如何利用智能投顾服务客户核心需求？
《财富管理》
“随着居民财富和个体投资者数量不断增长，我国个体投资者财富管理需求觉醒，亟须金融机构提供低价优质的投顾服务。日益增长的理财需求为智能投顾的发展提供了肥沃土壤，一方面，居民财富管理需求牵引财富管理行业蓬勃发展；另一方面，2018年中国人民银行等部门联合印发《关于规范金融机构资产管理业务的指导意见》(以下简称”资管新规”)直接推动各大金融机构将财富管理业务作为核心业务进行布局。”
2015年开始，我国相继颁布了《中共中央办公厅国务院办公厅关于加强金融服务民营企业的若干意见》《国务院关于促进云计算创新发展培育信息产业新业态的意见》《促进大数据发展行动纲要》《新一代人工智能发展规划》《国务院办公厅关于全面推进金融业综合统计工作的意见》《”十三五”现代金融体系规划》等文件，均强调金融科技在优化金融发展方式、筑牢金融安全防线、增强金融核心竞争力中的重要作用，金融科技已经成为推动我国金融转型升级的新引擎[1]。
随着金融科技发展，智能投顾应运而生。2017年7月，国务院印发《新一代人工智能发展规划的通知》,此后人工智能产业支持政策不断出台，2018年4月，中国人民银行等部委联合发布的资管新规，明确提出取得资质并具备技术条件的机构可以运用人工智能技术开展投资顾问业务，并且规定了理财产品净值化管理、打破刚性兑付的大方向，为智能投顾的发展提供了生存土壤。在此环境下，利用智能投顾在财富管理智能化转型的大趋势下抢占先机，成为金融机构的必然选择。人工智能的发展已经在金融市场的许多领域提高了信息分析和利用效率，对结构化数据的分析挖掘，在诸多方面取得了进展，目前，许多成熟的智能投顾算法主要针对结构化数据，对非结构化数据的分析挖掘和利用，尚处于起步阶段。尽管业界对知识图谱技术表现出了浓厚的兴趣，但是目前针对智能投顾领域的知识图谱构建研究相对匮乏。因此，本文从大量异构数据中辨别金融实体，定义并挖掘实体间的各种关系，构建面向智能投顾领域的知识图谱，并对金融数据进行智能化分析，帮助投资者和机构解决资本系挖掘、风险预警等核心需求。
PART.1 文献回顾
知识图谱属于人工智能的范畴，目前国内关于人工智能在金融领域的研究尚处于起步阶段，已有对人工智能的研究多集中于概念界定、发展水平测度体系、人工智能对经济的影响等方面，而关于人工智能具体技术在金融学中的应用，如知识图谱在金融领域的应用，理论研究相对匮乏。国内学者主要是运用CiteSpace等软件，通过对相关金融文献主题进行可视化，探讨金融领域研究热点并预测未来研究方向[2][3]。与此类研究中提及的知识图谱存在较大的差异，本文构建的知识图谱立足于现实世界，反映机构真实情况及机构间关联情况，并且可以随外部环境动态变化。在金融知识图谱构建方面的研究中，Ruan等(2016)将分散在不同网站和数据库中的企业信息进行整合，构建中小企业知识图谱，并提供企业和数据可视化功能，用于投资分析[4]。Song等(2019)介绍了Thomson Reuters如何构建商业领域知识图谱，即从多源数据中提取上市公司的相关信息(包括企业所发生的重大事件等),然后利用命名实体识别和关系抽取等技术抽取企业之间的关联关系，在此基础上构建金融知识图谱[5]。
但上述研究仅支持查询企业相关实体等简单功能，本文构建的投顾领域知识图谱能够帮助用户快速、全面地了解企业信息，当企业发生重大事件时，可以呈现出完整的事件发展过程，有助于用户清楚地了解事件的来龙去脉，为投资者决策提供支持。
虽然有关投顾领域知识图谱构建的研究较少，但是已有部分学者开始利用知识图谱进行风险识别研究。陶睿等(2019)基于知识图谱，构建财务智能监管模型，根据公司的财务状况，对其财务风险状况进行识别，帮助监管部门及时发现潜在风险，从而提升监管部门识别风险、防范风险的能力[6]。吕华揆等(2020)运用股权数据，从知识关联出发，通过对金融机构间持股关系、持股比例分析，构建金融股权知识图谱，运用股权穿透方法对国有股比例进行计算，并结合工商数据中的机构注册资本额以及网络中心度指标，为风险识别和预测提供新方法[7]。陈晓军和向阳(2020)利用上市公司公开信息构建企业风险知识图谱，通过图谱呈现上市公司、人物、组织机构、行业等实体信息以及实体之间的关系信息，帮助金融从业者更加直观地了解和检索企业信息，从而进行风险预测、关联企业分析[8]。
此外，知识图谱还被用于金融风控的反欺诈和内审内控等环节。金磐石等(2019)针对小微企业的信贷业务信息透明度差的特点，全方位挖掘企业、实控人、董监高以及关联企业等信息，构建企业关联图谱，提出贷前反欺诈模型，实现从孤立的企业实体欺诈风险到全局风险的把控，有助于银行对贷款企业的欺诈行为进行识别[9]。邵磊落等(2021)将知识图谱应用于电网企业的内控审计业务中，挖掘审计数据的隐藏价值和数据间的关联关系，开智能内控审计的先河[10]。陈强和代仕娅(2021)将会计案防领域的行业知识与金融知识图谱技术结合，提出了结合关联风险特征的会计案防智能化反欺诈策略体系，实现商业银行会计风险的精准识别和有效防范[11]。
一直以来，股票市场的预测在学术界和商业界都受到了广泛关注。Fama在20世纪60年代提出了市场有效性假说(Efficient Market Hypothesis)。在最有效的市场中，股票价格充分反映了已经发生的事件，以及那些尚未发生但市场预期会发生的事件对股票价格的影响，如果可以及时准确地获取重要事件势必会对预测金融市场波动起到重要作用[12]。近年来，部分学者开始基于神经网络和知识图谱进行股票预测。如Fu等(2018)在金融知识图谱的基础上，集成随机优化方法，辅助资产管理者制定交易策略[13]。Matsu-naga等(2019)在选择股票时考虑与该股票相关的供应商、消费者、股份持有者等信息，利用图神经网络建模，将具有共同特点的两个企业连接起来，对企业股价实现了较好的预测[14]。传统的股票预测方法主要基于股票价格数据之间的相似性，忽略了公司之间的业务关系，如持股、合作和供求关系等。Wang等(2019)利用知识图谱刻画金融市场错综复杂的关系，研究基于知识图谱的关联实体挖掘，解决财经新闻和股票实体的对应影响关系识别问题，模拟真实投资策略进行回测，取得了较高的超额收益[15]。现有研究大都集中在公开市场数据上，并且没有利用交易行为。实际上，交易行为可以更好地反映市场动态，交易信息与市场信息的融合可以进一步提高预测准确性。Cheng等(2022)利用上市公司新闻、历史股价和突发事件等信息构建多模态金融知识图谱，并与图神经网络技术结合，用于上市公司股票价格预测，在3714只股票上的实验结果证明了模型的有效性，所建模型已在大型金融服务提供商得到实际应用[16]。
知识图谱和深度学习技术在股票价格预测方面虽然取得了不错的效果，但是仍然存在以下两个主要的缺点：一是当前的方法对股票价格的异常波动不够敏感；二是预测结果缺乏可解释性。为此，Deng等(2019)从财经新闻中抽取结构化事件，以知识图谱中的外部信息学习事件的嵌入式表示，最终结合事件表示和股票价格共同预测其趋势变动[17]。Feng等(2019)则在金融知识图谱中考虑时间信息，对股票的时间演化和关系网络进行建模，并在纳斯达克和纽约证券交易所两个股票市场对历史数据进行了回溯测试[18]。大数据时代，建立在少数变量之间相互作用的传统宏观经济学知识体系面临着严峻的挑战，Yang等(2020)利用自然语言处理工具从学术文献和财务报告中抽取大量经济变量构建知识图谱，分析各变量之间的关联关系，进而将分析用于宏观经济预测[19]。Elhammadi等(2020)则从大型金融新闻文本语料库中抽取与公司相关的事件，自动化地构建金融知识图谱，以支撑股票预测、风险识别等应用[20]。
在大数据环境下，有大量数据可以辅助智能投顾，传统方法无法对如此大量数据进行表示，知识图谱则可以有效解决这个问题。本文从上市公司的公报、财经新闻等数据中抽取企业之间的关联关系，包括持股、股权投资、交易、担保等关系，并且实时监控网络中企业所发生的重要事件，构建高质量知识图谱，为智能投顾发展提供技术支持。
PART.2 智能投顾发展现状
2008年开始，以美国和欧洲为中心，一些智能投顾公司相继成立，他们为投资者提供在线资产管理服务，并收取手续费。随后几年，在线专业投资咨询服务在欧美国家迅速兴起。2015年，智能投顾概念首次被引入国内，并得到快速发展，引发国内业界与学术界的广泛关注。近几年，全球提供智能投资顾问服务的公司大量涌现，其业务形式多种多样，遍布全球主要经济体。与传统投顾的算法交易相比，智能投顾具有明显优势(见下页表1)。
根据Statista报告披露，2022年全球智能投顾管理资产规模达1.78万亿美元，预计到2026年智能投顾市场资产规模占比社会总财富管理规模将超过15.15%,达到3.14万亿美元。同时，全球智能投顾客户群体数量在2026年将达到5.1亿人。因此，整体来看智能投顾在全球范围内的发展，正处在一个高速增长期。
01 国外智能投顾的发展
智能投顾在国外起步较早，其最初来源于美国的一个投研系统，该系统运用科技手段帮助投资人员分析客户信息、整理销售材料等，随后开始提供相关资产配置及优化服务。到20世纪90年代，开始出现了服务个体用户的智能投顾工具。
从2005年开始，美国允许证券经纪人代客理财，为智能投顾的发展提供了法律依据。
2010年正值美国金融危机，Betterment在此时成立，成为全球首家智能投顾平台。随后全球范围内出现了大量智能投顾平台。2011年12月，美国在线资产管理公司 Wealthfront成立，正式注册成为美国证券交易委员会(United States Securities and Exchange Commission,SEC)的投资咨询者(Registered Investment Advisor,RIA),提供自动化的投资组合理财咨询服务。2013年，Ken-sho成立，旗下拥有一款名为Warren的分析软件，主要利用大数据和机器学习，将数据、信息、决策进行智能整合，并实现数据之间的智能化关联，从而提高投资者工作效率和投资能力。与此同时，美国的传统人工投资顾问服务公司也开始推出智能投顾服务，如1971年成立的Charles Schwab(嘉信理财)于2015年3月推出智能投顾产品Schwab Intelligent Portfolios。同年5月，于1974年创立的美国Vanguard(先锋公司)推出智能投顾服务。
除美国之外，2011年，英国在线投资咨询公司Nutmeg成立，由于在线开户十分便利，并且与传统公司7.5%的交易手续费相比，Nutmeg仅收取1%的服务费用，因此受到广大投资者的追捧。2013年，新加坡的Dragon Wealth公司成立。该公司由瑞士信贷亚洲和太平洋地区私人银行部门的最高部门负责人合作创立，利用手机移动应用程序提供在线资产管理服务。该公司与大数据整体解决方案供应商(CrowdSolution)建立了战略合作关系，进行信息收集和分析。近年来，韩国各大券商也争相开发智能投顾产品。三星证券等券商和KB银行等相继推出Sansung POP RoboAdvi- sor、Quarterback、QVRobo Account等智能投顾系统。以现代证券为例，2015年2月通过整合价值系统与投资咨询业务，现代证券推出了智能投顾产品，目标是基于算法进行资产管理，为客户带来稳定收益。该系统通过大数据和人工智能，为客户提供与客户投资特点及投资目标相符的资产配置建议及操作服务(上述投顾产品的对比见下页表2)。
02 国内智能投顾的发展
国内智能投顾发展势头迅猛
随着我国经济步入”新常态”,经济呈中高速发展。一方面，国民个人财富加速积累，居民财富逐渐由不动产、储蓄流向金融产品投资[21],催生了财富管理新兴需求；另一方面，近几年我国利率市场不断下行，低风险固定收益理财产品的收益率降低，使得居民家庭资产蒙受损失。传统投顾模式已经不能满足我国财富管理爆发式的增长需求和有效的资产供给，国内资产管理市场开始借助大数据和人工智能等技术，突破传统金融服务时间和空间上的限制，寻找服务效率更为高效的投资理财模式，智能投顾平台应运而生。从2015年开始，第三方投顾管理机构开始推出智能投顾产品。2016年开始，银行、券商、基金纷纷推出智能投顾产品。目前，国内银行开展智能投顾的主要有摩羯智投(招商银行)、财智机器人(浦发银行)、平安智投(平安银行)、广发智投(广发银行)等。建设银行、中国银行等也纷纷与蚂蚁金服、腾讯、京东等互联网巨头联手，共同开发智能投顾产品。同时，我国掀起一股券商智能化浪潮，2017年9月，国内8家券商智能顾投产品顺利上线，同年多家公募基金积极布局智能顾投，如华夏基金与微软共同推出”华夏查理智投”。表3从公司背景、策略、资金池等方面对国内主要投顾平台进行了对比总结。
国内智能投顾发展前景广阔
数十年间，我国传统的金融服务业已收集了大量结构化数据，投顾行业正面临数据爆炸的问题，如何有效使用海量数据，需要用户具有丰富的金融学、经济学等知识储备，并且能深刻理解数据的变动、敏锐判断可能引发的关联效应，从而帮助投资者做出合理的投资决策。投顾行业的从业人员，相当于在大脑里存储了一个数据库，但是，个人的记忆是有限的，一个专业的行业分析师通常只能对几个行业了如指掌。要对市场进行从宏观到每个细分行业的全面分析，则需要一个分析师团队。近年来，非结构化数据大量涌现，给传统的投顾行业运作方式带来了挑战。财经讯息每时每秒都在更新；上市公司数目众多，所涉及的定期报告、临时报告数量巨大；基于互联网平台门户网站每时每刻也在产生着大量的资讯。上述信息的微小变动都将可能对投资市场产生巨大影响。在这个信息爆炸的时代，传统的投顾行业在追踪信息源头、分析数据所需知识的广度与深度上，都面临极大的挑战。虽然起步较晚，但伴随着投资理财产品日趋多样化和市场化、人工智能、大数据等技术的发展以及政策引导支持，智能投顾在我国持续蓬勃发展。Statista显示，中国智能投顾管理资产总规模2022年达到1.1千亿美元，预计到2026年，中国的智能投顾管理资产总额有望超1.6千亿美元，用户数量将超过2.43亿。
国内智能投顾发展困境有待突破
可以预见，智能投顾必将引领财富管理的智能化时代。但一个新领域的兴起往往也会伴随着一些技术风险和道德风险，相对于业务方向，更难的是对智能投顾决策过程的算法进行监管及智能投顾机构的资质条件和算法能力进行评估。具体体现在以下三个方面：第一，智能投顾产品参考的样本是历史数据，当出现“黑天鹅”事件时，机器学习算法可能会失效；第二，机器学习算法擅长发现数据间的相互关系，而并非因果关系，这可能造成误判，会给投资者带来损失；第三，算法不中立[22]已初现端倪，更为隐蔽的是为不同金融产品设置不同的权重比例，使智能投顾更倾向于推荐某些金融产品。除此之外，大数据、知识图谱等技术的应用大幅提升了智能投顾产品对于投资者服务的精度、深度和准度。但是，缺乏监管的金融科技容易形成高技术壁垒，金融科技的虚拟性使得市场风险更加隐蔽而难以观测。对于服务的核心——算法部分应当采取何种监管方法，对监管者而言无疑极具挑战。最后，面向投顾领域的知识图谱构建以大数据技术为基础，大数据技术支撑使其能够获得更加精确的投资者数据和交易数据。但目前我国数据开放程度低，现行监管规定金融机构不得将数据信息提供给第三方使用，且有互联网数据被巨头垄断，获取难度高，可用的数据真实性、有效性难以保证，导致初创公司在开展智能投顾业务时在数据端处于明显劣势。
PART.3 投顾领域知识图谱的构建
知识图谱技术作为人工智能的重要基础，近年来吸引了计算机和金融领域的广泛关注。知识图谱这一概念最早由谷歌公司在2012年提出，希望利用这项技术，提升搜索引擎性能，返回更为精确、结构化的信息，尽可能地理解用户的查询意图。例如，传统的搜索引擎如Yahoo搜索“贵州茅台股价”时，返回的结果是与贵州茅台股价相关的一系列链接(如下页图1(a)所示)。图谱如Google返回的是一个准确的结果“1705.31元”同时右边有“贵州茅台”的知识卡片，包含总部、员工数、子公司等相关信息以及相关概念股的股价(如下页图1(b)所示)。
知识图谱可以看作是一种对知识进行组织和管理的特殊数据库(知识库),由节点和节点之间的连边组成，每个节点代表现实世界的一个实体，而节点之间的连边则代表实体之间的关系，一般采用三元组(实体1,关系，实体2)的方式进行表示。实体指的是现实世界中的事物，比如人物、地名、概念、公司等，关系则用来表达不同实体之间的某种联系。
国内的金融机构经过多年发展，已经积累了海量数据，包括企业的工商数据、企业在金融市场的表现数据、与企业发生投资担保等重大关系的关联企业的数据以及金融机构的交易数据等。这些数据来自多种数据源，数据类型和格式丰富，不仅包括结构化数据，还包括半结构化和非结构化数据。由于数据来源不同、数据标准不统一、数据共享不畅通等问题，相关信息形成孤岛，导致数据的价值尚未被充分发掘，只有综合运用这些数据，才能够实现数据利用价值的最大化。以知识关联为基础的知识图谱可以高效直观地刻画企业、事件之间的关联，从而全维度地对企业进行画像。因此，本文通过构建投顾领域知识图谱实现对这些数据的深度利用，充分发挥数据的应用价值，赋能智能投顾。本文遵循本体构建、知识抽取、知识融合、知识存储、知识推理和知识更新等6个步骤，构建面向智能投顾领域知识图谱，构建流程如下页图2所示。
01 本体构建
本体是描述客观世界的抽象模型，以形式化方式对概念及其之间的关系给出明确的定义。本体的构建依赖领域知识，针对智能投顾领域，本文结合东方财富网的公司介绍信息以及作者金融知识的积累，将智能投顾指数图谱的顶层本体划分为个人、行业、机构、地域、证券、事件等6类，如图3所示，图中Thing为本体结构中最基本的概念类。
在此基础上，参考其他现有的金融知识图谱，衍生出具体的金融本体，图4为本文所构建的本体示意图。在现实情况中，”公司”是金融领域中最核心、最基本的单位，大部分金融事件都围绕“公司”发生，例如”一个公司控股另外一个公司””一个公司发行一只或多只股票”等。因此，本文将机构中的“公司”本体作为知识图谱的核心。此外，通过本体可以描述知识图谱的数据模式，并有效地发现知识图谱中不同实体之间的隐含关联关系。
02 知识抽取
知识抽取是构建知识图谱的重要环节，其目的是从多源异构的数据中进行知识提取得到实体、关系和属性等元素并存入知识图谱中，图5构建了知识抽取的框架图。投顾行业面对的数据来源广泛、形式多样、结构复杂，其中既包括企业年报、互联网舆情等非结构化数据，也包括财务、行研等半结构化数据，还涉及业务系统产生的海量结构化数据。
针对上述不同类型的数据源，知识抽取设计的关键技术和需要解决的技术难点有所不同。对于存储于金融机构数据库中的结构化金融数据，其转化相对容易，可以根据其结构定义生成框架知识模式并导出相应信息；对于半结构化数据，如工商局注册登记的公开信息，包括公司一公司间的股权关系、公司一人之间的股权关系和任职关系等，可以采用规则方法结合领域知识设计半自动程序抽取相关信息；对于以文档形式存在的财经新闻等非结构化数据，则主要采用自然语言处理(Natural Language Processing,NLP)方法，基于统计机器学习利用人工标注语料进行训练后抽取。
图6给出了一个非结构化新闻文本的抽取实例，我们利用NLP的信息抽取算法，从中抽取出“江苏响水””天嘉宜化工厂”等实体，并与图谱中的其他实体进行关联。后续在此基础上，我们还将增加情感倾向，更好地帮助从业者分析市场情绪，提高投顾准确率。
03 知识融合
通过知识抽取，实现了从结构化、半结构化和非结构化数据中获取实体、关系以及实体属性信息的目标。但是由于金融数据来源广泛，存在数据质量良莠不齐、不同数据源知识重复等问题，因此智能投顾知识图谱的构建需要进行进一步的知识融合。
在实际应用中，金融数据来源多样性造成数据质量差，导致知识图谱存在数据歧义、数据间关联关系不明确等问题。具体而言，在投顾领域知识图谱中，实体歧义主要包括两方面：实体指代不明确，如“中国邮政”可能代表”中国邮政储蓄银行”或者“中国邮政速递物流”等；多个实体指向同一实体对象，如“中国平安”和“平安集团”都代表“中国平安保险(集团)股份有限公司”。数据来源不同导致的另一个问题是，其蕴含的知识与信息分布于多个数据库中，对其进行整合时同样面临歧义和冗余问题，如针对一个公司而言，”公司市值5000万元人民币”与”公司市值700万美金”表达的含义可能是相同的，在知识融合的过程中，只需要保留一个。此外，投顾领域知识是动态更新的，不同时刻数据反映出的知识是有差异的，在知识融合的过程中，这就要求知识图谱具备快速拓展新知识的能力和适应知识变化的能力。
04 知识存储
知识图谱构建的最终目的是基于图谱进行一系列应用，例如舆情信息的预判分析，即从新闻事件中提取投资信号或风险信号，对事件的影响范围进行影响力分析，结合分析师的分析逻辑用知识图谱来表达，从而帮助投研人员快速获取投资机会或识别持仓标的风险，产出风险预警和投资建议。为实现该目标，需要对投顾领域知识图谱进行存储并实现可视化。
知识存储是知识图谱构建非常重要的一环，在知识融合完成后，需要将三元组存入数据库进行持久化保存，以便后续的信息查询与进一步应用，其流程如下页图7所示。
面向投顾领域的知识图谱是一种基于图的数据结构，且存储的知识大都是关联密集型数据，如竞争对手关系、生产关系、采购关系和上下游关系等。传统的数据库用于存储“关系型”数据的效果不佳，而以图结构为基础的图数据库Neo4j恰恰弥补了这个缺陷。
Neo4j具有灵活的数据存储结构和高效的查询性能且具备可视化功能，在知识图谱更新时无需大量修改，是知识图谱存储的有效工具。因此，本文选择Neo4j对知识图谱进行存储和可视化。
本文通过爬取企业的公开信息、企业年报财报和财经新闻等数据，经过本体构建、知识抽取、知识融合等步骤构造了面向投顾领域的知识图谱，知识图谱中包含了90多万家实体和300多万对关系，投顾知识图谱的界面如图8所示。
图中每个节点代表一个实体(机构/人员),实体之间的连线表示实体间的关系(董事、所属行业等)。以“华为技术有限公司”为例，当用户搜索“华为技术有限公司”时，会展示与之相关的实体和关系，包括所属行业、创始人、经营范围等。
05 知识推理
由于处理数据的不完备性，上述流程构建的知识图谱可能会存在知识缺失现象(实体缺失或属性缺失)。知识推理目的是利用已有的知识图谱数据去推理缺失的知识，从而将这些知识补全。对投顾领域知识图谱而言，知识推理还可以帮助投资机构实现精准营销。人工智能的兴起，让精准营销变得越来越智能，通过大数据智能算法，根据客户行为，勾勒出客户画像，基于客户画像，为客户提供更多的精准营销服务。然而这种精准营销服务是基于已知数据实现的，而实际情况往往获取不到那么多的数据来进行分析。因此，投资机构可以借助”推理”的模式来”猜测”客户的喜好。例如，投资者A购买了”易方达消费行业股票”基金，而这一基金是由经理人B管理，那么投资者A有可能购买投资者B管理的“易方达消费精选股票”这一基金，如图9所示。
06 知识更新
知识图谱中的知识并不是一成不变的，很多事实都会发生变化，例如“阿里巴巴有限公司的CEO从马云变成了张勇””蚂蚁集团计划在科创板和港交所寻求同步发行上市”。这样一来，知识图谱的更新就显得非常重要。行业和企业的发展环境变化迅速，投顾知识图谱最重要的意义在于能够实时反映宏观微观经济环境及政策变化，并对未来发展等进行预测，一成不变的知识图谱难以适应快速变化的外部环境。例如，如果在投顾知识图谱中没有添加“蚂蚁集团”这一实体，就很难发现与之关联的公司，进而可能错失投资机会。因此，本文根据外部环境变化，动态更新知识图谱，使知识图谱能够支持相关应用。知识更新涉及知识建模、知识抽取、知识融合、知识存储、知识推理五个步骤的综合运用，通过定期更新知识图谱中的知识，保持智能投顾知识图谱的有效性。
PART.4 推进智能投顾发展的建议
01 推动金额行业数据开放共享
为推动智能投顾领域的知识图谱构建，进而助力财富管理行业的发展，应依法依规有序推进金融行业数据整合、共享和开放。首先，加快推进制定《金融数据开放管理办法》,在充分保证数据安全的前提下，依法有序地丰富金融科技数据资源；其次，推进跨领域、跨行业的数据融合和协同创新，打破数据孤岛，推动智能投顾金融产品研发、业务管理、商业模式的变革与创新。此外，投顾机构应积极引进外部数据，持续提升投顾智能化水平，不断完善策略与模型，实现资产配置的最优化和投资者收益最大化。
02 建立健全智能投顾产品算法审查机制
算法是智能投顾产品的核心，决定智能投顾的决策程序、价值取向和发展方向。我国应尽快建立健全智能投顾产品算法审查机制。具体而言可从以下三个方面着手：第一，制定算法法律法规，加快对算法进行立法，抢占智能投顾发展战略制高点。加快推动算法伦理道德规范，厘清算法伦理道德规范和算法法律的界限。第二，设立专门机构，建立智能投顾模型的全过程监管机制。有关部门应成立算法审查专门机构，组成人员可包括职能部门人员、计算技术专家、产业界人士、法律专家、社会团体或公益机构人员等不同利益方。第三，智能投顾平台需要理解和掌握算法背后使用的假设、数理模型、原理及算法的局限和不足等；对智能投顾算法实时跟踪，及时监测、更新和完善，并对算法的改进过程进行严格的审查和记录。
03 利用科技监管技术加强对智能投顾产品的监管
近年来，一些国家和地区对金融科技采取沙箱监管机制。这种测试方法有利于智能投顾公司学会如何在投顾平台上与投资者接触，比较智能投顾与自然人投顾的异同从而完善服务。监管沙箱的引入为监管者如何平衡金融科技的发展与风险控制找到了一个有效的监管方法。在该模式下，监管者通过测试与了解创新、评估风险、决定该金融科技项目是否大面积商用并判定现有的监管规则是否需要调整，从而在风险可控前提下促进金融科技的发展，平衡好金融创新与金融消费者利益保护的关系。我国可以借鉴上述先进管理经验，破除智能投顾合法性障碍、强化对智能投顾算法的审查和备案、完善相应的法律制度和监管体系、以科技完善监管手段等，促进智能投顾行业的繁荣发展，更好地保护投资者的合法利益。
-END-
参考文献
[1]胡滨、任喜萍：《金融科技发展：特征、挑战与监管策略》,《改革》2021年第9期。
[2]刘晓云、王晓春、黄红玉：《基于知识图谱的国内外互联网金融研究热点与发展趋势》,《兰州财经大学学报》2018年第3期。
[3]李健、张金林：《基于知识图谱分析的普惠金融理论框架》,《武汉金融》2020年第4期。
[4]Ruan, T., Xue,L.,Wang,H., et al.,“Building and Exploring an Enterprise Knowledge Graph for Investment Analysis”,The 15th International Semantic Web Conference,2016.
[5]Song,D.,Schilder,F., Hertz,S.,etal.,“Building and Querying an Enterprise Knowledge Graph”,IEEE Transactions on Services Computing,Vol. 12,No.3,2019, pp.356-369.
[6]陶睿、吴继春、谢胜强等：《深度学习和知识图谱在智能监管中的应用研究》,《金融纵横》2019年第8期。
[7]吕华揆、洪亮、马费成：《金融股权知识图谱构建与应用》,《数据分析与知识发现》2020年第5期。
[8]陈晓军、向阳：《企业风险知识图谱的构建及应用》,《计算机科学》2020年第11期。
[9]金磐石、万光明、沈丽忠：《基于知识图谱的小微企业贷款申请反欺诈方案》,《大数据》2019年第4期。
[10]邵磊落、周成轩、黄琪华等：《面向电网企业内控审计的知识图谱建模研究》,《会计之友》2021年第20期。
[11]陈强、代仕娅：《基于金融知识图谱的会计欺诈风险识别方法》,《大数据》2019年第3期。
[12]苏治、卢曼、李德轩：《深度学习的金融实证应用：动态、贡献与展望》,《金融研究》2017年第5期。
[13] Fu,X.,Ren, X.,Mengshoel, O. J., et al.,”Stochastic Optimization for Market Return Prediction Using Financial Knowledge Graph”,IEEE International Conference on Big Knowledge,2018,pp.25-32.
[14] Matsunaga, D., Suzumura, T., Takahashi, T.,“Exploring Graph Neural Networks for Stock Market Predictions with Rolling Window Analysis”,NBER Worhing Paper,2019.
[15] Wang,S.,Wang,Z.,Zhang, X.,”Intelligent Investment Decision Based on Knowledge Graph”,SSRN Worhing Paper,2019.
[16] Cheng,D.,Yang,F., Xiang,S., et al.,”Financial Time Series Forecasting with Multimodality Graph Neural Network”,Pattern Recognition,2022.
[17] Deng,S.,Zhang,N.,Zhang,W.,et al.,”Knowledge-driven Stock Trend Prediction and Explanation Via Temporal Convolutional Network”, Companion Proceedings of The 2019 World Wide Web Conference, 2019,pp.678-685.
[18] Feng,F.,He,X., Wang, X.,et al.,”Temporal Relational Ranking for Stock Prediction”,ACM Transac- tions on Information Systems,Vol.37, No.2,2019,pp.1-30.
[19] Yang,Y.Pang,Y.,Huang, G.,”The Knowledge Graph for Macroeconomic Analysis with Alternative Big Data”,2010.
[20] Elhammadi,S.,Lakshmanan,L.V.,Ng,R.,et al.,”A High Precision Pipeline for Financial Knowledge Graph Construetion”,Proceedings of the 28th Interna- tional Conference on Computational Linguistics,2020, pp.967-977.
[21]王聪聪、党超、徐峰等：《互联网金融背景下的金融创新和财富管理研究》,《管理世界》2018年第8期。
[22]李瑞雪：《技术伦理下智能投顾算法治理问题研究》,《大连理工大学学报》(社会科学版)2020年第5期。
免责声明
文章来源：《学习与探索》
作者简介：许雪晨，中国社会科学院数量经济与技术经济研究所助理研究员，经济学博士；田侃，通讯作者，中国社会科学院大学应用经济学院、中国社会科学院财经战略研究院信用研究中心研究员，经济学博士。
免责声明：“财策智库”公众号涉及的内容仅供参考，本公众号所发文章代表作者个人观点，不代表本公众号立场，同时不构成对所述产品及服务的出价、征价、要约或要约邀请，不构成买卖任何投资工具或者达成任何合作的推荐，亦不构成财务、法律、税务、投资建议、投资咨询意见或其他意见。对任何因直接或间接使用本公众号涉及的信息和内容或者据此进行投资所造成的一切后果或损失，本公众号不承担任何法律责任。
