知识图谱驱动投资

先设想这样一个场景，平静的水面上漂着一片树叶，一个小孩往水里扔了一个石子，激起的涟漪一圈一圈地散开，最后都聚集到叶子的周围，因为水波的能量被阻断而无处扩散。

水面的各个部分是相互连接的，就像一个图谱，叶子就是其中的一个异常点。当图谱中发生一个事件时，能量或破坏力一定会体现在异样的地方。这种破坏力，可能发生在近邻，也可能发生在远邻，甚至可能是发生在千里之外的蝴蝶效应，因为世界是相互连接的，而图谱能够描述和表示这种世界的抽象和连接。

AlphaGo在围棋比赛中完胜人类，颠覆了人类对围棋的认识，实际上是颠覆了人类对自己思维方式的认识。由于大脑的容量和计算能力是有限的，人类的思维受深度和广度的限制，所以，只好用一些定式来减少思考的深度和广度。

比如，看到某个定式时，人类对于这一着棋就不用再往下想了。因为按照定式、按照经验、按照棋手们的共识，大家应该这么走。同时，对于某些可能的广度搜索，有些棋子，至少对当前的棋局影响不大，至少对于人类棋手能预料的短期来看影响不大，所以也不用浪费带宽思考。而电脑，也就是AlphaGo，只要有计算能力和计算时间，完全可以大幅度地摆脱这种限制，能有更深的深度和更广的广度。

更甚的是，AlphaGo可以在人类休息时，通过自己和自己对弈，提前探索更多的搜索空间，这也就是现在很火的强化学习。那么，在天生不平衡的情况下，如何能扩大人类的联想？知识图谱就能完成这一使命。先看看Google的PageRank模型。

由于网页是相互链接的，一个高能量的网页会将能量顺着链接，传播到其他的网页，最后，能量会聚集到真正有价值的页面上。这也是图谱的一种表现形式，只是在这里，节点是一个个的网页，边是网页之间的链接。别小看这些链接，它们是人类智慧的结晶。只有当人觉得这两个网页相关或重要时，它们才会给出一个链接。

PageRank正是挖掘了人类智慧，通过随机行走模型和算法，让所有的网页有了自己的重要性指标，让它们有序。有序之后，很多任务就好办多了。比如，抓取网页知道先抓谁，索引时知道谁先处理，搜索结果排序时知道谁在前，等等。之后，Google进一步将PageRank算法进化成BrainRank，考虑了更多的特征和关系。有了图谱，加上先进的算法，将知识图谱中的节点和关系有序化，人类能够做很多的事情。

简单来讲，知识图谱，就是一张由知识点相互连接而成的语义网络。它是一种人工智能技术，是基于现有数据的再加工、结构化，再通过各种数据挖掘、信息抽取和知识融合技术形成一个统一的、逻辑上全局的知识库。一个知识图谱描述了世界里概念和概念之间的关系。

一般图谱中有实体、事件和关系。这些因素都有很多属性。实体一般是“物”，在语言中一般以名词形式出现，比如人、车、地点等。事件一般是在某个时间发生的行动，在语言中一般体现为动词，比如招聘、收购、发财报等。属性一般包括名字、标签、重量、高度、价格、时间、地点等，能以数字或具体值标识。关系表示了实体和实体、实体和事件之间的联系。

来看一个具体的例子：“2016年6月22日，腾讯86亿美元收购芬兰手游公司Supercell。”

实体：腾讯公司（名字：腾讯；营业地点：中国；主营业务：娱乐），Supercell公司（名字：Supercell；营业地点：芬兰；主营业务：手游）。事件：公司收购（名字：腾讯收购Supercell；收购时间：2016年6月22日；收购价格：86亿美元）。关系：（A）收购了（B），（B）被（A）收购了。属性：名字（标签）。收购时间，收购价格，主营业务，营业地点。

对于投资，各个股票、公司、事件等之间是相互连接和影响的。一个事件的发生会影响与它直接相关或间接相关的方面。比如，一款新电池进入市场，会影响它的上游，比如原材料、原材料厂商；也会影响它的下游，使用电池的商家，比如电动汽车、手机。而且还会影响与它相关的间接行业，比如通信、运营商，甚至电商、内容提供商等。

现在，我们来看两个将知识图谱用于投资分析决策的成功案例。

Kensho是一个市场数据分析系统，它能扫描90000多个可用户定制的行为，然后回答6500万个以上投资相关的问题。那些行为包括财报发布、全球数据环境、经济报告、公司产品发布、FDA药品批准，等等，也能监控股票价格变动，比如一个股票上涨了10%，明天将会怎样。来看看一些实际操作中的问题：

• 当Netflix超出盈利预期，Amazon明天表现将如何？

• Apple发布新产品前后的股票交易如何？

• 美联储发布stress test结果后，大银行的股票交易会怎样？

• 在过去十年，从感恩节到年底，哪些零售股票表现最好？

Kensho系统中，对于事件的抽取和表示，充分利用了知识图谱。它们有实体，主要是公司与公司相关的股票信息；有事件，这些是有可能影响股票交易价格的行为，比如管理层的变动、新品的发布等。然后，这些实体和事件通过关系连接起来，任何一个事件的影响都可能是连锁反应。分析师和交易员可以通过它们来验证假设或是警示风险。

PalantirMetropolis平台非常适合大规模的量化数据分析和调研。它整合了多个数据源，将不同的信息统一到一个量化分析环境中。至今，它部分解决了跟踪和分析保险赔付数据、网络流量分析和金融财务交易模式分析。通过Metropolis提供的丰富的统计和数学操作模块，分析师可以在模型上建立和执行计算来加深理解他们所拥有的数据。

简单的模型可以作为复杂模型的构建模块，从而使复杂高深的分析变成流线化、模块化的处理过程。任何分析师能想象的分析都能够容易和迅速地表达。

Palantir投入了很大的精力去开发系统创建和管理知识图谱，它们甚至有一个自己的名字叫动态知识图谱。基本上它只定义了一个知识图谱的框架，类似于编程中的interface或是virutual，然后不同的应用，可以在这个框架下创建自己特有的图谱。

这样做的好处是可以开发大量不依赖于领域的算法、模块、工具和应用。比如，对于金融投资分析，它们在大的动态知识图谱的框架之下，定义了通用的金融股市相关领域的框架，然后框架上定义和实现了很多的分析模块。之后，对于特定的公司、特定的股票，只要按照这个领域框架实例化，那些通用的、在大的和领域实现的模块就可以随便使用了，不用再从头实现。

“人类失去联想，世界将会怎样。”知识图谱的发明和壮大，在某种程度上就是解决人类的联想，同时也让世界有机地数字化，让计算机能够思考，让人类能够快速全面地联想，而且是因果关系的、可解释性的联想。

有别于现在大数据很大程度上强调相关性，深度学习很大程度上强调难以解释的结果。尤其在投资决策领域，没有因果关系，不可理解的投资，那叫投机，不可持续。