知识图谱如何让智能金融“变魔术”

作者简介：
鲍捷，文因互联CEO。Iowa State University博士，研究领域包括神经网络、信息论、机器学习、逻辑与推理、语义网、自然语言处理等。三星S-Voice个人助手个核心设计者、语义网基础国际标准OWL2作者之一。
王丛，文因互联CKO。美国Wright State University辍学博士生，专长知识提取、本体建模、语义推理。曾参与欧盟的大规模知识加速器项目、爱尔兰DERI研究中心RDF规则推理系统等项目。
本文为《程序员》原创文章，未经允许不得转载，更多精彩文章请订阅2017年《程序员》

什么是智能金融

智能金融，顾名思义，就是人工智能在金融领域的应用。智能金融还是一个比较新的方向，整体上还处于探索的阶段。首先，我们需要澄清它和其他一些概念如金融科技、互联网金融的区别。

过去几年来，“金融科技”（Fintech）成为一个热门词。但是大部分的金融科技产品，例如银行借贷、券商研究、早期投资、对冲基金、外汇支付等还是停留在对金融信息获取、统计量化模型、交易完成的信息技术（IT）保障上。智能金融则再进一步，试图用机器学习、知识表现等人工智能的分支来做决策支持。

智能金融也要和“互联网金融”区分开来。互联网金融（互金）是现在大家提到“金融科技”时最容易想到的，在国内几乎成了“P2P”的代名词。互联网金融关注的是把交易行为或者获客渠道搬到互联网上来，其中会有一些智能的应用，但总的来说还是传统人力服务的互联网化，和“智能金融”的差距很大。

智能金融也借力于金融科技和互联网金融的发展。金融机构开始相信技术的价值不仅仅是依赖经验和人脉，一些统计算法（如时间序列分析）的成功也为更智能算法的应用起到了教育、冷启动市场的作用。大量的金融数据互联网化也提供了智能金融不可或缺的训练数据。

智能金融现在中国市场上最常见的是征信，这和互联网金融的发展息息相关。个人征信可能有上千家在做；企业征信也在起步，最初步的是各种工商注册数据处理。在美国，我们接触较多的有两个领域，一个是传统大银行里的数据分析，另一个是交易策略的生成，类似桥水（Bridgewater）、Kensho在做的。当然人工智能分支很多，其他的分支和金融的结合也有很多应用，如图1所示。

图1 智能金融的内涵

据我们了解，这些机构里的人工智能，可以分为机器学习和语义分析两大块。从算法层面讲没有什么太过神奇的东西，很多都是十几年前就知道的方法。不管是征信还是策略生成，或者信息挖掘，基本都可以映射到“语义数据集成”这个经典的老问题上，进步一些的就是语义搜索。当然解决这个问题也不简单，需要机器学习、数据库、本体和知识库等多种方法的混合应用。所以当前智能金融公司招聘的人才，主要是这样的人。

智能金融能否“变魔术”

就如何在国内展开智能金融应用，我们接触了很多金融界人士，包括风投、孵化器、券商、私募、银行、交易所、研究所、监管机构等等，涉及的问题有行业研究、企业研究、尽职调查、交易撮合、并购、投资顾问、理财顾问、个人征信、企业征信、风险控制、系统风险防范等诸多领域。尽管金融面临的具体问题千差万别，但总的来说集中在“价值判断”和“风险评估”两个大方面。

但是如何做价值判断和风险评估，就是见仁见智的问题，没有统一的方法，甚至有时候看起来纯粹是“拍脑门”。比如并购业务怎么找到合适的壳公司，有一个经验模型是“三分钟找壳法”，包括七八项判断标准，其中一条是实际控