本文共字，预计阅读时间。

文/广东博众证券投资咨询有限公司 王啟伟

（本文为“证券机构数字化转型与证券科技创新”征文活动入围文章。）

1、什么是智能投研。

从资本市场诞生的时候起，就随之而生一个新的群体----投研人员。投研人员运用他们的聪明才智，不仅能为投资者赚取超额利润，而且维护了市场的稳定，确保资产价格不会长期偏离其基本面情况，从而减少了资产泡沫的产生。随着机器学习（ML）、自然语言处理（NLP）、生物识别（BT）等AI技术在各领域的运用，我们的生活正在经历一场前所未有的变革。生活中我们越来越多的运用到诸如Siri、小爱等人工智能助手，能够帮助我们发送短信，拨打电话，检索信息，甚至还可以陪用户聊天。

与此同时，人工智能在金融领域的应用场景也越来越多，在提高金融机构工作效率、辅助投资决策、防控金融风险等方面卓有成效。在这之中，辅助资产管理成了人工智能在金融行业的最大的应用场景，智能投研应运而生。智能投研可以定义为：在基础的金融数据基础上，通过深度学习、自然语音处理等等人工智能算法，对数据、时间和结论信息进行自动分析处理，为金融机构从业人员提供辅助，以提高行业工作效率。其基本流程如下图：

2、智能投研和智能投顾有何区别。

顾名思义，智能投顾主要是将人工智能辅助引入投顾业务，而智能投研则是将人工智能引入投研业务中。智能投顾更加偏向于站在客户立场上为客户提供资产配置建议，对客户资金配置到股票、债券、基金等品种上的份额提供合理建议，收取咨询服务费，主要面向C端客户；而智能投研更加偏向于辅助资产管理，服务于金融机构的投研人员，主要面向B端。

3、为何智能投研会兴起。

智能投研的兴起既是由以人工智能技术为代表的供给端所推动的，也是由金融行业的需求所决定的。首先，人工智能技术的进步使得众多基础的宏观、行业数据可以不经人工处理而自动生成更直观的数据集合和图例，从而节省了大量人力物力，深受各类投资机构和企业的喜爱。同时，随着互联网的普及，我们已身处信息爆炸时代，投研业务面临数据量过大、数据渠道过多、数据结构多样、数据真假难辨等突出问题，这些问题单靠传统的投研处理方法和手段已很难胜任或很难长期胜任，急需利器；投研作为投资业务链条的一环，交易、风控等都在快速智能化发展，投研同样需要变革；保持分析的客观性是投研工作的基本要求，借助现代科技手段，既可以提高各类投研工作的效率，又可以弥补人类主观情绪的干扰。

对于金融机构来说，人工智能技术的使用，使得传统投研工作的各个环节有了一定程度的优化和革新，比如：前期信息搜集的不全面和耗时间，是传统投研中主要的缺陷，引入人工智能可以解放大量基础的投研信息搜集类工作。另外，通过结构化、模型化的处理方式，智能投研也提升了金融市场海量原始数据的效用和价值。

4、智能投研的发展历程。

投研行业有较长的历史，但是智能投研的历史却较短。2000年，美国黑石集团开发了Aladdin系统，使用自然语言处理技术解析文档，提供风险管理和投研咨询。拉开了投研智能化的序幕，2010年，Alphasense等陆续成立；2015年我国开始出现人工智能辅助投研，目前行业参与者众多，但在数据积累、技术水平等方面还不具备全球竞争力。全球范围看，智能投研大致发展过程如下：

• 2000年，BlackRock集团开发资产管理平台--Aladdin系统，使用大数据和NLP（自然语言处理）等技术处理新闻、企业和行业研究报告等不同文件，并将文件中的信息与可能涉及的公司和行业联系起来，给研究人员提供投资建议；
• 2010年，Alphasense推出面向金融投资人员的智能搜索引擎，采用自然语言处理（NLP）技术，从公司公告、新闻和研究报告中整合投资信息。该搜索引擎可以向研究人员快速提供与标的有关的信息；
• 2013年，Kensho成立，早期服务于高盛内部，专注事件驱动与资产的相关性研究，通过机器学习及云计算搜集和分析数据，大大缩短传统投资分析周期，能够分析海量数据对资本市场各类资产的影响，并通过自然语言处理技术理解和解答复杂的金融问题；
• 2015年，我国文因互联成立，陆续发布智能搜索、公告自动化阅读等工具；上市公司恒生电子发布智能小梵，可以实现智能搜索；
• 2015年，鼎复数据推出金融风险智能防控产品；
• 2016年，通联数据成立萝卜投研，产品包括智能咨询、智能搜索等；
• 2017年，熵简科技，推出面向基金公司的辅助决策智能工具。

此外，天弘基金、嘉实基金、华夏基金等经营机构目前也在开始试水智能投研：

5、智能投研与传统投研的异同。

所谓智能投研，本质上说是用人工智能代替投研人员的部分工作。但两者并不完全相同。相比传统投研，智能投研在数据来源、数据处理方式、获取渠道方面都有很大的区别。其主要的区别如下表所示：

6、智能投研行业的市场空间。

智能投研属于新兴行业，市场空间广阔。其应用场景主要是两类，一类是传统金融机构，另一类包括上市公司、监管机构等等。在智能投研兴起之前，做投研须有专业的投研团队，投入非常巨大，所以一般只有专业金融机构才会有相关业务。随着人工智能应用在投研工作上，基础投研工作的成本急剧下降。所以上市公司、监管机构等有投研需求的单位也将涉足智能投研部分业务。

从专业投资机构的需求来看，收入来源主要是头部券商和大型公/私募基金，机构数量和资产规模成为主要的限制条件。根据鲸准研究院测算，当前金融机构在研究数据方面投入的基础成本是20亿-30亿。而IT软件投入约为75亿-85亿。仅从金融机构的情况来看，市场规模相对有限，但是智能投研将来的需求方绝不仅仅是金融机构，增量需求至少有上市公司、监管机构、投行业务部门、银行信贷部门、监管审核部门等。其他潜在客户还有媒体、企业、政府、法律机构等。这些机构和部门的需求将为智能投研打开广阔的市场空间。

从长期来看，智能投研的潜在市场空间远大于现有金融数据行业规模。根据第三方市场调研机构Burton-Taylor的数据，全球金融数据市场的规模达到260亿美元，全球的资产管理规模约为80万亿美元；由证券业协会统计的国内资产管理行业的约为50万亿元，而金融数据行业的规模仅为20-30亿，与海外市场相比，市场潜力巨大。

注：数据来自Burton-Taylor

7、行业现状和竞争格局。

国内智能投研刚刚兴起，处于加速竞争阶段，行业格局还未形成，各类金融机构、金融数据服务商、互联网公司等都在积极布局，利用自身的优势进行差异化竞争。

7.1 金融机构。

金融机构，尤其是大型公募基金，对智能投研有巨大的需求，基于自研系统有成本优势和可定制的特点，大型基金有充足的动力去自研智能投研系统。目前，包括华夏基金、天弘基金、易方达等在内的国内机构，已经有产品切入赛道。金融机构在构建智能投研系统方面有先天的优势，以公募基金为代表的金融机构，资本实力雄厚，投研实力更是显著高于其他行业竞争者，其开发的产品更加贴合研究人员的使用习惯；但是，金融机构缺乏专业的人工智能方面的人才，其投研模型往往晦涩专业，适用于机构内部，而不适用于其他用户，这是其主要的缺点。

7.2 第三方公司。

第三方公司以新切入智能投研行业的创业公司为主，比如：文因互联、鼎复数据等，其核心成员或来自互联网公司，有雄厚的技术实力，但缺乏对投研工作的了解；或来自金融机构，熟悉投研的流程和关键点，但缺乏对人工智能技术特点的把握。两类公司由于其特点，各有其特长和缺陷。未来两类公司或强强联合，弥补短板，从而可以和其他类型的竞争者竞争市场份额。

7.3 金融数据服务商。

如前文所述，传统的金融数据服务市场格局已经十分稳定，巨头垄断了市场，数据服务商有转型成为智能投研服务供应商的动力。数据服务商的优势是有海量数据积累和大量B端客户。劣势是既没有金融机构对投研的深入研究，也没有互联网巨头的技术优势。诸如恒生电子、通联数据等企业已经切入智能投研业务。

7.4 互联网巨头。

互联网时代，巨头们无论数据积累、资金实力还是技术实力都领先于其他竞争对手，目前各大科技巨头都在向金融行业渗透，以百度为例，度小满金融与易方达联合推出易百智能量化基金。蚂蚁金服也曾在2017年宣布与头部基金共同展开相关研究工作，帮助金融机构优化投资策略。互联网巨头在技术、数据等方面都有较好的积累，但是在金融场景的理解方面还不够深入，需要继续加强与金融机构的合作。

8、智能投研产业链。

智能投研产业链主要包括三个部分：上游数据源与数据采集、中游数据处理、下游为各类用户。

8.1 上游。

智能投研行业的上游主要是金融数据服务，包括金融数据的采集、存储和服务。数据主要包括传统金融数据、爬虫数据和其他数据。传统数据，指传统意义上投研人员用人力去搜集和整理的数据，主要包括宏观经济数据、行业数据、公司年报季报、财务数据、交易数据、券商研究报报等；爬虫数据是指利用爬虫技术，从各类网站或文件上采集的数据，包括从各类媒体网站、地方政府网站、社交媒体上获取的数据。爬虫技术兴起之前，获取这一类数据十分困难，因为他们分散着在网络的各个角落，这些数据更加细节，对投研结果的价值提升有着重要意义；其他数据包括天气数据、卫星数据和各类智能终端采集的数据等。

金属数据服务行业附加值较低，目前竞争格局明朗，新进入者较难生存。近年来，随着信息披露的要求越来越严格，各类金融数据呈现爆炸式增长，金融数据采集领域诞生了一批垄断性较强的行业巨头，如wind、Bloomberg等，市占率都达到了50%以上，行业竞争格局基本确定，新进入者很难撼动巨头的地位。

8.2 中游。

智能投研行业中游是金融数据处理或者说金融信息加工，是智能投研产业链的核心，智能投研能在多大程度上替代人力就取决于数据处理过程。金融数据处理行业主要的产品是两大类。一类是数据处理工具。包括数据提取所用的工具、根据用户的需求定制的处理工具等等。另一类是处理好的数据，比如wind和ifind产业链图谱，数据已经经过处理，产业链上下游关系、各部分产值占比、各环节相关企业等信息被整理之后呈现给用户。

金融信息加工是智能投研的核心环节，也是附加值最高的环节，目前还未形成稳定的格局，处于加速竞争阶段。

8.3 下游。

智能投研的下游是投研的各类应用场景，即数据和生成结论的需求方。主要包括金融投资的买方、卖方和监管机构等。卖方主要指券商，券商主要包括三个部门的需求。投行部门：提交文件的审核、找项目。网金部：APP智能投顾功能的底层支持。研究所：报告的质控检查、信息搜索、公告数据提取；买方主要是投资机构。一级市场：找项目，监控竞争对手。二级市场：量化投资的策略因子、资产组合的监控及风险预警。监管机构主要是证监会和交易所：标准金融文本的审核、信息披露的监控等监管科技范畴。

9、智能投研存在的问题。

目前的智能投研存在的问题也有不少，主要是以下几个方面：

9.1 信息安全问题：金融数据和客户自身的投资习惯等数据是智能投研不可缺少的的部分，互联网时代，整个智能投研过程都基于互联网，一旦网络受到攻击，轻则损失部分数据，重则损失全部数据或导入错误程序，导致投资决策出现错误而引起巨大损失。

9.2 如何监管的问题：智能投研由人工智能算法来给出投资决策，可能会有算法出现错误的状况；并且，若有人恶意在程序里面加入非法功能，不恰当得利，由于人工智能自身的学习、决策机制的产生等行为无法追溯，但在现有的法律和监管体系下，很难界定人工智能由于故障或行为引发的社会责任问题。

9.3 依赖于大量的数据，传统投研由人的大脑完成，有限数据结合人的常识便可得到主要的投资依据。而对于人工智能来说，必须用大量的数据去“训练”算法。而不充分的数据，往往得到错误的结论。

10、智能投研未来的发展趋势。

目前智能投研虽然进步很快，但是在投研工作中仍处于初级辅助阶段，我们展望智能投研的未来，有一个问题需要回答，智能投研在未来的投研工作中将扮演什么样的角色？智能投研会完全取代人吗？答案是否定的，智能投研在可预见的将来仍将以做辅助工作为主，投研的核心是优秀的投研人员输出观点，根据有效市场理论，正是因为不同投研人员的预期不同，所以才能为客户赚取超额收益，从而跑赢市场。

投研工作中存在大量模式化、标准化的工作，比如研究报告的撰写、合规文件定期报送、重大事件短评、IPO文件部分章节等，这些工作目前主要由初级投研人员来完成，但是投研人员的核心价值是输出观点，用人工智能处理上述工作既可以节约大量人力成本，为投研人员释放更多的时间。

总结来说，智能投研定位于更好地辅助投研人员，未来随着技术的继续推进，在金融行业的渗透率将进一步升高，具有广阔的发展空间。

[Source]

本文系未央网专栏作者发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！

本文为作者授权未央网发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！

本文版权归原作者所有，如有侵权，请联系删除。