（本文为“证券机构数字化转型与证券科技创新”征文活动入围文章。）

中信证券人工智能团队成立于2017年初，致力于打造行业领先的人工智能应用研发，部署，运行统一云平台，提供统一的数据，算力和研发运行环境。并在此智能云平台基础上，打造行业领先的人工智能金融科技产品。智能云平台是中国证券业内早一批针对人工智能应用建立的云平台。目前已经在我司智能投资、智能投顾、智能算法交易、智能客服、智能舆情、智能风控等领域发挥作用。

一、人工智能云平台

图1 中信证券智能云平台

实现任何一个人工智能应用需要以下这些基础的服务：数据，算力资源、研发平台及运行环境。人工智能云平台的核心功能就是针对这些资源搭建了相应的服务跟模块，整合和维护以满足客户研发和运行人工智能应用的需求：

• 金融数据服务：对接内部所有行情源及各历史行情数据、历史宏观数据源，提供因子研究工具及自定义的因子数据定时维护与共享服务；

• 研发平台：支持各种机器学习算法及多种深度学习模型和框架（LSTM模型、Tensorflow/ Keras 等框架）的运行，提供开发工具和模型代码生成工具；

• 多租户算力平台：共享多GPU计算资源，支持多租户的云服务调度系统。支持多机多卡并行训练，提供超参搜索功能；

• 策略回测：支持对训练出的模型进行历史数据回测及实盘模拟交易（完全仿真中信证券的交易场景，防对敲、模拟撮合及滑点）；

• 绩效分析：对训练后的模型进行回测及实盘交易绩效评估和风险度量，提供绩效评估基准和风险度量指标的计算分析报告；

• 交易接口与模型推理执行框架：提供将平台训练、回测并优化好的策略打包提交到生产环境并与交易系统对接的API。

• 
  

桥水基金创始人雷·达里奥在《原则》一书中说到 “投资是一个反复的过程。您下注，失败（有时很痛苦），学习新知识并重试。在这个艰难的过程中，您可以通过不断的反复试验来改进自己的决策”[1]。自达尔文阐明自然运作方式以来，这一原则对我们显而易见，这对于交易决策也适用。这种直观的想法在人工智能领域被称为强化学习(Reinforcement Learning)。

强化学习[2]是智能体（Agent）以试错的方式进行学习，通过与环境进行交互获得的奖惩值（Reward）指导行为，目标是使智能体获得大的奖惩值。强化学习把学习看行动-评价过程，智能体基于当前策略选择一个动作用于影响环境，环境接受该动作后状态（State）发生变化，同时产生一个奖惩值反馈给智能体，智能体基于奖惩值和当前状态（State）再选择下一个动作，选择的原则是使受到奖励的概率增大。选择的动作不仅影响立即奖惩值，而且影响环境下一时刻的状态及终的奖惩值。强化学习中的奖惩值是智能体对所产生动作的好坏作一种评价，智能体在行动-评价的环境中获得知识，改进行动方案以适应环境。

投资交易本质上是一个通过连续决策（每隔一段时间决定是否下单，下单数量和价格），在完成设定的目标量的前提下，获得更好的成交均价的过程。如图6所示，算法交易可以抽象成一个强化学习过程。智能体(Agent)代表算法交易策略。基于当前的市场状态(State)和上一步的奖惩值(Reward)，智能体会生产一个交易指令（Action），交易指令的执行又会影响委托，成交，行情，实时绩效，账户信息等交易环境（Environment），从而产生一个新的状态和奖惩值。对于买入的算法指令，当成交均价小于市场均价时，奖惩值为正；对于卖出算法指令，当成交均价大于市场均价时，奖惩值为正。正的奖惩值反馈到智能体会使其强化类似的下单决策；负的奖惩值反馈到智能体会使其倾向于避免类似决策再次发生。 通过正负奖惩值不断滚动的反馈刺激调整其内部参数，使得智能体更大概率跑赢市场均价。

图6 深度强化学习智能交易

深度强化学习[3]（Deep Reinforcement Learning）本质上是深度神经网络（DNN）和强化学习的结合，是目前人工智能领域前沿的科研领域之一。深度强化学习将深度学习的感知能力和强化学习的决策能力相结合，是一种更接近人类思维方式的人工智能方法。深度学习具有较强的感知能力，但是缺乏决策能力；而强化学习具有决策能力，无法处理感知问题。因此，将两种机器学习方法结合起来，优势互补，为复杂系统的感知决策问题提供了解决思路。谷歌人工智能DeepMind团队带头人david Silver将深度强化学习定位为可以解决任何人类工作的通用人工智能方法，宣称通用人工智能（AI）= 深度学习（Deep Learning）+强化学习（Reinforcement）[4]。实践中，我们熟悉的AI围棋选手AlphaGo[5]，AI星际争霸选手AlphaStar[6]的核心算法理论便是深度强化学习。 强化学习的投资决策能力上文已经介绍了。在深度强化学习中，深度神经网络的作用又是什么呢？实际上深度神经网络被用来挖掘交易状态（State）和交易指令（Action）之间的内在关系，并基于当前交易状态，输出大可能获得奖励的交易指令。

三、智能投顾




• 图灵系列-智能ETF大类资产配置FOF策略

• 明斯基系列-智能股票精选多头策略

• 麦卡锡系列-智能场外基金大类资产配置FOF策略

• 纽厄尔系列-智能衍生品跨品种,跨期套利策略

• 西蒙系列-智能结构性理财收益增强策略

• 费根鲍姆系列-智能T+0日内高抛低吸策略

• 瑞迪系列-智能Smart Beta策略

图7 中信证券信e投APP AI投顾板块

2019年累计服务客户989万次，日均服务客户2.7万次。智能投顾产品主要服务公司中小客户。由于人工投资顾问的数量有限，成本高，质量参差不齐，大部分的中小客户很难得到满意的投资咨询服务。“AI投顾”提供专业，全面，透明，便捷的投资建议，开放专业机构级的投资策略给中小客户使用。

目前国内市场上的智能投资投顾产品以传统量化模型为主，资产配置或者交易决策依靠人工专家经验为主，机器为辅，将投资自动化当成投资智能化。智能投资投顾策略实际上可以扩展到所有的策略类型和证券类型；业务类型涵盖财富管理、资管、自营交易等业务；服务客群包括长尾客户、高净值个人客户和机构客户。

人工智能团队自主研发的一套通用人工智能投资框架，旨在运用深度强化学习理论，通过学习历史市场数据，训练机器进行二级市场投资，实现无人投资(无投资经理，无交易员，无研究员)。投资全流程没有人工干预，所有投资交易决策由机器独立完成，并且机器会根据当前市场环境和账户资金持仓情况自主持续学习调整策略以适应新的市场环境。依托智能云平台提供的数据，算力和运行环境资源，目前我们研发出的7个系列智能投资投顾产品，覆盖各主流策略类型：FOF，股票多头，商品期货跨品种套利，CPPI，T+0，Smart Beta，算法交易；各主流证券类型：股票，ETF，商品期货，股指期货，场外基金，债券；各券商主流业务类型：财富管理，自营交易，资产管理，股票销售；各客户类型：机构客户，高净值客户，长尾客户。

智能投顾产品截至2020年6月2日收益情况表：

表1 智能投顾产品收益表

四、智能算法交易
























智能资讯语义处理应用，通过采集公开资讯，借助云平台的算力，对公开舆情进行情感分类、主体和风险事件识别，为业务部门提供智能舆情监控，智能公告摘要，并实时推送风险事件信息。

智能资讯项目，通过监控业务部门关注的监控标的，极大的提高了业务部门对市场舆情覆盖的范围和实时性，助力业务人员提高风险识别和业务机会发现能力。舆情应用目前覆盖公开资讯网站200多家，覆盖主流资讯频道2000多个，日采集并处理资讯平均5万多条。

图9 智能资讯平台首页图

六、智能风险识别应用














侧重描述具有公司属性的市场主体所涉及的事件，包括上市公司、非上市公司、债券发行主体等等。一般来讲，一个主体可能在多个市场参与不同的金融活动，例如股票、债券、证券投资等。不同金融活动可能产生或面临不同的风险事件，主体风险事件进一步细分为七个主要部分，包括运营风险事件、财务风险事件、法律风险事件、投融资风险事件、股东风险事件、治理风险事件和外部风险事件。

（二）产品风险事件




宏观风险主要分为行业风险和宏观风险，行业风险关注某个产业或细分行业的特定风险事件，比如产业转型、地区行业政策等影响，宏观风险主要统计常见宏观指标，如利率、汇率、就业、财政支持等指标。

七、智能文档抽取应用









在智能客服方面，智能外呼系统通过拟人化的机器人外呼，可大量减少人工座席的回访外呼工作量， 按照2019年系统统计数据，减少约76%的人工外呼工作量，智能外呼机器人在服务过程中需要对姓名、机构名称、合约信息、业务信息变量进行准实时语音合成，采用云平台GPU服务资源，可确保个性化语音合成声音效果的准确性和与固定播报话术的连贯性，经实际上线验证，合成效果几乎没有机器人的痕迹。

图13 智能外呼系统架构图

九、智能投研与自动报告

















本文介绍了中信证券人工智能云平台智能云平台建设以及基于智能云平台实现人工智能投资、投顾、算法交易、智能客服、智能舆情、智能风控等金融科技创新产品，为我司的数字化转型奠定了良好的基础。

[1] Ray Dalio，Principles，Simon & Schuster , 2017

[3] Human-level control through deep reinforcement learning, V. Mnih et al., Nature, 2015.

[5] David Silver，Mastering the game of Go with deep neural networks and tree search，Nature，2016

[6] Kai Arulkumaran, AlphaStar: An Evolutionary Computation Perspective, CoRR, 2019