2020-2021年AI+证券行业研究报告.doc

2020-2021年AI+证券行业研究报告2020年11月序言人工智能正在剧烈改变全球的证券行业，这一大趋势促使我们必须要从历史、行业、监管、机构等多个维度 进行深入研究。人工智能作为一种新兴颠覆性技术，正在深刻改变着人类经济金融运行方式。与以往信息时代的科技革命相 比，传统的信息技术通过既定程序执行计算或控制等任务来推动生产效率的提升，而人工智则通过对人类智能及 生理构造的模拟，带有生物智能的自学习、自组织、自适应、自行动等特征，并通过与其他关联技术，如物联网、 区块链、超级计算、脑科学等多个学科领域同步推进，实现了横跨整个创新链的众多新兴业态。因此，人工智能 并不是一个简单的技术创新，而是一种战略性科技革命，将对产业变革和经济发展产生重大而深远的影响，而金 融行业往往是对技术变革最为敏感的行业之一，因此，我们必须高度关注在金融领域探索人工智能与资本行业相 结合的运用场景。当前，各国都高度关注人工智能的发展，无论是德国的“工业4.0”、美国的“工业互联网”、日本的“超 智能社会”、还是“中国制造2025”，都将人工智能作为核心关键技术作为重点发展领域。2017年7月中国发布新一代人工智能发展规划，开启了中国人工智能快速创新发展的新征程。同年，人工智能被写入“十九大” 报告，政府开始推动互联网、大数据、人工智能和实体经济深度融合。在近期二十国集团领导人第十五次峰会上， 中国领导人强调中方支持围绕人工智能加强对话，倡议适时召开专题会议，推动落实二十国集团人工智能原则， 引领全球人工智能健康发展。从目前的数据看，金融一直是人工智能投资规模最大的细分行业之一。金融与数据密切相关，金融行业在过 去积累下来的大量数据能够应用于机器学习，使得“人工智能+金融”具备很大的发展空间。通过人工智能核心 技术（机器学习、知识图谱、自然语言处理、计算器视觉）作为主要驱动力，为金融行业的各参与主体、各业务 环节赋能，实现人工智能技术对于金融行业的产品创新、流程再造、服务升级。为了探索出人工智能技术在证券行业的发展环境、应用前景、市场空间、主要应用场景以及未来发展，我联 合金证科技及相关业界专业人士，共同发起了“人工智能+证券行业研究（2020）”课题研究，期望通过对人工 智能技术在证券行业现状梳理与发展前景的探索，为证券行业长足发展找到智能发展的创新支点。通过本次研究，我们看到在人工智能+证券的产业链中，涉及到从硬件基础层到算法技术层，再到场景应用 层，由上游向下游提供产品，从下游向上游进行反馈。硬件基础层是具备自身研发功能的软硬件供应商企业，利 用各项软硬件先进技术如传感器、云服务、芯片和区块链技术等，为算法技术层的企业提供载体。算法技术层的 企业主要是互联网性质企业，具有很强的创新和研发能力，并且拥有大量的可参考数据和客户基础，但如何将研 发的人工智能技术与金融结合是一个难点。因此我们在本次报告调研过程中，对该类企业进行了访谈，希望在其 中找到与证券业务能够实现真实落地的场景。场景应用层的参与者是传统的证券机构，他们拥有客户基础和大量 的数据信息，是人工智能技术的需求者，他们希望通过硬件基础层面和算法技术层面的研发结果应用到日常金融 业务当中，实现降本增效的目的。随着语音识别、机器视觉、数据挖掘等多个技术领域的发展，人工智能技术走进了证券行业真实应用场景， 开始在证券行业中发挥真正的价值。目前人工智能在证券市场的应用主要集中于市场分析、风险评估和预警等方 面。自动报告生成涉及到自然语言处理，一般的证券行业报告具有固定的格式，因此可以利用自然语言处理的技 术将报告需要的信息进行抓取，生成有固定格式的报告。知识图谱利用可视化的图形方式来显示各个事物实体发 展的进程和实体之间的关系。语义搜索让搜索引擎的工作不再局限于用户当前具体输入的内容，而是计算机能够 根据该内容进行合理地联系与扩散，来进一步准确地捕捉到用户实际期望搜索的内容，更准确地反馈给用户期望 的搜索结果。人工智能本身并不是一个全新的业务或商业模式，而是对现有业务的一种效率提升，虽然现在看来智能在证券行业的应用还并未达到全程智能化，随着它从单一到复杂，从既定程序到自我学习，从低准确率到高精准的学 习过程，未来将会达到人机更好协同的不断改进的状态。在这个剧烈变革的转型阶段，企业如果不尽早为自身业 务引入人工智能技术，就很可能会被追随者所赶超。本次报告是对探索人工智能与金融相结合的一次初次尝试， 希望通过与业界分享人工智能+证券行业的发展状况与实践经验，引起业界的更广泛探讨和交流，共同推动人工 智能在证券行业的深入发展。前言随着信息技术的高速发展，全球金融信息化呈现不断加速的态势，从90年代末迎来的互联网时代，到近年 来的互联网金融，再到金融科技等新业态的全面爆发，信息技术的快速迭代演进正在推动金融行业步入全面信息 化建设新时期，科技正在深刻改变传统金融服务的效率与方式，并引领未来金融行业的创新发展。尤其是，在科技浪潮推动下，金融科技（FinTech）强势崛起，科技逐步与金融业务深度融合，成为驱动传 统金融创新发展的新引擎。云计算、大数据、区块链、人工智能等新技术受到金融行业前所未有的关注，尤其是 人工智能技术已经在行业内得到迅速普及和越来越广泛的应用，目前在计算机视觉、智能语音等领域实现了单点 突破，未来随着迁移学习、类脑学习等为代表的认知智能研究热度不断攀升，与传统深度学习不断融合，将助推 人工智能从感知智能向认知智能过渡，真正释放人工智能的价值。2017年国务院发布新一代人工智能发展规 划，至此，人工智能正式上升到国家战略层面，同时国务院明确提出“必须加速人工智能深度应用”。中共中 央近日发布的中共中央关于制定国民经济和社会发展第十四个五年规划和二三五年远景目标的建议中提出： 把科技自立自强作为国家发展的战略支撑，将瞄准人工智能等前沿领域，实施一批具有前瞻性、战略性的国家重 大科技项目，以此来强化国家战略科技力量。金证股份作为中国证券交易无纸化的先行者与参与者，积极参与中国金融信息化建设进程，用技术助力金融 发展。经过20多年的潜心耕耘，金证已成为国内最大的证券软件开发商和系统集成商之一，伴随着新技术的发展， 金证十分重视和关注人工智能与证券行业的融合，并已经在部分业务场景中实现产品落地。从AI+证券未来发展趋势来看，行业将围绕中台化、场景化、智能化及生态化四大趋势发展，真正提升证券 行业人工智能科技核心能力，促进人工智能赋能业务，优化科技服务机制。2018年-2019年，人工智能在证券行 业的多个业务领域落地案例增长达2倍以上，证券经纪业务仍然为人工智能技术的主要落地场景，系统维护成为第 二大落地场景，投资银行落地增长速度最快。目前，人工智能已渗透至证券行业的前台、中台、后台以及监管端， 在智能客服、智能营销、智能资讯、智能投顾、智能投研、智能风险管理、智能运维、监管科技等模块广泛应用。本报告内容共分为四部分，分析了人工智能发展背景及技术进展，进而阐述了AI+证券发展背景和现状，重 点解释了人工智能在证券行业经营过程中的前台、中台、后台以及监管端应用现状。具体到各部分而言，包括以 下内容：第一部分，分析了人工智能发展的背景以及基础层、技术层、应用层发展现状。 第二部分，分析了AI+证券发展的背景以及应用现状。 第三部分，从证券行业前台、中台、后台及监管端分析人工智能应用场景。 第四部分，提出AI+证券未来发展的趋势，并探索了当前证券行业人工智能应用的挑战。 在本报告的撰写过程中，我们欣喜地看到人工智能在证券行业的应用已经有了一定的成果，为我们更好地进行人工智能技术和产品发展规划提供参考。但是，“知易行难”，人工智能与证券行业场景的结合仍存在很多问 题。我们未来将持续跟踪AI在证券行业的实践经验和发展方向，持续输出前瞻性内容，使人工智能更好的在证券 行业落地，助力AI+证券快速发展。金证股份名誉董事长 赵剑2020年11月于深圳目录CONTENTS07AI篇：人工智能发展 如火如荼共进篇：AI+证券发 展正当其时221.1 人工智能发展背景1.2 人工智能技术发展进展2.1 AI+证券发展背景2.2 AI+证券发展现状31应用篇：AI赋能的升 级与重构未来篇：借势增长， 破浪前行643.1 AI+证券前台应用现状3.2 AI+证券中台应用现状3.3 AI+证券后台应用现状3.4 证券监管科技应用现状3.5 金证优智&金智维产品与服务69 附录4.1 AI+证券未来发展趋势4.2 AI+证券未来发展挑战CHAPTER 1AI篇：人工智能发展如火如荼人工智能是一门综合性极强的新兴交叉性学科，目标是 模拟或代替人来解决自然和 社会领域的各种问题，提高 效率。 目前，人工智能正从弱人工 智能走向强人工智能，从感 知智能走向认知智能。数据、 算法、算力作为“三驾马车” 推动人工智能商业落地进入 快速发展期。 本章将重点分析人工智能发 展背景以及人工智能技术基 础层、技术层、应用层发展 现状。21AI篇：人工智能发展如火如荼 1.1 人工智能发展背景1.2 人工智能技术发展进展共进篇：AI+证券发展正当其时2.1 AI+证券发展背景2.2 AI+证券发展现状应用篇：AI赋能的升级与重构3.1 AI+证券前台应用现状3.2 AI+证券中台应用现状3.3 AI+证券后台应用现状3.4 证券监管科技应用现状3.5 金证优智&金智维产品与服务未来篇：借势增长，破浪前行4.1 AI+证券未来发展趋势4.2 AI+证券未来发展挑战 附录人工智能发展背景人工智能是一门综合性极强的新兴交叉性学科人工智能虽然已成为一个人尽皆知的概念，但是关于什么是人工智能却众说纷 纭。从科学的角度来说，人工智能是研究、开发用于模拟、延伸和扩展人的智 能的理论、方法、技术应用系统的一门科学。从学科结构来看，人工智能是一门综合性极强的交叉性学科，除了广为所知的 计算机学科之外，还涉及逻辑学、心理学、语言学等多学科。这与人工智能模 拟或代替人来解决自然和社会领域各种问题的目标是密不可分的。人工智能基 于启发式搜索、知识的模型化和表示、AI系统及语音、以及常识性推理演绎与 问题求解等基本技术与方法，可应用于包括自动程序设计、信息处理心理学、自动定理证明、机器人等多种领域。1974年，Nilsson提出人工智能学科结构， 可帮助理解人工智能的广度和深度。人工智能的定义可拆分为?人工?和?智能?两部分。?人工?强调其具有人类的某些 特征且由人类加工或制造，?智能?是一个相对概念，涉及意识、自我、思维等 问题，对智能的认知会随时间变化而变化。整体来看，人工智能的核心能力体现在三个层面，为计算智能、感知智能、认 知智能，其发展正从感知智能走向认知智能。计算智能：即快速计算和 记忆存储能力，可让机器 深度学习与积累海量数据， 从过去的经验中获得领悟 并用于当前环境。感知智能认知智能：即?能理解、 会思考?的能力，机器能 够进行逻辑推理，可借助 知识图谱等技术结构知识， 同时用自然语言表达自己 的观点。计算智能感知智能：即视觉、听觉、 触觉等感知能力，可将前 端非结构化数据结构化， 实现用户交互。认知智能AI篇：人工智能发展如火如荼1.1 人工智能发展背景1.2 人工智能技术发展进展共进篇：AI+证券发展正当其时2.1 AI+证券发展背景2.2 AI+证券发展现状应用篇：AI赋能的升级与重构3.1 AI+证券前台应用现状3.2 AI+证券中台应用现状3.3 AI+证券后台应用现状3.4 证券监管科技应用现状3.5 金证优智&金智维产品与服务未来篇：借势增长，破浪前行4.1 AI+证券未来发展趋势4.2 AI+证券未来发展挑战 附录人工智能正从弱人工智能走向强人工智能根据能力等级，人工智能可分为：弱人工智能、强人工智能、超人工智能，目 前人工智能正从弱人工智能走向强人工智能。资料来源：根据公开资料整理人工智能产业加速商业落地，赋能实体经济人工智能产业发展60余年，已走完2个发展周期。1956年达特茅斯会议召开首 次提到人工智能标志着人工智能达到第一次高潮，同时期，贝尔曼公式、感知 器人工智能基础理论被发明。随后，1973年莱特希尔报告指出，人工智能 未达到预期效果，计算复杂度指数提升，技术难以满足需求，意味着第一轮周 期触及低谷。第二轮发展高潮起始于1980年，卡内基梅隆大学为数字设备公司设计了一套 XCON?专家系统?。随后，此系统风光被1987年苹果和IBM生产的台式机的优 秀性能掩盖。在此时期，DARPA的新任领导认为人工智能并不是?下一个浪潮?， 算法、软件、硬件面临挑战均未突破，人工智能发展再次跌入低谷。 随着互联网技术快速普及，人工智能发展迎来第三次高潮。在第三次发展高潮， 人工智能开始由单个智能主体研究转向基于网络环境下的分布式人工智能研究， 存在于实验室的技术也开始用于生产实践，进一步面向实用化，加快商业落地， 赋能实体经济。其中，数据、算法、算力发挥了很大作用。人工智能发展历程1.2 人工智能技术发展进展共进篇：AI+证券发展正当其时2.1 AI+证券发展背景2.2 AI+证券发展现状数据、算法、算力推动人工智能商业落地进入快速发展期数据、算法和算力是驱动人工智能技术进步和产业发展的?三驾马车?，其中数 据是基础，算力是原动力，算法是发挥价值的前提，三者相互融合共同推动人 工智能商业落地进入快速发展期。全球数据总量增长趋势（ZB）应用篇：AI赋能的升级与重构3.1 AI+证券前台应用现状3.2 AI+证券中台应用现状3.3 AI+证券后台应用现状3.4 证券监管科技应用现状3.5 金证优智&金智维产品与服务2006201020142020E1634701 8 2025E数据随着新兴技术快速发展，数 据量呈现爆发式增长，预计 于2025年全球数据总量将达 到163ZB。未来篇：借势增长，破浪前行4.1 AI+证券未来发展趋势4.2 AI+证券未来发展挑战 附录算法算法是发挥价值的前提，根 据 ILSVRC 官网披露， 机器 视觉 ILSVRC 最佳分类准确 率稳步提升，于2017年达到机器视觉ILSVRC最佳分类准确率96% 97% 98%84%88%93%72% 74%98%水平。20102011201220132014201520162017中心云边缘智能智能终端云边端三级算力架构部分数据云端处理部分数据边缘处理边端协同数据云端 协 同 数 据部分数据终端 处理算力算 力 是 原 动 力 ， 构 建云 、 边 、 端 三 级 算 力 架 构 ， 将 终 端 算 力 上 移 、 云 端 算 力下沉 ， 在 边 缘 形成 算 力 融 合 ， 实现 算力提升。1.2 人工智能技术发展进展共进篇：AI+证券发展正当其时2.1 AI+证券发展背景2.2 AI+证券发展现状应用篇：AI赋能的升级与重构3.1 AI+证券前台应用现状3.2 AI+证券中台应用现状3.3 AI+证券后台应用现状3.4 证券监管科技应用现状3.5 金证优智&金智维产品与服务未来篇：借势增长，破浪前行4.1 AI+证券未来发展趋势4.2 AI+证券未来发展挑战 附录人工智能成为各国战略制高点，支持人工智能产业发展人工智能已被世界许多国家作为提升国家竞争力，维护国家安全的国家战略。 近年来，中国、美国、欧盟、日本等国家和地区陆续发布了新一代人工智能相 关战略和指导文件，围绕财政支持、数据开放、标准制定、人才培养和法律完 善等出台规划和政策。 财政支持：投入大量资金支持人工智能科技创新，如欧盟委员会人工智能 投入预计在2018年至2020年间达到15亿欧元； 数据开放：推动数据扩大开放，如美国人工智能倡议提出增强对高质 量和完全可追溯的联邦数据、模型和计算资源的访问； 标准制定：建立统一的人工智能技术标准与测试基准，减少人工智能创新 障碍； 人才培养：增加人工智能学习机会，培养更多适应人工智能发展的人才； 法律完善：完善相关法规体系，防范因人工智能技术滥用造成的负面影响； 中国也格外重视人工智能发展，陆续发布战略指导文件，提高人工智能竞争力。 2017年国务院发布新一代人工智能发展规划，至此，人工智能正式上升到 国家战略层面，同时国务院明确提出?必须加速人工智能深度应用?；随后促 进新一代人工智能产业发展三年行动计划（2018-2020年）发布，从各个方 面详细规划了人工智能未来三年的重点发展方向与目标。2019-2020年，国家 通过充分发挥地方主体作用和发展?新基建?，助推中国人工智能发展迈向更高 台阶。1.2 人工智能技术发展进展共进篇：AI+证券发展正当其时2.1 AI+证券发展背景2.2 AI+证券发展现状中国重视人工智能发展，提高人工智能竞争力政策支持推动中国人工智能产业快速发展，期刊论文发布数量逐年上升，发布 数量全球领先。一方面科研院校与机构是人工智能技术实现突破的重要力量， 另一方面企业自建或者联合高校共同创立的人工智能实验室持续储备人工智能技术并加速推动商业落地，例如腾讯AI Lab、百度机器人与自动驾驶实验室等。应用篇：AI赋能的升级与重构3.1 AI+证券前台应用现状3.2 AI+证券中台应用现状3.3 AI+证券后台应用现状3.4 证券监管科技应用现状3.5 金证优智&金智维产品与服务 未来篇：借势增长，破浪前行22,00018,0008,0004,0004.1 AI+证券未来发展趋势201220132014201520162017201820194.2 AI+证券未来发展挑战人工智能深度学习机器学习02012-2019年人工智能期刊论文发表数量 附录同时，中国人工智能专利申请数量迅速攀升。亿欧智库数据显示，2017-2019 年是中国人工智能专利数量增长的爆发期，2019年中国人工智能申请专利数量 达到最高峰，为116,462件。整体来看，2019年企业和高校AI专利申请贡献率 超过90%，是AI专利申请的主力军。而企业近几年愈加重视专利申请，AI专利 申请贡献率达50%，一方面企业需要利用专利建立自己的核心壁垒，另一方面 企业出于战略规划，也需要提前布局更多关键专利抢占未来商业高地。2010-2019年中国人工智能申请专利数量情况116462775314756925879429753938335 91691040316116120,00080,00040,00002010 2011 2012 2013 2014 2015 2016 2017 2018 20191.2 人工智能技术发展进展共进篇：AI+证券发展正当其时2.1 AI+证券发展背景2.2 AI+证券发展现状应用篇：AI赋能的升级与重构3.1 AI+证券前台应用现状3.2 AI+证券中台应用现状3.3 AI+证券后台应用现状3.4 证券监管科技应用现状3.5 金证优智&金智维产品与服务未来篇：借势增长，破浪前行4.1 AI+证券未来发展趋势4.2 AI+证券未来发展挑战 附录人工智能创业机会收窄，投资决策难度增加，热度下降趋于冷静然而，人工智能创业机会窗口期迈入尾声阶段。自2012年起，人工智能创业初 见端倪，在2014年快速增长，到2016年达到顶峰，随后热度逐渐走低。2020 年1-4月仅成立4家人工智能企业。由此可见，人工智能创业机会收窄，投资决 策难度增加，热度下降趋于冷静。可以大致推断，2018年以来，人工智能的创 业机会逐渐收窄。2012-2020年4月中国人工智能领域初创企业成立情况21522813812063705332420122013201420152016201720182019 2020.1-4同时，人工智能投资热度也趋于冷静。2015-2017年人工智能相关投资持续升 温，到2018年中国私募市场中人工智能领域投资频数有所回落，同比2017年 下跌19.12%。2020年1-4月投资事件数量仅为2019年全年24.1%，预计2020全 年投资频数和投资金额均将下滑。与此同时，私募投资更加集中于头部企业和 偏中后期轮次。2015-2020年4月年中国人工智能企业投资频数与投资金额（亿元）1422.91539.21000.8970.3455185.853.737136826711628201520162017201820192020.1-4投资频数投资金额（亿元）人工智能技术发展进展AI篇：人工智能发展如火如荼1.1 人工智能发展背景1.2 人工智能技术发展进展共进篇：AI+证券发展正当其时2.1 AI+证券发展背景2.2 AI+证券发展现状应用篇：AI赋能的升级与重构3.1 AI+证券前台应用现状3.2 AI+证券中台应用现状3.3 AI+证券后台应用现状3.4 证券监管科技应用现状3.5 金证优智&金智维产品与服务未来篇：借势增长，破浪前行4.1 AI+证券未来发展趋势4.2 AI+证券未来发展挑战 附录人工智能技术可分为基础层、技术层及应用层人工智能技术是典型的分层结构，按照结构划分可分为基础层、技术层和应用 层。基础层是人工智能产业基础，技术层是人工智能产业核心，应用层是人工 智能产业延伸。人工智能技术架构图基础层主要提供数据输入和计算能力，主要包含数据资源、智能芯片、硬件基 础设施等，其中最核心的是数据和芯片； 技术层依托基础层运算平台和数据资源开发算法模型，通过软件框架进行训练 和学习，开发面向不同领域的应用技术； 应用层则针对不同行业，将人工智能技术进行应用，提供产品、服务和解决方 案，进行商业化落地。人工智能产业图谱AI篇：人工智能发展如火如荼1.1 人工智能发展背景1.2 人工智能技术发展进展共进篇：AI+证券发展正当其时2.1 AI+证券发展背景2.2 AI+证券发展现状应用篇：AI赋能的升级与重构3.1 AI+证券前台应用现状3.2 AI+证券中台应用现状3.3 AI+证券后台应用现状3.4 证券监管科技应用现状3.5 金证优智&金智维产品与服务未来篇：借势增长，破浪前行4.1 AI+证券未来发展趋势4.2 AI+证券未来发展挑战 附录基础层：数据为算法模型提供基础资源基础层技术中，数据和算力较为重要。在我国人工智能发展应用过程中，三大 要素中数据要素居于首位，这归结于我国互联网基础设施建设、移动互联网快 速发展、网络应用爆发增长、物联网技术成熟等。工信部通信业统计公报数据 显示，2019年中国移动物联网连接数达到10.30亿，预计2020年将达到12亿。在深度学习算法条件下，数据量越大，计算越精准。数据数量和质量决定了AI 落地程度，5G、物联网等技术发展使得大规模大数据成为可能，但数据质量仍 面临挑战。12.0010.306.71201820192020E数据成本支出高，花费周期长。数据从采集到最终可训练使用，需要较长周期； 数据获取难，共享难。数据分布相对分散，且质 量较高的数据主要掌握在互联网巨头手里，难以 共享； 数据标准化和自动化有待提升。数据质量参差不 齐且数据相关标准不统一，差异化较大，对于算 法模型最终结果存在干扰； 数据隐私和保密性差。数据在使用和传输过程中 容易发生数据泄露，存在安全问题。2018-2020E移动物联网连接数（亿）与数据面临的挑战源数据没有价值，只有经过数据处理才能获取其中蕴含的智能、深入、有价值的信息。数据处理一般分为六个阶段：数据生产、数据采集、数据清理、数据 存储、数据建模、数据应用。人工智能数据处理六个阶段目前，数据采集类型主要有三类：语音语言类、图像识别类及视频识别类。数据采集方式主要有四种： DPI采集方式：主要针对?裸格式?数据，即未经过任何处理的数据； 系统日志采集方法：收集业务日志数据为决策者提供离线和在线分析使用； 网络数据采集法：通过网络爬虫或网站公开API方式等爬取网上非结构化数 据； 数据库采集：利用关系型数据库或NoSQL等数据库进行数据采集。1.2 人工智能技术发展进展共进篇：AI+证券发展正当其时2.1 AI+证券发展背景2.2 AI+证券发展现状应用篇：AI赋能的升级与重构3.1 AI+证券前台应用现状3.2 AI+证券中台应用现状3.3 AI+证券后台应用现状3.4 证券监管科技应用现状3.5 金证优智&金智维产品与服务未来篇：借势增长，破浪前行基础层：数据处理外包服务公司是数据服务核心参与方数据清理方法主要有处理缺失值的方法与数据光滑处理技术两种，具体如下： 处理缺失值的方法：忽略元组，人工填写缺失值、使用一个全局常量填充 缺失值，使用属性的均值填充缺失值，使用与给定元组同一类的所有样本 的属性均值，使用最有可能的值填充缺失值； 数据光滑处理技术：分箱方法，通过考察数据的?近邻?来确定最终值，包括 等深分箱法、等宽分箱法、用户自定义区间；回归方法，用一个函数拟合 数据来光滑数据；聚类技术将类似的值组织成群或?簇?；因此，行业内出现了许多人工智能数据服务商，主要包含四类：学术机构、政 府等中立机构、人工智能企业和数据处理外包服务公司，其中数据处理外包服 务公司是数据服务核心参与方。人工智能数据服务参与主体 学术机构政府等中立机构 4.1 AI+证券未来发展趋势4.2 AI+证券未来发展挑战 附录自行采集和标注相关数据，建设学术数据集，助力开展相关研究工作；免费开放相关公共数据，目的是促 进人工智能产业发展，数据标注由 相关数据服务公司完成； 人工智能企业 数据处理外包服务公司 企业为在业务开展过程中自建数据 集且规模不断壮大，也采购数据处 理外包服务公司服务；该类公司专门从事人工智能基础数 据服务，出售数据训练集的使用授 权，数据类型齐全，服务客户多元；人工智能数据服务主要服务方式包括数据资源定制服务、数据库产品和其他数据资源相关应用服务，其中数据资源定制服务为主要服务方式。从服务内容上看，数据资源定制服务根据客户需求提供定制化数据集设计及开发服务，对客户提供的数据资源进行数据处理满足客户构建算法模型各项需求； 数据库产品根据对于人工智能算法模型应用现状及未来趋势分析，设计开发标 准化数据库产品供企业使用；其他数据资源相关应用服务则基于对人工智能技 术上下游产业链了解，发挥数据资源优势，助力企业提高算法模型识别类以及 应用领域拓展。从定价方式来看，数据资源定制服务和其他数据资源相关应用服务采用成本导 向定价法，预估成本基础上参考公司毛利率要求定价；数据库产品采用需求导 向定价法，结合公司开发成本及市场需求与应用现状制定价格。1.2 人工智能技术发展进展共进篇：AI+证券发展正当其时2.1 AI+证券发展背景2.2 AI+证券发展现状应用篇：AI赋能的升级与重构3.1 AI+证券前台应用现状3.2 AI+证券中台应用现状3.3 AI+证券后台应用现状3.4 证券监管科技应用现状3.5 金证优智&金智维产品与服务未来篇：借势增长，破浪前行4.1 AI+证券未来发展趋势4.2 AI+证券未来发展挑战 附录基础层：人工智能算力目前以GPU为主要硬件承载算力是人工智能发展的基础保障，其中将数据和算法协调起来的人工智能芯片 至关重要。人工智能芯片按照使用场景可分为云侧和端侧芯片，按照工作负载 可分为训练芯片和推理芯片。一般来说，执行训练任务的AI芯片仅会部署在云 端和边缘端上，但执行推理任务的AI芯片会部署在云端、边缘端和终端上，应 用范围较广。一般而言，执行人工智能任务的AI芯片可分成CPU、GPU、 FPGA、ASIC和类脑芯片。人工智能芯片分类代表芯片TFLOPs对比目前，国内AI芯片仍以GPU芯片 为主要硬件承载，但GPU功耗大 且成本高，不适合配置在终端， 延时问题成为应用方面一大困境。 未来随着人工智能技术发展对算 力要求更高，FPGA和ASIC将成 为支撑人工智能技术发展的底层 硬件能力。备注：TFLOPS表示每秒万亿（1012）次浮点计算，被用来评估芯片效能长久来看，虽然FPGA与ASIC可满足大部分应用场景需求，但是在长远规划方面，科学家将新一代架构的类脑芯片作为解决深度学习需求的底层架构。1.2 人工智能技术发展进展共进篇：AI+证券发展正当其时2.1 AI+证券发展背景2.2 AI+证券发展现状应用篇：AI赋能的升级与重构技术层：以深度学习算法为代表的人工智能技术快速发展技术层发展主要得益于算法突破、软件框架开源、通用技术落地性增强以及联 邦学习等新技术发展。近年来，以深度学习算法为代表的人工智能技术快速发 展。作为人工智能底层逻辑，算法是人工智能产生与应用的直接工具。根据机 器学习算法学习方式的不同，可以将机器学习算法分为监督学习、无监督学习、 半监督学习及强化学习。3.1 AI+证券前台应用现状3.2 AI+证券中台应用现状3.3 AI+证券后台应用现状3.4 证券监管科技应用现状3.5 金证优智&金智维产品与服务未来篇：借势增长，破浪前行4.1 AI+证券未来发展趋势4.2 AI+证券未来发展挑战 附录卷积神经网络监督学习基于一组带有结果标注的 样本训练模型，然后用该 模型对新的未知结果的样 本做出预测。无监督学习 数据集完全没有标签，依 据相似样本在数据空间中 一般距离较近这一假设， 将样本分类。半监督学习 使用大量的未标记数据， 以及同时使用标记数据， 来进行模式识别工作。强化学习强化学习让机器不断尝试 和探测，目的是最大化长 期未来奖励，即寻找最高 回报。多层感知器朴素贝叶斯支持向量机线性回归K近邻逻辑学习机 Eclat算法层次聚类 BIRCH算法生成模型低密度分离分类和回归树随机森林 Hopfeild网络胶囊网络前馈神经网络生成对抗网络迁移学习变分自动编码器基于图形的方法联合训练Q学习 SARSA算法 DQN策略梯度算法基于模型强化学习时序差分学习随着机器学习基础算法渐趋稳定，人工智能企业开始建设算法模型工具库，并将其封装为软件框架供开发者使用。软件框架可分为闭源和开源两种，其中绝 大多数公司以开源为主，平台开发者通过开源建立技术标准体系和产业生态， 并依靠附加和增值服务获得商业回报。 目前开源软件框架仍以国外为主，主流框架包括由谷歌大脑团队于2015年开发 的TensorFlow，此软件框架用于增强研究工作和生产任务，可提供数据流水线 的实用程序，并具有模型检查、可视化和序列化配套模块。另一主流框架为微 软认知工具包，由微软研究院于2015年开发，是一种AI框架解决方案，支持各 种神经网络模型、异构及分布式计算，在语音识别等领域有较好应用。 国内开源软件主要由BAT等科技巨头公司参与，如百度的PaddlePaddle，集深 度学习训练和预测框架、模型库、开发套件、工具组件和服务平台等为一体的 产业级深度学习平台。腾讯的Angle，基于参数服务器架构分布式计算平台， 致力于解决稀疏数据大模型训练以及大规模图数据分析问题。但国内开源框架 技术、生态与国外主流开源软件框架相比仍有较大差距。1.2 人工智能技术发展进展共进篇：AI+证券发展正当其时2.1 AI+证券发展背景2.2 AI+证券发展现状应用篇：AI赋能的升级与重构3.1 AI+证券前台应用现状3.2 AI+证券中台应用现状3.3 AI+证券后台应用现状3.4 证券监管科技应用现状3.5 金证优智&金智维产品与服务未来篇：借势增长，破浪前行4.1 AI+证券未来发展趋势4.2 AI+证券未来发展挑战 附录技术层：计算机视觉、自然语言处理等通用技术快速发展名称开发者发起日期介绍TensorFlow谷歌大脑团队2015年TensorFlow用于增强研究工作和生产任务，可提供数据流水线的实用程序，并具有模型检查、可视化和序列化的配套模块微软认知工具包微软研究院2015年微软认知工具包是一种AI框架解决方案，支持各种 神经网络模型、异构及分布式计算，在语音识别等 领域有较好应用MXNet亚马逊/MXNet 的核心是一个动态的依赖调度器，支持自 动将计算任务并行化到多个GPU或分布式集群Caffe