導(dǎo)語：在眾多被賦能的行業(yè)中，AI+投研，成為了一個炙手可熱的賽道。
準確預(yù)測未來，并在關(guān)鍵時刻扼住命運的咽喉，做出正確的決定。
這是無數(shù)人夢寐以求的情景。
得益于算法的進步，這樣的現(xiàn)實，正離人類正越來越近。
2012年，美國康涅狄格大學(xué)生態(tài)學(xué)和數(shù)學(xué)教授彼得·圖爾欽（Peter Turchin）在《和平研究雜志》上發(fā)表了一篇研究論文，提出一個不祥的預(yù)測：美國將在2020年迎來社會動蕩的“高峰”。
結(jié)果，美國真在2020年迎來了“大亂”。
疫情、種族沖突、金融危機，將整個社會攪成了一鍋粥。
那這位叫圖爾欽的教授，為何預(yù)測得這么準？
原因就在于，他本人是一個“數(shù)據(jù)史學(xué)”的忠誠信徒。
所謂“數(shù)據(jù)史學(xué)”，簡單來說，就是搜集歷史上的各種關(guān)鍵數(shù)據(jù)，如人口、收入水平、暴力事件的頻次等等，之后通過大數(shù)據(jù)+機器學(xué)習的方式，對其進行建模、分析，從中預(yù)測出未來的趨勢。
用這樣的分析方式，圖爾欽甚至算出，平均50年，美國就會經(jīng)歷一次“動亂周期”。
除了用來分析“天下興亡”之外，這樣的技術(shù)思路，也擴展了一個需求龐大的賽道——機器（AI）數(shù)據(jù)分析。
根據(jù)MarketsandMarkets的報告，全球機器數(shù)據(jù)分析市場規(guī)模在2020年達到了14.8億美元，預(yù)計到2025年將增長至45.4億美元，期間年復(fù)合增長率（CAGR）為28.3%。
而在眾多被賦能的行業(yè)中，AI+投研，成為了一個炙手可熱的賽道。
01 數(shù)據(jù)煉金術(shù)
2023年至今，全市場一共開了52,400場投研會議，差不多每天200場。在信息爆炸的年代，信息降噪、提純成為投研人士的新剛需。
為此，在互聯(lián)網(wǎng)時代的早期，就有不少投研機構(gòu)、平臺開始用數(shù)據(jù)模型的方式，來分析龐雜的金融數(shù)據(jù)。
其中，最著名的就是彭博社推出的Bloomberg Terminal（彭博終端），這是一個為金融專業(yè)人士提供實時金融數(shù)據(jù)、新聞和分析的平臺。
通過預(yù)構(gòu)建的金融模型和指標，例如財務(wù)比率、估值模型、風險分析模型，以及各種圖表和可視化工具，Bloomberg Terminal可以分析來自300多個交易所和500多個數(shù)據(jù)提供商的數(shù)據(jù)，從而幫助投資者實時了解市場動態(tài)，制定投資策略。
除此之外，S&P Capital IQ也是基于類似的技術(shù)思路研發(fā)的分析工具。
在提供了各種預(yù)制的財務(wù)模型模板，例如貼現(xiàn)現(xiàn)金流（DCF）模型、比較公司分析模型之外，用戶還可以利用插件直接在Excel中調(diào)用S&P Capital IQ的數(shù)據(jù)，利用Excel的公式和功能進行深入的財務(wù)分析。
從功能和分析方式上來說，這些平臺大多都是以預(yù)設(shè)的模型、算法，結(jié)合財務(wù)報表、歷史交易數(shù)據(jù)等結(jié)構(gòu)化數(shù)據(jù)，對金融市場的走向進行分析。
盡管這些終端都在努力整合、處理大量金融數(shù)據(jù)，但在技術(shù)層面上，其仍存在著各種局限，而其中最大的局限之一，就是對非結(jié)構(gòu)化數(shù)據(jù)（如新聞、研究報告等）相對薄弱的處理能力。
對于金融數(shù)據(jù)來說，結(jié)構(gòu)性的數(shù)據(jù)（如財務(wù)報表、交易記錄等），只是浮在海面上的一小層冰山。而更多的非結(jié)構(gòu)性文本（新聞、社交網(wǎng)絡(luò)信息），才是隱藏在海面之下的，價值更大的冰山。
這是因為，隨著互聯(lián)網(wǎng)的不斷普及，大量的文本信息被生成并存儲在網(wǎng)絡(luò)空間中。
根據(jù)皮尤研究中心（Pew Research Center）的一項研究，從2008年到2018年，全球金融新聞報道的數(shù)量增長了約40%。這些報道涵蓋了股票、債券、外匯等各種市場動態(tài)。
然而，想要挖掘這些文本數(shù)據(jù)組成的“金山”，就需要運用如自然語言處理、大數(shù)據(jù)分析等先進的技術(shù)，才能從非結(jié)構(gòu)性的文本中，提取有價值的信息。
為此，不少以自然語言處理技術(shù)（NLP）為核心的投研AI紛紛涌現(xiàn)，由此開啟了金融數(shù)據(jù)分析的一個新階段。
02 化簡為繁
當下的大模型+金融賽道，入局者甚多。
然而，在NLP技術(shù)沒有絕對性差距的情況下，要想在以自然語言處理技術(shù)為核心的投研AI中脫穎而出，高質(zhì)量、多樣化且實時更新的金融數(shù)據(jù)源，就成了競爭中的關(guān)鍵。
因為數(shù)據(jù)的質(zhì)量和多樣性，將直接影響到分析結(jié)果的準確性和可靠性。
而在這方面，熵簡科技，試圖站到行業(yè)的前列。
“熵”是熱力學(xué)中描述系統(tǒng)混亂、無序的程度。
“熵簡” 寓意以技術(shù)手段簡化業(yè)務(wù)數(shù)據(jù)的復(fù)雜度，用“化繁為簡”的方式，幫助用戶在數(shù)據(jù)中獲得洞察。
而其研發(fā)的新一代智能引擎AlphaEngine，就是這種理念的最佳體現(xiàn)。
AlphaEngine不僅聚合了海量優(yōu)質(zhì)商業(yè)情報數(shù)據(jù)源，內(nèi)涵三大商業(yè)數(shù)據(jù)庫，并且深度融合AI能力，能夠幫助用戶在海量數(shù)據(jù)中快速獲取洞察。
具體來說，AlphaEngine內(nèi)涵的三大商業(yè)數(shù)據(jù)庫，分別是會議紀要數(shù)據(jù)庫、研究報告數(shù)據(jù)庫、行業(yè)經(jīng)濟數(shù)據(jù)庫。
其中的會議紀要數(shù)據(jù)庫，不僅會提供全面的會議紀要數(shù)據(jù)庫，包括主流券商電話會議、調(diào)研會議紀要、專家訪談紀要等一手研究資料。
而研究報告數(shù)據(jù)庫，則了涵蓋主流券商研報、產(chǎn)業(yè)咨詢報告、外資券商研究報告等專業(yè)投研資料。具有多種篩選器，方便用戶定位所需資料。
同時，為了使用戶在大量數(shù)據(jù)中，高效找到需要的信息，AlphaEngine提供了多種篩選器，通過使用高效的信息檢索技術(shù)和數(shù)據(jù)挖掘方法，使用戶能夠輕松地在大量數(shù)據(jù)中找到所需資料。
在AlphaEngine中，以NLP技術(shù)為核心的生成式AI，被用于文本預(yù)處理、查詢處理、語義理解等環(huán)節(jié)。通過使用NLP技術(shù)，AlphaEngine能夠更好地理解用戶查詢和文檔內(nèi)容，從而提高信息檢索的準確性和效率。
而在文本摘要、總結(jié)方面，熵簡科技通過FinGPT大模型，實現(xiàn)了自動化生成AI摘要，從而讓用戶能方便、快速地獲取會議中的關(guān)鍵信息。
在瀏覽行業(yè)報告時，AlphaEngine內(nèi)嵌的生成式AI，會自動將報告中的要點、關(guān)鍵信息進行總結(jié)、提煉，在節(jié)約了用戶視角的同時，從而讓用戶在整體上對報告的核心內(nèi)容有了清晰的認知。
除此之外，針對一些較為重要的會議、演講，AlphaEngine也能將會議錄音轉(zhuǎn)錄成文本，并且形成會議摘要，并支持定位播放及摘要溯源功能，方便用戶快速獲取會議關(guān)鍵信息。
AlphaEngine除了提供三方海量會議紀要外，也可以用于構(gòu)建屬于自己的AI知識庫。
在【知識庫】模塊中，可以整理任何類型的研究資料，大模型會自動進行音頻轉(zhuǎn)寫及全文摘要，包括但不限于PDF、Office文檔、音頻、視頻等格式的文件。
也可以對任意資料進行提問，讓大模型根據(jù)資料中的信息做出專業(yè)解答。
對于手機上發(fā)現(xiàn)的優(yōu)質(zhì)研究資料，只需把這篇文章轉(zhuǎn)發(fā)到微信助手，AlphaEngine會將文章自動同步至知識庫中存檔，可以在【個人中心】-【微信助手】中進行設(shè)置。
上述的技術(shù)特點，展現(xiàn)了熵簡在處理非結(jié)構(gòu)性金融數(shù)據(jù)時的巨大優(yōu)勢。
隨著生成式AI的重大進展和衍生應(yīng)用帶來的領(lǐng)域拓寬，可以想見，未來熵簡也將在AI+數(shù)據(jù)分析的賽道上，研發(fā)出更多有價值的技術(shù)或產(chǎn)品。
而這種基于AI的數(shù)據(jù)分析技術(shù)，也是當下處于飛速變化中的社會所期待和需要的。
畢竟，在劃時代的機遇來臨時，唯有敏銳地捕捉變化，洞察先機，才能找到在新時代的生存發(fā)展之道。
而現(xiàn)在，這樣洞察先機的機會，就擺在眼前。
