雷锋网AI金融评论按,日前由KDD China与通联数据合办的AI金融研习班在上海举行,通联数据创始人兼董事长肖风,KDD China主席、香港科技大学计算机系主任杨强,百度副总裁、KDD China副主席沈抖博士,微软亚洲研究院城市计算领域负责人郑宇博士,第四范式CEO戴文渊和通联数据智能投研总监向伟等业界专家围绕各自研究领域进行了授课,来自银行、基金、保险、信托、券商、科技公司的高管和技术骨干参加了研习班。
其中,郑宇博士提出了观点:我们应更多地从一手数据中获得商业价值,从而获得最大的经济利润。
说到商业、金融,一般人想到的金融是期货、债券、基金,智能投资就会想到利用人工智能的方法预测投资市场走势,从而量化配置资产。对此,在研习班上,微软亚洲研究院城市计算领域负责人郑宇博士表示,这个部分是可以做的,但是这个数据是三手数据,是一个结果。但市场更多应该关注,在此环节之前的一手数据、二手数据的结果带来的表现。
往前推一步,一般而言,投资会根据一家公司的财报进行业绩调研,预判股价,这算是对二手数据的利用。而郑宇指出,从业者还应该再往前多对一手数据进行分析,“一手数据其实决定了公司运营情况和财报,这个数据在我们现实生活之中。”
来自日常生活的数据带来的先知
关于人工智能的技术原理在此我们不必过多科普,雷锋网(公众号:雷锋网)此前已有相当详细的报道讲述,现在可直接从案例进行观察。以万科为例,要判断万科未来走势,除了看财报之外更往前看:拿的地是否都在增值?已建房产销售情况如何?周边配套是否越来越好、人气是不是越来越旺?租金是否在上涨?……“如果知道公司旗下产业都在增值,你可以预期未来财报比较好,可以更早地预判股价会上升。”反之可看空。
摩拜、滴滴的融资成果也是一样的道理。在这些企业尚未开始盈利的情况下,投资人是根据用户量、日活用户、有效历程等数据分析,对公司进行的价值预估。
反过来,如果真的在一手数据里面挖掘出可利用价值,那么久未必非要在股票上谋求利益点。根据从一手数据分析出来的信息,直接就可以计算商业利益和价值。
投资价值预判
仍是以商业地产为例,根据郑宇的研究,我们很难预测房地产价格,但是可以对房产相对价值进行评估和排序,以数据进行量化,找出高价值的房产——并非高价格,而是在同一个市场中,房产价格涨得比别人更快,而跌的时候会跌得更慢。
“比如说分成五个离散化等级之后,根据北京市2013年的数据观察一类房的分布,发现涨得最快、跌得最慢的一类房,并不是大家所理想当然地认为都应该在市中心。很可能隔两个街区一个是一类房、一个是五类房。为什么有这样的现象呢?房屋价值又是什么决定的呢?如果大家听过李嘉诚说过房地产价值怎么决定的,三个因素:地段、地段、地段。”
据雷锋网了解,郑宇的报告显示,如果用大数据量化,会有以下的结果:
第一个地段是周边的配套、交通、基础设施。周边有多少商场、学校、医院以及周边的地铁、公交、便利程度,这都是地段。第一个地段,同样是一个学校,好的学校、好的学区对房屋价值拉动比一个普通学校价值拉动要大。同样是一个商场,好的商场、精品商场,破旧不堪的商场对地段价值拉动也是不一样的。
第二个地段可以用好几个来量化,社交媒体对它的评价,以及人们的出行规律等非常重要——多少人打车进来、开车进来,什么时候进来,什么时候出去等等都反映了这个地段的价值。如果有两个区域,一个区域都是早上七八点坐公交地铁出去,晚上七八点坐公交地铁回来。另外一个区域出门的时间非常的自由和松散,不规律,多半以开车或者坐计程车出去的,觉得哪一个地方的品质更高一点?应该是后者。所以这需要以人们出行规律、公交地铁、出租,社交媒体等人文地理信息对此进行评价。
第三个地段是我们理解的商圈,如果房子在一个好的商圈里面对这个房子有带动作用的,但是还要考虑前面两个因素。
这里面我们会用到学习排序的方法来做。根据以上三个地段的数据变量,我们可以做一些回归算法,进行线性回归分析,但这个方法并不是很好,必然会有冗余性,有什么样的路网结构决定有什么样的交通流量。所以这里面变成一个学习排序,这是跟以前方法不一样的地方。
信用评估
由房产而延伸至对综合商业体的评估,更加不仅关乎当前投资效益,对未来银行贷款征信、国家调控同样具有巨大的帮助。
比如对综合商业提的价值评估,这个做完了不只是给个人提供建议,也给银行征信很大帮助。很多时候企业贷款会抵押客户的房产,就要对其房产进行评估;评估的时候看均价,但这是当前。客户贷款为期十年、二十年,十年之后房子什么情况呢?更多的时候要知道预期和预估。未来五年房产值钱就多贷一点。
而国家调控的时候调查有没有泡沫,价格和价值的倒挂也需要来判断。
相关文章:
第四范式戴文渊:大数据不再是AI发展瓶颈,未来企业赢在“维度” |2016 CAIIC
从获客、风控到投资:百度如何用人工智能做金融?| KDD China
雷锋网版权文章,未经授权禁止转载。详情见。
原创文章,作者:ItWorker,如若转载,请注明出处:https://blog.ytso.com/68301.html