一、人工智慧+投資悄然來臨， 知識圖譜促智慧投研騰飛
1. 人工智慧+投資悄然來臨
人工智慧+投資悄然來臨， 相對傳統投資優劣勢均較明顯。
與此同時， AI與投資領域的結合正悄悄來臨， 2017年5月19日， 微軟人工智慧首席科學家鄧力透露已經離開微軟， 加入美國基金公司Citadel擔任首席人工智慧官， 同時表示Citadel在人工智慧創新上的機遇及對增進公司在該領域領導地位的熱情讓其倍感振奮。
5月15日， 李開複在哥倫比亞大學發表了題為《一個工程師的人工智慧銀河系漫遊指南》畢業演講， 他表示採用智慧投資演算法獲得了比他私人理財顧問高八倍的收益， 人工智慧將取代交易員、銀行職員、會計師、分析員和保險經紀人。
2017年3月， 管理資金超5萬億美元的資產管理公司貝萊德擬大幅削減依靠人工主動選股的部門，
相較于傳統投資， AI+投資具有兩點明顯優勢：
開發成本雖高， 但複製推廣和運營成本極低， 非常適合大規模客戶群的滲透；
機器的情緒控制和邏輯推理比人類更勝一籌。
同時， AI+投資缺陷也非常明顯， 其最大缺陷在於無法解決邊界不確定的開放性問題， 比如智慧手機未來的技術創新點在哪裡， 蘋果什麼時候可以推出下一代智慧手機等等；不能自我學習形成新的因果關係判斷， 從而通過AI完成的判斷缺乏前瞻性。
機器決策的前提是基於歷史事件、知識圖譜、歷史結論，
2. 智慧投顧蓬勃發展， 智慧投研初露雛形
按投資者不同需求， 人工智慧+投資可分為智慧投顧和智慧投研。 智慧投顧， 指根據投資者不同的理財需求， 具有人工智慧的電腦程式系統通過演算法和產品搭建資料模型，
智能投顧：未來五年國內規模有望每年翻倍， 人機結合是趨勢
國外智慧投顧欣欣向榮， 傳統金融機構後來居上：經歷近十年的發展， 國外智慧投顧市場已初具規模， 以Wealthfront， Betterment為代表的新興智慧投顧公司管理規模已達數十億美元， 與此同時部分傳統金融機構通過自己開發或並購涉足該領域， 如嘉信理財推出Schwab Intelligent Portfolios， Blackrock收購Future Advisor。
根據統計公司Statista的預測， 2017年美國智慧投顧管理資產規模將達到2248.02億美元， 到2021年將達5095.55億美元， 年複合增長率29.3%。
國內智慧投顧緊隨其後， 資管規模未來五年有望每年翻倍增長：在歐美蓬勃發展態勢下， 我國智慧投顧公司， 包括璿璣、資配易、摩羯智投（招商銀行）、藍海智投、彌財等在內的數十家公司， 亦快速興起。
此外，我國傳統金融機構同樣快速佈局，2016年8月廣發基金率先推出“基智理財”，成為第一家推出智慧投顧服務的基金公司；2016年年底招行率先推出智慧投顧產品——摩羯智投，目前摩羯智投佔據國內智慧投顧資金管理規模的多數；民生證券和品鈦集團旗下的璿璣宣佈合作開發數位化資產配置系統；長江證券推出iVatarGo國內首款智慧財富管理系統等。
Statista預測2017年我國智慧投顧管理資產規模達271.38億美元，到2021年將達4678.31億美元，複合年增長率103.8%，發展空間巨大。按人力參與程度，智慧投顧分為機器導向、人機結合以及以人為主三種模式；人機結合將是未來投顧發展趨勢。
在智慧投顧爆發時期，幾乎所有的公司模式都是以機器導向為主，國外以Wealthfront、Betterment、嘉信理財智慧投資組合為代表，國內以彌財、藍海智投等公司為代表。而機器導向模式的核心特點在於門檻低、費用低，缺陷在於因無法吸引大量高淨值客戶，導致其資管規模存在天花板。
針對高淨值客戶，人工投顧顯得必不可少，近段時間人機結合的投顧模式逐漸受到重視，有望成為做大投顧規模的發展趨勢。
嘉信理財於2017年3月推出“Schwab Intelligent Advisory”人機結合新業務，投資者可以隨時通過電話或視訊會議獲得理財顧問的專業建議，並獲得由智慧投顧的演算法模型給出的基於ETF的投資組合建議。
智慧投顧鼻祖Betterment于2017年1月推出人機結合的理財服務——“Betterment Plus”和“Betterment Premium”，其中Betterment Plus門檻10萬美金，費用0.4%，投資者每年可與專業理財顧問進行一次電話諮詢；Betterment Premium門檻25萬美金，服務費0.5%，投資者隨時可獲得專業理財顧問的電話諮詢服務。
2017年6月，恒生電子發佈智慧投顧產品BiRobot3.0，其產品特點中特別表明需要人值守（“財富管理自動化+智慧理財+有人值守+現金管理策略”）。除了上述機器導向和人機結合兩種模式外，投顧還包含以人為主模式，目前以社交跟投和投資策略為主流模式，國外以Motif、Covestor為代表，國內以雪球、金貝塔等公司為代表。
智能投研：國內基金紛紛試水，人工智慧大幅提高傳統投研效率
國外創業公司躍躍欲試。相較于智慧投顧，智慧投研技術難度更高，其發展態勢初露雛形，還未成規模。如Palantir Metropolis（平臺整合多來源資料，將不相干的多個資訊置於一個統一的定量分析環境中，構建動態知識圖譜）。
Visible Alpha（通過設立專有的新資料集和工具套件以增強機構投資者對公司未來基本面的量化見解能力）、Trefis（細拆公司產品/業務預測收入）、Alphasense（獲取專業且碎片化資訊）。
Dataminr（收集Twitter等公共來源上的即時資料，並轉化為可付諸行動的信號）、Kensho（試圖回答“當Netflix超出盈利預期，Amazon明天表現將如何？”、“Apple發佈新產品前後的股票交易如何？”等投資問題）。
國內創業公司、基金公司、資料服務商積極參與智慧投研。國內智慧投研逐漸興起，如包括通聯資料的蘿蔔投研、數庫科技、文因互聯等創業公司。
值得一提的是，部分基金公司對智慧投研的嘗試越來越多，如天弘基金2015年建立了業內領先的投研雲系統，其中的信鴿和鷹眼兩大系統分別為股票和債券投研提供精准支援。
嘉實基金2016年成立了人工智慧投資研究中心，構建可擴展的智慧投研平臺，為系統化的科學投資決策提供支援；華夏基金和微軟亞洲研究院戰略合作，雙方將就人工智慧在金融服務領域的應用展開戰略合作研究。
需要注意的是，由於國內金融資料較於國外存在資料不豐富甚至殘缺的致命缺陷，資料標準化、關聯化的建立顯得至關重要，因此國內資料服務商，如Wind、東方財富、同花順、恒生聚源等公司是推動智慧投研發展過程中的重要組成部分。
智慧投研終極目標實現搜索到投資觀點的自動跨越。傳統投研流程，可簡化成四個步驟：
搜索：通過百度/穀歌、專業書籍、公告等尋找行業、公司、產品的基本資訊；
資料/知識提取：通過萬得、彭博等金融終端或者直接閱讀公告、新聞獲得資料/知識；
分析研究：通過Excel等工具和邏輯推演完成分析研究；
觀點呈現：將分析研究的結果以PPT、word等形式呈現。
傳統投研流程存在搜索途徑不完善、資料獲取不完整且不及時、人工分析研究穩定性差、報告呈現時間長等缺陷，而人工智慧可以説明每一個步驟提高效率。
如智慧搜索和智慧資訊增大有效資訊來源，公告/新聞自動化摘要和上下游產業鏈分析提高資料/知識提取效率，事件因果分析和大資料統計分析完善研究方法等等。
未來，智慧投研的終極目標，是自動實現搜索到投資觀點的一步跨越。
現階段智慧投研工具與傳統投研工具的本質區別在於交互體驗、資料邏輯和自我優化學習能力。
交互體驗：傳統投研工具如萬得、彭博均是非圖形化的類EXCEL表格介面，而Kensho、數庫科技等智慧投研工具均是圖形化介面，交互體驗更強，比如可以在圖形介面上隨意點擊一個節點進行相關查詢，非常利於投研效率的提高。
資料邏輯和自我學習優化能力：由於傳統金融資料服務商的資料是基於財務報表的邏輯關係，是靜態存在的，因此沒有自我學習優化能力，並且不能跨公司實現資料之間的邏輯關聯。
而Kensho、數庫科技所提供的資料服務，一方面具有靜態基於會計邏輯的資料，另一方面可以實現資料的動態關聯，並且這種動態關聯可以跨公司和行業實現。
通過海量資料、知識圖譜和深度學習能力，機器可以發現事件與事件之間的關聯關係，並通過知識圖譜實現資訊向決策的一步轉化，並且這種轉化過程是可以通過機器學習逐步自我優化的，甚至可以說會比人類做得更好。
智慧投研與投顧兩者有望優勢互補
智慧投研和智慧投顧具有天然協同優勢，未來有望優勢互補。智慧投研通過即時動態獲取多維度數據，完成資料向資訊的結構化轉換，最終形成投資決策，使得投資人員的工作效率和投資能力可以得到大幅提高。
在智慧投研對個股分析的基礎上，可以形成範圍更廣的資產配置策略，與提供合理資產配置建議的智慧投顧具有極大的協同性。未來隨著投資專業化、私募基金大發展、個人與機構的界限逐步模糊的背景下，兩者有望通過加強合作優勢互補。
3. 知識圖譜促智慧投研騰飛
知識圖譜本質是一張由知識點相互連接而成的語義網路的知識庫，具體包括知識提取、知識表現、知識存儲、知識檢索四大分支。
知識圖譜（Knowledge Graph）的概念由穀歌在2012年正式提出，其本質上是由知識點相互連接而成的語義網路的知識庫，其中圖的結點代表實體或者概念，而圖的邊代表實體/概念之間的各種語義關係，旨在實現更智慧的搜尋引擎，在智慧問答、情報分析、反欺詐等應用中發揮著重要作用。
儘管知識圖譜概念是於2012年正式提出，但從細分組成部分看，知識圖譜可追溯到數十年前，具體包括知識提取、知識表現、知識存儲、知識檢索：
知識提取：利用自然語言處理、機器學習、模式識別解決結構化資料生成問題。
知識表現：重新組織結構化資料，通過邏輯推理使得機器能夠處理的同時人也可以理解。
知識存儲：進行大量的結構化資料管理，同時混合管理結構化和非結構化資料，比如圖資料庫，RDF資料庫等。
知識檢索：用語義技術提高搜索與查詢的精准度，為使用者展現最合適的資訊。再進一步說，知識圖譜涉及技術非常多，比如知識收集中的實體關係識別技術、語義相似度計算、關鍵字提取等，知識表現的知識推理、規則推理等技術。
知識圖譜將促智慧投研騰飛。通過知識圖譜相關技術，機器可以從招股書、年報、公司公告、券商研究報告、新聞等半結構化表格和非結構化文本資料中批量自動抽取公司的股東、子公司、供應商、客戶、合作夥伴、競爭對手等資訊，並構建出公司的知識圖譜。
當某個宏觀經濟事件或者企業相關事件發生的時候，投資者可以通過知識圖譜做更深層次的分析和更好的投資決策，比如在美國限制向中興通訊出口的消息發佈之後，如何構建最佳投資組合。
我們認為，隨著知識圖譜相關技術逐步發展並應用，不僅可以進一步完善資料的豐富度和準確度，還可以加速資料標準化、關聯化的建立，進而促進搜索向投資觀點的一步跨越。
二、KENSHO：智慧投研領域的“AlphaGo”
Kensho是智慧投研最具想像力先行者。2013年5月丹尼爾·納德勒與程式師彼得·克魯斯卡爾聯合創立Kensho，總部位於麻塞諸塞州劍橋市。
Kensho是一個將雲計算與金融諮詢業務結合起來的資料分析公司，目標是建立更智慧化的資訊資料平臺服務于證券分析師和交易員，為客戶提供更加優質、快速的資料分析服務。
過去一段時間，Kensho被《財富》雜誌提名為2016年“五家最熱的金融科技公司”之一，世界經濟論壇將其評為世界上最具創新力的私營科技公司之一，同時被福布斯認為是全球50強最具創新的金融科技公司之一。
1. 聯合創始人：因禪結緣立，創立Kensho
因禪結緣，創立Kensho：丹尼爾·納德勒，現年33歲，擁有哈佛大學經濟學博士學位。在美聯儲工作期間，納德勒發現儘管有像彭博、路透、Capital IQ等金融分析工具，但是這些軟體依然不能解決需要投資什麼的問題，尤其是對一些事件驅動的資料分析，基於此，納德勒萌生了創立Kensho的想法。
彼得·克魯斯卡爾，現年30歲，擁有麻省理工學院電腦科學的學士和碩士學位。在聯合創辦Kensho之前，彼得是Google軟體工程師，曾在gmail團隊以及access team上工作。在穀歌工作前，彼得曾在kayak工作，為其貢獻了第一個分析平臺、網站和iphone平臺。
值得一提的是，納德勒和彼得在求學期間由於禪宗的共同興趣便結識，“Kensho”原意即從佛教禪宗而來，意為“見性”，“Ken”是日語“看”的意思，音同漢語的“看”，“sho”為日語的“自然、本質”之意，這個日語禪宗的原意為“透過現象理解事物的本質”。
團隊成員人才濟濟。目前Kensho有大約80名員工，團隊成員不乏來自谷歌和蘋果的一流工程師以及華爾街分析師、物理學家、經濟學家等，包括iPhone原始工程團隊7名成員之一，世界上第一個固態兩位量子處理器的創始人，哈佛最年輕入學者等。
此外Kensho為了建立民用非結構化地緣政治和全球自然事件的資料庫，還聘請了前美國國家情報總監詹姆斯·希恩博士加入了Kensho計畫的顧問委員會。現有員工大概有50人在位於麻塞諸塞州的劍橋辦公室工作，此外，Kensho也在紐約和華盛頓設有辦事處。
2. 融資情況：累計融資超1億美元，估達值達5億美元
累計融資超1億美元，B輪融資值估值5億美元。自2013年起，公司累計融資超過1億美元，其中2017年4月公司獲得B輪5000萬美元融資，由標普國際（S＆P Global）領投，市值達五億美元，投資人還包括高盛，摩根大通，美銀美林，摩根士丹利，花旗集團和富國銀行等機構。
S＆P Global也不僅僅是Kensho的主要投資者，旗下的市場資料部門還將為Kensho的分析平臺提供最新的金融資料包，為投資者們輸出一個全新的、由AI驅動的市場分析能力。
3. 產品：Warren試圖解決投資分析的“速度、規模、自動化三大挑戰”
試圖通過構建國際事件資料庫及知識圖的綜合圖表模型，解決當今投資分析的“速度、規模、自動化”這三大挑戰。Kensho主打產品，是叫“Warren”（沃倫）的金融資料收集、分析軟體，擁有強勁的雲計算能力、良好的人機交互介面和深度學習能力，目前產品只在高盛內部試運行，沒有正式上市。
據福布斯介紹，“在能夠找全數據的假設下，對沖基金分析師團隊需要幾天時間才能回答的問題，Warren可以通過掃描超過9萬項全球事件，如藥物審批，經濟報告，貨幣政策變化和政治事件及其對地球上幾乎所有金融資產的影響，立即找到超過6500萬個問題組合的答案。”
可以看到，Kensho試圖構建最全的國際事件資料庫及知識圖的綜合圖表模型，解決了當今華爾街投資分析的三大挑戰，即速度，規模和自動化。
4. 客戶：金融機構和商業媒體雙管齊下
金融機構和商業媒體雙管齊下，未來有望拓展至政府部門。Kensho客戶主要包括兩條業務線，利用歷史資料説明大型銀行和其他金融機構分析諸如地理、天氣等因素帶來的風險敞口；幫助全球商業媒體承擔事件分析業務。
目前，公司已經和穀歌、S&P等金融機構達成戰略合作關係，它們不僅是Kensho的風險投資者，亦是合作夥伴，如B輪融資領投機構S＆P將為Kensho分析平臺提供全球市場情報資料，在此基礎上雙方將合作開展未來產品開發，將新的創新能力推向市場，此外S&P將擁有Kensho的一個董事會觀察員席位。
與此同時，Kensho作為CNBC的獨家分析提供商，其資料視覺化分析每天在CNBC上播放多次。當然，商業媒體的核心競爭力是某事件發生之後以最快的速度給出一個站得住的分析結論，該屬性使得CNBC對Kensho的分析能力不會有過高要求，而會更加注重分析速度。
從穀歌、S&P、CNBC既是風險投資商也是商業合作夥伴的屬性看，未來Kensho有望拓展至美國政府部門（IQT是美國CIA旗下的投資部門）。
公司已實現盈利，未來進一步提高華爾街金融機構滲透率。2017年2月，Nadler告訴福布斯，公司已實現盈利，B輪融資資金主要是為了用來擴大產品市場，令Kensho能進入摩根大通和摩根士丹利這些華爾街的核心機構。
三、核心產品Warren：低門檻獲高專業服務
公司產品Warren是類似於Google搜尋引擎的金融分析軟體，使用者只需以通俗易懂的英文來詢問Warren金融問題。
比如“颱風對建築行業股票價格影響是怎樣的”，隨後便會將問題轉換成機器能夠識別的資訊，並尋找雲資料庫與互聯網中的各類相關資料與事件，運用大資料技術進行分析，並根據市場走向自動生成研究預測報告，回答投資者的問題。
Warren的強大功能使得使用者不再需要有專業的金融知識，也不需要設置複雜的參數和配置演算法，就可以得到類似于金融分析師分析的結果，讓更多的人能夠以較低的門檻獲得專業的分析結果。
1. 功能：尋找事件與資產的相互關係
Warren可實現，尋找事件和資產之間的相關性及對於其價格的影響、基於事件對資產未來價格走勢進行預測。
其中，尋找事件和資產之間的相關性又包括：
尋找影響資產價格的關聯事件。例如輸入Apple，Warren會顯示一張Apple的股價走勢圖，在每一天的時間節點，從中可以得到具體哪些事件影響了Apple股價以及影響的百分比，還會展現相關事件對股價波動的P-Value，即顯著性影響指數。
尋找某事件對某些資產價格的影響。例如輸入“美聯儲降低利率”，並自由選擇時間段和投資的種類，比如道鐘斯指數、油價等，Warren會以圖表方式呈現該事件對資產價格走勢的影響。
基於事件對資產未來價格走勢進行預測：
利用機器學習預測資產的價格，通過可能影響價格的相關因素去預測資產未來價格的走勢區間。由於Warren的資料庫已經包含了大量的資料來源，包括政治事件、自然事件等，因此可能存在大量顯著影響資產價格的變數，Warren需要判斷哪些是可以用來預測價格的相關特徵。
在特徵的選擇上，Warren可以根據使用者的建議輸入相關的變數，也可以通過特徵選擇的演算法去保留相關的特徵。最後，Warren會以股票價格概率分佈區間的圖表呈現其預測的結果。
2. 特點：快速計算能力、良好人機交互、強大深度學習能力
Warren具有快速的計算能力、良好的人機交互性、強大的深度學習能力。快速的計算能力：Warren搭建于納斯達克OMX FinQloud，這是一個專門為金融服務部門設計的雲計算平臺，不僅可以加強雲計算能力，還能夠提供滿足金融服務特殊安全和監管要求的技術支援。
基於此，Warren能高效完成分析師難以快速做到的資訊收集、挖掘等工作，Warren獲得的資訊可能是傳統分析師的數倍多，分析速度是分析師的百倍。
良好的人機交互性：只要輸入直白正確的問題，Warren就會提供精確的答案。比如輸入，當朝鮮試射導彈時，哪支國防股會漲得最多？（雷神公司、美國通用動力公司、和洛克希德馬丁公司）；當蘋果公司發佈新iPad時，哪家蘋果公司的供應商股價上漲幅度會最大？（為iPad內置攝像頭生產感測器的豪威科技股份有限公司）。
強大的深度學習能力：根據各類不同問題積累經驗，逐步成長，強大的學習能力讓Warren越用越聰明，提出的問題越多，Warren學會的東西越多，這也是雲計算系統與普通硬體計算系統的差別。
3. 影響：削弱不對稱性，現代金融投機行為性質有望再次改變
Warren的出現有望如同電報、互聯網誕生一樣進一步削弱市場不對稱性，加快資訊傳導速度。削弱金融市場的不對稱性：Warren將傳統的專業分析師小範圍獨享的資產價格預測分享給更多普通人，削弱市場的不對稱性，同時也削弱了專業金融機構相對于普通投資者的獲利優勢。
加快資訊在金融市場的傳導速度，從而使得金融市場更受資訊影響：由於Warren獲取資訊速度是專業人員的數倍多，分析速度是專業人員的百倍，因此Warren的出現如同電報、互聯網出現一樣，進一步加快資訊在金融市場的傳導速度。
如同19世紀出現的電報，20世紀出現的互聯網一樣，極大 改變金融投機行為性質，大幅降低具備資訊優勢的機構的獲利能力，我們有理由相信，如果Warren可以使得資產價格以更快、更大程度反映“所有可以獲得的資訊乃至決策後的結論”，那麼現代金融投機行為性質將再次發生改變。
4. 缺陷：無法自我形成新因果關係，無法區分因果性/相關性
Warren人機交互有待提高，尚不能判別因果邏輯。儘管Warren具備基礎問答能力，然而目前來看，還存在人機交互和因果邏輯混亂等致命缺陷。無法自我形成新因果關係：現階段的Warren更像一個資料收集、圖形化呈現的工具，並不能任意提供分析師決策。
比如Kensho無法直接回答特朗普上臺對股市產生的影響，這是由於過去的歷史事件並沒有包含特朗普的相關資訊。即Warren只能做到變數延展，但卻無法替用戶去邏輯推理事件可能的影響因素，一切背後的關係還需要使用者自己去發現。
無法區分因果性還是相關性：假設我們發現比特幣價格和黃金價格具有一定的相關性，並基於其關係去預測比特幣未來的走勢。但是我們沒有發現，英國脫歐是驅動兩種資產價格上漲的背後原因。即Kensho目前無法判斷是因果性還是相關性。
Warren和金融分析師在相當一段長時間裡是相輔相成而不是競爭的關係。Warren尚無法做到金融分析的完全自動化，未來很長一段時間也無法完全替代人類分析師。儘管Warren能搜集更全面、更詳細的資料，並提供簡單的分析和以圖形化方式呈現，但是更高級的思考模式，比如理解事件和資產之間更深層次的因果邏輯，理解變數之間的相關性，
Warren是不能辦到的。從某種意義上說，Warren和金融分析師在相當一段長時間裡是相輔相成而不是競爭的關係，依靠Warren可以大量釋放金融分析人員的生產力，能夠讓其有更多的時間去思考並決策。
5. 未來：自動觸發事件對資產價格的影響是Warren終極目標
完善構建全球事件資料庫是Warren下一步戰略目標。未來Warren計畫推出下一代產品，將事件之間的關係做成一張圖，形成事件“連接圖表功能”，機器會嘗試識別事件的概念，關係和網路，逐步類比金融分析人員的邏輯思考能力，比如試圖解決上述無法判定事件因果性還是相關性的問題。
此外，如何將語音辨識技術結合到Warren中、如何更新龐大的資料庫、如何提高Warren的學習精度與分析速度、如何提高分析結果的準確性也是Warren未來發展的關鍵點，當然也是難點。
自動觸發是事件對資產價格的影響是Warren終極目標。如果未來能借助AI、語音語義、知識圖譜等技術讓Warren識別並理解變數的語義、變數之間的相關性、資產和事件內在的深層因果邏輯，那麼Warren能真正做到對金融分析無所不能。
更進一步，如果Warren可以自動提取事件特徵，真正理解語義內外在含義，自主構建並修改知識庫和知識圖譜，自動觸發事件對資產價格的影響並對未來價格走勢進行預測，到那時或許大部分金融分析人員真的就要失業了。
原文連結：https://mp.weixin.qq.com/s/xsPSfl7UJl9LvFfuCR3UTA
你可以通過以下方式聯繫我們或者給我們投稿：
-發郵件到fintechqueen@163.com；
（加微信請注明“姓名-公司-職位-添加原因”）。 亦快速興起。此外，我國傳統金融機構同樣快速佈局，2016年8月廣發基金率先推出“基智理財”，成為第一家推出智慧投顧服務的基金公司；2016年年底招行率先推出智慧投顧產品——摩羯智投，目前摩羯智投佔據國內智慧投顧資金管理規模的多數；民生證券和品鈦集團旗下的璿璣宣佈合作開發數位化資產配置系統；長江證券推出iVatarGo國內首款智慧財富管理系統等。
Statista預測2017年我國智慧投顧管理資產規模達271.38億美元，到2021年將達4678.31億美元，複合年增長率103.8%，發展空間巨大。按人力參與程度，智慧投顧分為機器導向、人機結合以及以人為主三種模式；人機結合將是未來投顧發展趨勢。
在智慧投顧爆發時期，幾乎所有的公司模式都是以機器導向為主，國外以Wealthfront、Betterment、嘉信理財智慧投資組合為代表，國內以彌財、藍海智投等公司為代表。而機器導向模式的核心特點在於門檻低、費用低，缺陷在於因無法吸引大量高淨值客戶，導致其資管規模存在天花板。
針對高淨值客戶，人工投顧顯得必不可少，近段時間人機結合的投顧模式逐漸受到重視，有望成為做大投顧規模的發展趨勢。
嘉信理財於2017年3月推出“Schwab Intelligent Advisory”人機結合新業務，投資者可以隨時通過電話或視訊會議獲得理財顧問的專業建議，並獲得由智慧投顧的演算法模型給出的基於ETF的投資組合建議。
智慧投顧鼻祖Betterment于2017年1月推出人機結合的理財服務——“Betterment Plus”和“Betterment Premium”，其中Betterment Plus門檻10萬美金，費用0.4%，投資者每年可與專業理財顧問進行一次電話諮詢；Betterment Premium門檻25萬美金，服務費0.5%，投資者隨時可獲得專業理財顧問的電話諮詢服務。
2017年6月，恒生電子發佈智慧投顧產品BiRobot3.0，其產品特點中特別表明需要人值守（“財富管理自動化+智慧理財+有人值守+現金管理策略”）。除了上述機器導向和人機結合兩種模式外，投顧還包含以人為主模式，目前以社交跟投和投資策略為主流模式，國外以Motif、Covestor為代表，國內以雪球、金貝塔等公司為代表。
智能投研：國內基金紛紛試水，人工智慧大幅提高傳統投研效率
國外創業公司躍躍欲試。相較于智慧投顧，智慧投研技術難度更高，其發展態勢初露雛形，還未成規模。如Palantir Metropolis（平臺整合多來源資料，將不相干的多個資訊置於一個統一的定量分析環境中，構建動態知識圖譜）。
Visible Alpha（通過設立專有的新資料集和工具套件以增強機構投資者對公司未來基本面的量化見解能力）、Trefis（細拆公司產品/業務預測收入）、Alphasense（獲取專業且碎片化資訊）。
Dataminr（收集Twitter等公共來源上的即時資料，並轉化為可付諸行動的信號）、Kensho（試圖回答“當Netflix超出盈利預期，Amazon明天表現將如何？”、“Apple發佈新產品前後的股票交易如何？”等投資問題）。
國內創業公司、基金公司、資料服務商積極參與智慧投研。國內智慧投研逐漸興起，如包括通聯資料的蘿蔔投研、數庫科技、文因互聯等創業公司。
值得一提的是，部分基金公司對智慧投研的嘗試越來越多，如天弘基金2015年建立了業內領先的投研雲系統，其中的信鴿和鷹眼兩大系統分別為股票和債券投研提供精准支援。
嘉實基金2016年成立了人工智慧投資研究中心，構建可擴展的智慧投研平臺，為系統化的科學投資決策提供支援；華夏基金和微軟亞洲研究院戰略合作，雙方將就人工智慧在金融服務領域的應用展開戰略合作研究。
需要注意的是，由於國內金融資料較於國外存在資料不豐富甚至殘缺的致命缺陷，資料標準化、關聯化的建立顯得至關重要，因此國內資料服務商，如Wind、東方財富、同花順、恒生聚源等公司是推動智慧投研發展過程中的重要組成部分。
智慧投研終極目標實現搜索到投資觀點的自動跨越。傳統投研流程，可簡化成四個步驟：
搜索：通過百度/穀歌、專業書籍、公告等尋找行業、公司、產品的基本資訊；
資料/知識提取：通過萬得、彭博等金融終端或者直接閱讀公告、新聞獲得資料/知識；
分析研究：通過Excel等工具和邏輯推演完成分析研究；
觀點呈現：將分析研究的結果以PPT、word等形式呈現。
傳統投研流程存在搜索途徑不完善、資料獲取不完整且不及時、人工分析研究穩定性差、報告呈現時間長等缺陷，而人工智慧可以説明每一個步驟提高效率。
如智慧搜索和智慧資訊增大有效資訊來源，公告/新聞自動化摘要和上下游產業鏈分析提高資料/知識提取效率，事件因果分析和大資料統計分析完善研究方法等等。
未來，智慧投研的終極目標，是自動實現搜索到投資觀點的一步跨越。
現階段智慧投研工具與傳統投研工具的本質區別在於交互體驗、資料邏輯和自我優化學習能力。
交互體驗：傳統投研工具如萬得、彭博均是非圖形化的類EXCEL表格介面，而Kensho、數庫科技等智慧投研工具均是圖形化介面，交互體驗更強，比如可以在圖形介面上隨意點擊一個節點進行相關查詢，非常利於投研效率的提高。
資料邏輯和自我學習優化能力：由於傳統金融資料服務商的資料是基於財務報表的邏輯關係，是靜態存在的，因此沒有自我學習優化能力，並且不能跨公司實現資料之間的邏輯關聯。
而Kensho、數庫科技所提供的資料服務，一方面具有靜態基於會計邏輯的資料，另一方面可以實現資料的動態關聯，並且這種動態關聯可以跨公司和行業實現。
通過海量資料、知識圖譜和深度學習能力，機器可以發現事件與事件之間的關聯關係，並通過知識圖譜實現資訊向決策的一步轉化，並且這種轉化過程是可以通過機器學習逐步自我優化的，甚至可以說會比人類做得更好。
智慧投研與投顧兩者有望優勢互補
智慧投研和智慧投顧具有天然協同優勢，未來有望優勢互補。智慧投研通過即時動態獲取多維度數據，完成資料向資訊的結構化轉換，最終形成投資決策，使得投資人員的工作效率和投資能力可以得到大幅提高。
在智慧投研對個股分析的基礎上，可以形成範圍更廣的資產配置策略，與提供合理資產配置建議的智慧投顧具有極大的協同性。未來隨著投資專業化、私募基金大發展、個人與機構的界限逐步模糊的背景下，兩者有望通過加強合作優勢互補。
3. 知識圖譜促智慧投研騰飛
知識圖譜本質是一張由知識點相互連接而成的語義網路的知識庫，具體包括知識提取、知識表現、知識存儲、知識檢索四大分支。
知識圖譜（Knowledge Graph）的概念由穀歌在2012年正式提出，其本質上是由知識點相互連接而成的語義網路的知識庫，其中圖的結點代表實體或者概念，而圖的邊代表實體/概念之間的各種語義關係，旨在實現更智慧的搜尋引擎，在智慧問答、情報分析、反欺詐等應用中發揮著重要作用。
儘管知識圖譜概念是於2012年正式提出，但從細分組成部分看，知識圖譜可追溯到數十年前，具體包括知識提取、知識表現、知識存儲、知識檢索：
知識提取：利用自然語言處理、機器學習、模式識別解決結構化資料生成問題。
知識表現：重新組織結構化資料，通過邏輯推理使得機器能夠處理的同時人也可以理解。
知識存儲：進行大量的結構化資料管理，同時混合管理結構化和非結構化資料，比如圖資料庫，RDF資料庫等。
知識檢索：用語義技術提高搜索與查詢的精准度，為使用者展現最合適的資訊。再進一步說，知識圖譜涉及技術非常多，比如知識收集中的實體關係識別技術、語義相似度計算、關鍵字提取等，知識表現的知識推理、規則推理等技術。
知識圖譜將促智慧投研騰飛。通過知識圖譜相關技術，機器可以從招股書、年報、公司公告、券商研究報告、新聞等半結構化表格和非結構化文本資料中批量自動抽取公司的股東、子公司、供應商、客戶、合作夥伴、競爭對手等資訊，並構建出公司的知識圖譜。
當某個宏觀經濟事件或者企業相關事件發生的時候，投資者可以通過知識圖譜做更深層次的分析和更好的投資決策，比如在美國限制向中興通訊出口的消息發佈之後，如何構建最佳投資組合。
我們認為，隨著知識圖譜相關技術逐步發展並應用，不僅可以進一步完善資料的豐富度和準確度，還可以加速資料標準化、關聯化的建立，進而促進搜索向投資觀點的一步跨越。
二、KENSHO：智慧投研領域的“AlphaGo”
Kensho是智慧投研最具想像力先行者。2013年5月丹尼爾·納德勒與程式師彼得·克魯斯卡爾聯合創立Kensho，總部位於麻塞諸塞州劍橋市。
Kensho是一個將雲計算與金融諮詢業務結合起來的資料分析公司，目標是建立更智慧化的資訊資料平臺服務于證券分析師和交易員，為客戶提供更加優質、快速的資料分析服務。
過去一段時間，Kensho被《財富》雜誌提名為2016年“五家最熱的金融科技公司”之一，世界經濟論壇將其評為世界上最具創新力的私營科技公司之一，同時被福布斯認為是全球50強最具創新的金融科技公司之一。
1. 聯合創始人：因禪結緣立，創立Kensho
因禪結緣，創立Kensho：丹尼爾·納德勒，現年33歲，擁有哈佛大學經濟學博士學位。在美聯儲工作期間，納德勒發現儘管有像彭博、路透、Capital IQ等金融分析工具，但是這些軟體依然不能解決需要投資什麼的問題，尤其是對一些事件驅動的資料分析，基於此，納德勒萌生了創立Kensho的想法。
彼得·克魯斯卡爾，現年30歲，擁有麻省理工學院電腦科學的學士和碩士學位。在聯合創辦Kensho之前，彼得是Google軟體工程師，曾在gmail團隊以及access team上工作。在穀歌工作前，彼得曾在kayak工作，為其貢獻了第一個分析平臺、網站和iphone平臺。
值得一提的是，納德勒和彼得在求學期間由於禪宗的共同興趣便結識，“Kensho”原意即從佛教禪宗而來，意為“見性”，“Ken”是日語“看”的意思，音同漢語的“看”，“sho”為日語的“自然、本質”之意，這個日語禪宗的原意為“透過現象理解事物的本質”。
團隊成員人才濟濟。目前Kensho有大約80名員工，團隊成員不乏來自谷歌和蘋果的一流工程師以及華爾街分析師、物理學家、經濟學家等，包括iPhone原始工程團隊7名成員之一，世界上第一個固態兩位量子處理器的創始人，哈佛最年輕入學者等。
此外Kensho為了建立民用非結構化地緣政治和全球自然事件的資料庫，還聘請了前美國國家情報總監詹姆斯·希恩博士加入了Kensho計畫的顧問委員會。現有員工大概有50人在位於麻塞諸塞州的劍橋辦公室工作，此外，Kensho也在紐約和華盛頓設有辦事處。
2. 融資情況：累計融資超1億美元，估達值達5億美元
累計融資超1億美元，B輪融資值估值5億美元。自2013年起，公司累計融資超過1億美元，其中2017年4月公司獲得B輪5000萬美元融資，由標普國際（S＆P Global）領投，市值達五億美元，投資人還包括高盛，摩根大通，美銀美林，摩根士丹利，花旗集團和富國銀行等機構。
S＆P Global也不僅僅是Kensho的主要投資者，旗下的市場資料部門還將為Kensho的分析平臺提供最新的金融資料包，為投資者們輸出一個全新的、由AI驅動的市場分析能力。
3. 產品：Warren試圖解決投資分析的“速度、規模、自動化三大挑戰”
試圖通過構建國際事件資料庫及知識圖的綜合圖表模型，解決當今投資分析的“速度、規模、自動化”這三大挑戰。Kensho主打產品，是叫“Warren”（沃倫）的金融資料收集、分析軟體，擁有強勁的雲計算能力、良好的人機交互介面和深度學習能力，目前產品只在高盛內部試運行，沒有正式上市。
據福布斯介紹，“在能夠找全數據的假設下，對沖基金分析師團隊需要幾天時間才能回答的問題，Warren可以通過掃描超過9萬項全球事件，如藥物審批，經濟報告，貨幣政策變化和政治事件及其對地球上幾乎所有金融資產的影響，立即找到超過6500萬個問題組合的答案。”
可以看到，Kensho試圖構建最全的國際事件資料庫及知識圖的綜合圖表模型，解決了當今華爾街投資分析的三大挑戰，即速度，規模和自動化。
4. 客戶：金融機構和商業媒體雙管齊下
金融機構和商業媒體雙管齊下，未來有望拓展至政府部門。Kensho客戶主要包括兩條業務線，利用歷史資料説明大型銀行和其他金融機構分析諸如地理、天氣等因素帶來的風險敞口；幫助全球商業媒體承擔事件分析業務。
目前，公司已經和穀歌、S&P等金融機構達成戰略合作關係，它們不僅是Kensho的風險投資者，亦是合作夥伴，如B輪融資領投機構S＆P將為Kensho分析平臺提供全球市場情報資料，在此基礎上雙方將合作開展未來產品開發，將新的創新能力推向市場，此外S&P將擁有Kensho的一個董事會觀察員席位。
與此同時，Kensho作為CNBC的獨家分析提供商，其資料視覺化分析每天在CNBC上播放多次。當然，商業媒體的核心競爭力是某事件發生之後以最快的速度給出一個站得住的分析結論，該屬性使得CNBC對Kensho的分析能力不會有過高要求，而會更加注重分析速度。
從穀歌、S&P、CNBC既是風險投資商也是商業合作夥伴的屬性看，未來Kensho有望拓展至美國政府部門（IQT是美國CIA旗下的投資部門）。
公司已實現盈利，未來進一步提高華爾街金融機構滲透率。2017年2月，Nadler告訴福布斯，公司已實現盈利，B輪融資資金主要是為了用來擴大產品市場，令Kensho能進入摩根大通和摩根士丹利這些華爾街的核心機構。
三、核心產品Warren：低門檻獲高專業服務
公司產品Warren是類似於Google搜尋引擎的金融分析軟體，使用者只需以通俗易懂的英文來詢問Warren金融問題。
比如“颱風對建築行業股票價格影響是怎樣的”，隨後便會將問題轉換成機器能夠識別的資訊，並尋找雲資料庫與互聯網中的各類相關資料與事件，運用大資料技術進行分析，並根據市場走向自動生成研究預測報告，回答投資者的問題。
Warren的強大功能使得使用者不再需要有專業的金融知識，也不需要設置複雜的參數和配置演算法，就可以得到類似于金融分析師分析的結果，讓更多的人能夠以較低的門檻獲得專業的分析結果。
1. 功能：尋找事件與資產的相互關係
Warren可實現，尋找事件和資產之間的相關性及對於其價格的影響、基於事件對資產未來價格走勢進行預測。
其中，尋找事件和資產之間的相關性又包括：
尋找影響資產價格的關聯事件。例如輸入Apple，Warren會顯示一張Apple的股價走勢圖，在每一天的時間節點，從中可以得到具體哪些事件影響了Apple股價以及影響的百分比，還會展現相關事件對股價波動的P-Value，即顯著性影響指數。
尋找某事件對某些資產價格的影響。例如輸入“美聯儲降低利率”，並自由選擇時間段和投資的種類，比如道鐘斯指數、油價等，Warren會以圖表方式呈現該事件對資產價格走勢的影響。
基於事件對資產未來價格走勢進行預測：
利用機器學習預測資產的價格，通過可能影響價格的相關因素去預測資產未來價格的走勢區間。由於Warren的資料庫已經包含了大量的資料來源，包括政治事件、自然事件等，因此可能存在大量顯著影響資產價格的變數，Warren需要判斷哪些是可以用來預測價格的相關特徵。
在特徵的選擇上，Warren可以根據使用者的建議輸入相關的變數，也可以通過特徵選擇的演算法去保留相關的特徵。最後，Warren會以股票價格概率分佈區間的圖表呈現其預測的結果。
2. 特點：快速計算能力、良好人機交互、強大深度學習能力
Warren具有快速的計算能力、良好的人機交互性、強大的深度學習能力。快速的計算能力：Warren搭建于納斯達克OMX FinQloud，這是一個專門為金融服務部門設計的雲計算平臺，不僅可以加強雲計算能力，還能夠提供滿足金融服務特殊安全和監管要求的技術支援。
基於此，Warren能高效完成分析師難以快速做到的資訊收集、挖掘等工作，Warren獲得的資訊可能是傳統分析師的數倍多，分析速度是分析師的百倍。
良好的人機交互性：只要輸入直白正確的問題，Warren就會提供精確的答案。比如輸入，當朝鮮試射導彈時，哪支國防股會漲得最多？（雷神公司、美國通用動力公司、和洛克希德馬丁公司）；當蘋果公司發佈新iPad時，哪家蘋果公司的供應商股價上漲幅度會最大？（為iPad內置攝像頭生產感測器的豪威科技股份有限公司）。
強大的深度學習能力：根據各類不同問題積累經驗，逐步成長，強大的學習能力讓Warren越用越聰明，提出的問題越多，Warren學會的東西越多，這也是雲計算系統與普通硬體計算系統的差別。
3. 影響：削弱不對稱性，現代金融投機行為性質有望再次改變
Warren的出現有望如同電報、互聯網誕生一樣進一步削弱市場不對稱性，加快資訊傳導速度。削弱金融市場的不對稱性：Warren將傳統的專業分析師小範圍獨享的資產價格預測分享給更多普通人，削弱市場的不對稱性，同時也削弱了專業金融機構相對于普通投資者的獲利優勢。
加快資訊在金融市場的傳導速度，從而使得金融市場更受資訊影響：由於Warren獲取資訊速度是專業人員的數倍多，分析速度是專業人員的百倍，因此Warren的出現如同電報、互聯網出現一樣，進一步加快資訊在金融市場的傳導速度。
如同19世紀出現的電報，20世紀出現的互聯網一樣，極大 改變金融投機行為性質，大幅降低具備資訊優勢的機構的獲利能力，我們有理由相信，如果Warren可以使得資產價格以更快、更大程度反映“所有可以獲得的資訊乃至決策後的結論”，那麼現代金融投機行為性質將再次發生改變。
4. 缺陷：無法自我形成新因果關係，無法區分因果性/相關性
Warren人機交互有待提高，尚不能判別因果邏輯。儘管Warren具備基礎問答能力，然而目前來看，還存在人機交互和因果邏輯混亂等致命缺陷。無法自我形成新因果關係：現階段的Warren更像一個資料收集、圖形化呈現的工具，並不能任意提供分析師決策。
比如Kensho無法直接回答特朗普上臺對股市產生的影響，這是由於過去的歷史事件並沒有包含特朗普的相關資訊。即Warren只能做到變數延展，但卻無法替用戶去邏輯推理事件可能的影響因素，一切背後的關係還需要使用者自己去發現。
無法區分因果性還是相關性：假設我們發現比特幣價格和黃金價格具有一定的相關性，並基於其關係去預測比特幣未來的走勢。但是我們沒有發現，英國脫歐是驅動兩種資產價格上漲的背後原因。即Kensho目前無法判斷是因果性還是相關性。
Warren和金融分析師在相當一段長時間裡是相輔相成而不是競爭的關係。Warren尚無法做到金融分析的完全自動化，未來很長一段時間也無法完全替代人類分析師。儘管Warren能搜集更全面、更詳細的資料，並提供簡單的分析和以圖形化方式呈現，但是更高級的思考模式，比如理解事件和資產之間更深層次的因果邏輯，理解變數之間的相關性，
Warren是不能辦到的。從某種意義上說，Warren和金融分析師在相當一段長時間裡是相輔相成而不是競爭的關係，依靠Warren可以大量釋放金融分析人員的生產力，能夠讓其有更多的時間去思考並決策。
5. 未來：自動觸發事件對資產價格的影響是Warren終極目標
完善構建全球事件資料庫是Warren下一步戰略目標。未來Warren計畫推出下一代產品，將事件之間的關係做成一張圖，形成事件“連接圖表功能”，機器會嘗試識別事件的概念，關係和網路，逐步類比金融分析人員的邏輯思考能力，比如試圖解決上述無法判定事件因果性還是相關性的問題。
此外，如何將語音辨識技術結合到Warren中、如何更新龐大的資料庫、如何提高Warren的學習精度與分析速度、如何提高分析結果的準確性也是Warren未來發展的關鍵點，當然也是難點。
自動觸發是事件對資產價格的影響是Warren終極目標。如果未來能借助AI、語音語義、知識圖譜等技術讓Warren識別並理解變數的語義、變數之間的相關性、資產和事件內在的深層因果邏輯，那麼Warren能真正做到對金融分析無所不能。
更進一步，如果Warren可以自動提取事件特徵，真正理解語義內外在含義，自主構建並修改知識庫和知識圖譜，自動觸發事件對資產價格的影響並對未來價格走勢進行預測，到那時或許大部分金融分析人員真的就要失業了。
原文連結：https://mp.weixin.qq.com/s/xsPSfl7UJl9LvFfuCR3UTA
你可以通過以下方式聯繫我們或者給我們投稿：
-發郵件到fintechqueen@163.com；
（加微信請注明“姓名-公司-職位-添加原因”）。