人工智能加持的城市计算，如何助攻智能金融？

说到商业、金融，一般人想到的金融是期货、债券、基金，智能投资就会想到利用人工智能的方法预测投资市场走势，从而量化配置资产。对此，在日前由KDD China和通联数据合办的AI金融研习班上，微软亚洲研究院城市计算领域负责人郑宇博士表示，这个部分是可以做的，但是这个数据是三手数据，是一个结果。但市场更多应该关注，在此环节之前的一手数据、二手数据的结果带来的表现。

往前推一步，一般而言，投资会根据一家公司的财报进行业绩调研，预判股价，这算是对二手数据的利用。而郑宇指出，从业者还应该再往前多对一手数据进行分析，“一手数据其实决定了公司运营情况和财报，这个数据在我们现实生活之中。”

来自日常生活的数据带来的先知

关于人工智能的技术原理在此我们不必过多科普，雷锋网(公众号：雷锋网)此前已有相当详细的报道讲述，现在可直接从案例进行观察。以万科为例，要判断万科未来走势，除了看财报之外更往前看：拿的地是否都在增值？已建房产销售情况如何？周边配套是否越来越好、人气是不是越来越旺？租金是否在上涨？……“如果知道公司旗下产业都在增值，你可以预期未来财报比较好，可以更早地预判股价会上升。”反之可看空。

摩拜、滴滴的融资成果也是一样的道理。在这些企业尚未开始盈利的情况下，投资人是根据用户量、日活用户、有效历程等数据分析，对公司进行的价值预估。

反过来，如果真的在一手数据里面挖掘出可利用价值，那么久未必非要在股票上谋求利益点。根据从一手数据分析出来的信息，直接就可以计算商业利益和价值。

投资价值预判

仍是以商业地产为例，根据郑宇的研究，我们很难预测房地产价格，但是可以对房产相对价值进行评估和排序，以数据进行量化，找出高价值的房产——并非高价格，而是在同一个市场中，房产价格涨得比别人更快，而跌的时候会跌得更慢。

“比如说分成五个离散化等级之后，根据北京市2013年的数据观察一类房的分布，发现涨得最快、跌得最慢的一类房，并不是大家所理想当然地认为都应该在市中心。很可能隔两个街区一个是一类房、一个是五类房。为什么有这样的现象呢？房屋价值又是什么决定的呢？如果大家听过李嘉诚说过房地产价值怎么决定的，三个因素：地段、地段、地段。”

据雷锋网了解，郑宇的报告显示，如果用大数据量化，会有以下的结果：

第一个地段是周边的配套、交通、基础设施。周边有多少商尝学校、医院以及周边的地铁、公交、便利程度，这都是地段。第一个地段，同样是一个学校，好的学校、好的学区对房屋价值拉动比一个普通学校价值拉动要大。同样是一个商场，好的商尝精品商场，破旧不堪的商场对地段价值拉动也是不一样的。

第二个地段可以用好几个来量化，社交媒体对它的评价，以及人们的出行规律等非常重要——多少人打车进来、开车进来，什么时候进来，什么时候出去等等都反映了这个地段的价值。如果有两个区域，一个区域都是早上七八点坐公交地铁出去，晚上七八点坐公交地铁回来。另外一个区域出门的时间非常的*和松散，不规律，多半以开车或者坐计程车出去的，觉得哪一个地方的品质更高一点？应该是后者。所以这需要以人们出行规律、公交地铁、出租，社交媒体等人文地理信息对此进行评价。

第三个地段是我们理解的商圈，如果房子在一个好的商圈里面对这个房子有带动作用的，但是还要考虑前面两个因素。

这里面我们会用到学习排序的方法来做。根据以上三个地段的数据变量，我们可以做一些回归算法，进行线性回归分析，但这个方法并不是很好，必然会有冗余性，有什么样的路网结构决定有什么样的交通流量。所以这里面变成一个学习排序，这是跟以前方法不一样的地方。

信用评估

由房产而延伸至对综合商业体的评估，更加不仅关乎当前投资效益，对未来银行贷款征信、国家调控同样具有巨大的帮助。

比如对综合商业提的价值评估，这个做完了不只是给个人提供建议，也给银行征信很大帮助。很多时候企业贷款会抵押客户的房产，就要对其房产进行评估；评估的时候看均价，但这是当前。客户贷款为期十年、二十年，十年之后房子什么情况呢？更多的时候要知道预期和预估。未来五年房产值钱就多贷一点。

而国家调控的时候调查有没有泡沫，价格和价值的倒挂也需要来判断。