易方达：量化投资优势日显 指数增强基金积小胜为大胜

经过50多年的发展，量化投资在海外已经成为一种非常主流的投资策略，管理超过2万亿美元的规模，涌现出索罗斯、西蒙斯等传奇人物以及众多量化对冲基金巨头。

近日，易方达基金量化投资部研究员、投资经理**裘明达，易方达基金量化投资部研究员黄浩东作客易方达投资交流会，详解量化投资在A股的发展情况、指数增强基金投资策略等问题。裘明达与黄浩东表示，国内量化投资虽然起步较晚，但在A股上市公司数量大扩容的背景下，用数量化的方法进行量化投资正具备非常好的优势。其中，指数增强基金凭借“指数基金+主动基金”的特征，有望为投资者获取超额收益，积小胜为大胜。

量化投资 拓展交易“能力圈”

所谓量化投资，就是利用数学、统计学、计量经济学等方法，从海量数据中寻找能够带来超额收益的“大概率”策略，并纪律严明地按照这些策略所构建的数量化模型来指导投资。国内量化投资起步比较晚，但关注度逐年增加，量化基金的规模整体呈现上升态势。Wind数据显示，截至2020年，市场上公募量化基金数量已有300多只，规模突破1500亿元。

裘明达表示，量化投资在国内出现大的背景，就是股票市场发展。二十年间，A股从800多家上市公司，到现在4000多家上市公司，数量增长了4倍。一个基金经理能充分有效跟踪和了解的公司数量一般在30到50家左，往往在擅长的领域做投资，而尽量少触碰不熟悉的股票，这正是“能力圈”的概念。量化投资可以通过计算机和模型，系统化地同时跟踪和覆盖全市场4000多家上市公司，这种投资广度是非常重要的优势。

作为国内资产管理行业最早开展指数量化的公司之一，易方达基金自2009年就开始组建了量化投资团队，并于2012年发行易方达沪深300量化增强基金，进入量化增强指数投资领域。黄浩东认为，易方达基金量化投资具备三大优势，一是团队规模较大，团队成员背景较好且互补；二是国内最早开始实践量化投资的基金公司之一，至今已有超过数十年的量化投资研究积淀，拥有丰富的历史经验；三是易方达量化QR平台从2012年开始自主研发，至今已经形成了集因子编辑、因子分析、组合模拟回溯测试、组合优化、组合指令交易、组合归因分析等一系列功能齐全的企业级量化投研平台，位列国内基金公司前沿。

指数增强 积小胜为大胜

近年来，指数增强类产品越来越受到广大投资者的喜爱，也有着不俗表现，据Wind数据统计显示，截止2月1日，易方达旗下首只指数增强基金——易方达沪深300量化增强近一年回报为39.53%，成立以来回报为248.15%。

裘明达表示，指数基金是追踪指数收益的被动基金，而指数增强基金，其投资目标就是在跟踪标的指数的基础上，力争获取超额收益，其既有指数基金的特点，又有主动基金的特征。因此，指数增强型基金主要适合看好基准指数本身、但又不满足于获取指数收益率的投资者购买。“简单而言，指数增强基金走势整体上对应基准指数，但希望在指数上涨的时候基金能够多涨一点点，在指数下跌的时候能够少跌一点。用一句形象的话概况，叫‘积小胜为大胜’。” 裘明达说。

对于指数增强基金的投资策略，黄浩东建议投资者“买入并长期持有”。因为指数增强产品的收益来自两方面，一部分是指数本身的收益，还有一部分是超越指数的超额收益。市场上行阶段，指数增强产品既能获得指数本身的收益，又能获得超额收益；市场下行阶段，确实会有回撤风险，但超额收益会适当弥补一部分风险。“对于大部分基民来说，判断市场短期的上下行，也就是大盘择时是一件很困难的事情，因此我们并不建议大家做短期的择时买卖点判断，尤其是对市场没有太多经验的投资者，我们建议大家通过长期持有指数增强产品或者定投指数增强产品达到自己投资的目标。”黄浩东说。

来源：手机***

坚信量化投资会更有生命力

“2021年，整个A股市场仍将处在资金增量阶段，量化机构仍可享受行业容量和超额收益的红利期。”九坤投资总经理王琛在接受中国基金报记者专访时表示，量化投资的竞争力来自于不断面对新的市场环境和技术挑战下的策略迭代能力，九坤一直在持续积累人才和技术，为投资者创造价值。

　　九坤投资成立于2012年，是国内成立最早的量化投资机构之一。在第七届中国基金业英华奖评选中，九坤投资一举揽获三项大奖。公司荣获中国私募基金50强，“九坤CTA专享2号”获得三年期管理期货策略最佳产品奖，同时“九坤日享中证500指数增强1号”获得三年期量化多头策略最佳产品奖。

　　在不确定性中挑战自己

　　王琛于清华大学数学物理学士、计算机博士毕业，进入全球顶级量化投资机构千禧年基金量化团队，对全球证券市场的量化投资策略进行研究，覆盖海外多个地区和市场。

　　王琛喜欢在不确定性中挑战自己。在做海外市场时，就好奇量化投资是否能适应中国市场，这份好奇为他回国创业埋下了种子。王琛一直坚信中国有强大的人才基础，十分看好金融市场持续开放带来的发展潜力。2010年，中国**股指期货，他认定这是最好的机会，所以离开华尔街，与同事姚齐聪一起成立量化投资团队，开始进行国内期货、证券投资。2012年，九坤投资成立，经过多年发展逐步成为国内标杆性的量化投资机构之一。

　　他坦言，创业并非一帆风顺。九坤2014年上线了第一只股票量化对冲基金，当年底就遇上量化行业的“黑天鹅”事件，给这群满怀壮志的年轻人泼了一盆冷水。不过，王琛及其团队很快就发现了问题所在，快速调整并控制住了风险。“我们那次少赚了一些，但促使我们加强了对风险因子的研究和控制，逐步完善了我们的风控体系。在之后管理更大规模、面对其他市场风险的时候更加从容。”

　　“与其说量化投资属于投资行业，倒不如说是属于技术行业。纵观量化投资在海外的发展历史，其竞争力来源是技术的迭代。从最早的金融数据建模、计算机的使用到最近的人工智能，量化投资策略和技术手段始终在向前发展。快速的迭代既令人兴奋，也充满了挑战。”王琛认为，量化机构的竞争力正是来自不断面对新的市场环境和技术挑战下的策略迭代能力。

　　投研团队稳定性

　　决定投资生命力的长度

　　王琛在海外量化机构工作期间，系统性地建立了自己对量化投资的方法和理念。他认为，投资中最重要的是要有透过现象发现并把握规律的能力。量化投资相比于主观投资，附加了数理统计和计算机这两件强大的武器，可以将归纳和执行都做到极致，量化投资会更有生命力。

　　王琛表示，九坤有两个强项，一是多策略兼顾，一个是人才梯队完备。基于投研流水线体系和强大的IT平台支持，在主要的量化策略，包括市场中性、择时对冲、指数增强、CTA等上面，九坤都有比较强的竞争力。另一方面，九坤拥有在华尔街头部对冲基金、全球科技巨头工作多年的策略、技术人才，同时坚持从清华、北大以及美国哈佛、斯坦福、哥伦比亚等知名院校招聘应届生进行培养，构建自己的人才梯队。他们当中很多人已经成长为骨干，促进了九坤核心团队的稳定性。

　　王琛强调，量化投资收益的稳定，需要多样性的因子来源和交易细节的把控能力。对于量化私募基金来说，人才积累和布局是树根，团队分工和策略研究是枝叶，而策略和业绩只是结果。未来九坤会继续吸引最优秀的人才，积累策略和技术能力。

　　量化投资未来发展可期

　　2020年，私募迎来发展大年，量化私募基金数量和管理规模均出现大幅增长。对此，王琛认为有内因也有外因：内因是头部量化私募经过至少3-4年以上的业绩积累，证明了稳定的Alpha能力，很多销*机构和客户对于量化类基金也更有信心。而外因则是，随着房地产市场降温，国内投资者的资产配置转向二级市场，而量化股票和CTA策略在各类策略表现中有很强的竞争力，吸引力较强。

　　当前，中国证券市场正步入发展的红利阶段。王琛指出，随着国内互联网IT和AI技术的加速发展，以及量化行业规模效应下对人才和技术的吸引力，量化投资未来的空间依旧很大。“国内量化头部机构跟海外大型量化机构之间的差距正在缩小。虽然海外大型机构在资本和技术积累上仍有较大优势，不过，依托国内广阔的市场前景和人才资源，国内量化机构还是非常有机会做大做强甚至走出去的。”

　　展望量化投资行业发展前景，王琛表示，中国的量化投资超额收益未来可能会缓慢下降，但短期内仍然还是会比较高。而即使逐步下降，由于其更稳健、与其他投资方法低相关性的特点，仍然会是非常值得配置的资产。最近几年，在已经非常成熟的美国市场，量化投资行业的规模和占比还在持续扩大，也证明了这一点。

来源：东方财富网

金融科技赋能资管行业 大数据风控和智能投顾成重点

近年来，金融科技在资管行业的应用日益深入。记者近日采访了多位资管公司高管后发现，资管公司已不满足于通过互联网技术和信息科技的应用提高运营效率，开始在投研、风控、投顾等环节使用大数据、云计算和人工智能等新技术，以此提升核心竞争力。

资管公司对金融科技的重视程度正在上升，从其投入金额和金融科技在公司战略中的地位就可见一斑。

据摩根资产管理中国区总裁王琼慧介绍，摩根大通每年约在科技上花费130亿美元，其中仅资产和财富管理板块就有10亿美元。“对于拥有大量客户信息和交易信息的金融服务公司来说，网络安全是非常重要的，我们不希望有任何网络上漏洞导致客户信息流失，所以对于网络安全架构的投资，我们不遗余力。”

工银安盛资管总经理吴茜表示，工银安盛资管高度重视信息科技在业务及管理领域的应用，事实上自公司筹备至今的短短几年时间里，已经完成了投资业务管理平台、风控合规管理平台、分析决策支持平台等核心应用体系近20个应用系统的建设。公司未来将结合业务发展战略规划持续加强金融科技领域的配套建设，尤其是大数据、人工智能技术在投资研究及风险控制领域的应用，赋能公司整体投资能力建设和风控能力提升。

法巴资管亚太区行政总裁佰益安表示，金融科技是法巴资管整体企业战略的核心，是法巴资管的三大跨部门主题之一，代表了投资平台的一个重要支柱。先进的算法能力、大数据、自然语言处理（NLP）甚至是人工智能使法巴资管可以挑选出最好的证券和合理的配置，为客户的投资组合增加价值。

值得关注的是，大数据风控和智能投顾正成为资管公司重点发力方向。

“金融科技对资产管理行业的赋能，一是通过科技提高运营效率，比如，通过科技和自动化手段优化运营流程，尽量减少人工操作带来的失误，提高运营效率，降低为客户提供定制化服务的成本。”王琼慧表示。第二，在投资方面，通过大数据分析等应用，提高投研效率，提高风控准确度，寻找更多投资机会等。第三，科技也在改变公司与客户交互的方式，线上直播等方式改变了很多资管公司、基金公司跟客户交互的体验，公司也在研究如何通过科技手段更好地把投资建议快速有效地传递给客户，提升客户售后服务的体验等。

据佰益安介绍，法巴资管对金融科技的投入可以追溯到两年半前，当时法巴资管收购了Gambit，比利时的一家机器人投顾公司。这有助于实现公司的目标，改善客户流程和体验。

“通过机器人投顾，我们可以把量化基本面算法应用到客户的多资产组合，以确保优化组合。”佰益安说，“中国的机器人投顾市场未来几年预计将以指数级的速度进步和增长，我们相信法巴资管可以利用我们的算法更好地与本地伙伴合作；确保为中国广大的投资者带来简化、高效的投资体验。”

来源：新华财经客户端

人工智能成为普惠金融服务新引擎

“买猪苗、买饲料、扩建场地急需用钱，想贷款不用再跑银行网点，动动手指，一天之内钱就到账，真是太方便了。”江西抚州东乡区的黄思思是众多普通养殖户中的一员，经营着一家占地5亩、规模约2000头的生猪养殖场。

去年受疫情影响，猪苗、饲料进不来，产品出不去，资金压力一度让他觉得跨不过这道坎。得知百信银行推出的三农贷款产品“养殖贷”后，从开始申请，到风控、审核、放款等一系列服务全流程线上操作，168万元首笔贷款放款只用了1天就全部完成。

有了这168万元，黄思思空栏几个月的养殖场终于盼来了猪苗。这笔贷款大约能支持养1000头猪，通过一年两轮养殖，年净收入预计能达到50万元，帮助他走出经营困境。

据统计，截至目前，百信银行“养殖贷”的贷款额已超过6.6亿元，通过数字科技赋能和创新金融服务模式，为农户和小微企业提供普惠金融服务。

没有物理网点，无需面对面，数字银行卡就可以直接在手机上申领和使用。通过搜索、电商、出行、视频等互联网生活场景，可使用方便快捷、安全可靠的金融服务……作为首家国有控股的互联网银行，百信银行采用新技术打造的开放银行平台，努力打通金融服务最后一公里。截至2020年底，百信银行服务用户数突破4900万，普惠信贷累放突破3000亿元。

“在金融科技驱动下，我们希望不断提升金融服务的便捷性。”百信银行行长李如东说。面对分布广泛、数据匮乏的民营小微企业和“三农”客户，以人工智能、大数据风控等技术为代表的金融科技正在成为普惠金融服务的新引擎。

让用户享受便捷服务的同时，如何提供安全放心的保障和隐私保护？百信银行首席数字官于浩瀚表示，百信银行重点围绕系统安全、应用安全和数据安全，在业务和技术两个层面形成安全标准体系，通过采用合规准入、隐私保护、数据防护和科技安全等一系列举措保护数据安全，保障用户信息安全。

来源：人民网

为什么投资有时要追求“平庸的机会”？

“骚操作”与“平庸操作”

股民见面，免不了用自己的案例“相互切磋”一下，拿出来的案例无非几种：

短时间内快速上涨的；

“分”级准确逃顶抄底的；

在大跌前“分钟”级择时成功的；

连续换股成功的……

相反，很少有人以“这个月持有茅台，涨了5%”作为案例，后者难度系数看上去实在太低。

如果炒股是体操比赛打分制，这些“骚操作”自然都是10分，个个是股神，但细数真正的股神，总是有大量的“平庸操作”，让人无力吐槽。

有一次，我跟一位擅长围棋的朋友讨论这个现象，朋友推荐我一篇分析2016年“围棋人机大战”的文章，让我更深刻地领悟到在投资中“平庸操作”的意义。

“阿尔法狗”的“俗手”

话题回到当年“阿尔法狗”大战李世石，盘中，解说员们屡次用轻蔑的口吻评价“阿尔法狗”又是一手“俗手”，当然，结果我们也知道了，阿尔法狗4战3胜，而且每次都小胜即可。

俗手，是指无新意的围棋下法。俗手跟“错着”不同，后者是指计算错误导致重大损失，“俗手”是低水平的棋手常常下出的笨棋，最常见的是把可以争一争的棋型走“死”。

在大师级的较量中，几乎很少有俗手，所以才会引发解说员的嘲笑，但为什么程序常常下俗手呢？

作为一个无感情的程序，“阿尔法狗”每走一步都要预测对手下一步落子位置的概率，以及每一种可能造成的全盘胜负概率的变化。而在某些情况下，某一种下法的对方下一步棋的可能性非常多，其计算量过大时，“阿尔法狗”的俗手是策略的一部分，在满足最终胜率的前提下，牺牲某一步的落子质量，来降低棋型的计算复杂度。

假如我们把棋型的计算复杂度分为10个级别，1是最容易，10是最难，假定当时李世石一类的人类绝顶高手能计算的最高复杂度是5级，而“阿尔法狗”通过大量的机器学习，能力可达7级。

如果当前棋型的计算复杂度为9级，因为大大超过了人类对复杂度的理解，所以人类的理解仍然是5级，仍然想绞尽脑汁地去完成这个“不可能的任务”，就会在模糊的估计中不断犯错，而人类高手在复杂棋局中的比拼，就看谁犯的错误不那么致命。

但计算机有自己的办法，超过7级的复杂度，系统内部会预警：计算量太大，将要超时，必须降低复杂度。方法就是用“俗手”固定某一块地的棋型（人类的理解就是牺牲落子质量），强行把棋型的复杂度降低到7级，此时仍然高于人类的理解，但计算机已能从容应对。

道理有点类似于《天龙八部》中虚竹破“珍珑局”，自填一气后，“天地一宽，既不必顾念这大块白棋的死活，更不再有自己白棋处处掣肘，反而腾挪自如，不如以前这般进退维谷了”

被棋友们津津乐道的阿尔法狗自我对弈的第二盘，盘中放弃大龙，反败为胜，即是此策略的典型棋局。

这就是“阿尔法狗”四大策略之一的“快速走子（Fast rollout）”，在满足胜率的前提下，牺牲走棋质量，将决策速度提高1000倍。

下棋的结果就是三个，赢、平或输。阿尔法狗几乎每一局都是小胜，一开始大家觉得这是双方棋力差不多的表现，但时间长了，大家才琢磨过来，这才是实力悬殊的降维打击啊——只要满足胜率，什么棋都可以走。

但人类对于胜负的理解就太多了：狂胜、大胜、胜、小胜、平、惜败、败、大败、惨败……，还有转败为胜、大意失荆州，帽子戏法……

人类把胜败搞得这么复杂，恰恰是因为知道自己计算的精确性不那么强，试图积累更多的优势去稳操胜券，结果就有了相当的不确定性。不确定性让比赛充满悬念，观众是满意了，但对于选手却不是一件好事。

人类的下棋策略有其不得已之处，但一定程度上也是人类高估了自己的判断力，所以在同样有一定博弈成分的股票投资中，在面对过多不确定性因素时，以“俗手”降低某些不确定性，以节省资源和时间做更好把握的机会，这也是一种Fast rollout策略。

难以取舍的机会

比较一下下面两个机会，哪一个更值得争取：

A：三年连续收益10%，概率为80%的机会

B：一年收益20%，概率为80%的机会

前者的机会，经过复利和概率加权测算为，三年总的内在收益率为26.5%。

后者转化为三年进行分析，因为每一年都要以80%的概率重新寻找机会，实际上，三年总的内在收益率为37.2%。

看上去，还是后者的收益更高。但问题没那么简单，市场的机会是不均衡的，80%的概率是基于当前条件下的测算，包括市场位置、主题风格等。当你实现了第一个20%之后，找到下一个20%的机会时，其概率就未必是80%了，它是基于未来的条件测算的，而当下的条件演变为未来的条件，要经过相当复杂的预测，其计算难度会出现指数级增长。

而且，前者的假定研究已经结束，而后者还有两次研究，成本显然更高。

以人脑的计算能力，其实很难判断这两个机会，到底谁更值得争取。也许未来的量化投资基于某些因子组合的复杂策略可以计算，但现在显然不行。

所以，这两类机会可以进行一个持仓组合，一定比例的“三年连续收益10%”和“一年20%”的组合。

组合的比例，理论上说，你的股池规模越大，越可能在一年后继续能找到20%增长80%的概率的股票，所以散户的持仓理应更偏向前者，研究能力更强的机构理应更偏向后者。

但实际上，散户通常易被数字吸引，又习惯于高估自己的研究能力，喜欢更多比例地配置“一年20%”的品种；而很多基金规模太大，找不到足够的“一年20%”的品种，被迫超比例的持有“三年连续收益10%”。

在投资中，只要有弱点，就会有对手利用你的弱点赚钱。而基于人类无法克服的弱点的真正可怕的对手，是“阿尔法狗”的同类——量化投资。

量化资金赚了谁的钱？

从2015年开始，国内的量化基金开始发展，特别是在2018年的熊市，收益超过大部分主动型基金和指数基金。

我们平常都说，价值投资赚的是企业成长的钱，技术分析赚的是对手口袋里的钱，那么，量化到底是在赚谁的钱呢？

我刚入股市的1996年，用均线、KDJ、MACD一类的简单技术指标就能获得不错的收益，机会也比较多。

到了后来，必须要用多个技术指标相结合，机会出现的频率也大大降低，只有扩大股池才能实现收益，而且一个方法用一段时间就失灵了，还要寻找新的方法。

技术分析是一种基于行为的博弈，是一种对当前数据的基于概率的分析与判断，先天缺陷就是策略用得人多了就会失灵，复杂性需要不断加深，一旦深到人脑无法处理，必然会被量化投资打败。

技术分析天然适合量化投资，所以国内目前的量化策略，大部分都是以技术分析为主，那么它们赚的就是同为“技术派”的钱，所以这几年，你是不是感受身边的技术派高手越来越少了？

为什么国内现在基于基本面的量化策略并不多呢？正是因为价值分析有一些天然的“朴素主义”倾向，使其分析集中在目前无法被量化的“商业模式”“护城河”“管理能力”分析上，这是人类的优势领域。

而在交易上，价值投资又强调多看少动，有限的几个基本面指标的计算量并不大，导致量化策略能赚到价值投资者的钱不如技术派多。

所以价值分析者应该恪守“Less Is More”的原则，严格地将分析的复杂性控制在自己可以掌握的范围内，而不是轻易跑到对手的主场。

最典型的越界就是判断指数涨跌的“择时策略”。

在所有的技术分析中，对指数的判断最复杂，因为影响指数的因素相比影响个股的因素，是指数级的增长。经常用的人会发现，它常常跟“择股策略”相冲突，大大增加了系统的复杂性。

这就相当于放弃武器跟野兽肉搏。

两种不同的策略

最后总结一下：

一般投资者的策略是：设定好自己可以接受的风险，在这个前提下，追求风险收益比的最大化。

这个策略的看上去非常完美，可一旦遇到复杂到人脑无法计算的机会，我们就容易受高收益的诱惑而强行判断。

“阿尔法狗”的策略是：定下“至少赢一目”的小胜策略，在保持能让目前盘面维持在一个较高胜率的前提下，判断对手下一步棋位置的概率，如果计算资源仍然不够，就用“俗手”降低计算的复杂程度。

这个策略转换成投资策略是：先预设一个收益目标，比如15%，再搜索达到这个条件的各种资产组合，选择概率更高的执行交易。在价格发生变化时，通过对赔率的综合计算，不断调整标的的品种和比例，使一年的滚动收益率不断处于15%的水平。

这两种策略的最大区别在于，人类的最佳思维是在确定的风险收益比中，不断追求更高的收益率；程序的最理想状态（只是根据阿尔法狗的推想，并非现在的量化策略），是在确定的收益率下，不断追求更高的确定性。

来源：36Kr

面向量化投资的金融文本分类

采用预训练语言模型的文本分类算法难以区分细粒度的语义信息，尚无法在金融量化投资领域获得成功应用。近日，瞰点科技与华东师范大学、哈佛大学、上海交通大学的研究人员合作，将论文发表在ACM CIKM2020上的面向量化投资的细粒度金融文本分类框架正式对外发布。该方法采用针对目标任务的全局和模块信息编码融合的思想，有效地提升了针对金融领域的细粒度文本分类精度。

文本分类任务（text classification）是指根据文本内容自动地将文本分配到预定义类别的过程，是自然语言处理最基本的任务。文本分类的应用很多，如新闻分类、情感识别等，并且能够为更复杂的语言理解任务提供基础，如意图识别、关系抽取、事件检测等。

金融领域的文本分类任务尤其引起关注，股票投资机构的研究者每日分析大量的与投研分析相关的文本，以此来把握行业动态、做出合理的投资决策。因此，准确地将每日产生的大量金融文本自动分到规定类别以供研究人员进一步研究十分必要。

尽管已有市场上已经涌现许多基于文本分类的应用，这些模型大多基于大型预训练语言模型，对于复杂的类别体系，往往采用增加训练数据的方式提高模型的效果。但是金融领域不同类别之间语义上十分相似，仅在金融概念上有所区别。现有模型处理这类文本分类时，面临以下几项挑战：

分类体系类别数量多。在真实的工业应用中，例如金融领域，分类体系往往是类别繁多的复杂体系，类别体系最下端的叶子类别往往只有较少的训练数据，通过增加训练数据提升分类效果的方法成本较高且效果不可控；我们服务于量化投资的分类体系涉及 500 多个类别，分别分布于 7 个层级中；

分类体系类别粒度细。金融领域文本分类的类别体系往往类别之间相关性很大，无法直接通过文本信息进行分类。例如在我们的分类体系中，宏观 - 行业栏目下的 C4.2.5.1 产业支持政策 与公司 - 经营活动栏目下的 H2.9.3 产品结构调整与 H2.9.4 业务转型存在较强的相关性；

分类涉及领域的知识。金融领域文本分类任务往往设计许多领域相关的知识，例如垂直领域的实体，这些实体对文本分类的结果起十分关键的作用，忽略这些实体信息而将其当作普通的文本叙述，导致分类效果难以提升。

因此，在本文中，瞰点科技联合华师、哈佛、交大等机构的研究者提出了一种名为 GraphSEAT 的文本分类框架，可以为中国顶级金融信息服务供应商提供金融文本分类服务。具体来讲，他们创建了用于建模目标金融文本全局结构的异构图，其中文本和金融命名实体被视为节点（node）。并且，利用边缘（edge）将文本连接到包含的命名实体，然后利用注意力机制训练图卷积网络（GCN）以学习包含文本域信息的嵌入表征。

此外，研究者利用神经序列编码器从文本的词序列中提取语义信息，并通过注意力机制融合文本学得的两个表征，最终形成了文本的整体嵌入表征并进行预测。

最后，研究者在自己发布的真实金融新闻数据集和其他 3 个公开数据集上进行大量实验，以评估 GraphSEAT 框架的性能。结果表明，该框架优于全部 8 个同类型的基准模型，特别是在研究者自己的数据集上。

论文地址：https://dl.acm.org/doi/10.1145/3340531.3412707

代码地址：https://github.com/finint/graphSEAT

模型和方法

本文提出一种解决细粒度金融领域文本分类任务的方法 GraphSEAT ：Fusing Global Domain Information and Local Semantic Information to Classify Financial Documents。模型结构如下图所示。模型主要包括三部分，分别是全局领域信息编码器、局部语义信息编码器和一个 Attention 模块。

模型结构图。

全局领域信息（Global Domain Information）编码器：本文使用金融领域的实体信息作为全局信息，例如公司、人名、地点、时间和产品等。研究者构建一个文本（document）和命名实体（entity）的异构图来建模全局领域信息，如果实体存在于文章中，那么该实体节点和该文章节点就在异构图的邻接矩阵中产生连接，那么不同的文章将通过异构图中的同一个实体联系起来。文章和文章之间、实体和实体之间的都存在着直接连接关系。

本文使用图卷积（GCN）来提取全领域信息，GCN 对于中心节点的每一个邻居的上一层的表征取平均作为当前的节点的表征，但在真实的金融文本中，不同的邻居节点对于文本的正确分类并不同等重要。因此，本文使用注意力机制动态地计算每一个邻居节点的权重。实体节点的初始化表征为词向量，文章节点的初始化表征为文本词向量的均值。

局部语义信息（Local Semantic Information）编码器：金融新闻除了金融领域有关的全局领域信息之外，最基本的语义是文本本身所包含的语义，本文称为局部语义信息。对于局部语义信息，本文采用双向的 GRU 作为编码器，并将正反向的表征合并，作为最终的结果。

在合并上述两部分信息作为文章的最终表征时，本文使用注意力机制，动态地计算每部分的权重。最后，将加权求和作为分类器的输入用于文本分类。

实验

本文在两类数据集上进行了实验，第一类是金融领域的文本数据集 FGCNews（Fine-Grained Chinese Financial News）。该数据集由瞰点科技与华师联合发布，并已由预训练好的命名实体识别模型识别出其中的实体。同时为了证明该模型的普适性，本文方法还在通用文本分类数据集（Movie Review、AGNews 和 Reuters 两个子数据集）上进行了广泛的验证。对于通用数据集，由于没有特殊的领域信息，本文使用词表作为全局领域信息。

下表 2 和表 3 汇总了以上数据集在本文模型和对比方法上的实验结果：

实验结果表。

从表中可以看出，本文模型在文本分类任务上有着优于基线的效果，尤其在金融文本数据集 FGCNews 上。在通用文本分类数据集上，虽然全局信息编码器仅仅使用了词表信息，但是本文模型仍然比基本方法有一定的提升效果，验证了本文方法在细粒度分类任务中的有效性。

为了探究模型每一部分的效果，本文进行了控制变量实验，实验分别研究了消去局部文本信息编码器、消去全局领域信息编码器、消去异构图上的注意力机制、消去语义合并处的注意力机制以及同时消去两部分注意力机制的效果，实验效果如下表 4 所示：

表 4：控制变量实验结果。

未来展望

本文讨论了面向量化投资的金融领域细粒度文本分类任务，通过建立文本和命名实体的异构图，将实体这一领域特征信息加入文本表征，但是本文仍然留有以下工作可以探索：

1. 本文所识别的实体包含公司、产品、人物、地名等，但是本文在处理实体信息时将其视为一个整体的集合，实际上，实体类型包含了更丰富的领域知识；

2. 本文依赖上游预训练好的实体识别模型，不是一个端到端的训练任务，采用端到端的学习或多任务学习是本论文的一个未来研究方向。

瞰点科技 (www.seek-data.com) 是位于上海的金融高科技企业，主要研究知识图谱、自然语言处理等 AI 与大数据技术在量化投资领域的应用，并且上线和发布多款 AI 技术驱动的策略产品。在后续的研究中，研究者将会继续探讨和介绍自然语言处理服务于量化投资的创新算法。

参考文献

[1]. Yao, Liang, Chengsheng Mao, and Yuan Luo. "Graph convolutional networks for text classification." Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 33. 2019.

[2]. PetarVelickovic, GuillemCucurull, ArantxaCasanova, AdrianaRomero, Pietro Lio, and Yoshua Bengio. 2017. Graph attention networks. arXiv preprint arXiv:1710.10903 (2017).

[3]. Linmei, Hu, et al. "Heterogeneous graph attention networks for semi-supervised short text classification." Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP). 2019s

[4]. Lai, Siwei, et al. "Recurrent convolutional neural networks for text classification." Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 29. No. 1. 2015.

[5]. Kipf, Thomas N., and Max Welling. "Semi-supervised classification with graph convolutional networks." arXiv preprint arXiv:1609.02907 (2016).

[6]. Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N Gomez, ukasz Kaiser, and Illia Polosukhin. 2017. Attention is all you need. In NIPS. 5998–6008.

[7]. Joulin, Armand, et al. "Bag of tricks for efficient text classification." arXiv preprint arXiv:1607.01759 (2016).

[8]. Minaee, Shervin, et al. "Deep learning based text classification: A comprehensive review." arXiv preprint arXiv:2004.03705 (2020).

来源：机器之心Pro

易方达基金量化团队：量化投资价值优势日益凸显

人工智能、大数据等新兴技术的快速发展，助推金融行业的变革，也为投资方法带来了巨大的改变。依托于新技术运用的量化投资，也在国内市场步入发展快车道。

易方达基金量化投资部高级研究员殷明，易方达基金量化投资部研究员、基金经理助理徐德晖近期在直播中表示，量化投资，就是利用数学、统计学、计量经济学等工具，从海量数据中寻找能够带来超额收益的大概率策略，并纪律严明地按照这些策略所构建的数量化模型指导投资。

　选股：多因子模型更客观

徐德晖指出，相对于主动基金选股时通过对个股的深度研究，给单个公司下重注来获取收益，量化基金更多是做大概率的事情，通过概率的胜率来获取收益。当前A股上市公司已超过4000家，通过计算机以及模型的方法分析、比较上市公司，可以系统化实现覆盖和跟踪更多上市公司，甚至是全市场的公司，量化投资的价值优势日益凸显。

量化交易的优势在于让投资者依据海量数据进行分析、筛选、学习，并对比历年来各式回撤信息来进行综合比对，根据市场行情进行及时判断，以此选择最佳策略。多维度模拟让量化交易显得更为高效精准，在逻辑性和准确性上均相当优秀。

据徐德晖介绍，量化基金在具体投资过程中，会通过多因子模型，对标的公司的各个方面进行特征刻画，并通过比较客观的数据帮助投资人做出投资决策，这也成为量化投资最大的特点。

易方达量化团队将量化投资类比为年轻人找对象。“找对象的时候，考察一个人不能只看一个维度，要考察多个方面。考察一家公司也也差不多，先看这家公司过去涨得好不好，通过过去的价格或者成交数据来反映，这些指标就称为量价指标，这种指标也是因子。” 徐德晖说。

　择人：机构投资者更有利

近年来，机构投资者在A股市场的话语权和影响力不断增强，在更加复杂的量化投资领域，机构投资者的优势更加明显。

殷明表示，机构投资者相对比较大的优势是团队的多元性。不同于个人单打独斗，团队作战的好处是可以互补。犹如一支特种部队，有狙击手、爆破手通讯兵等，每个人将自己最擅长的事情做到极致，进而合力形成更大优势。

徐德晖认为，机构如果将量化投资做得足够好、足够极致，某种程度上也类似于科技公司不断进行研发投入，才能保持技术上的领先地位。一方面，量化投资离不开技术软硬件的持续投入，另一方面，量化投资离不开不同部门、人员之间的投研信息共享，这些机构天然具备一定优势。

来源：新浪基金

科技驱动发展中邮消费金融探索人工智能服务平台与业务深度融合

数字经济浪潮下，技术价值充分释放。AI、大数据、云计算、区块链等新技术蓬勃发展，给企业和社会带来了巨大的动能与机遇。在金融领域，新兴技术的应用也越发广泛。作为持牌机构，中邮消费金融始终坚持技术与业务的深度融合，成功自研人工智能服务平台，提升了企业的运营效能。

中邮消费金融自主研发的人工智能服务平台，结合业界成熟、先进的技术框架，致力于解决计算资源的统一调度管理、人工智能模型的快速部署和AI应用的高效构建，快速满足业务场景的智能化诉求。

目前，中邮消费金融人工智能服务平台已经对外提供多种AI能力。在图像处理方面，人工智能服务平台提供了包括场景识别、图像背景识别、身份证识别以及OCR等能力，有效防范了欺诈行为，快速提升了审批效率，为用户带来快捷方便的消费金融服务。在语音和自然语言处理方面，人工智能服务平台的对话机器人完成客户语音到文本的转换、对话的管理、意图的识别和文字到语音合成，最终实现机器人与客户自动对话；目前对话机器人在催收、期前还款提醒、延期还款通知场景方面取得了显著成效。此外，人工智能服务平台通过对图像和语音非结构化数据的处理，支持多维度刻画客户，为综合评估客户的额度需求、用款时间、还款能力、还款意愿提供更加丰富的数据。

中邮消费金融总经理王晓敏高度重视人工智能服务平台的建设与应用，这是公司全面实现服务场景化、自动化和智能化的重要技术布局之一。对于未来发展，王晓敏总经理提出更加长远的“以数据驱动智能化”战略，并表示，中邮消费金融会持续关注技术创新，将5G、区块链等技术与AI一同更深入地运用在公司业务发展中，推进中邮消费金融进入高质量发展，为客户带来更加便捷、高效、温暖的消费金融服务。

来源：中国网

2020世界人工智能大会，合合信息用AI智能暖金融

2020年注定是不平凡的一年。全球经济在持续两个季度的新冠疫情中，经历着自2008年经济危机以来最严峻的挑战。近日，今年的世界人工智能大会（WAIC）以全程线上活动的特别方式如期举办。在“未来金融论坛”上，合合信息联合创始人/副总裁、启信宝CEO陈青山，就如何应对疫情和复杂多变的世界局势带来的经济下行压力？如何改变金融行业面临的诸多难点，提高运营效率，催生新的商业模式，带来产业全面升级？合合信息用实际案例给出了自己的答案。

陈青山表示：“未来金融业的发展风口是科技，科技发展则必须依附经济稳步回暖。在后疫情环境下，合合信息基于自身的技术和产品，以STR（场景文字识别）+DATA（数据）+AI（人工智能）+Service（服务）模式，进一步为金融、供应链、生产制造、房地产等多个行业领域提供价值，创造服务。切实有效地帮助政府快速搭建抗疫物资平台抗击疫情；协助企业复工复产、远程商务办公；提高金融行业工作效率和节省人工成本；提升预测风险评估能力等。让科技既有力量更有温度，创建数字化和智能化新生态。”

国内外经济环境严峻，未来金融需依托科技发展全面提升效率节省成本

从当前疫情发展情况来看，下半年我国内外部环境依然严峻复杂，无论是供给侧还是需求侧，都面临不少阻力。今年两会和《政府工作报告》上多次强调强化国内企业的金融支持，金融机构与贷款企业共生共荣。为保护市场主体，加大力度解决中小企业融资难，缓解企业资金压力，国务院常务会议进一步提出“推动金融系统全年向各类企业合理让利1.5万亿元”的具体规模目标。

无论是从政府要求、市场环境还是金融行业自身发展的多个维度来看，金融服务体系亟待深化创新的诉求愈发强烈。未来金融体系需要依托大数据平台和线上化、自动化、智能化的金融服务系统，实现国有大型银行与中小微外贸企业的“线上直连”，推动电子商务、市场采购等新业态发展。金融业态必然要向信息化、数据化、智能化、生态化的方向去演进。

合合信息作为一家专注于人工智能与商业大数据的科技公司，十多年来专注于图像处理、模式识别、文本识别、场景识别以及高阶层的认知智能、移动互联网应用、大数据分析和深度学习等领域，积累了大量技术优势及市场实战经验。先后创建发布了4款C端产品，包括名片全能王、扫描全能王、启信宝和找到，均是过亿用户级别的产品，获得了行业与用户的高度认可。

在实现产品落地过程中，金融成为AI融合的重要目标产业之一。针对金融行业需要技术全面升级，同时还面临交易对手方信用质量下滑、供应链能否持续提供服务的风险、运营成本高、效能不足等一系列痛点，合合信息采取“AI+金融”的思路，帮助金融行业进行流程改造、降本提效、模式创新、产业升级，并借助于大数据分析结合AI进行提前评估预警，增强金融行业的风控抵御能力。

多年深耕金融领域的技术创新服务，合合信息以大数据+AI应用，服务于上千家海内外客户，并与行业主要金融机构建立深度合作，业务渗透银行、保险、证券、基金、支付、汽车金融、融资租赁等金融细分领域和30多个行业。

AI+金融不是简单的叠加，合合信息助力金融行业数字化转型

目前应用在金融领域的AI和大数据的相关技术有深度学习、自然语言处理、知识图谱、计算机视觉，应用于金融业务各个环节，有效优化流程、提升效率。然而，这些技术进入金融领域，并不是简单的技术叠加，而是有更深层次的底层逻辑。在本次论坛上，陈青山以多个具体案例，详细解析人工智能大数据如何为金融企业带来效益和价值，阐明科技如何重塑金融业态的具体方法论。

第一，金融数字化。

未来金融业态将会全面打通物理世界与虚拟世界的通道，AI数字在其中的作用不容小觑。

合合信息将AI数字化分为文本识别、语音识别、计算机视觉、场景识别四个阶段。用AI搭建一个平台，将金融领域日常的单据、票据、合同、证件等信息，进行高效识别、实体提取、自动分类甚至感情标注。利用AI进行识别录入的准确率上可以达到99%，远高于人工录入90%的准确率，在年扫描量上更高达逾120亿份，这相当于9亿小时的人工工作量。如果按照每个人每天工作8小时，一年工作250天来算的话，这大概节约了45万人每年的工作量，这正是科技带来的价值和节省的成本优势体现之一。

当所有的业务流程及对应业务进行数字化重建之后，利用合理的场景算法，就可以帮助金融业务与产品之间产生智能化链接，变成企业内部的信息库、知识库，金融变得更加智能。

第二，金融智能化。

合合信息自主研发的企业查询平台启信宝，为企业提供风险监控、信用管理服务。目前，启信宝在全国已经覆盖2.3亿家工商注册企业、事业单位、专业服务机构、非营利机构和组织等。用6大类数据上千个维度，存量700多亿条的动态数据刻画商业世界，包括了工商、司法、资质诚信、舆情监控、经营情况等多个数据体系，对企业的了解可谓是清晰透明。数据的实时性、真实性和价值参考性在金融客户的使用过程中都得到有效的验证。借助于这些数据信息，可以充分进行知识梳理，最终形成商业大数据平台后，启信宝就可以对一家企业进行数据画像、信誉评分。这有助于金融体系对于合作伙伴、销售、渠道商等进行更深入、真实地了解，也为企业的决策提供了充分理性的数据凭据。

同时，对于企业内部的人员管理与业务管理也行之有效。陈青山以招商银行与启信宝共同搭建的知识图谱平台为例，将数据全量整理后，实现信息智能化，单向传输到招商银行的安全网络环境中，可以对企业内外部完成数据模型，完成评分，这样就建立了一个招商银行内部的风险门户，将每个操作环节进行实时监控将风险有效降低。完成金融领域中多个业务场景的智能风控、智能拓展客户、智能合规审查等，有效降低成本、提高效率。

第三，金融生态化。

合合信息在新冠肺炎疫情期间利用了AI+大数据的技术优势，将口罩产业链充分研究，最终做成了疫情物资查询平台并植入到启信宝中。合合信息是全国第一家完整分析研究并有效为实际抗疫物资调配工作提供完整信息化数据的企业。合合信息用人工智能大数据的方式，切实地践行新基建建设工作，为政府与企业上下游供应链提供了数据价值，不仅帮助政府高效调配抗疫物资，为抗击疫情做出了贡献，同时借助合合信息的专业全面的数据分析报告，也可以为产业整合布局提供参考，促进行业发展。

一个数据，不仅仅只是一个数字，这背后可以表示一个产业链的生态系统。将数据变为信息、变为知识、变为智能之后，就能挖掘出更加有价值的动态关系和深层价值。

将数据放在一个安全的生产环境里，给企业进行画像、评分，得到的评估结果更加时效并且精准。基于此，政府可以更加精准地将扶持资金投放在对应企业，金融体系也可以配合相关信息提供相关产品，而企业也因为这些数据的支撑得到更高的信用评级，这就形成了一个完整的生态闭环。

合合信息从产品到服务，致力打造平台服务为高效智能商业连接赋能

现在AI技术发展迅速，算法、计算能力、大数据等基础条件一应俱全。能否充分利用人工智能和大数据，是新基建和虚拟世界与物理世界完美融合的关键。在疫情防控与经济发展博弈的当下，需要有温度的金融基础设施为新基建和经济重振提供动量，而合合信息就是为智能暖金融，提供基础技术与专业配套服务的代表性企业。

合合信息始终不断沉淀整合数据价值，理解业务需求，积极关注前瞻性风险，开展合规创新，探索有利于行业发展的长远解决方案，为金融行业提供了有力的技术研发支撑和价值传递。高效赋能金融业与其他商业领域的无接触虚拟连接，致力于服务全球企业，希望能够创造一个高效智能的商业新生态、金融新生态。

来源：IT168