Fintech前沿探索：星光不问赶路锻造中信证券研究投研图谱-20210601（24页）.pdf

《Fintech前沿探索：星光不问赶路锻造中信证券研究投研图谱-20210601（24页）.pdf》由会员分享，可在线阅读，更多相关《Fintech前沿探索：星光不问赶路锻造中信证券研究投研图谱-20210601（24页）.pdf（24页珍藏版）》请在三个皮匠报告上搜索。

1、更多的资金和更大的投研团队，扩展了投资研究的产业链覆盖范围，为了更好地管理和覆盖相关产业链，大机构对投资资产的管理和数字化的需求逐渐形成。从资产数据化的角度来看，一方面可以辅助管理人员和研究员更方便的调度资源，另一方面资产的集中管理也可以反哺研究工作，发现更多投资机会;从投资逻辑数字化的角度看，可以很好的保持研究工作的连续性，同时可以梳理投资逻辑输出给研究员和计算机使用。逻辑数字化是数据量爆发和资产深度数字化的必然结果。当前买方机构会通过多种渠道获取到数量庞大、种类繁多的财务数据和另类数据。对于财务数据，大型数据服务商会有一套完整的以投资标的为核心的梳理框架，整体结构化相对较好。但随着非财务数

2、据和另类数据逐渐增加，原有框架无法很好的对该类数据进行梳理，从而导致数据分布离散、数据融合困难、数据质量不可控的现状。站在机构投资者的角度，通过一个投资视角的框架将多类数据进行整合和关联是解决投研数据量爆发，同时规范化数据资产的一个必然结果。自上而下管理推动投研数字化保证框架的宏观和长远。市场部分最早开始尝试构建图谱的头部投研机构，得力于管理层自上而下的推动，进行了图谱的大规模布局并初见成效。作为投研机构的管理层，数据和行业理解的数据化和资产化一定是颇具价值的，不仅需要应对各种离散的非财务数据爆发需求，也能保证投研资产的连续性减小人员流动造成的影响。此外，图谱建设需要一定的信息技术支持，自上而

3、下的推动顺序会使得资产数字化的框架设计更加宏观和长远。投研图谱核心目标：起于资产数字化、整合投研逻辑、终于投资辅助投研难度高、维度广的属性决定图谱中短期的辅助角色。相比其他图谱的应用领域，投资研究是一件非常复杂和困难的任务。从投资决策链条的角度看，一个基于基本面分析的投资结论的决策，尤其是长期价值投资，不仅需要很多来源和维度的数据，而且需要对数据以及数据之间的关联有深度的理解，甚至其中还包括市场上的心理博弈和对公司管理层的预判等等复杂因素，导致了短期最终的投资结论决策环节大部分还是由研究员来完成。从投研数据或图谱数据的构建角度看，很多另类数据的挖掘、清洗和分析本身就需要研究人员具有一定的行业理解，人工的强干预融入投研数据构建的整个流程，也导致了完全基于数据的投资系统短期仍有难度。当然计算机在高频量化交易是十分具有优势的，可以借助核心因子和海量数据通过有效的模型对交易策略进行输出。综上，以图谱为载体的数据可以大致分为两种模式：第一种是数据工具，特点是图谱数据的直接使用人是研究人员，要求图谱内容的具有较高准确性，例如产业链图谱;第二种是数据系统，通过图谱数据和一套算法模型得到中间结论提供给研究人员，研究员不需要直接交互图谱，并且图谱内容的容错率相对较高，例如事件舆情系统。