此外，机器学习擅长发现数据间的相关性而非因果性。很有名的一个例子是早在1990年，对冲基金First Quadrant发现孟加拉国生产的黄油，加上美国生产的奶酪以及孟加拉国羊的数量与标准普尔500指数自1983年开始的10年时间内均具有99%以上的统计相关性，1993年之后，这种关系莫名其妙的消失了。这就是由于自学习的机器无法区分虚假的相关性所导致的，这时候就需要专家设置的知识库（规则）来避免这种虚假相关性的发生。

知识图谱本质上是语义网络，是一种基于图的数据结构，根据专家设计的规则与不同种类的实体连接所组成的关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。

就金融领域来说，规则可以是专家对行业的理解，投资的逻辑，风控的把握，关系可以是企业的上下游、合作、竞争对手、子母公司、投资、对标等关系，可以是高管与企业间的任职等关系，也可以是行业间的逻辑关系，实体则是投资机构、投资人、企业等等，把他们知识图谱表示出来，从而进行更深入的知识推理。

目前知识图谱在金融中的应用大多在于风控征信，基于大数据的风控需要把不同来源的数据（结构化，非结构）整合到一起，它可以检测数据当中的不一致性，举例来说，借款人张三和借款人李四填写的是同一个公司电话，但张三填写的公司和李四填写的公司完全不一样，这就成了一个风险点，需要审核人员格外的注意。

以投资关系为例，知识图谱可以将整个股权沿革串起来，方便地展示出哪些PE机构在哪一年进入，进入的价格是多少，是否有对赌条款，这些信息不仅可以判断该机构进入当时的估值，公司未来的发展情况（公司成长的节奏），还可以看清PE机构的投资偏好，投资逻辑是如何变更发展的。

目前知识图谱在工业界还没有形成大规模的应用。即便有部分企业试图往这个方向发展，但很多仍处于调研阶段。我们认为这其中的难点在于如何与特定领域机构建立起一套合作方式，如何将合作变成一种可轻易编程的界面，让领域专家可以通过系统以一种非常简单的方式进行行业逻辑的建模，而他的逻辑可以通过系统实时得到验证，使其进一步更新，只有通过专家与机器反反复复的迭代，形成闭环，才会服务好用户。

代表公司：

知识图谱在金融最早的应用代表是Garlik。这家公司2005年成立于英国，核心成员来自南安普顿大学（University of Southampton，是语义网的核心研究机构之一），主要业务是在线个人信息监控。他们收集网络和社交媒体上的个人信息，当发生个人信息盗窃时Garlik会及时报警。2011年他们被美国的三大个人信用记录公司之一Experian收购，其技术被用于个人信用记录、信用盗窃的分析。Garlik的核心技术之一是大规模语义数据库，前后开源发布了3store, 4store, 5store等高性能数据库。

Palantir，估值仅次于Uber的科技创业公司，曾用大数据帮助CIA干掉本·拉登。他们有一个基于知识图谱的金融数据分析平台—Palantir Metropolis，可以整合多源的量化资料，并提供一套方便易用的分析工具来满足复杂的研究需求，其中的组件能够进行复杂搜索，可视化编辑与分析，有非常丰富的人机交互能力。

本文来源：文因新三板

参考文献：

[1] Wired，The Rise of the ArtificiallyIntelligent Hedge Fund，http://www.wired.com/2016/01/the-rise-of-the-artificially-intelligent-hedge-fund/

[2] MITTechnology Review，Will AI-poweredHedge Funds Outsmart the Market，https://www.technologyreview.com/s/600695/will-ai-powered-hedge-funds-outsmart-the-market/

[3] 李文哲，知识图谱的应用，http://www.infoq.com/cn/articles/Application-of-Knowledge-Graph