近期，普适智能联合Nubela社区推出知识图谱投研案例系列，将结合实际案例和图构建、分析演示，进行深度解析。
文章关键词：智能投研、投研一体化、知识图谱应用
2021年期货市场成交量创历史新高 ，中国期货市场成交 75.14亿手（单边，下同）和581.2万亿元，同比分别增长22.13％和32.84％。自从金融危机以来，有关中国企业在境外衍生品领域频繁遭受重大损失的报道层出不穷。
事实上企业参与国内外期货投资失败的主要原因包括误判市场、决策错误、缺乏完善的内控管理体系以及使用复杂的场外衍生品等因素。近几年人工智能在提高金融机构工作效率、辅助投资决策、预防金融风险等方面卓有成效，辅助资金管理成了人工智能在金融行业的最大的应用场景。
投研是通过一个个基金产品来实现投资策略的。因此，如何构建组合？每个组合的收益风险状况如何？如何衡量？如何跟踪组合与同业的变化？比如组合前十大重仓股，前五大行业，组合的基本面、风格的风险暴露在哪里，与同业中的佼佼者差异在哪里，每个组合的收益和风险特征如何？
这是每个投研人员都需要搞清楚的，正如上文所说，期货分析是个很复杂的事情，如果仅仅完成个体的信息展示和指标的罗列，可能会引发业务中诸多环节的问题（如下图所示）。
本次介绍的基于知识图谱的投研一体化解决方案，聚焦产业链，可以针对性的解决传统投研的痛点，并将研究、投资、风控三大核心业务进行良性链接。
集合多种数据源，产业关系全局看
我们整合了金融行业本身已经存在大量标准化的数据内部数据，包括：行业数据、交易数据、内部指标数据、上下游产业链数据，和外部数据包括：股票、券商研报、新闻等宏观数据以及缺失的产业链数据。
构建构建多维度，多关联，高动态的期货关系网络（上下游产业链、产品关系网络、交易关系网络等），让业务快速实现在一个平台上就可以快速获取到全部的信息。通过构建企业全局关系图谱，能够挖掘深层次的关联关系，比如监控一些资本系的动作，通过传导关系发现风险。
同时联动基本面分析和行情分析，助力投研人员分析研判。基本面包含当前所选期货产品的现货数据情况、供应量、需求量等相关数据，并按需增加当前模块所需分析数据维度和指标。而所有有时股价的变化会早于期货，研究人员可以利用这个时间差进行期货产品的数据预判。
该平台可对新闻、公告、研报进行智能聚类及同期摘要，并可生成智能语义标签，帮助投研人员快速、精准获取舆情预警动态信息。解决数据服务最后一公里的痛点，提供数据看板，支持高效获取信息，满足个性化的要求。
模型指标灵活编，业务经验能再现
企业最大的浪费，是经验的浪费。“投研一体化”通过对企业各个系统散落的信息做加工、汇聚、组织、利用，帮助企业建设统一的知识共享平台。该平台支持投研人员对已有知识（模型、指标、规则）进行私有化复用，并对私有化的个人知识进行添加、修改、删除等操作，更好地实现企业知识的积累、传承、进化，最终构建出满足企业内部甚至个人需求的投研知识库。
也就是把整个公司各团队的成果都体现在工作台上，投研人员能依托平台进行交流协作。其优点则在于投研人员沟通效率提升，将“研”和“投”形成业务闭环。这样基金经理在做投资时就有的放矢，特别是当基本面发生变化时，能及时进行配置和调整，贯通业务流程，促进投研协作。
场景应用案例
基于平台构建多维度，多关联，高动态的“感知”关系网络，可以在市场发生变化刚出现少部分趋势与信号时，及时发觉，并辅助做出合理的预判。举几个简单的例子：
1、那么期货产品与产品间的联系是如何发生作用的？
以糖与原油为例，他们没有出现在同一条产业链上，但是他们的价格波动却存在相关性，我们可以从巴西这个全球最大的糖出口国，乙醇生产国来分析具体的原因，乙醇与糖都是这个国家的主要产物，所以这两种产品存在一定的挤出效应，当乙醇的价格升高时，市场会形成多产乙醇少产糖的局面，而原油会实际影响燃烧乙醇的消费，从而影响到糖的价格。
2、基于平台如何获取期货产品与产品之间的联系？
如果两个产品间存在着相互影响的关系，他们一定会从 这些产品的价格、库存、供给数据体现出来，将这些可能反应期货产品间关联关系的数据“喂”给机器学习模型，让模型通过训练筛选出最能体现产品间关联关系的特征，并计算出他们之间的相关度。
期货产品间的相关性可以从两个方面去体现，一个是期 货产品间相互影响的方向，即谁对谁产生了影响，在图中表现为由A产品指向B产品，这个可以通过在模型训练时 映入时间维度的数据来解决，通过对比两个产品价格变化的时间先后顺序，能够判断他们之间的影响关系;第二个是影响的强烈程度，模型会根据数据的变化幅度，判断两个产品间的影响强烈程度。同时，将图机器学习融入平台，根据历史数据挖掘期货商品之前多种的潜在关联(指标关联，事件关联)。
3、基于事件的价格分析方法
期货行业中的基于事件价格分析方法与证券行业之中的基于事件的价格分析方法类似，相关的方法已经在证券行业中被运用。
核心的方式还是侦测不同产品价格变动的拐点作为历史标注结果，基于获取拐点之前特定长度时间窗口内发生的相关事件，将事件的属性以及关联实体进行建模，运用图机器学习的方法进行建模预测。最终可以得到一个基于事件的价格预测模型同样可以基于历史数据对事件的相关性，事件发生的模式，以及事件模式对价格影响进行建模，得到不同的事件组合对特定商品价格的影响与影响强度。
这些案例在一定程度上可有效解决对应行业痛点，提高业务效率。从整个行业来讲，基于产业链研究的智能投研方法被应用于各个领域：投资机构一般会用于找项目，监控竞争对手，或者使用量化投资的策略因子、资产组合进行监控及风险预警。银行的小微企业信贷风控以及寻找潜在的企业客户；企业寻找合作伙伴等。证监会&交易所会应用于标准金融文本的审核、信息披露的监控等监管科技范畴。
值得一提的是，对于“创新”，普适智能团队始终强调能力圈的匹配：“我们不会为了创新而创新，对于所有的业务布局都是审慎而为，确保逻辑严密、团队成熟，不会对客户造成伤害，才会开展。”
Why 普适智能？
普适智能以产业链研究为核心的智能投研一体化平台，集成知识图谱、机器学习、图计算和自然语言处理等技术，实现从知识的构建、融合、建模、存储、计算、分析以及应用为一体并且覆盖知识全生命周期管理。
普适知识中台可支持无代码知识图谱快速构建，提供批流一体的百亿级图计算引擎，底层对接分布式图数据库，并留存了800+业务规则和指标（知识），上层面向应用提供了面向金融各行业的数智化转型解决方案。
普适智能基于知识图谱的行业解决方案，致力切实帮助业务解决实际问题，主要面向资管机构，包括公募、私募、券商、保险、银行、信托等行业。目前，普适智能已经为多家银行、基金公司、券商、保险、政务等机构提供核心业务系统，其技术性能和产品理念，得到行业多家头部机构的认可，并建立长期合作关系。
下一期我们将介绍：Nebula是如何通过普适智能的选型的？以及如何快速构建知识图谱？敬请期待！最后，祝贺nebula社区越做越好！
如果您对本期内容存在疑问，或者您对其他内容感兴趣，可以查看公众号：普适极客 ｜ 官方动态关注：普适智能
