布尔财经可以提供200多个单一主题的回归测试，平均准确率也在60%左右。在选股方面，布尔财经的模型可以做到在题材股爆发行情中段给出信号，帮助投资者获取爆发行情末段的超额收益。
文 | 老扎
上世纪七十年代美国宇航局NASA裁员缩减开支，一大批火箭科学家失业了，然而他们意外的发现另一个用武之地——华尔街，并由此开创了量化投资的先河。
不过一直以来量化投资使用的主要是交易数据，这些数据都是结构化的，比较易于处理和分析。DT时代的到来产生了大量新闻、帖子、搜索等非结构化的数据。布尔财经希望做的首先是一个金融领域的今日头条，为用户个性化推荐所需的金融信息，与此同时，帮助投资者从这些数据中挖掘新的投资机会。
布尔财经基于过去一年的40多万条财经信息，筛选出了1000多个节点，构架了一个拥有5个层次的树形金融领域的兴趣图谱。相比于线性模型简单打标签的做法，树形的兴趣图谱可以实现上下级继承和不同的强度值，当用户一个动作影响一个因素时，也会影响其分支上下游的因素，只是强度有所降低。
布尔财经创始人邱致中介绍，采用树形兴趣图谱的技术，在模型工程复杂度方面比线性模型高了一个数量级，但是树形模型可以实现对用户偏好更好的理解。同时为了在未来实现处理金融行情，布尔财经采用了处理速度更快的Storm构架，并通过实时增量的机器学习技术，做到在几秒内完成推荐算法的更新计算。
布尔财经技术上的另一个特点是将用户行为划分为长期、中期和短期三个时间周期，综合决定对用户的新闻推荐。这样做的原因是有些重大事件是投资者普遍需要关注的，例如美国大选或重要的财经数据发布，但是用户并不想每天浏览这些信息，只是在一个时间节点需要获得推送。根据不同时间周期的优化，布尔财经希望可以更好的平衡用户的长期兴趣、中期的阶段性关注点和短期的突发新闻。
关于舆情数据是否真的对交易有价值之前一直有所争论，有些券商研究显示舆情数据对策略的贡献微不足道，但是邱致中认为，这是因为券商采购的数据缺少处理过程，只能简单统计类似文章数量等一些简单指标，才导致了舆情数据的无效。事实上舆情数据一直未被量化投资采用，处于“盒子以外”，完全可以给出一个新的有效因子，提高投资的收益率。
布尔财经根据过去5年的数据分析了市场主题传播和价格的关系，提炼出对择时和选股都有意义的指标。例如市场情绪指标，一些机构在建仓之前会考虑市场情绪，布尔财经的模型通过全市场的新闻，股吧里的回复和跟贴的数量等指标，目前可以做到60%准确率提前2-4周给出市场情绪转折信号。
同时，布尔财经可以提供200多个单一主题的回归测试，平均准确率也在60%左右。在选股方面，布尔财经的模型可以做到在题材股爆发行情中段给出信号，帮助投资者获取爆发行情末段的超额收益。
布尔财经针对C端的产品采用基础版本免费，高级功能收费的方式。这些收费功能主要是效率工具，例如EPF一致性预期，以往专业研究员需要花费数小时统计市场上有意义的预测，并跟踪同一预测源的连续变化趋势，布尔财经的这一功能将实现统计的自动化，节约研发人员的时间。
邱致中认为，未来布尔财经商业化将主要围绕高净值的大C用户和中小型B端机构用户展开，这类用户往往缺乏自有的研究能力，但是却有很多投研需求，也有付费意愿。不过二级市场的数据通常具有排他性，很难做到既有很高的客单价，又能做到很大的规模，也许未来被大基金收购是布尔财经一个不错的选择。
布尔财经成立于2015年，前期主要在开发产品，目前已经有几家量化基金在合作之中，嘉实基金也在使用布尔财经的主题产品。布尔财经创始人邱致中毕业于复旦大学，2006年曾创办 NLP公司，主营业务是通过语义分析技术为政府和军队等提供舆情服务。布尔财经目前获得了来自两位个人投资者的数百万人民币种子投资。
推荐阅读
点击下方图片即可阅读
