公开信息、知识图谱与交易优化——基于大数据的视角

Public information such as various news, statistical announcements, company annual reports, and political events is tremendously influencing investors’ perceptions and assessments of assets and markets all the time. With regard to the impact of information on assets, existing research framework has mainly focused on the impact of information on the price of the assets directly involved in the information. However, much more information, through intrinsic, significant and long-lasting chained economic links (e.g., supply-chains) between firms or industries, is affecting the prices of other related assets. Due to the lack of proper techniques and methods, this interdisciplinary and cross-industry economic relationship is not easily perceived, making it impossible for investors to respond immediately to the price of assets across the chained link. Thereby, it provides possibility to optimize trading strategy. Based on this motivation, in this project, we intend to combine the emerging artificial intelligence technology to study the use of public information in the context of big data to establish financial knowledge graphs. By using the knowledge graphs, we will explore various economic linkage chains contained in publicly available information about listed firms, industries, and events, and then apply in-depth analysis of the information diffusion and cross-predictability mechanisms in each link of the chain. Next, we will use multiple relevant links in the knowledge graphs to establish a multi-source verification and credibility model, and then study the mechanism of trading optimization and check its robustness.

各种新闻、统计公告、公司年报、政治事件等公开信息时刻影响着投资者对于资产和市场的认知和评估。关于信息对于资产的冲击，现有的研究范式通常局限于考察信息对其直接涉及的资产价格的影响。而现实中，更多信息通过企业或行业间的内在、重要而持久的链式经济联系（如供应链）显著影响着链条上相关资产的价格，但是由于缺乏相应的技术手段和方法，导致这种跨行业、跨学科的经济联系不容易被投资者察觉，使得投资者不能对此链式环节上的资产价格作出及时反应，从而为交易优化提供了可能。因此，本项目拟结合新兴的人工智能技术，研究在大数据环境下利用公开信息建立金融知识图谱；围绕上市公司、行业和事件挖掘公开信息中蕴含的各种经济联系链条，深度分析挖掘到的联系链条中各环节的信息扩散及交叉预测机制；并利用知识图谱中的多条相关联系链条建立信息的多源校验及可信度判别模型，进而研究交易优化的机制并检验收益的稳健性。

信息通过企业或行业间的内在、重要而持久的链式经济联系（如供应链）显著影响着链条上相关资产的价格，但是由于缺乏相应的技术手段和方法，导致这种跨行业、跨学科的经济联系不容易被投资者察觉，使得投资者不能对此链式环节上的资产价格做出及时反应。本项目结合新兴的人工智能和大数据技术围绕上市公司、行业和事件挖掘公开信息中蕴含的各种经济联系链条，深度分析挖掘到的联系链条中的信息扩散及交叉预测机制，并提出交易优化策略。项目在自然语言处理技术的基础上融合词嵌入表达和深度学习中的长短期记忆网络模型，建立了能够从上市公司公告文本中自动进行有监督地抽取和识别产业链上下游关系的模型和方法，并在此基础上构建了企业的行业关联金融知识图谱；提出了基于深度神经网络的协同注意网络情绪分类方法、针对深度神经网络在处理数据噪音问题的去噪方法、能够在有效处理文本中的拼写错误、单词顺序错误等噪声问题基础上的情绪分类方法等，这些技术和方法为项目提供了技术支持。项目针对具有重要经济联系的企业间的信息传递问题，以我国特有的卖空交易机制和卖空交易数据作为切入点研究了卖空交易信息在卖空标的公司和不可卖空公司之间的转移过程以及对未来股票收益的交叉预测问题，项目同时指出了分析师在企业间的信息转移过程中发挥着重要作用。针对交易优化问题，项目研究发现将更高频信息纳入市场异象交易组合调整平衡决策的交易策略能够大大改善现有市场异象的市场表现，达到在具有相似风险的情况下使平均收益翻倍的效果，并首次揭示了技术分析与基本面信息之间的关联性。由于项目涉及的研究通常需考虑内生性问题的影响，因此，本项目在梳理基于发达国家市场的交易机制变化的相关研究的基础上，分析了此类研究如何利用交易机制变化从不同的角度来解决特定的研究问题，并从交易制度变迁的角度分析了我国证券市场的停牌制度、股权分置改革和卖空交易机制的市场影响。