導語：在眾多被賦能的行業中，AI+投研，成為了一個炙手可熱的賽道。

準確預測未來，并在關鍵時刻扼住命運的咽喉，做出正確的決定。

這是無數人夢寐以求的情景。

得益于算法的進步，這樣的現實，正離人類正越來越近。

2012年，美國康涅狄格大學生態學和數學教授彼得·圖爾欽（Peter Turchin）在《和平研究雜志》上發表了一篇研究論文，提出一個不祥的預測：美國將在2020年迎來社會動蕩的“高峰”。

結果，美國真在2020年迎來了“大亂”。

疫情、種族沖突、金融危機，將整個社會攪成了一鍋粥。

那這位叫圖爾欽的教授，為何預測得這么準？

原因就在于，他本人是一個“數據史學”的忠誠信徒。

所謂“數據史學”，簡單來說，就是搜集歷史上的各種關鍵數據，如人口、收入水平、暴力事件的頻次等等，之后通過大數據+機器學習的方式，對其進行建模、分析，從中預測出未來的趨勢。

用這樣的分析方式，圖爾欽甚至算出，平均50年，美國就會經歷一次“動亂周期”。

除了用來分析“天下興亡”之外，這樣的技術思路，也擴展了一個需求龐大的賽道——機器（AI）數據分析。

根據MarketsandMarkets的報告，全球機器數據分析市場規模在2020年達到了14.8億美元，預計到2025年將增長至45.4億美元，期間年復合增長率（CAGR）為28.3%。

而在眾多被賦能的行業中，AI+投研，成為了一個炙手可熱的賽道。

數據煉金術

2023年至今，全市場一共開了52,400場投研會議，差不多每天200場。在信息爆炸的年代，信息降噪、提純成為投研人士的新剛需。

為此，在互聯網時代的早期，就有不少投研機構、平臺開始用數據模型的方式，來分析龐雜的金融數據。

其中，最著名的就是彭博社推出的Bloomberg Terminal（彭博終端），這是一個為金融專業人士提供實時金融數據、新聞和分析的平臺。

通過預構建的金融模型和指標，例如財務比率、估值模型、風險分析模型，以及各種圖表和可視化工具，Bloomberg Terminal可以分析來自300多個交易所和500多個數據提供商的數據，從而幫助投資者實時了解市場動態，制定投資策略。

除此之外，S&P Capital IQ也是基于類似的技術思路研發的分析工具。

在提供了各種預制的財務模型模板，例如貼現現金流（DCF）模型、比較公司分析模型之外，用戶還可以利用插件直接在Excel中調用S&P Capital IQ的數據，利用Excel的公式和功能進行深入的財務分析。

從功能和分析方式上來說，這些平臺大多都是以預設的模型、算法，結合財務報表、歷史交易數據等結構化數據，對金融市場的走向進行分析。

盡管這些終端都在努力整合、處理大量金融數據，但在技術層面上，其仍存在著各種局限，而其中最大的局限之一，就是對非結構化數據（如新聞、研究報告等）相對薄弱的處理能力。

對于金融數據來說，結構性的數據（如財務報表、交易記錄等），只是浮在海面上的一小層冰山。而更多的非結構性文本（新聞、社交網絡信息），才是隱藏在海面之下的，價值更大的冰山。

這是因為，隨著互聯網的不斷普及，大量的文本信息被生成并存儲在網絡空間中。

根據皮尤研究中心（Pew Research Center）的一項研究，從2008年到2018年，全球金融新聞報道的數量增長了約40%。這些報道涵蓋了股票、債券、外匯等各種市場動態。

然而，想要挖掘這些文本數據組成的“金山”，就需要運用如自然語言處理、大數據分析等先進的技術，才能從非結構性的文本中，提取有價值的信息。

為此，不少以自然語言處理技術（NLP）為核心的投研AI紛紛涌現，由此開啟了金融數據分析的一個新階段。

化簡為繁

當下的大模型+金融賽道，入局者甚多。

然而，在NLP技術沒有絕對性差距的情況下，要想在以自然語言處理技術為核心的投研AI中脫穎而出，高質量、多樣化且實時更新的金融數據源，就成了競爭中的關鍵。

因為數據的質量和多樣性，將直接影響到分析結果的準確性和可靠性。

而在這方面，熵簡科技，試圖站到行業的前列。

“熵”是熱力學中描述系統混亂、無序的程度。

“熵簡” 寓意以技術手段簡化業務數據的復雜度，用“化繁為簡”的方式，幫助用戶在數據中獲得洞察。

而其研發的新一代智能引擎AlphaEngine，就是這種理念的最佳體現。

AlphaEngine不僅聚合了海量優質商業情報數據源，內涵三大商業數據庫，并且深度融合AI能力，能夠幫助用戶在海量數據中快速獲取洞察。

具體來說，AlphaEngine內涵的三大商業數據庫，分別是會議紀要數據庫、研究報告數據庫、行業經濟數據庫。

其中的會議紀要數據庫，不僅會提供全面的會議紀要數據庫，包括主流券商電話會議、調研會議紀要、專家訪談紀要等一手研究資料。

而研究報告數據庫，則了涵蓋主流券商研報、產業咨詢報告、外資券商研究報告等專業投研資料。具有多種篩選器，方便用戶定位所需資料。

同時，為了使用戶在大量數據中，高效找到需要的信息，AlphaEngine提供了多種篩選器，通過使用高效的信息檢索技術和數據挖掘方法，使用戶能夠輕松地在大量數據中找到所需資料。

在AlphaEngine中，以NLP技術為核心的生成式AI，被用于文本預處理、查詢處理、語義理解等環節。通過使用NLP技術，AlphaEngine能夠更好地理解用戶查詢和文檔內容，從而提高信息檢索的準確性和效率。

而在文本摘要、總結方面，熵簡科技通過FinGPT大模型，實現了自動化生成AI摘要，從而讓用戶能方便、快速地獲取會議中的關鍵信息。

在瀏覽行業報告時，AlphaEngine內嵌的生成式AI，會自動將報告中的要點、關鍵信息進行總結、提煉，在節約了用戶視角的同時，從而讓用戶在整體上對報告的核心內容有了清晰的認知。

除此之外，針對一些較為重要的會議、演講，AlphaEngine也能將會議錄音轉錄成文本，并且形成會議摘要，并支持定位播放及摘要溯源功能，方便用戶快速獲取會議關鍵信息。

AlphaEngine除了提供三方海量會議紀要外，也可以用于構建屬于自己的AI知識庫。

在【知識庫】模塊中，可以整理任何類型的研究資料，大模型會自動進行音頻轉寫及全文摘要，包括但不限于PDF、Office文檔、音頻、視頻等格式的文件。

也可以對任意資料進行提問，讓大模型根據資料中的信息做出專業解答。

對于手機上發現的優質研究資料，只需把這篇文章轉發到微信助手，AlphaEngine會將文章自動同步至知識庫中存檔，可以在【個人中心】-【微信助手】中進行設置。

上述的技術特點，展現了熵簡在處理非結構性金融數據時的巨大優勢。

隨著生成式AI的重大進展和衍生應用帶來的領域拓寬，可以想見，未來熵簡也將在AI+數據分析的賽道上，研發出更多有價值的技術或產品。

而這種基于AI的數據分析技術，也是當下處于飛速變化中的社會所期待和需要的。

畢竟，在劃時代的機遇來臨時，唯有敏銳地捕捉變化，洞察先機，才能找到在新時代的生存發展之道。