历史经验知识在未来预测的应用
华尔街的独角兽Kensho，是智能金融Fintech的一个不得不提的成功案例，这个由高盛领投的6280万美元投资，总融资高达7280万美元的公司自推出后便名声大噪。Warren是kensho是一个代表产品，用户能够以通俗易懂的英文来询问Warren金融问题，例如“当三级飓风袭击佛罗里达州时，哪支股票上涨得最快？”在回答这个问题的时候，它会在后台强大的全球历史事件库中进行检索，并直接给出直接的答案，这是国外智能投研的一个成功例子。就这种内部实现而言，Warren内部本身具有复杂的事件和数据分析模型，囊括全世界上亿条事件的历史事件库为用户提到的问题提供了很好的支撑。
实际上，这种基于历史事件库对现有事件进行影响和事件预测的方式值得我们借鉴，通过大规模挖掘领域事理图谱，可以基于过往事件发生的结果，进一步对未来的事件进行预测，这个在金融领域中有大量的运用。例如，在进行行业研究时，往往需要考虑不同的事件对识别风险，发现潜在价值的风险，评估造成的影响。正所谓阳光底下无新事，历史总是相似的。通过总结过去历史经验，可以为未来相似事件提供预测上的帮助。而回到历史经验这个概念，如何表示这种历史经验？如何使得这种历史经验能够被计算机所理解？如何使这种历史经验具备可计算性？如何使这种历史经验能够更具备抽象和泛化能力？一方面，这些问题都对现有的知识模型提出了需求，另一方面，这些问题都可以归结成一种机器智能中的预测问题。
以事件作为实体节点单元的行业领域事理图谱是实现以上预测问题的一个切入点。虽然受限于数据来源的可靠性、逻辑抽取的准确性，事理图谱的准确度难以与分析师的逻辑进行匹敌，但事理图谱的优势在于，分析师收集的事件具有局部性，很难做到综合全球各大事件；分析师收集的数据难以进行量化，不同分析师对事件的判断偏差较大。
为了给分析师以及其他行业人员提供领域和常识性的事件推理历史经验库，我们推出了商品金融事理图谱。我们构建起了2000万的历史多行业资讯库，总结出上百种因果事件模式。基于显式因果模式，我们经过事件标准化、事件对齐、事件融合等处理后，最终形成了具有动态更新能力的多行业领域事理图谱，事理图谱Demo地址：
http://39.106.1.94:8080（请复制到PC浏览器中打开），欢迎大家使用，并提出宝贵意见。有任何意见，可联系本文作者