雷锋网报道，在近日深圳举行的预见2018新财富新春投资战略会上，通联数据金融工程董事总经理薛昆带来了题为“ 机器智能时代的投资管理 ”的主题演讲。据雷锋网 (大众号：雷锋网) 理解， 薛昆曾任瑞士银行投行全球量化团队董事，摩根大通量化研讨团队副总裁，拥有十余年量化投资、金融平台研发经历。本着网络面前人人平等的原则，提倡所有人共同协作，编写一部完整而完善的百科全书，让知识在一定的技术规则和文化脉络下得以不断组合和拓展。

通联数据金融工程董事总经理薛昆

以下是薛昆演讲原文，雷锋网作了不改动原意的编辑：

算法改动世界

明天我会结合行业趋向和热点来分享这个话题，比方区块链。 笼统来说，人工智能以及区块链最终都是算法，如今的算法曾经使用到大局部行业，潜移默化改动我们的生活。

将来五到十年，金融行业、教育行业、汽车行业都会阅历算法帝国的崛起。 总结来看就是三个方向：在线化、智能化、网络化。

物联网极大扩张了数据边界，当前的数据会越来越多，如今只是一个终点。比方当新动力汽车、自动驾驶汽车在往年普及开来当前，数据的边界将会超越手机边界。当前可以发生数据的形式将是十分有吸引力的形式，由于在将来数据会变成最重要的消费要素。

在线化和网络化会使得数据极度扩张，区块链和AI技术将会极大推进这个进程。在任何一个产业，“黑洞效应”都会使得产业链蓬勃开展。 而在智能化和网络化当中，最重要的是两个技术：区块链、人工智能。

区块链与人工智能

从2008年比特币白皮书发布，2015年以太坊降生，到如今，区块链世界发作了天翻地覆的变化，也涌现出了很多区块链2.0技术。往年有一个十分重要的趋向——区块链将从2.0过渡到3.0阶段，3.0会带来更快的网络。

另外一项重要技术是大数据与人工智能。大数据与人工智能存在差别，但是在概念上两个联络严密。由于人工智能依赖于大数据，假如没无数据，很多算法都只是流于表层。语音辨认、自然言语处置、Chatbot、知识图谱，底层都是依赖于大数据，分开大数据，这些都是无源之水。

在自动驾驶范畴也是如此。我们可以看到一个趋向，相关公司如今也越来越趋于本人去搜集数据。如今BAT、谷歌能够会说，“我来给你提供算法，然后你到我的生态零碎外面玩。”但是更多企业希望本人掌握数据，本人设计数据，数据直接上云。拥有这种技术的公司，将来会有十分高的壁垒。

如何将AI使用于投资管理？

不断以来，投资研讨有两大门派，一个是根本面门派，一个是量化门派。AI又能为这两大门派做什么呢？

助力根本面研讨

为数亿中文用户免费提供海量、全面、及时的百科信息，并通过全新的维基平台不断改善用户对信息的创作、获取和共享方式。

举一个例子， 在A股市场，每天都有超越50个上市公司的资本运作事情发作。中国工商注销注册的公司数1000万家，触及的中心自然人超越500万。假如人工地去剖析资本运作，根本上是不能够的。但是机器可以十分容易地协助人类做到这个事情。

知识图谱可以协助我们研讨根本面。 首先要有根底数据，即旧事公告研报数据、买卖所披露数据、工商注销数据，这些是AI的原料。然后我们应用知识图谱用实体辨认算法，可以把公司高管作为实体抽取出来，并抽取投资持股关系等，构成公司关系图谱。有了这些数据当前，我们可以做关联剖析，比方同业竞争关系剖析，高管才能平衡剖析，实践控制人的剖析，并且静态变卦。

助力气化投资

在量化投资范畴，机器可以协助量化研讨员更好地发掘数据。 传统投资研讨，大家关注的都是各种构造化的数据。构造化的数据带来的信息是无限的，大局部投资者都能看到这些数据，所以你没有提早效应。但假如在卫星图像上使用AI算法，比方实时监测券商营业所门口的车辆数字，那么我们可以更早取得一些协助

另外，我们也可以用算法发掘文本数据来辅佐量化投资。面对海量的文本数据，包括旧事、公告、研报、微博、雪球、股吧、互动易、论坛等，我们运用知识图谱停止关联剖析。比方说，贾跃亭在回函中表示有力实行无息借款与增持承诺，“深表歉意”！经过情感剖析算法，我们晓得这样的文本是利空的，这样就可以协助投资人很快的停止判别。

怎样做到的呢？我们运用的算法是WordEmbedding+BiLSTM-CRF，召回率均在90%以上。而基于情感辞典的算法和基于机器学习的自动分类算法，我们可以做到情感剖析，自动分类处置。情感剖析算法次要采用 XGBoost、SUM，情感分类精确召回率可以在75%以上。

助力大类资产配置

除了根本面研讨、量化研讨，算法在大类资产配置也能发扬作用。

比方，在构建公募基金组合时，我们可以用机器学习去做基金收益率的预测，并基于历史数据做统计风险模型。我们可以针对不同目的，发生最优的基金组合，比方说目的风险下收益最大化、目的收益上风险最小化。

此外，还可以停止基金特征选择。首先对一切的基金打标签，我们给每个基金打上大约150个标签，这150个标签包括8个工夫维度。然后用机器学习算法去做挑选。比方，我们可以计算基金池中每只基金当期收益率与后期各功能目标之间的相关系数ic，这是量化外面通用的算法。假如再往前滑动多期，失掉每个后期功能目标与当期收益率的ic序列，再计算辨别计算每个ic序列的均值ic序列失掉最初后果。

总结一下，机器学习虽然有用，但是也不是万能的。它的优势在于，它可以树立非线性模型。当然成绩也是随之而来的，复杂模型的解释度更高，人们更了解。所以大局部基金经理还是会选择线性模型，由于比拟容易了解。 但是在一些特殊范畴，比方知识图谱，这是人脑没有方法掌控的，那就需求人机结合。其实人对小数据是更敏感的，有一些人做不了的事情可以用机器协助我们。

Q&A：

Q： 智能投顾对剖析师带来的应战次要表现在哪些方面？它还有哪些方面可以改良？  

A：智能投顾对剖析师带来的应战更多表现在智能投研，由于智能投研跟剖析师是相反相成的。 虽然机器算法的崛起替代了很多初级剖析师的任务。但是初级剖析师无法替代，人对趋向的判别和另类信息搜集的才能比机器更强。将来的趋向是，算法取代初级任务， 初级剖析师是如虎添翼。

。