1
基本面投研困扰于技术发展
传统金融投资行业高度依赖于人工去发现线索，找资料，处理资料，后期跟踪。随着信息化逐渐发展，数据大爆炸后带来的问题就是信息碎片化，微信朋友圈上、电脑里、公司的服务器上都会散布着各种碎片化的信息，这类资讯信息已经超越了人脑容量及处理速度。此时，我们需要利用大数据、人工智能这些新兴技术来武装自己，来提升自己处理信息的宽度、广度和深度。
另一方面，从投资机构角度来看，卖方研究员的流动性很强，一家机构好不容易培养出了一个不错的研究员，但当这位研究员跳槽后，其为公司搭建的产业格局分析框架往往就流失了。这不仅是结果层面的丢失，更重要的是从研究过程和经验积累这两方面内容，都完全无法传承下来。
我们在努力实现基于SAAS服务形式的智能投研系统（即“萝卜投研”）的优势，就在于一方面可以扩充我们人脑的宽度和广度，另一方面提升大家对于信息反应的时效性，并且能够借助一些机器模型的工具，提升我们对于投资事件的反应速度与理解深度。除此之外，也可以解决刚才所提到的知识沉甸与传承的问题。
接下来我将以案例的形式为大家讲讲，我们该如何利用工具，提升投研流程中的每一环节的工作效率。
2
如何提升整理数据的效率
大家在做研究的时候，最基本的资料就是公司发布的公告或者媒体发布的新闻。而如今，机器已经可以学习人类去解读这些公告和新闻，逐渐把公告中的结构化信息、账目信息、并购对象等全部抽取出来，并以结构化地形式呈现出来。
一篇公告可能有2、300页，我们没有必要完整地读一遍，机器可以利用固定的套路，把最核心的数据和资讯抽取出来，并以报表的形式展现：
这样只需要每天过一遍报表，就能获取到与人力阅读5-10小时等价的信息量。
除了简单呈现外，我们还会做一些快速的检索引擎，比如当搜“增发”的时候，我们会将近期增发的列表以summary的形式呈现出来：
利用人工智能技术，机器可以逐渐理解基本面投研人员在不同阶段和场景下有什么不同的诉求，这完全是可以通过人机交互逐渐学习出来，并固化成模板的，这又进一步提高了工作效率。
再比如，针对一篇新闻的内容，我们会在右侧推荐相关数据。这样左边看逻辑，右边看数据，人的工作效率会大幅提升：
3
如何提升寻找数据的效率
一个分析师如果做的好的话，一方面依赖自己的内功，一方面还依赖于他有哪些数据渠道。之前提到我们正在建立一个数据金库，但金库里堆的东西越多，投资的难度反而会提升，因为信息过载的现象每一天都在愈演愈烈。
因此我们搭建了智能化的金融搜索引擎，帮助大家提高找 线索的效率。
比如我们搜索某个“传媒公司”，页面上半部分展示的是基本信息，如果你对这家公司不太了解的话，我们会提供财务摘要；大家如果对公司的经营效益比较关心的话，我们会将这家公司的核心经营数据呈现给大家——对传媒类公司进行估值的话，比较依赖于票房信息、主要作品等，除了这些数据，我们还会追踪这些主流作品的搜索和讨论热度：
如果想对一家公司进行对比估值工作，我们还会呈现一些跟该公司主营业务非常相似的上市公司。这个时候我们根据它的业绩营收进行一些折算对比，那基本上就可以把一家公司的市值掐得比较准：
对于地产公司，我们呈现的内容就又不一样了。对地产公司进行估值，主要依赖于成本端和营收端。在成本端，我们会给大家整理好这家公司究竟拿了哪些地、在哪里拿的，拿的地价大概是多少。
对于营收端来说，我们会给大家呈现整理的是它在售楼盘大概有哪些，在哪些区域，它周边楼盘相对的定价大概是多少。这样我们就可以把一家公司的估值，缩小到具体一个楼盘的定价期望值上：
我们会呈现期线价格对比、库存、产量等；而对于股票研究员来说，对于一家钢铁公司进行估值的话，会关注跟它主营业务相关的公司大概有哪些，规模又是怎样的，上下游产业链大概是怎样的，产业链异动之后，对它公司业绩又有哪些影响。
除了不同的公司，我们还可以搜索一些产业格局方面的问题。比如大家如果搜“电子商务”、“在线电视台”，它的核心经营数据和产业格局，全部会以线索型的方式组织并呈现出来。这样的话大家不再需要上网找数据。而只要定期上萝卜投研看结果，就可以得到对行业趋势的判定。
萝卜投研上也不止提供上市公司数据，像东莞证券就是一个很典型的案例，它是上市公司旗下的一个优质资产，这类公司的经营数据往往非常难找，这时我们会把研报中的一些结构化数据抽取出来，并以检索结果的方式提供给大家。
当搜索“东莞证券”，它的核心业绩都会呈现出来。这样就可以极大地提升大家找数据的效率，也对非上市公司的业绩趋势也会有一个把握。
4
如何提升建立模型的效率
数据层面其实是我们做基本面投研的原料，接下来我们展示一下更高科技的功能，以及这些功能是如何提高我们干活的效率的。
一般来说，大家在做基本面投研的后期都会有建立财务模型的过程。我们在做的，就是把建模流程中比较自动化的过程替大家完成。
建模过程中，我们可以参考机器测算出来的数值，也可以按自己的计算修改数据，帐的勾兑完全可以自动化完成，可以极大地提升研究员完成基础工作的效率（如下图所演示）：
建好模型后，我们还可以观察它的数据趋势，并且可以随时拖动鼠标上下调整，进行进一步修订（如下图所演示）：
5
如何提升信息挖掘的效率
这个也与大家的脑容量息息相关。最近在对上市公司的估值方面，我们分析比较多的是重组类的话题，而重组类的公司里就存在利益关系的挖掘。上市公司的分析节点可以达到上千，这个其实大大超越了人脑的容量。
但是借助我们的关系搜索引擎，随便输入几家公司，就可以用挖掘算法，自动定位出这几家公司相互之间最直接和最关键的利益关系（如以下动图所显示），而无关信息会被机器人自动过滤掉：
这样一来，一家公司或一家财团旗下的优质资产和公司就会一目了然地呈现在大家面前。
最后总结一下，其实我们干的事情其实是从各个点尝试去提升大家投资研究的效率，并且期望大家借助这样的平台逐渐提升知识方面的积累，真正实现人机之间的AI交互。