一、数据方面

数据源(调研资料、数据资料、文本资料）->数据中台（数据融合、异常检测、ID融合）
数据层：工具集、数据集、服务层
中台层：数据中台、算法中台、知识中台

二、系统层面：平台化

1，通过知识沉淀与技术手段，整合公司资源，构建平台能力
2，依托内部智库大脑，利用平台对人的赋能
B级人才依托平台成为A级人才，A级人才依托平台成为S级人才
3，降低公司对特定个人的依赖
系统不会遗忘，系统不会流动，系统只会持续优化

三、技术应用场景

原则：
1，场景驱动：能力圈内寻找合适的场景
2，由数据驱动算法：高质量、持续更新数据
3，多少人工决定多少智能：写规则、标语料、建图谱、清洗数据
4，不断迭代更新：总有想不到的情况发生，不停打磨

1，公募基金实时估值

1，股票聚类及虚拟指数计算
股票聚类：将A股市场股票，按照收益相关性进行智能聚类，聚类形成数百个股票“簇”，簇内股票相关性高，簇间股票相关性低。

2，偏股型基金持仓穿透
持仓穿透计算：针对偏股型公募基金，计算该基金当前对股票簇的持仓比例，具备较高的准确度。

3，公募基金实时估值
实时估值：基于公募基金穿透结果，以及虚拟股票“簇”指数的收益表现，针对基金进行实时估值。

2，策略商城：区块链+隐私计算解决方案

四、智能投研的具体形态

1，快速研报/观点输出
2，行业研究平台/机器可读新闻/预警
3，机器人解盘/投顾

五、智能投研常见痛点

• 数据获取
  投研数据来源众多，且源头不稳定，数据质量要求较高
• 数据处理
  数据类型多样化，格式多样包括：文本，图片，音频，视频。脏数据很多，需要抽取处理成真正有用的数据内容。
• 数据检索
  知识库庞大，找到数据很麻烦，一些简单的处理很繁琐
• 数据展示
  更生动丰富的数据展示，包括图像、音视频，更有效直观的传达数据。
• 数据挖掘
  从数据中找到规律，找到投资机会。