實(shí)時(shí)更新中芯匯金最新動(dòng)態(tài)，了解中芯匯金
信用研究作為信用債投資的基礎(chǔ)，具有重要作用。本文嘗試探索金融科技在信用研究領(lǐng)域的應(yīng)用，針對(duì)傳統(tǒng)信用研究存在的難點(diǎn)，從信用研究各環(huán)節(jié)出發(fā)，探索運(yùn)用網(wǎng)絡(luò)爬蟲技術(shù)、圖文互搜、多模態(tài)信息識(shí)別與抽取、信息聚類與展示、文本自動(dòng)生成技術(shù)、人機(jī)交互等多種金融科技解決方案，為后續(xù)進(jìn)一步研究提供一定的基礎(chǔ)。
金融科技 信用研究 網(wǎng)絡(luò)爬蟲 機(jī)器學(xué)習(xí) 自然語言處理
傳統(tǒng)信用研究存在的缺陷
傳統(tǒng)信用研究中研究員一般利用公開報(bào)道、財(cái)務(wù)報(bào)表等資料和實(shí)地調(diào)研，對(duì)某一特定行業(yè)或某一特定發(fā)債主體進(jìn)行深入研究，挖掘性價(jià)比相對(duì)較高的信用個(gè)券和行業(yè)，為投資策略的制定提供技術(shù)層面的依據(jù)。但隨著信用債規(guī)模擴(kuò)大，傳統(tǒng)信用研究的方式逐漸凸顯一些缺陷。
（一）從海量數(shù)據(jù)中挖掘有效信息耗時(shí)耗力
信用研究員一方面需要從發(fā)債主體的募集說明書、年度報(bào)告、信用評(píng)級(jí)報(bào)告、公司公告等渠道獲得可靠信息，并進(jìn)行實(shí)地調(diào)研，以深入研究及印證；另一方面需要從相關(guān)數(shù)據(jù)中尋找數(shù)據(jù)和事件之間的關(guān)聯(lián)性，處理數(shù)據(jù)并給出合理性解釋。面對(duì)海量數(shù)據(jù)，需逐一對(duì)同行業(yè)中各企業(yè)披露的信息進(jìn)行判斷和計(jì)算，將數(shù)據(jù)整合成統(tǒng)一可比的形式，通常這一工作量較大。
（二）人工搜集與處理數(shù)據(jù)存在不準(zhǔn)確、不全面的情況
手工進(jìn)行基礎(chǔ)數(shù)據(jù)采集時(shí)，會(huì)遇到發(fā)債主體的不同報(bào)告披露的同一數(shù)據(jù)存在不同數(shù)值的情況，甚至募集說明書出現(xiàn)錯(cuò)誤的情況，但受限于人工難以全面地搜尋多渠道數(shù)據(jù)進(jìn)行比較，研究數(shù)據(jù)可能不準(zhǔn)確。同時(shí)，研究員時(shí)間精力有限，難以獨(dú)自在短期內(nèi)對(duì)行業(yè)內(nèi)橫向全部發(fā)債主體、縱向長(zhǎng)時(shí)間跨度內(nèi)進(jìn)行詳盡分析。
（三）傳統(tǒng)固收研究容易受個(gè)人思維和情緒的束縛
信用評(píng)級(jí)模型建立和個(gè)券價(jià)值排序主要基于主觀判斷，不同機(jī)構(gòu)、不同研究員對(duì)于同一發(fā)債主體、同一行業(yè)可能存在完全不同的看法，研究員往往需要對(duì)某一行業(yè)進(jìn)行數(shù)年的跟蹤研究，才可能較準(zhǔn)確地把握行業(yè)特性。個(gè)人分析難以全面準(zhǔn)確，研究框架還需根據(jù)不同行業(yè)的特性相應(yīng)調(diào)整。同時(shí)，受限于“套用公式”的研究方式，研究員通常只關(guān)注框架內(nèi)的指標(biāo)和內(nèi)容，往往容易忽略加劇違約風(fēng)險(xiǎn)的關(guān)鍵因素。比如，某企業(yè)其他應(yīng)收賬款中關(guān)聯(lián)方占款嚴(yán)重，存在資金回收困難的風(fēng)險(xiǎn)，但事先建立的研究模型中若未包含這一指標(biāo)，則該風(fēng)險(xiǎn)點(diǎn)容易被忽略。
（四）研究成果存在時(shí)滯問題
傳統(tǒng)信用評(píng)級(jí)研究往往以某個(gè)時(shí)點(diǎn)為限，基于歷史數(shù)據(jù)，對(duì)行業(yè)內(nèi)存在的信用風(fēng)險(xiǎn)、企業(yè)自身償債能力進(jìn)行謹(jǐn)慎判斷和預(yù)測(cè)。從研究框架內(nèi)的指標(biāo)選擇、數(shù)據(jù)挖掘與處理、圖表繪制和分析，到完成研究報(bào)告撰寫需要一定時(shí)間，但隨著市場(chǎng)上存續(xù)債到期、發(fā)債主體整合重組、市場(chǎng)突發(fā)事件等情況的發(fā)生，研究成果與行業(yè)和企業(yè)現(xiàn)狀之間存在時(shí)滯。
由于傳統(tǒng)信用研究存在前述不足，一些研究開始探索金融科技在該領(lǐng)域的應(yīng)用。張浩等（2021）認(rèn)為傳統(tǒng)的人工分析難以覆蓋全市場(chǎng)發(fā)債主體的信用情況，可以運(yùn)用大數(shù)據(jù)、量化分析和人工智能等手段提升信用評(píng)級(jí)效率和效果。李嘉寶（2019）認(rèn)為人工分析容易受到情緒、偏見、知識(shí)體系等方面的影響，人工智能、大數(shù)據(jù)等技術(shù)可以優(yōu)化投研質(zhì)量、提高效率。
本文擬在借鑒眾多研究基礎(chǔ)上，結(jié)合自身投資研究實(shí)踐，對(duì)金融科技在信用研究領(lǐng)域的應(yīng)用情況進(jìn)行探索及分析。
金融科技在信用研究領(lǐng)域應(yīng)用的現(xiàn)狀
（一）金融科技應(yīng)用的本質(zhì)
金融科技應(yīng)用的本質(zhì)是基于金融數(shù)據(jù)，依靠算力和算法解決金融領(lǐng)域特定的問題。數(shù)據(jù)是算力和算法的基石，發(fā)債主體所在行業(yè)與發(fā)債主體相關(guān)的數(shù)據(jù)豐富且披露較為完整，這為科技在信用研究領(lǐng)域的應(yīng)用提供了廣闊的空間。算力和算法決定著數(shù)據(jù)使用的質(zhì)量和效率，金融科技工具種類較多，比如搜索引擎技術(shù)、云計(jì)算、人工智能等，且金融科技工具功能開發(fā)具有極大的潛能，這為解決傳統(tǒng)信用研究難點(diǎn)提供了可能性。
國內(nèi)研究員在數(shù)據(jù)挖掘時(shí)主要借助萬得（Wind）等財(cái)經(jīng)資訊軟件，但數(shù)據(jù)的選擇、處理和分析仍依賴研究員的人工操作和邏輯判斷。金融資訊終端一定程度上降低了研究員在互聯(lián)網(wǎng)上搜集信息的時(shí)間成本，然而對(duì)于一些特征性數(shù)據(jù)，仍需要人工花費(fèi)大量精力逐一搜尋。盡管這類金融資訊終端已開始利用科技助力金融領(lǐng)域宏觀和微觀數(shù)據(jù)的匯總，但對(duì)于金融科技在信用研究領(lǐng)域應(yīng)用的想象遠(yuǎn)不應(yīng)止步于此。事實(shí)上，國內(nèi)外許多頭部金融機(jī)構(gòu)和科技公司已將金融科技更廣泛地運(yùn)用在信息提取與處理、量化建模、場(chǎng)景模擬、相關(guān)性研究等領(lǐng)域。
（二）國外金融科技運(yùn)用的情況
國際上有許多頭部金融機(jī)構(gòu)和新興科技公司構(gòu)建或外包 “金融+科技”的研究系統(tǒng)。以下簡(jiǎn)要介紹三家國際市場(chǎng)上頗負(fù)盛名的金融科技公司所打造的金融產(chǎn)品智能研究平臺(tái)。
早在2000年，貝萊德基金公司（Blackrock）就開始應(yīng)用金融科技搭建投資管理和運(yùn)營(yíng)平臺(tái)（Aladdin Platfrom）1，該智能平臺(tái)采用人工智能（AI）中的自然語言處理技術(shù)（NLP）讀取和解析文檔，構(gòu)建數(shù)個(gè)儲(chǔ)量巨大的數(shù)據(jù)管理中心，為投資者提供風(fēng)險(xiǎn)分析、組合管理、交易等多種服務(wù)。
2008年在美國成立的AlphaSense公司2利用自然語言處理技術(shù)、高級(jí)語言搜索等人工智能技術(shù)，開發(fā)了協(xié)助專業(yè)投資者進(jìn)行數(shù)據(jù)導(dǎo)向性決策的市場(chǎng)智能搜索引擎。該公司還擁有整合了行業(yè)監(jiān)管文件、企業(yè)內(nèi)部數(shù)據(jù)、新聞、研究報(bào)告等大量資源的商業(yè)數(shù)據(jù)庫。
2013年成立于美國的Kensho公司3開發(fā)了Codex和Visallo兩類數(shù)據(jù)發(fā)現(xiàn)平臺(tái)，Codex是利用人工智能技術(shù)進(jìn)行文本搜索和圖表信息提取的智能研究平臺(tái)，可以快速從海量文檔和圖表中提取出有效的相關(guān)信息；Visallo集合了以互聯(lián)網(wǎng)為基礎(chǔ)的可視化工具和機(jī)器學(xué)習(xí)數(shù)據(jù)分析算力，善于發(fā)掘數(shù)據(jù)背后隱藏的關(guān)聯(lián)性。Kensho公司提供結(jié)構(gòu)化的數(shù)據(jù)集，擅長(zhǎng)事件間的相關(guān)性分析，主要運(yùn)用機(jī)器學(xué)習(xí)能力提供以數(shù)據(jù)和事實(shí)為基礎(chǔ)的決策和結(jié)論。
（三）國內(nèi)金融科技運(yùn)用的情況
近年來，國內(nèi)金融科技發(fā)展迅猛，一些公司開始探索金融科技在我國債券市場(chǎng)研究領(lǐng)域應(yīng)用的可能性。
2015年，天弘基金針對(duì)債券市場(chǎng)信用研究開發(fā)了“鷹眼”算法，主要應(yīng)用搜索引擎技術(shù)和人工智能技術(shù)中的機(jī)器學(xué)習(xí)，使機(jī)器模擬人腦閱讀，自動(dòng)提取發(fā)債主體行業(yè)動(dòng)態(tài)、信用評(píng)級(jí)等影響該發(fā)債企業(yè)資質(zhì)的相關(guān)信息。
2018年，鼎復(fù)數(shù)據(jù)科技公司發(fā)布了違約預(yù)警系統(tǒng)，以期能事前提示發(fā)債主體違約風(fēng)險(xiǎn)。該系統(tǒng)主要運(yùn)用大數(shù)據(jù)和自然語言處理技術(shù)完成結(jié)構(gòu)化數(shù)據(jù)的搜集處理、信息的邏輯判斷和提取，數(shù)據(jù)覆蓋經(jīng)濟(jì)周期、行業(yè)特性、公司治理和評(píng)級(jí)、輿情等多個(gè)方面。
金融科技在信用研究中的應(yīng)用探析
目前，大數(shù)據(jù)與云計(jì)算技術(shù)的應(yīng)用相對(duì)成熟，機(jī)器自動(dòng)搜索與處理結(jié)構(gòu)化的金融數(shù)據(jù)較為常見，一些科技公司還應(yīng)用人工智能技術(shù)使機(jī)器可以閱讀、分析和回答一些簡(jiǎn)單的金融問題，但還未實(shí)現(xiàn)信用研究全過程的智能化。完整的信用研究是從整體的研究框架出發(fā)，大致包含行業(yè)基本面研究、發(fā)債主體資質(zhì)評(píng)估、個(gè)券性價(jià)比挖掘、市場(chǎng)情緒把握、信用策略制定、研究報(bào)告撰寫等多個(gè)環(huán)節(jié)，每個(gè)環(huán)節(jié)也有各自的分析框架。
在人工智能技術(shù)不斷發(fā)展的當(dāng)代，人腦不再是學(xué)習(xí)與思考獨(dú)一無二的工具，金融科技在信用研究領(lǐng)域的應(yīng)用存在廣闊的空間。本研究嘗試列舉信用研究各環(huán)節(jié)存在的關(guān)鍵問題，并有針對(duì)性地提出運(yùn)用金融科技的解決辦法。
（一）行業(yè)基本面研究
1.網(wǎng)絡(luò)爬蟲應(yīng)用示例
傳統(tǒng)信用研究中，信息挖掘與觀點(diǎn)提煉耗時(shí)耗力。而基于網(wǎng)絡(luò)爬蟲（Web Crawler）等技術(shù)，可以快速有效地提取信息，將研究員從勞動(dòng)力密集型的數(shù)據(jù)搜索和處理工作中解放出來。
網(wǎng)絡(luò)爬蟲技術(shù)的工作原理是利用算法，從給定的小部分單個(gè)網(wǎng)頁（Uniform Resource Locator，URL）開始爬行，從爬行過的網(wǎng)頁中獲取新的單個(gè)網(wǎng)頁放入隊(duì)列，再重復(fù)爬行的過程，直到滿足設(shè)定的條件才停止爬行。其中的聚焦爬蟲技術(shù)中增加了網(wǎng)頁分析算法，能過濾掉與設(shè)定的查詢項(xiàng)完全無關(guān)的網(wǎng)頁，提高搜索效率和質(zhì)量。通過設(shè)計(jì)聚焦爬蟲的算法，可以智能地爬取行業(yè)上下游、產(chǎn)銷量等基本面信息。
在網(wǎng)絡(luò)爬蟲爬取全網(wǎng)資料的過程中，依然會(huì)面臨圖像、文本甚至視頻等多種模態(tài)的數(shù)據(jù)。為了盡可能保留較全的數(shù)據(jù)，可以采用人工智能中的相關(guān)技術(shù)，如文本識(shí)別（OCR），圖文信息對(duì)齊等，把非文本的數(shù)據(jù)提取處理、整理成結(jié)構(gòu)化或者半結(jié)構(gòu)化數(shù)據(jù)，方便我們?cè)谙掠纬槿∮杏弥R(shí)。
由于爬蟲獲取的數(shù)據(jù)非常廣泛，無疑會(huì)引入大量低質(zhì)量數(shù)據(jù)。為了解決這個(gè)問題，可以采用兩種方法來對(duì)數(shù)據(jù)進(jìn)行分層處理。一方面基于人工智能中的無監(jiān)督聚類技術(shù)及金融領(lǐng)域大量知識(shí)，可以設(shè)計(jì)一個(gè)深度學(xué)習(xí)模型，通過該模型來抽取爬蟲數(shù)據(jù)在某個(gè)高維空間的語義表征，再進(jìn)行聚類處理，這樣可以快速地把同質(zhì)化的內(nèi)容歸類；另一方面，運(yùn)用資深研究員的專業(yè)能力，只需要標(biāo)注某個(gè)行業(yè)少量的數(shù)據(jù)，就可以利用人工智能中的半監(jiān)督分類技術(shù)，在上游數(shù)據(jù)中過濾出最為高質(zhì)量的一批，用于行業(yè)分析決策當(dāng)中。
2.自然語言處理技術(shù)應(yīng)用示例
信用研究中為現(xiàn)象尋求合理解釋是必要的。比如在行業(yè)景氣度分析時(shí)，研究員需找出價(jià)格明顯波動(dòng)背后的成因，可以依據(jù)事件發(fā)生的時(shí)間點(diǎn)等標(biāo)簽去尋找事件之間的聯(lián)系。例如，在探究鐵礦石價(jià)格在2019年明顯走高的原因時(shí)，研究員會(huì)提取“2019年”“鐵礦石”“產(chǎn)量”等關(guān)鍵詞進(jìn)行網(wǎng)絡(luò)搜索，通過比對(duì)搜索結(jié)果中時(shí)間相近、內(nèi)容相關(guān)的事件“2019年巴西淡水河谷公司潰壩事故”，并根據(jù)對(duì)全球鐵礦石供給商“寡頭壟斷”及進(jìn)出口數(shù)據(jù)的分析，最終得出“巴西淡水河谷公司潰壩是導(dǎo)致2019年我國鐵礦石價(jià)格走高的主要原因”這一結(jié)論。
為實(shí)現(xiàn)這一過程的智能化，可以利用自然語言處理技術(shù)中的自然語言理解算法，對(duì)數(shù)據(jù)庫內(nèi)的文本進(jìn)行機(jī)器翻譯、信息摘取、語義對(duì)比；采用關(guān)聯(lián)規(guī)則算法、主成分分析方法、基于深度學(xué)習(xí)模型的聚類算法等，可以對(duì)跨行業(yè)跨時(shí)間的海量數(shù)據(jù)提取分析，有助于機(jī)器發(fā)掘數(shù)據(jù)、事件之間的關(guān)聯(lián)性；利用深度學(xué)習(xí)和自然語言處理技術(shù)中的自然語言生成算法，借鑒谷歌開源的BERT模型（Bidirectional Encoder Representations from Transformers）或開放智能實(shí)驗(yàn)室的GPT模型（Generative Pre-Training）等自然語言處理最尖端技術(shù)，可以在信用研究這一特定領(lǐng)域，把資深研究員先驗(yàn)的分析能力融入深度學(xué)習(xí)模型，實(shí)現(xiàn)機(jī)器基于輸入的信息進(jìn)行訓(xùn)練、學(xué)習(xí)，進(jìn)行機(jī)器寫作，并將觀點(diǎn)以人類語言形式反饋出來。
（二）發(fā)債主體資質(zhì)評(píng)估、把握市場(chǎng)情緒及個(gè)券挖掘
金融科技還可以助力構(gòu)建發(fā)債主體資質(zhì)評(píng)級(jí)框架。研究框架的搭建離不開人機(jī)交互，首先需要資深研究員設(shè)定一個(gè)初始的研究框架，再基于自動(dòng)學(xué)習(xí)（Auto Learning）和主動(dòng)學(xué)習(xí)（Active Learning）等各種人工智能技術(shù)實(shí)現(xiàn)機(jī)器在信用研究領(lǐng)域自動(dòng)、自主學(xué)習(xí)，以及獲取支撐分析過程的數(shù)據(jù)等。這些技術(shù)的運(yùn)用可以方便地獲取全局最優(yōu)解，并且解決過程中的不合理結(jié)果（Bad Case），從而檢驗(yàn)初始模型的有效性，自動(dòng)調(diào)整研究框架。
傳統(tǒng)信用研究框架的擬定往往依賴于研究員個(gè)人對(duì)市場(chǎng)和行業(yè)的把握，其中評(píng)級(jí)模型的建立、指標(biāo)的權(quán)重賦值、評(píng)分標(biāo)準(zhǔn)等均基于研究員的主觀判斷。機(jī)器學(xué)習(xí)等人工智能技術(shù)為這一過程提供了更客觀的解法。此外，算法相比人腦，可以更高效地處理時(shí)間跨度更長(zhǎng)、比較范圍更廣、更全面的數(shù)據(jù)，還可以快速進(jìn)行多渠道數(shù)據(jù)的匯總和比對(duì)，提高數(shù)據(jù)準(zhǔn)確性。在信用評(píng)估的過程中，算法使得機(jī)器可以創(chuàng)造價(jià)值，即通過橫向?qū)Ρ刃袠I(yè)內(nèi)各企業(yè)償債能力差異，縱向?qū)Ρ绕髽I(yè)自身近幾年盈利狀況和償債能力，分辨財(cái)務(wù)數(shù)據(jù)真實(shí)性，甄別企業(yè)財(cái)務(wù)粉飾和造假行為。
運(yùn)用爬蟲算法與自然語言算法，可以把握市場(chǎng)情緒和進(jìn)行個(gè)券挖掘。機(jī)器可以準(zhǔn)確獲取市場(chǎng)中個(gè)券的報(bào)價(jià)與成交情況，通過建模和指標(biāo)選擇進(jìn)行市場(chǎng)情緒指數(shù)的計(jì)算，加上自然語言算法的發(fā)展，可以使機(jī)器巧妙地分辨人類語言，進(jìn)行圖像與文字的理解轉(zhuǎn)換，通過對(duì)輿情等信息的理解，更好地把握市場(chǎng)情緒。爬蟲算法還可以同時(shí)處理市場(chǎng)中海量存續(xù)債估值、剩余期限等數(shù)據(jù)，通過人為設(shè)定收益率預(yù)期，運(yùn)用模型進(jìn)行智能投資價(jià)值排序，挖掘個(gè)券。
（三）投資策略制定與報(bào)告自動(dòng)生成
前述金融科技算法使找出最優(yōu)投資策略成為可能。以人類語言的形式自動(dòng)生成與展現(xiàn)投資策略與研究報(bào)告還需要用到文本自動(dòng)生成算法和圖表自動(dòng)生成算法。事實(shí)上，金融科技已經(jīng)可以一定程度上實(shí)現(xiàn)這一目標(biāo)，例如部分銀行手機(jī)應(yīng)用為購買理財(cái)?shù)挠脩糇詣?dòng)生成和推送理財(cái)報(bào)告，包含對(duì)歷史收益等情況的分析并給予投資建議。
知識(shí)圖譜技術(shù)能協(xié)助數(shù)據(jù)和信息的整合與關(guān)系梳理，可以使零散的數(shù)據(jù)和分析搭建成知識(shí)體系，方便信息的加工和抽?。痪W(wǎng)絡(luò)爬蟲技術(shù)中增量爬蟲算法可以爬取已儲(chǔ)存數(shù)據(jù)更新情況，實(shí)時(shí)更新研究報(bào)告；人機(jī)交互過程中，各類金融科技算法的應(yīng)用使得研究能力得以量化和傳承，并能對(duì)研究報(bào)告質(zhì)量進(jìn)行量化評(píng)估。例如目前國內(nèi)一些信用分析及信息終端可以生成信用研究分析報(bào)告。
總結(jié)來看，智能信用策略及信用研究報(bào)告自動(dòng)生成需要經(jīng)歷爬數(shù)據(jù)、抽數(shù)據(jù)、提煉知識(shí)、展示、整合、總結(jié)觀點(diǎn)等多個(gè)步驟，在這些步驟中可以相應(yīng)地運(yùn)用網(wǎng)絡(luò)爬蟲技術(shù)、圖文互搜、多模態(tài)信息識(shí)別與抽取、信息聚類與展示、文本自動(dòng)生成技術(shù)、人機(jī)交互等多類人工智能算法。
金融科技在信用研究中應(yīng)用的難點(diǎn)
未來將金融科技深入應(yīng)用到信用研究領(lǐng)域，需要克服三個(gè)主要困難，相應(yīng)建議如下。
（一）專業(yè)壁壘較高，建議加快人才培育
要實(shí)現(xiàn)信用研究的智能化，離不開科技人才對(duì)算法的編譯和運(yùn)用；先進(jìn)算法應(yīng)用在信用研究領(lǐng)域時(shí)，也需要資深金融從業(yè)人員的先驗(yàn)知識(shí)與專業(yè)能力作為機(jī)器學(xué)習(xí)等各算法的基礎(chǔ)。目前，高等教育已經(jīng)開始有意識(shí)地培養(yǎng)金融與科技復(fù)合型人才，但由于金融與計(jì)算機(jī)學(xué)科專業(yè)壁壘均較高，市場(chǎng)上仍以金融專才與科技專才為主。
建議研究員對(duì)金融科技加強(qiáng)自主學(xué)習(xí)，金融機(jī)構(gòu)加快對(duì)金融科技團(tuán)隊(duì)的組建，這是打破專業(yè)壁壘，以金融科技賦能信用研究領(lǐng)域的關(guān)鍵。
（二）非結(jié)構(gòu)化數(shù)據(jù)的挖掘與處理難度高，建議加快新技術(shù)研究
算法擅長(zhǎng)處理規(guī)整、可量化的結(jié)構(gòu)化數(shù)據(jù)，但現(xiàn)實(shí)中存在海量文字、圖片、視頻等多種模態(tài)的數(shù)據(jù)，即非結(jié)構(gòu)化數(shù)據(jù)，這類數(shù)據(jù)又是信用研究中定性分析的重要基礎(chǔ)。
建議使用文本識(shí)別、圖文信息對(duì)齊等技術(shù)，把非文本的數(shù)據(jù)提取處理整理成結(jié)構(gòu)化或者半結(jié)構(gòu)化數(shù)據(jù)。如何設(shè)計(jì)算法來抓取、處理信用研究所需的這類非結(jié)構(gòu)化信息，并深入分析此類數(shù)據(jù)，將是推進(jìn)金融科技在該領(lǐng)域應(yīng)用的研究重點(diǎn)。
（三）全智能化對(duì)算法算力要求高，建議加強(qiáng)機(jī)構(gòu)間合作
本文針對(duì)信用研究領(lǐng)域存在的難點(diǎn)給出了多類算法結(jié)合的金融科技解決方案，但目前來看，個(gè)人或單家機(jī)構(gòu)的算力十分有限，且難以對(duì)多類復(fù)雜算法進(jìn)行編寫和調(diào)用。
建議金融機(jī)構(gòu)、金融科技企業(yè)間加強(qiáng)知識(shí)共享、資源共享，這樣有助于建立一個(gè)算力、算法強(qiáng)大的智能信用研究平臺(tái)。
注：
1.參見Blackrock公司官網(wǎng)https://www.blackrock.com/aladdin。
2.參見AlphaSense公司官網(wǎng)https://www.alpha-sense.com/。
3.參見Kenso公司官網(wǎng)https://www.kensho.com/。
參考文獻(xiàn)
[1]張浩，張驊，邢雯，喻泉.固定收益投資領(lǐng)域的科技應(yīng)用[J].債券，2021(1):32-36.
[2]李嘉寶.基于智能投研提高券商投研能力的探討[A].中國證券業(yè)協(xié)會(huì).創(chuàng)新與發(fā)展：中國證券業(yè)2018年論文集（下冊(cè)）[C].中國證券業(yè)協(xié)會(huì)，2019（7）.
◇ 本文原載《債券》2022年10月刊
◇ 作者：中山證券固定收益部總經(jīng)理、中國人民大學(xué)信用管理研究中心研究員 陳文虎
中山證券固定收益部 劉婭婷
國家公共信用信息中心 馮彩虹
◇ 編輯：涂曉楓 廖雯雯
