中国金融科技应用场景优秀案例

投研工具箱

摘要：金融行业高速发展，金融资产数量快速提升，各机构投资者教育工作长年开展也提升了客户的专业能力，对服务有了更高要求，传统的投研工具愈发不能满足投研工作的需求。美国市场上已经有了相对成熟的金融科技产品，功能完善且适用全投资场景。明世金融信息公司看到这一行业痛点，结合自身投研专业性和科技能力的优势，着手构建了新一代的投研平台，与传统投研工具相比，更加直观、智能、高效、可定制。从而提升宏观研究、大类资产配置、资产评价体系、投资组合管理等工作各自的工作效率，也将这些投研产出有机结合，实现千人千面的智能投顾产品，向发达金融服务市场的财富管理行业模式看齐。

关键词：分布式计算，自然语言理解，智能研报，资产配置，基金筛选，组合管理，智能投顾

一、引言

伴随着金融行业的快速发展，近年来金融资产数量猛增。股票数量在过去10年增加99.7%，研报数量在过去10年增加219.1%，基金数量，过去10年增加1667.4%。于此同时，投资研究和选品工作过去以路演、尽调、访谈等经验定性分析，投研人员对市场上主流基金如数家珍，通过过往经验和行业内工作经历积累，对金融资产做出研究评判。随着金融资产数量的爆发式增长，以及投资研究方法向发达金融市场接轨，投研方法逐渐转变为定性定量相结合、画像标签筛选评价、多因子评价、机器学习评价等方式。其中定量投研和评价工作，投研人员早期主要以金融终端+Excel的工作方法实现。但是由于金融资产数量快速增长，传统工作方式的效率大幅降低，高级投研人才的大量时间被重复性计算工作占据。为提高生产效率，基金量化研究逐渐向系统化，平台化工作方式的转变，实现金融大数据、专业金融模型、投研平台结合的系统性工程。

与市场发展前景相对应的是，国内的投研系统还处于起步阶段，与美国市场上的Aladdin、MorningStar等产品相比，功能不够完善，适用投研场景少。财富管理相关金融机构也已经意识到了目前在相关系统建设上的不足，制约了业务的高速发展，很多金融机构将专业化、数字化、差异化科技建设作为未来资产管理业务竞争中的核心竞争力。

中国财富管理行业发展增速高，未来前景广阔。2021年，我国人均国民总收入达到1.24万美元。从结构来看，我国居民财富配置在不动产的占比达70%左右，远高于国际上30%左右的平均水平。随着社会发展和经济结构调整，居民收入增长水平、人口老龄化、城镇化这三个因素，使居民财富结构处在一个重要旳转型期，具体表现为三个转变，即从不动产向金融资产转变，从储蓄向非储蓄转变，从单一配置向多元配置转变。还有我国养老财富储备也将是应对深度老龄化的重要手段，包括个人储蓄性养老保险和商业养老保险的第三支柱，也将为财富管理带来难得的发展机遇。根据波士顿咨询公司的预测，2023年我国可投资金融资产有望达到243万亿元。此外，中国资本市场的深化改革，使承接中国居民财富管理需求的能力大幅提升。

财富管理行业在监管层面也得到了很多支持。2022年是资管新规全面实施元年，也标志着存量业务整改接近尾声。资管行业用三年多的时间解决了资管产品管理标准不统一、部分业务发展不规范导致的风险问题，资产管理和财富管理分处于一枚硬币的两面，财富管理行业在此过程中也历经波折、负重前行。如今轻装上阵，站在一个全新的历史起跑线上，财富管理业务将实现较高速度和较高质量的发展。

二、项目目标

为了让投研人员的精力更专注于研究工作而不是计算工作，从而获得更好的投研结果，我们决心打造一个适用场景全面，功能完善的智能化投研平台。为同时满足自营资金、资管产品、大众财富管理、私行/高净值客户等多种资金的不同投研场景，在各个模块均采用高自由度，低耦合的产品功能设计理念。该投研平台以构建及维护多种场景的智能投顾为最终目标，拆解各个步骤为多个独立模块，展示中间计算过程和结果，包含自上而下的宏观决策功能、自下而上的资产选择功能、智能投资组合功能、智能研报功能等，力图将投资研究工作标准化、精细化、可视化。

三、核心功能与优势

（一）基金筛选及评价

投资研究主要思路分为自上而下和自下而上两种，同类型基金的筛选和评价是自下而上基金投资研究过程中最核心的一步。

明世根据不同基金类别，提供9种不同的基金评价体系，其中最多的一种包含10个大类别及42个子指标，大类和指标的权重均可调节，可以适应不同资金使用场景、不同投资目标的选品需求。例如：大众财富管理要考虑一线客户经理的销售积极性，因此佣金、成交量返还需要在选择重点销售基金产品时予以考虑；对于被动投资资金或固收+投资需求的资金，投资成本可能重点考量依据；对于投资周期很长的权益投资资金，长期风险收益比是最重要的评价指标。

可以看出从不同场景的投研需求出发，需要不同的基金评价方法，想要通过一个功能模块囊括多种场景，需要包含足够全面的具体指标和足够高的评价自由度，随之而来的计算压力大，时间长的问题也凸显出来。

基金投研系统中一个核心功能，基金评价筛选模块有计算量大，使用数据源多（全部股票、债券、基金和部分指数的历史行情数据），输入参数多，研究时间区间不确定等特点。以上特点决定了基金评价筛选模块大量数据和运算结果无法通过每日跑批方式实现，实时计算的内存压力和计算压力大，延时高，给使用者的体验差。目前市场上规避这一问题的主要解决方法是从产品功能上做阉割，避免产品设计中出现入参自由度高的全市场横向比较功能，但也因此牺牲了一部分用户需求功能。

明世金融信息设立“基金业绩评价实时计算“项目，尝试通过技术手段解决上述问题，为用户提供更自由灵活的投研系统功能。通过调研发现，分布式计算技术可以解决相应的技术问题，结合金融行业数据特点，拟使用时间序列数据的分布式计算技术，实现任意入参的基金业绩评价指标低延时运算，为投研平台的投研、选品和准入岗用户提供基金筛选评价方法变更、打分卡规则修改的结果实时预览。

（二）宏观大类资产配置

从大类资产配置角度看金融行业发展，随着金融市场不断成熟，越来越多的金融产品被创造出来，他们具有与之前产品完全不同的风险收益特征，使得大类资产配置工作愈发复杂。更进一步，我们可以从因子投资的角度出发进行相应思考，将金融产品的收益风险特征进一步解释为对不同因子的暴露情况，将“因子”视作“资产”的一种进行配置，通过数理方式求取现有可得资产配置的近似最优解，利用具有可清晰阐释逻辑性的配置方式，在一定约束条件下（包括资产的可得性、投资者负债情况等）最大化提升风险调整后的收益。

在自上而下的投研过程中，其重要结果和产出即大类资产配置结果。与自下而上的资产筛选类似，资产配置也受不同资金不同投资目的影响，需要很高的研究自由度。与市场上其他投研系统不同，明世投研平台的宏观大类资产配置功能，支持大类资产及其下基金类别的自由定制、多种资产配置模型选择、风险等级数量及适用等级定制。在不同模型的不同风险等级下，资产约束条件也可自定义调节。复杂的金融资产属性加上复杂的限制条件和约束条件，使得原有大类资产配置使用Matlab等数学或统计学工具的方法难以为继，金融模型优化结果不成功，优化结果与最优解偏差较大的情况时有发生。金融模型日趋复杂，通用型数学模型工具难以满足专业金融建模用户的需求，针对大类资产配置工作制作专业的建模及求解功能模块，是行业发展的必然规律。

平台不仅支持长期大类资产配置，也支持战术资产配置调整（TAA），可以将投研人员的宏观投研预期，系统化定量化的应用于资产配置过程中，并实时在结果中得到体现。

（三）智能投资组合管理

传统的投资研究和投资决策过程中，自上而下研究和自下而上研究存在明显的工作边界，也不可避免的存在一定的割裂。这种业内普遍投研状态的优点是不同投研岗位分工明确，专人专岗，但是也存在明显不足，自上而下与自下而上投研决策融合构建的投资组合相比于分隔为两个独立步骤的结果，在风险分散性上有更好的表现。

智能投资组合功能为这种改进提供了系统化的解决方案，在支持专人专岗的同时，也能结合双方决策生成更好的智能投资组合方案，并实时完成历史回测，组合持仓、风险的穿透分析，高效便捷的创建和维护投资组合，实质上已经成为完整的智能投顾组合。宏观投研人员和基金评价投研人员各自的投研工作成果，都会在投资组合下一次调仓中得到体现，不需要额外的手动操作，避免多员工或跨团队合作中，因沟通不及时不到位带来的操作风险。

不仅如此，在智能投资组合构建和调整过程中，还允许对一些细节做微调，比如投资组合的行业约束、风格约束、单个产品添加和剔除等，这些调整简单便捷，结果直观切能实时反馈，可以由个人客户独立完成或在客户经理的协助指导下完成，形成属于客户自己的DIY投资组合，真正做到千人千面的投资规划。传统的资产管理行业对客户调整投资组合支持较差，是因为客户的需求只有一线销售人员才能明确理解，而一线销售人员往往又不具备调整投资组合的投研专业知识，放权给一线销售调整可能会造成投资组合在部分风险因素上暴露过高，甚至调整后的投资组合风险等级高于客户可承受的风险等级水平。通过平台统一管理自上而下投研策略、自下而上投研策略和客户定制调整，生成的投资组合可以同时满足投资专业性、风险与客户承受能力的匹配、客户定制的结果，达到欧美发达财富管理市场的高净值客户投顾体验。

（四）智能研报

2021年全年，全国券商发布了近20万份卖方研报。研究员面对如潮水般的研报的不知所措，逐篇阅读效率低下、费时费力且收效甚微，不读又怕错过市场热点和精品，实在难以取舍。信息不对称是金融业的竞争焦点，大量及时有效的信息都隐藏在非结构化的文本中，金融机构需运用NLP技术理解内容、挖掘信息，从而赢取在关键信息上的竞争优势。

宏观研究岗位阅读市场上的宏观研报是个极其消耗时间的工作，并且在上边投入的时间和精力过多，也会分散独立思考和研究的精力，与此同时，宏观研究岗位还要负责定期宏观分析报告的编写、大类资产配置维护、战术资产配置调整等工作。相比于自下而上的微观投研，自上而下的宏观投研更难以量化，传统的投研系统和平台难以有效协助和支持。我们希望通过智能研报功能模块，在不影响产出质量的前提下，替代一些简单的宏观研报信息处理工作，从而减少宏观研究人员的工作压力。

基于金融行业对于人工智能处理结构化和非结构化数据的大量需求，明世金融信息和百度金融云合作，利用自然语言理解（NLP）技术，开发“智能读研报“项目，提供给金融机构，用于资管投资、风控管理、财富管理等多个领域，大幅提高金融机构对海量研报的处理速度和精确度，有力提升金融机构的运营效率。

项目主要使用明世金融信息公司的金融大数据技术，在明世自建的研报数据库中，对研报进行分词、词性标注、名实体识别、词条重要性分析之类等一系列操作，然后根据明世多年的业务经验和数据本身的特点设计规则来提取研报的关键信息。调用百度自然语言处理引擎，分析研报，从标题和内容中提取热词，并形成简短摘要。

四、应用效果

（一）基金筛选及评价

在一些客户实现了多团队、多部门使用同一个投研平台的目标。在部分客户反馈中，投研团队的工作方式已经从全部门使用统一的基金打分卡转变为每个投研人员可以单独构建自己的基金评价体系。

从整体角度看，选品方案的高效生成，提高了投研人员的工作效率。这种效率提升并没有造成投研岗位人员数量的减少，而是允许投研人员做出更多不同方向的研究尝试，参数调整更精细化，从而获得更好的投研结果。

（二）宏观大类资产配置

目前业内对内宏观研究分析的频率一般是月频，但是宏观研究的结果引导大类资产配置结果的频率往往是季频甚至更长，否则只有出现了重大的宏观事件做临时的分析和宏观预测调整。出现这种现象的原因主要是，大类资产配置结果的调整，会同时影响到公司内全部具体的投资决策和投资组合管理，频繁变更所带来的人力成本过高。结合下边将要介绍的智能投资组合功能，可以实现大类资产配置调整对投资组合结果的自动优化，提升了宏观研究工作在执行层面的使用效率。

（三）智能投资组合管理

一些客户使用智能投资组合管理实现了更加高效、准确、实时的投资组合构建和调整。投研人员之间利用智能投资组合管理实现了便捷协同，在创建和维护投资组合的效果及效率上均有提升。客户经理在一线收集到的精准客户需求信息在与投研人员的工作成果互相结合，为客户提供了兼具专业性，又符合客户风险承受能力及主观需求的资产配置及优化方案，客户满意度、客户忠诚度和业务收益都有所增加。

（四）智能研报

投资对数据非常敏感，传统金融中的结构化数值数据的建设，目前已经相当成熟和完善（例如宏观经济数据、上市公司经营数据和财务报表等）。然而对于非结构化数据的内容整理（例如新闻、公告、研究报告等），目前还处于较为浅层次的人工采摘整理阶段。

近年来，随着机器学习的迅猛发展，自然语言处理（NLP）是人工智能领域中的一个重要方向，旨在研究能实现人与计算机之间，用自然语言进行有效通信的各种理论和方法，该技术有十分重要的应用意义，也被视为解决人工智能完备程度的核心问题之一。

近年来，人工智能技术在自然语言的语义分析层面已经取得了不少突破性的进展。

举个例子，我们摘取一家上市公司的年报片段，基于深度学习技术在海量数据上训练的语义近似度模型，我们可以较为精准地度量出章节、段落、句子、短语之间的近似度。

我们可以比较前后2年年报内容的文本，近似分析对齐后的效果，比如用颜色进行区分，灰色代表了前后2年内容完全一致的部分；蓝色代表了前后两年语义近似，但是内容存在细微差异的部分；红色代表了前后两年新增或者删除的内容。

如此一来，研究员们只需要根据不同的色块，便能够快速定位出公司在不同年份发展状况的细微差异了，分析的效率得到了显著性提升。

五、总结与展望

投研工具箱的呈现是明世金融信息公司成员集合金融科技专业积累，不断调研、分析、整合后的成果。在研发的过程中，各部门技术能手，金融精英不间断地沟通交流，协作配合，确保最终展现的产品准确契合当下投研部门工作人员的痛点，助力其实现投研效率与效果的双重提升。

投研工具箱结合分布式计算技术及NLP技术，通过“基金筛选及评价”“宏观大类资产配置”“智能投资组合管理”“智能研报”几大核心功能，最终实现了能够帮助投研人员在各种投研场景下高效、便捷地产出成果的目标。对财富管理机构而言，投研侧效率提升，团队人员之间的高效协同，无疑将带来更高的人力回报及更好的服务口碑。

未来，随着财富管理行业及人工智能、云计算等技术的飞速发展，投研工具箱背后的智能投研，效率投研思路会成为常态。投研工作人员诸多模块化，标准化的工作如撰写研报、定期提交合规文件，重要信息快速简评等将可以通过工具实现自动化，快速化，批量化。投研过程也可以更加精细化和智能化，例如可以通过实时采集和分析市场数据，快速反应市场变化，为投研工作人员提供实时的决策建议，利用机器学习和深度学习技术来识别投资机会和风险，并结合主观策略及机器测算输出，为资管机构数据库搭建、策略库完善提供支持。投研工具本身也将更加普及，实现多平台跨越协作，随时随地获取自己所需的信息及相关操作建议。可以预见，高速发展的财富管理行业在背后利用投研支撑服务的过程中，从客户需求契合度到服务输出质量，无疑将进一步提升。