通过实时分析大量多样化且高速增长的数据，获得预测性洞察，各类金融市场参与者以此来提高业务效率和安全性;新的金融科技生态体系将以数据价值为核心，以数据资源或数据提供为基础，以大数据商业智能为核心价值的实现方式。
大数据产业全景与新趋势
很多文献中对大数据(Big Data)的定义不尽相同，但大数据4V特点是共识性的，中国直播网，即Volume：大量的数据;Variety：多样化的数据;Velocity：对高速增长的数据进行实时分析;以及最核心的Value：产生价值。
通过大数据分析，可以建立用户画像(User Profile)及进一步构建知识图谱(Knowledge Graph)，前者描述实体(Entity)或概念(Concept)的性质，是对主体信息的标签化，后者表示不同实体和/或概念之间的关系。众多应用大数据分析产生了巨大价值的领域和具体场景，其中大部分都是以知识图谱作为中间环节而实现的。
图1描绘截至2016年初的大数据产业全景，出自FirstMark Capital董事总经理Matt Turck的文章Is Big Data Still a Thing? (The 2016 Big Data Landscape)。
其中，整个产业被分为基础设施(Infrastructure)、分析(Analytics)、应用(Applications)三个主要部分;
一些大公司则同时提供数据存储和分析基础设施和分析服务(Cross-Infrastructure / Analytics);还有很多开源(Open Source)框架或解决方案提供商，以及更底层的掌握数据源(Data Sources)并提供应用程序接口(APIs)的公司，还有孵化器和学校作为支持机构。
对于提供大数据分析服务的公司，Matt Turck先生提到，一个新的趋势是它们越来越专注于结合AI技术来进行分析，以获得预测性洞察。
他在文章中写道：“大批新兴的AI公司提供能够自动识别如图像这样的复杂实体的产品，或者提供强大的预测性分析(A crop of new AI companies provide products that automate the identification of complex entities such as images or provide powerful predictive analytics)”。
人工智能如何与金融相关
我们从两个相对应的角度来看AI，一是人工智能(Artificial Intelligence)，二是增强智能(Augmented Intelligence)，中国直播网 ，前者旨在用机器代替人类进行劳动，后者旨在让机器辅助人类工作和生活;
同时还把对AI的研究分为两部分，一是神经网络(Neural Network)，二是机器人(Robots)，前者代替或辅助目前只有人类能做的脑力劳动，后者用机器代替或辅助人类进行体力劳动。由此，AI技术主流的课题或细分领域可以划分为图2中的四个象限：
图2左上方的图像识别、语音识别、自然语言处理，都属于机器学习(Machine Learning)范畴，可以简单将其看作非结构化的图像、语音和文本数据转化为结构化数据的过程，这是连接大数据和人工智能的主要纽带;
右上方的商业智能(BI)指的是一整套解决方案，整合已有的数据，提供报表等以辅助商业决策制定，这是与金融关系最为直接的AI技术细分领域;
右上方的另外两个课题也与金融直接相关，例如智能投顾，既属于商业智能范畴又是个人助理的一种，而智能合约是分布式账本与AI的结合，本文不涉及。
金融科技(Fintech)的属性是为金融业务提供技术服务的基础设施，目的是用技术来提升金融效率，图2下半部分的课题也不属于本文讨论的范畴。
大数据商业智能包括什么
商业智能(BI)概念从20世纪90年代开始流行，传统的BI主要用小型机或服务器来处理结构化的数据，2011年底成熟起来的Hadoop平台，实现了高效处理非结构化数据，开启了大数据时代。
本文的“大数据商业智能”表述应用于金融领域的大数据和人工智能范畴内的技术，其具体应用又可以分为两类，一是金融信息服务，二是交易服务;同时还可以从两个层面来看这些应用，一是信息提供或数据提供，即输入层，二是执行，即输出层。由此，大数据商业智能主流的应用或细分领域可以归入图3中的四个象限：
图3上半部分的金融数据终端、金融搜索引擎、智能投顾，它们在数据和信息提供方面智能化程度依次升级：数据终端只提供对人类和机器易于分析的数据和信息;
搜索引擎基于知识图谱上已有的数据关联，实现联想和属性查找，从而减少信息中的噪声，呈现更准确和更有价值的信息;
智能投顾进一步结合投资者的风险偏好，提供量身定制的投资组合建议。
图3下半部分的自动/辅助研报生成和进行量化交易，都是通过执行层面的智能化帮助金融市场中各类参与者提高业务效率，例如，研报的自动生成是以自然语言理解，大数据分析，自然语言生成，这三个主要步骤代替初级研究员的资料整理和复制粘贴工作，从而提高相关机构的研究产出效率。
量化交易辅助在传统商业智能时代就已经流行，机器学习和知识图谱技术使交易策略模型所包含的数据维度和变量得到了极大扩展，如财经报道、政策文件、社交媒体上的文章与评论，都可以通过自然语言处理被转化为结构化数据，纳入策略模型的变量集合，在设计不同变量之间的关系时还应加入人工参与，以减少虚假关联性对决策的影响。
特别声明：本文为中国直播网直播号作者或机构上传并发布，仅代表该作者或机构观点，不代表中国直播网的观点或立场，中国直播网仅提供信息发布平台。
版权声明：版权归著作权人，转载仅限于传递更多信息，如来源标注错误侵害了您的权利，请来邮件通知删除，一起成长谢谢
欢迎加入：直播号，开启无限创作！一个敢纰漏真实事件，说真话的创作分享平台，一个原则：只要真实，不怕事大，有线索就报料吧！申请直播号请用电脑访问https://zbh.zhibotv.com.cn。
