特朗普发推特就让股市全线飙绿?这家李嘉诚领投的AI公司帮你避险

特朗普发推特就让股市全线飙绿?这家李嘉诚领投的AI公司帮你避险

「如果特朗普总统想要保持美股强劲,最直接有效的办法就是少发一些推文。」

美银美林首席证券分析师实力吐槽的背后,有数据可循——统计显示,从 2018 年至今,特朗普共发布了 4000 余条原创推文,其中有 146 次引发市场波动。

摩根大通甚至为此设置了一个「特朗普指数」,用来分析其推文是如何影响美国利率波动的。

这是一个典型的非常规金融风险指数,即「表外风险」,本文要介绍的 AI 金融公司「妙盈科技」(MioTech)正擅长于此。

所谓表外风险,指商业银行按照现行的会计准则不计入资产负债表内、不形成现实资产负债、但能够引起当期损益变动的业务所引起的风险。

美国次贷危机已经证明,商业银行表外业务蕴藏着巨大的风险,应该给予足够的重视。


采访 | 四月

撰文 | 凡雪、四月

资本市场风向瞬息万变,涉及内容庞杂繁多,表外风险横生不断。相应地,如今各银行、投资机构对于「特朗普推特」式的表外风险更加重视,如果仅仅依靠搜集传统数据和单一监控方式已远远不能满足行业需求。

「你可以看到,现在社交媒体上的舆情导向,以及环保监管上、社会责任领域黑天鹅事件,对于市场波动的影响越来越大」。妙盈科技创始人兼 CEP 涂鉴彧向机器之心说道。

涂鉴彧的渣打银行背景,李嘉诚、徐小平争相领投,这家踏着 AI 风口成立的金融公司似乎一开始就光环加持。

成立两年,妙盈已从一家产品导向的金融信息搜索公司逐渐升级为风险服务管理提供商,运用自然语言理解知识图谱两项核心技术,为高净值客户、理财顾问等大中客户提供投资管理服务,其中包括国际知名商业银行。

在涂鉴彧看来,「能够成功地规避风险就是帮客户赚钱」。但他并不认可人工智能在金融领域能够替代人做决策的说法,「替代重复劳动是可能的,但要帮助人做决策在未来 10 年,甚至 20 年内都无法实现。」

对于所有的金融机构而言,最大的花销并不在于人力成本。「因为金融机构都需要被监管,所以合规成本是很重要的一方面;另外就是市场风险,市场不好,才是亏钱最多。这才是金融客户最为看重的两个部分」,涂鉴彧说道。

1 从银行甲方到银行乙方

2017 年前后,第三波人工智能风口迭起,金融市场尝试引入人工智能——将风险「扼杀」在摇篮里,让客户当上「先知」。

妙盈科技正是在这个大背景下成立,他们借助于自然语言理解知识图谱两项核心技术,通过研发资产管理智能操作系统,为高净值客户、理财顾问、家族办公室、以及基金经理提供投资管理服务。

如今,妙盈科技建立起了以 ESG⻛险管理(AMI)、投资组合⻛险管理(PortX)以及⾼净值⼈群图谱(WealthLink)三⼤平台为核心的产品体系,覆盖超过 2 亿条公司信息和超过 6500 万的⾼净值人群资料,对超过 1500 万的线上媒体资讯进行实时预警与监控。

特朗普发推特就让股市全线飙绿?这家李嘉诚领投的AI公司帮你避险


数据来源:妙盈科技 WealthLink,小米创始人雷军财富概览页

所谓 ESG 风险管理,是一种关注企业环境、社会、治理绩效而非财务绩效的投资理念和企业评价标准,目前正受到越来越多的金融客户重视。

创业之前,涂鉴彧曾在香港渣打私人银行工作两年。有着前台、中台、后台的多部门管理经验的他,笑言「现在创业就是为以前的老同事服务」。

特朗普发推特就让股市全线飙绿?这家李嘉诚领投的AI公司帮你避险


左为涂鉴彧,右为刘涛,图片来源于福布斯

2014 年,涂鉴彧在斯坦福攻读 MBA 期间结识了同在硅谷的极客工程师刘涛(也是如今妙盈科技 CTO),刘涛擅长大数据处理与分析,两者的交叉背景为后期妙盈的诞生埋下了种子。

除了好友,涂鉴彧还拉来了渣打银行工作的的导师 Harry Yip、赫赫颙琰。赫赫颙琰此前曾作为资深用户体验设计师任职于 LinkedIn 和领英中国,负责 LinkedIn 改版和赤兔 APP 设计。

目前妙盈科技的技术团队集中在上海,其他业务团队还分布在新加坡、香港等地。

2017 年 10 月,妙盈获得李嘉诚旗下的维港投资领投,真格基金跟投的 700 万美元 A 轮融资。同年 2 月,妙盈的天数轮由真格基金领投。能获得李嘉诚和徐小平背书,妙盈有其过人之处。

去年,妙盈已经通过旗下产品与服务实现数百万美金的营收,公司目前正在推进 B 轮融资,或于年底前结束。

在创业头两年的初期,妙盈科技选择从资产管理场景切入,主要有两大方面的考量。

其一,由于在整个金融行业中,权重往买方(即拥有资产的投资方)偏移,而一般拥有资产的也就越重视技术、数据,因此他们需要更多的分析能力;

其二,如今从整个行业来看,最痛的一个痛点还是风险,传统的表内风险已经不能满足客户对市场风险认知的需求,所以公司需要注意社交媒体舆情,还有环保、社会责任方面的数据,防止「黑天鹅事件」的发生。

虽然重视数据、技术,但是妙盈科技更加看重技术的落地能力即应用场景和客户需求。

在涂鉴彧看来,整个金融科技行业以前只看技术不看应用场景的现象非常不健康,所以妙盈需要知道客户痛点是什么,行业问题是什么,为此妙盈科技雇很多金融背景的人才。

除此之外,妙盈也进行定位升级——从创业初期主推搜索工具型产品即用户可以在 APP 移动端和网页端根据自身需求进行搜索,从而获得信息、数据输出,如今在向风险管理服务提供商转变谈及背后逻辑,涂鉴彧解释道,只做搜索型工具产品会导致用户粘性不足,通过搜索获得关于风险等数据是第一层面。

升级后妙盈科技可以通过提供标准化产品,不仅仅输出一个搜索结果,可以进行第二层面的监控即风险控制。

而第三层就是分析,分析分为两个层面评级和指数参考,评级是说我们能把所有它的风险点集合,给出一个分数或字母的评级;而指数参考即指平台系统会提供若干资管标准(index)以及分析工具,用户将自己的投资组合、内部的数据和程序搬到妙盈系统平台上,最后用户根据结果做决策,所以公司产品发展也是以数据为核心,然后慢慢发展众多落地场景,以此让客户在妙盈标准化产品上的粘性越来越高。

2 人工智能扮演什么角色?

「金融行业问题不是数据太少,而是数据太多太乱」。涂鉴彧说道。

众所周知,金融行业是一个信息化,平台化程度非常高的行业。所谓信息化即以现代通信、网络、数据库技术为基础,将各类数据汇总至数据库,简单的来说就是数据电子化;数据平台化即信息、数据打通,这两个特性将各类数据囊括聚集的同时,也导致数据杂乱无章。

数据的杂乱首先无形中提高了一级规模数据的收集门槛。

例如,如果要从部分政府网站搜集法务数据,就需要面临从中央级到省级、再到地市级的繁多数据,无论是提取数据还是将数据结构化,都是十分大的门槛。

其次即使数据收集完毕,如何分析并让分析结果帮助客户进行决策,这两大问题也是妙盈科技服务客户的主要痛点和需求。

针对这些痛点和需求,妙盈将自身客户群分为三类:银行、买方、卖方三者用的都是标准化产品,但不同的客户群目的却存在些许不同。

在展开绿色债券、绿色信贷业务时,还需要对企业的社会责任风险进行评判。

涂鉴彧举了一个例子,他们曾遇到一家规模庞大的欧洲银行,非常注重环保意识,在挑选中国标的时,对于用电结构有很高的要求——用电如果超过一半采用燃煤渠道就否决,而妙盈科技便可以利用数据分析,保证这家银行不投错标的。

买方机构,包括公募基金,私募基金,大型的银行资管等,他们主要是去做投资的决策研究,以及自身投资业务是否合理合规;卖方机构,包括投行部、咨询公司等,他们在写投研报告,或帮别人做项目时,需要对一些公司进行尽职调查和风险评测,而妙盈主要为他们提供此类服务。

解决客户痛点需求背后往往依靠的是企业数据和技术,妙盈两大核心技术——知识图谱和 NLP 在一定程度上可以解决。

例如上市公司,可能一年最多披露 4 次季报,加之这些数据是主动披露,内容的客观性有待商榷。如何提高数据披露频次以及不依靠企业自身主动披露数据成了客户们的「心头痛」。

在提高数据披露频次这方面,妙盈需要了解跟他相关的、产业链上下游的公司,梳理出关系,这样才能拥有很多的数据点,而可以借助知识图谱这一技术了解他们之间所有关联性,再顺着关联性去找相关数据信息。

在不依赖企业主动提供信息方面,此时可以换一个思路——转向非结构化的数据,比如政府网站上、新闻报道里、社交媒体上都可以成为信息来源,那这些数据信息是非结构化的,必须依靠自然语言处理来提取出来,在提取数据的过程中,会运用到基本的 OCR 技术,提取出来之后还要对语义进行理解,比如主动与被动,词义的褒贬,动作的执行者与接收者他都需要了解。

谈及提供的服务与智能投顾、智能投研等角色有何不同时,涂鉴彧解释道,最大的不同就是我们不触碰钱也不帮客户做决策,比拼的是技术和产品能力,而智能投顾,智能投研,他们比拼的是获客能力——客户越多,获金能力也就越强。

2017、2018 年两年是银行智能投顾产品上线频率最高的一年,投资研究是金融交易市场的重要环节,在进行投资交易判断初期,金融分析师会通过对金融数据的采集和处理,进行综合分析,最终得到有效的投资结论,这项业务主要面向 B 端机构投资者。

但妙盈一直以来定位都是「客户的助手」,在交易前端为客户尽可能提供辅助作用。

妙盈科技自称「小助手」的定位与大众对于「黑科技」的想象似乎不太一致——此前摩根、高盛很多交易员被取代的新闻屡见不鲜,但在涂鉴彧看来,取代的只会是执行交易的人,而去做决策的人,预计在接下来的 10 年、20 年也无法取代,科技是可以把数据整理得更好,然后做出分析,但真正去做结论还是需要金融人才,正如上文提到的特朗普发完推特,整个市场都会发生变化,机器无法预测特朗普的性格,人的主观能动性在此刻就显得十分重要。

但这也并不意味着金融科技一系列产品并无多大价值,因为对于所有金融机构来说,他们面临最大的花销一个是合规成本,因为金融机构都是被监管的,如果被监管罚了,会亏钱;另外一部分是市场风险,市场不好,他们亏钱最多。

此外,由于人是容易犯错的,尤其在数据整理上,雇人消化数据的人效非常有限,利用机器处理信息,能够抓到更有关联性的信息;并且在风险方面,能踩更少的雷,帮金融机构避免投错标的,避免金融损失,而少风险往往就是收益。

这其实跟机器人写作不能取代记者也是一样的道理,每个记者的经历不一样,写出来的东西都是极具个人风格的,这是机器人模板化套用所不能及的,但是机器人写作在某些特定场景的确有自己的优势例如快资讯,赛事播报等,涂鉴彧补充说道。

3 铺出海版图,驶向东南亚

在涂鉴彧看来,最近两年金融科技领域变化很大,首先数据搜集已然从 1.0 人工分析迭代到 2.0 大数据分析再到 3.0 人工智能分析,除了数据搜集,产品应用方面,银行市场仍然是攻破难点。

「这些年情况有所好转,大家愿意花很多精力了解科技,以及科技怎样去帮助他们,跑的快的企业愿意推这些科技,跑的慢的则需要的流程会多一些」。涂鉴彧说道。

谈及未来金融科技的发展,涂鉴彧认为潜力巨大。

11 月 20 日,人民银行发布《中国绿色金融发展报告(2018)》,报告显示,2018 年,中国共发行绿色债券超过 2800 亿元,绿色债券存量规模接近 6000 亿元,位居全球前列。

绿色债券的推进意味着银行都会需要证监会所要求的上市公司披露的关于社会责任方面的数据,从海外来看,他们的体系已经非常健全,所以整个市场体量非常大。

前段时间,涂鉴彧特意挖来一位背景过硬的高管负责推进海外市场战略,Endre Markos,此前曾在彭博和花旗任职。

Endre Markos 1995 年加入彭博,随后伴随彭博一路杀到亚洲市场。涂鉴彧希望将这样的经历复制到妙盈。目前,妙盈的大中规模客户约有 30 余家,分布在香港、新加坡、中国大陆和欧洲等地,中国大陆客户约占 3 成,海外占 7 成。

「从短期到中期层面,从我们数据和服务的覆盖面上来看,妙盈想把中国大中华区以及东南亚都拿下来」。涂鉴彧说道。

机器之心看来,妙盈的出海想象力巨大,很大程度在于它扮演着「窗口」的角色——既熟知海外投资市场和偏好和投资人口味,又拥有着中国创投市场得天独厚的数据资源,所以能够将窗口聚焦在投资者感兴趣的数据和指标上,同时又能挖掘出表外数据的价值。

近年来,包括中国市场在内的亚太市场生机勃勃,成为北美资本押宝的重要标的,而如果能够作为探路人,或者说情报员将这中间的认知与信息隔阂填补完全,将会是一个非常可观的市场空间。

从整个行业来看,金融科技的步伐一直迈得不快,有其行业本身的特殊性,金融领域专业性很强,存在许多的专业术语,这让「开源」的数据挖掘成为难题。

其次,行业的变革都是从头部公司开始,自上而下,但是五大国有银行由于各种原因,流程推进较慢,而且很多产品并没有解决刚需,只是出于「噱头」宣传,停留在「概念」阶段。

在落地的过程中,五大国有银行可以寻求与互联网公司合作的策略,以期打通数据孤岛,并且拓宽应用场景,此前不久建行与多点进行合作便可以参考。

从企业来讲,正如涂鉴彧所言,金融科技公司在以技术数据为「核」的同时,要注重场景的开拓,通过数据-技术-场景-数据形成良性循环,首先在国内稳稳扎根,后期再寻求业务出海。

产业知识图谱自然语言处理
相关数据
数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

权重技术

线性模型中特征的系数,或深度网络中的边。训练线性模型的目标是确定每个特征的理想权重。如果权重为 0,则相应的特征对模型来说没有任何贡献。

自然语言理解技术

自然语言理解是人工智能的核心课题之一,也被广泛认为是最困难和最具标志性的任务。最经典的两个人工智能思想实验——图灵测试和中文房间,都是围绕自然语言理解来构建的。自然语言理解在人工智能技术体系中的重要性不言而喻,它一方面承载着机器和人的交流,另一方面直达知识和逻辑。自然语言理解也是人工智能学者孜孜以求的圣杯,机器学习的巨擘 Michael I. Jordan 就曾经在 Reddit 上的 AMA(Ask Me Anything)栏目中畅想用十亿美元建立一个专门用于自然语言理解的实验室。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

知识图谱技术

知识图谱本质上是语义网络,是一种基于图的数据结构,由节点(Point)和边(Edge)组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲,知识图谱就是把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。 知识图谱这个概念最早由Google提出,主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎,知识图谱可用来更好地查询复杂的关联信息,从语义层面理解用户意图,改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候,搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月,家庭情况等等。

数据库技术

数据库,简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。 所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

数据挖掘技术

数据挖掘(英语:data mining)是一个跨学科的计算机科学分支 它是用人工智能、机器学习、统计学和数据库的交叉方法在相對較大型的数据集中发现模式的计算过程。 数据挖掘过程的总体目标是从一个数据集中提取信息,并将其转换成可理解的结构,以进一步使用。

逻辑技术

人工智能领域用逻辑来理解智能推理问题;它可以提供用于分析编程语言的技术,也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑(Propositional Logic )以及一阶逻辑(FOL)等谓词逻辑。

操作系统技术

操作系统(英语:operating system,缩写作 OS)是管理计算机硬件与软件资源的计算机程序,同时也是计算机系统的内核与基石。操作系统需要处理如管理与配置内存、决定系统资源供需的优先次序、控制输入与输出设备、操作网络与管理文件系统等基本事务。操作系统也提供一个让用户与系统交互的操作界面。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

机器之心机构

机器之心,成立于2014年,是国内最具影响力、最专业、唯一用于国际品牌的人工智能信息服务与产业服务平台。目前机器之心已经建立起涵盖媒体、数据、活动、研究及咨询、线下物理空间于一体的业务体系,为各类人工智能从业者提供综合信息服务和产业服务。

https://www.jiqizhixin.com/
小米机构

小米公司正式成立于2010年4月,是一家专注于智能手机自主研发的移动互联网公司,定位于高性能发烧手机。小米手机、MIUI、米聊是小米公司旗下三大核心业务。“为发烧而生”是小米的产品理念。小米公司首创了用互联网模式开发手机操作系统、发烧友参与开发改进的模式。2018年7月,工业和信息化部向与中国联合网络通信集团有限公司首批签约的15家企业发放了经营许可证,批准其经营移动通信转售业务,其中包括:小米科技有限责任公司。 2018年7月9日,正式登陆香港交易所主板 。

https://www.mi.com/
暂无评论
暂无评论~