学习型人工智能在金融领域的发展_开题报告

1.开题报告主要内容包括：封面、文献综述、^范文提纲（需提供二级提纲）、参考文献（10篇以上）。 

2.字体：宋体，字号：小四，行间距：18磅。字数2000字以上。 （英语专业要求字体为：Times New Roman，英文书写，900个英语单词以上） 

3.开题报告格式规范参考如下：

一、文献综述

一，选题的目的和意义：数据库时代20世纪中期-2005年左右，以描述性分析和报表为主，大数据时代2005年-2013年左右，数据科学家出现，并基于大数据分析来开发新的产品和服务。超级数据分析的产品时代分析嵌入决策与运营过程中，自动制定决策。而未来是自我学习分析判断的人工智能的时代。主要应用在两个方面，一个是金融服务，一个是智能投资。

二.金融是由一堆数据组成的，等到数据量变到一定层度，得出质变。而我们的生活是能感受到质变的。而自我学习型人工智能会不断的自我学习判断数据在质变结果产生之前给我们的一个合理的决策。

学习型人工智能是如果处理数据的

1.数据挖掘（Data mining），又译为资料探勘、数据采矿。

它是数据库知识发现（Knowledge-Discovery in Databases，简称KDD)中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。

2.数据分析是数学与计算机科学相结合的产物，是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。和策略的聚类分析和判别分析，聚类分析是直接比较各事物之间的性质，将性质相近的归为一类，将性质差别较大的归入不同的类。判别分析则先根据已知类别的事物的性质，利用某种技术建立函数式，然后对未知类别的新事物进行判断以将之归入已知的类别中。聚类分析与判别分析有很大的不同，聚类分析事先并不知道对象类别的面貌，甚至连共有几个类别也不确定；判别分析事先已知对象的类别和类别数，它正是从这样的情形下总结出分类方法，用于对新对象的分类

学习型人工智能在金融服务业的应用

1，全球市场方面，人工智能支持的新兴信用风险评级技术具有巨大应用价值，并将带来国际金融市场重大变革。

2，微观个体方面，人工智能技术收集、存储、创造的海量、动态个体360度消费者信息视图，能对客户的金融需求、金融行为进行高精度刻画，为客户个性化金融服务

3，企业层面，人工智能技术将对金融企业一些部门的传统运行模式形成改变，能极大地优化企业运行机制、提高企业效率。

学习型人工智能在智慧投资的应用

1投资银行和卖方研究尝试自动报告生成；

在投资银行的投行业务与证券研究业务中涉及大量的固定格式的报告撰写工作，如招股说明书中的部分章节，研报，以及投资意向书。这些报告撰写需要大量的投行初级员工进行长时间枯燥繁琐的数据罗列、整理、反复Copy-Paste工作。

目前，自动报告生成主要运用自然语言处理（NLP）中的两种技术：自然语言理解（NLU）：将日常话语消化理解，并转化为机器可后续处理的结构；自然语言生成（NLG）：将由机器拆分好的结构化数据以人们能看懂的自然语句表达出来。我们可以将这两种技术理解看成对日常对话这一原料的拆分加工和整装成可理解的自然语句——最终产品。

金融智能搜索；

券商/私募基金研究员在进行研究工作的时候需要搜集海量信息，再整理和分析其中内容，如上下游分析，对标企业研究，竞争对手研究，企业亮点/风险点分析等等。

然而目前绝大多数证券分析师所运用的辅助研究软件如Bloomberg数据终端只解决了基础数据问题，而没要考虑到信息量过载的问题。这使得研究员在面对大量基础数据与爆炸的信息时无法寻找到最有准确有价值的信息，也无从提高其工作效率。

金融搜索引擎的背后核心技术是高质量的知识图谱和大量的业务规则，帮助实现联想、属性查找、短程关系发现。探索引擎，如分面浏览器，也是在知识图谱的基础上，则提供了人机协作的界面，让人对数据的探索过程可以很方便地被记录、迭代、重用。此外推荐系统和推送系统也非常有用，帮助金融用户聚焦在关键数据上，更省时省力地做投前发现和投后跟踪。

其中语义搜索就是提供不同类型的查询（比如企业、基金、事件等），如智利地震对铜期货的影响，中东危机对整体货币市场的影响等。再将信息切片后再聚合，提供纵览的可视化元素，比如影视传媒相关定增的平均市值和融资市盈率。

语义搜索将复杂查询交给用户完成，如寻找VR的上游企业，当搜索提供不了准确上游的信息时，会推荐摄像头的企业给用户，并提供一个方便的交互界面，交给用户去进行一些复杂的过滤。

Alphasense就是这样一个在数据层面上轻量级，将复杂逻辑判断交给用户去完成，专注于解决专业信息获取和碎片问题的金融搜索引擎。Alphasense面向金融投资领域，从文件/新闻和研究中集合所有投资信息并进行语义分析，在全球公司数据中进行趋势分析。其使命愿景是从大量噪音中寻找有价值的信息，专注信息丰富度和碎片化基本问题，从而大大提高金融人士的工作效率，节省工作时间

 公募、私募基金在通过人工智能辅助量化交易；

量化交易从很早开始就运用机器进行辅助工作，分析师通过编写简单函数，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，甚至可以说人工智能的3个子领域（机器学习，自然语言处理，知识图谱）贯穿量化交易的始终。

====================================================

二、^范文提纲

引言：谈学习型智能对金融的发展和现状

一，学习型人工智能在金融应用中的原理

（一）数据挖掘

（二）数据分析

 二，学习型人工智能在金融服务业的应用

（一）全球市场方面、

（二）微观个体方面

（三）企业层面

三，学习型人工智能在智慧投资的应用

（一）投资银行和卖方研究尝试自动报告生成

（二）微观个体方面

（三）公募、私募基金在通过人工智能辅助量化交易；

四，应对学习型人工智能改变世界格局我们的态度

三、参考文献

(加)Jiawei Han;Micheline Kamber  数据挖掘概念与技术  出版社: 机械工业 出版年: 2007-3

作者:周伟、张健、梁国忠 金融科技：重构未来金融生态 出版社:中信出版社出版时间:2017年08月

[3]瞿有甜 数据结构与算法    出版社清华大学 出版时间2015.04.01 

[4]作者: Robert Sedgewick / Kevin Wayne  算法 人民邮电出版社: 2012-3

[5]作者[德]伊夫·希尔皮斯科 Python金融大数据分析  人民邮电出版社 出版时间2015-12 

[6]Rishi K. Narang 著 Inside the Black Box 黑盒子：量化交易精要， 出版社： Wiley  出版时间：2013-03-15

[7]作者: 戴葵 神经网络设计 出版社: 机械工业出版社 2007-09-01

[8]作者王一鸣 数理金融经济学 出版社 北京大学出版社 出版时间 2000-06 

[9]雷蒙德.W.戈德史  金融结构与金融发展 上海人民出版社 出版时间1996-5 

[10]盛立军 风险投资：操作、机制和策略 上海远东出版社出版的图书

========================================

开题报告 2018-03-24 -- 2018-04-05

 

^范文初稿 2018-04-08-- 2018-04-25

 

^范文复稿 2018-04-28--2018-05-09

 

^范文定稿 2018-05-12--2018-05-17