智能投研行业分析报告Word格式.docx

智能投研行业分析报告Word格式.docx

《智能投研行业分析报告Word格式.docx》由会员分享，可在线阅读，更多相关《智能投研行业分析报告Word格式.docx（22页珍藏版）》请在冰豆网上搜索。

提供全方位了解一级市场公司的数据库和搜索工具。

产品的核心是标签体系。

目标客户包括一级市场投资机构、券商投行部门及直投部门、银行企业客户部门等。

一般采用数据终端或者数据接口的方式交付。

（3）二级市场数据库。

提供比传统金融数据服务商颗粒度更高的数据产品，重点在非结构化数据的处理。

成熟资本市场客户主要是二级市场投资者，尤其是量化投资。

国内的客户还包括券商和综合金融集团。

底层技术：

在智能投研中主要应用的人工智能技术包括图像识别、自然语言处理、情感分析、知识图谱等。

（1）优势：

人工智能拓展了数据来源，大幅提升了数据运算的能力。

机器能分析多元、非线性关系，寻找相关性而非局限于因果关系。

（2）不足：

就现阶段来看，人工智能在有明确边界、规则和目标的场景中，效果更明显。

（3）约束条件：

数据质量影响智能投研的效果，随着底层数据质量不断提升，智能投研的效果会越来越好。

市场空间及行业趋势：

（1）要从数据服务广义的角度看智能投研的市场空间。

在考虑资产管理规模和资产管理机构数量之外，收入的增量空间还包括对数据量、数据维度、数据综合服务的需求提升，以及投资机构之外其他机构对金融数据的需求。

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。

（2）智能投研的发展趋势。

资产管理机构在数据及技术方面的投入增速大于资产管理规模的增速。

传统的金融数据公司通过并购整合保持持续的竞争优势。

大量创业公司在努力拓展人工智能的边界。

成功的智能投研公司在数据服务的广度或深度上超越对手。

一、智能投研的产业链分析

1、智能投研的定义

（1）狭义：

人工智能在投资研究上的应用

通过人工智能技术拓宽投资信息来源，提高获取信息的及时性，减少基础数据处理的工作量，通过自动化的数据分析，为投资决策提供参考，从而提高投资研究的效率。

（2）广义：

人工智能在资本市场相关领域的应用

从使用者的角度来看，智能投研的受众包括各种类型的投资者（买方）、券商（卖方）、监管机构、银行和财经媒体等。

从投资的标的来看覆盖一级市场公司、股票、债券、外汇等。

而人工智能的应用场景涉及业务的各种环节，与投研直接相关的就包括研究、投资、交易和风险管理。

2、智能投研产业链的供求关系

（1）智能投研的产业链涉及数据的获取、处理及应用

大部分独立的智能投研公司主要在数据的处理环节。

最终与投资交易直接挂钩的智能投研由投资机构自己搭建为主，同时会采购外部第三方的数据和服务，在内部进行整合。

（2）上游：

数据源

①传统数据

金融行业本身已经存在大量标准化的数据，包括公司财务数据、公司公告、交易数据、宏观数据、行业数据、券商研报等，这些数据主要由金融数据公司进行整合。

②爬虫数据

这些数据来自于互联网，相比传统金融数据库，这些数据的颗粒度更细，数据来源主要是地方政府网站、地方监管部门网站、社交网站、媒体网站等。

③另类数据

主要指通过智能设备采集的数据，包括卫星图片、天气数据等，更多的是通过个人移动终端采集的各种数据。

（3）中游：

主要是数据的采集和标准化

产品形态包括数据处理的工具或者处理之后的数据产品。

①数据抓取工具：

直接对客户开放的基础产品，也是开发其他高级工具的底层技术。

应用于标准化金融文本的关键信息摘取。

②核查类工具：

对于有明确规则的金融文本提供自动核查，包括核对财务数据。

③产业链图谱：

通过打标签和标签之间的关系建立，细化行业分类，展现产业链上下游、竞争对手、股权投资等关系，寻找潜在的投资标的或发现潜在的风险传导路径。

（4）下游：

数据的需求方和应用场景，以金融机构为主

①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。

②投资机构。

一级市场投资者：

找项目，监控竞争对手。

二级市场投资者：

量化投资的策略因子、资产组合的监控及风险预警。

③证监会&

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。

④其他需求。

如银行的小微企业信贷风控、寻找潜在的企业客户；

企业寻找合作伙伴等。

3、智能投研行业的参与者

（1）传统的金融数据服务商

智能投研对于这些数据服务商来说可以提升数据采集的自动化程度，增加数据功能模块。

彭博、汤森路透是全球市占率最高的两家金融数据公司，其优势在于数据全、颗粒度细、服务好，但价格比较高。

商业模式也较为类似，除了提供数据终端之外，也是财经媒体，拥有自己的电视台、电台。

CaptitalIQ、Factset、MorningStar与头部的两家公司形成一定的差异化竞争，虽然数据不够全，但在细分领域上做更深的数据挖掘和加工，且价格相对便宜。

国内金融数据服务市场的集中度更高，基本处于万得一家独大的状态。

（2）创业公司

在智能投研领域有大量的创业公司。

这些创业团队一般都具有人工智能的技术背景和金融行业从业经历。

根据不同的团队基因，每家公司的切入角度有所不同。

有望在细分领域取得突破。

业务路径选择与团队背景有关。

（3）互联网巨头

具有明显的数据优势，可提供独家因子给量化基金。

BAT在人工智能领域均有布局，重点放在通用的基础技术研发上。

其中蚂蚁金服在金融行业的布局较广。

蚂蚁金服在底层通用技术的研发包括人脸识别技术、图像识别技术、自然语言处理等，应用在泛金融场景中的包括智能客服、智能营销、智能推送、智能定损、安全风控等。

从整个资产管理行业来看，蚂蚁金服在获客、客户运营方面有优势，在投研领域，互联网巨头在另类数据方面有明显的优势，可以提供独家的因子给投资机构。

（4）投资机构内部研发

就投资而言，外部第三方以提供数据工具为主，具体落地到投资策略制定和交易执行一般在投资机构内部。

投资机构通常会外部采购标准模块，叠加内部投资策略，构建内部智能投研系统。

①海外智能投研使用已经较为普遍。

成熟的金融市场有充足的投资工具，运用人工智能的量化投资已积累了一定量的历史数据。

部分由人工智能管理的基金取得了超过业绩基准的超额收益。

②国内的资本市场仍处于发展早期，历史数据和交易工具比较缺乏，前几年推出的大数据基金并未取得理想的业绩表现。

目前国内有部分公募基金正在积极探索智能投研的应用，包括嘉实基金、天弘基金、富国基金、华夏基金等，智能投研的发展是资产管理行业的大势所趋。

二、商业模式

1、金融文本处理工具

（1）产品定位及目标客户

①针对特定场景的金融数据处理的工具。

这里所指的数据处理本身有明确的规则，例如招股书有标准的格式、财务要遵循会计准则等，通过使用智能化的数据工具，可以减少人工审核的工作量，提升效率。

②所处理的文本以标准化的金融文本为主，包括债券募集说明书、IPO招股书、上市公司公告、审计报告、信贷报告、金融产品说明书、监管函、券商研报、保险合同等。

③实现的功能包括关键信息的抽取、文件内容及格式的审核、财务审核、智能搜索、自动问答、会计勾稽关系验证、公告合规性检查、信贷业务合规性审核、券商研报质控等。

④由于大部分功能是审核检查，所以需求最刚性的是证监会、交易所等监管职能部门，其次是券商投行部门、银行信贷审核部门等。

（2）竞争优势及核心技术

①底层技术主要是自然语言处理，相关算法都有公开的论文可以参考。

在此基础上，每家公司会有不同的切入点、具体标注数据的方法和效率与团队背景和能力有关。

②评价指标主要是标注的准确率和标注速度。

准确率根据客户的要求决定，不同的文本类型和任务存在差异。

最终技术能力的认可要看客户是否买单。

③算法和数据都很重要，一般来说，标注的数据越多，准确率越高。

现实中的文本对于机器来说永远会有无法识别的新问题出现，因此机器的准确率无法达到100%。

（3）交付方式及收费模式

从调研的情况来看，由于行业处于发展早期，公司主要收入来源还是项目制，根据客户需求开发系统，收取一次性的系统开发费加每年的升级服务费。

在做项目的过程中可以了解客户需求，完善产品，未来有望实现标准化产品的输出。

2、一级市场数据库

①提供全方位了解一级市场公司的数据库和搜索工具。

一级市场公司的数量远大于二级市场，但数据颗粒度远低于二级市场。

因此这类公司要从更大范围获取数据、清洗并将其结构化，最终形成一级市场公司以及一级市场投资机构的画像。

②产品的核心是标签体系，对每一个公司设定一系列标签，通过标签形成产业链、投资链的关系网络。

其中行业标签是重中之重，它是串联起产业链关系、竞争对手、投资机构偏好的关键。

基于这样一个底层数据网络，可以满足客户不同的数据需求，包括竞品分析（商业模式、经营情况、相似程度等）、上下游风险的传导以及供求关系、企业经营的实时跟踪等。

这些信息能帮助投资机构更好地分析行业及公司，提升效率，抓住业务机会。

③目标客户包括一级市场投资机构、券商投行部门及直投部门、银行企业客户部门、咨询公司、媒体、产业园区、产业基金和企业等。

①在数据源上差异不大，大部分都是公开数据，包括工商数据、证监会官网、基金业协会官网、公司官网和公众号、专利、招聘网站、新闻等，核心能力是抓取数据并处理数据的能力。

在数据标签的设定上需要专家支持和金融行业实务操作经验。

②底层技术是图像识别、自然语言处理和知识图谱。

③数据特色。

就我们调研的公司来看，各家在公司标签的选择和行业的侧重点上呈现出差异，例如：

因果树注重小型科技型企业的数据挖掘，建立了技术词汇的知识图谱；

视野金服在投融资数据上具有特色，公司覆盖广，一级市场投资机构的投资情况，包括投资偏好、退出情况、投资和管理关系等，资本市场标签包括启动上市辅导、科创板潜在企业、IPO审核意见等；

烯牛数据重点覆盖新经济公司，实时跟踪这些公司的产品和业务情况，挖掘热门的细分行业。

如果客户本身有系统基础，即可采用数据接口方式，将其接入业务系统。

数据终端按照数量收取年费，数据接口按数据调用量收费。

3、二级市场数据库

①提供比传统金融数据服务商颗粒度更高的数据产品，重点在非结构化数据的处理，与传统的结构化数据形成互补，形成更完整的数据体系。

②产品的逻辑基本上与上述一级市场数据库类似，差别在于二级市场公司信息披露多、交易数据丰富，因此在数据处理上颗粒度更细。

首先在财务数据上做更细化的拆解，例如营业收入的构成，抽取每个产品的收入、成本和毛利率水平，使同业比较的有效性更强；

其次是智能搜索引擎，从海量信息中找到与标的公司有关的内容，或设定条件，实现个性化的信息推送功能；

最后是事件标签，对各类事件进行分类分组，提取事件要素，结合情感分析，预测事件对公司股价的影响，包括风险事件在产业链上的传导。

③成熟资本市场客户主要是二级市场投资者，尤其是量化投资。

券商的需求包括券商APP里智能投顾的底层数据支持、研究所研究支持等。

①数据挖掘的广度和深度是构建竞争优势的主要途径。

核心是通