目前无法判断是因果性还是相关性。

Warren和金融分析师在相当一段长时间里是相辅相成而不是竞争的关系。Warren尚无法做到金融分析的完全自动化，未来很长一段时间也无法完全替代人类分析师。尽管Warren能搜集更全面、更详细的数据，并提供简单的分析和以图形化方式呈现，但是更高级的思考模式，比如理解事件和资产之间更深层次的因果逻辑，理解变量之间的相关性，

Warren是不能办到的。从某种意义上说，Warren和金融分析师在相当一段长时间里是相辅相成而不是竞争的关系，依靠Warren可以大量释放金融分析人员的生产力，能够让其有更多的时间去思考并决策。

5. 未来：自动触发事件对资产价格的影响是Warren终极目标

完善构建全球事件数据库是Warren下一步战略目标。未来Warren计划推出下一代产品，将事件之间的关系做成一张图，形成事件“连接图表功能”，机器会尝试识别事件的概念，关系和网络，逐步模拟金融分析人员的逻辑思考能力，比如试图解决上述无法判定事件因果性还是相关性的问题。

此外，如何将语音识别技术结合到Warren中、如何更新庞大的数据库、如何提高Warren的学习精度与分析速度、如何提高分析结果的准确性也是Warren未来发展的关键点，当然也是难点。

自动触发是事件对资产价格的影响是Warren终极目标。如果未来能借助AI、语音语义、知识图谱等技术让Warren识别并理解变量的语义、变量之间的相关性、资产和事件内在的深层因果逻辑，那么Warren能真正做到对金融分析无所不能。

更进一步，如果Warren可以自动提取事件特征，真正理解语义内外在含义，自主构建并修改知识库和知识图谱，自动触发事件对资产价格的影响并对未来价格走势进行预测，到那时或许大部分金融分析人员真的就要失业了。

（作者：郝彪   来源：行业报告研究院）