金融 – 文因互联

5个借壳案告诉你壳值多少钱

 A股市场上,巨人网络和圆通速递的借壳上市都很成功。作为我国资本市场的政策红利,新三板的挂牌企业也在持续增加中。虽然新三板的挂牌条件(附于文后)较A股上市条件宽松许多,然而挂牌所需要的时间成本也是不容忽视的,因此许多公司也选择通过借壳的方式进入新三板。

借壳的定义与操作

借壳上市是指一间私人公司(Private Company)通过把资产注入一间市值较低的已上市公司(壳,Shell),得到该公司一定程度的控股权,利用其上市公司地位,使母公司的资产得以上市。通常该壳公司会被改名。

而《重组办法》第十二条规定的重大资产重组,其定义则为:

自控制权发生变更之日起,上市公司向收购人购买的资产总额,占上市公司控制权发生变更的前一个会计年度经审计的合并财务会计报告期末资产总额的比例达到100%以上的重大资产重组。

莆田系与百度的共生:整形第一股净利80%投百度广告

前几日,魏则西之死,让大众的目光再次聚焦于百度竞价排名之恶。在其背后,莆田系医院依靠治疗性病发家的丑闻也被挖了出来。然而,不只是疑难病症的治疗,在整容日趋火热的今天,医美行业也与莆田系以及百度推广有着不可分割的联系。

整形第一股80%净利润流入百度

在对百度的声讨达到一个新高潮的同时,我在思考,到底是为了多大的利益,能够使百度这样一个巨头卖掉血友病吧、为违规的医院做推广。

继续阅读 “莆田系与百度的共生:整形第一股净利80%投百度广告”

即将到来的智能金融军备竞赛

看到振波二象在微博上说“国内排名靠前的投资机构大规模上人工智能了,生存不易啊”。就这个话题多说几句。

现阶段的智能金融

智能金融现在中国市场上看到最多的是征信。在美国,我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。有不少同学、前同事在这些机构里工作。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的应用。

继续阅读 “即将到来的智能金融军备竞赛”

活动现场|语义对话金融——人工智能与价值判断

2016年3月12日,由文因互联组织的“语义对话金融——人工智能与价值判断”研讨会在北京举行。我们邀请了众多金融界和技术界的知名人士参加,同时也吸引了一批资深的业内及跨领域从业者的参与和关注。

会议主要针对“人工智能”以及“金融投资”两方面内容及其结合领域的现状、方法和前景进行了深入而广泛的讨论。期间既从学术界的分享中了解到目前学术界发展的前沿信息,也从金融领域的诸多一线投资人的发言中,获知了对合作的渴望和对未来广阔前景的肯定。文因互联的CEO 鲍捷主持了这次研讨会。

继续阅读 “活动现场|语义对话金融——人工智能与价值判断”

新闻自动生成——人工智能正在逐步走进金融领域(其二)

上期,我们讲述了人工智能与量化交易的结合——主要利用机器学习,自然语言处理,以及最近火热的知识图谱技术,将海量异构信息分析,为投资者建立交易投资的预测模型。
本期,我们来关注成本问题,思考下人工智能如何辅助金融新闻、研报、投资意向书的生成。尽管交易才是金融领域的核心,但如果降低了工作的时间成本,减少数字罗列、整理、反复Copy-Paste的繁琐工作,分析员们便有更多的时间进行深入分析,早先一步准备材料并上会,便早一步握住了商机。此外,对于我国的上亿股民来说,信息传达的快速与准确是核心需求,机器自动生成的新闻便可提供客观实时的市场资讯。

继续阅读 “新闻自动生成——人工智能正在逐步走进金融领域(其二)”

人工智能正在逐步走进金融领域

随着互联网时代的深入发展,我们获取的各种数据都在无限膨胀,远远超过了人类大脑的处理能力,于是机器学习技术成为更利于发展的投资策略。以机器之手在互联网中抓取一个领域的数据和信息,将这些信息通过人工智能系统进行细致的分拣和筛选,进而得出最终的结论和决策。之后再将这些已被梳理好的决策分析反馈给该领域工作人员。接下来我们会分三期就人工智能和金融领域的结合做一系列分析,厘清人工智能在金融领域已经都做了哪些尝试,以及成果:

1.运用人工智能进行量化交易;
2.人工智能辅助金融新闻、报告、投资意向书的半自动化生产;
3.人工智能进行行业、企业的语义搜索。
 
本文专注于【运用人工智能进行量化交易】,后两者会在之后的微信公众号文章推出。
量化交易从很早开始就运用机器进行辅助工作,分析员通过编写简单函数,设计一些指标,观察数据分布,而这些仅仅把机器当做一个运算器来使用。直到近些年机器学习的崛起,数据可以快速海量地进行分析、拟合、预测,人们逐渐把人工智能与量化交易联系得愈发紧密。
我们可以把量化交易按照人工智能的子领域(机器学习,自然语言处理,知识图谱)分为三个阶段。

一.机器学习

022901
分析员们对财务、交易数据进行建模,分析其中显著特征,利用回归分析等传统机器学习算法预测交易策略。这种方式有两个主要弊端,其一是数据不够丰富,仅限于交易数据,更重要的是它受限于特征的选取与组合(Feature Engineering),模型的好坏取决于分析员对数据的敏感程度。此外一种做法是,模仿专家的行为,选择某一领域的特定专家,复制他们的决策过程,并导入可重复的计算框架。
 
代表公司:
Snip20160506_5
总部位于纽约的Rebellion Research在2007年推出了第一个纯人工智能(AI)投资基金。该公司的交易系统是基于贝叶斯机器学习,结合预测算法,响应新的信息和历史经验从而不断演化,有效地通过自学习完成全球44个国家在股票、债券、大宗商品和外汇上的交易。
日本的初创公司Alpaca,他们的交易平台Capitalico利用基于图像识别的深度学习技术,允许用户很容易地从存档里找到外汇交易图表并帮忙做好分析,这样一来,普通人就能知道明星交易员是如何做交易的,从他们的经验中学习并作出更准确的交易。
伦敦的对冲基金机构Castilium由金融领域大佬与计算机科学家一同创建,包括前德意志银行衍生品专家、花旗集团前董事长兼首席执行官和麻省理工的教授。他们采访了大量交易员和基金经理,复制分析师、交易员和风险经理们的推理和决策过程,并将它们纳入算法中。
坐落在香港的Aidyia致力于用人工智能分析美股市场,依赖于多种AI的混合,包括遗传算法(genetic evolution),概率逻辑(probabilistic logic),系统会分析大盘行情以及宏观经济数据,之后会做出自己的市场预测,并对最好的行动进行表决。
全球最大的对冲基金桥水联合(Bridgewater Asspcoates),使用一种基于历史数据与统计概率的交易算法,让系统能够自动学习市场变化并适应新的信息。与其类似的公司还有Point72 Asset,Renaissance Technologies, Two Sigma。

继续阅读 “人工智能正在逐步走进金融领域”

金融报表数据的语义化

导言:这篇文章是以前笔者的两篇博客的汇总。因为是两篇论文的介绍,概念比较多,不是很好懂。过几天会再写一篇通俗版的,敬请关注。

XRBL是金融数据结构化,继而语义化的基础。这两篇博客反映的是2010年的工作,当时XBRL刚刚在中国成为标准。目前,在A股和新三板上XBRL都成为了财务报告规范的结构化形式。不过现在看来,XBRL本身作为近二十年前的技术,本身也有一些局限性。此外企业的信息披露材料有大量的内容无法被XBRL承载,不仅依然需要大量的人力去阅读原始材料,披露材料和XBRL报告之间的不一致性也是常见问题。解决这些问题,需要更灵活的金融数据结构化和语义化方法,也需要依赖人工智能技术做好数据的自动提取、交叉验证、信息搜索、价值判断。

就新三板而言,投资的核心是价值判断和规模交易。这是挂牌企业、做市商、风险投资机构和证券基金的根本需求。

人工智能领域的深度学习、自然语言理解、语义搜索技术的应用,会为新三板投资的行业研究和对标分析中提供全面、详实和高效的数据服务。尤其是在科技、互联网和TMT行业,这些国内券商普遍普遍缺乏研究人员,研究能力较弱的现实情况下。没有研究人员提供的报告,无法完成价值判断,大量的高科技领域的公司发展无人知晓、无法了解,证券基金入市规模和交易量受到制约。企业融资遥遥无期。

文因互联提供的大数据服务,能把科技领域的全球领先公司的信息应用到新三板挂牌企业的价值判断上,这门功夫是人工智能技术给予金融行业发展带来的实质帮助。

基于语义网的证券分析

 

022701

2011-04-19  Li(李娴)和我, Jim Hendler合作的一篇文章 “Fundamental Analysis Powered by Semantic Web” [1] (基于语义网的基本分析)获得了2011 IEEE Symposium on Computational Intelligence for Financial Engineering and Economics 最佳论文。

继续阅读 “金融报表数据的语义化”