文章主题：创新性, 模型, 数据
先放一个自己整理的Github仓库，收录了近几年计算机顶会上与金融科技相关的论文，数据。
前面的几个回答都是从业界应用的角度来说，我从学术研究的方向来聊聊这个问题。从研究的问题来说，主要有以下几种：
量化交易。这是金融科技中最吸引人的方向，但也是最神秘的方向。谁不希望有一个像alpha go一样的AI可以战胜巴菲特，帮自己发家致富走向人生巅峰呢？但是这也是学术研究中比较不靠谱的方向，因为资产价格数据本身存在信噪比低，波动性大，随机性强等特点，想要挖掘出真正的规律，找出有价值的因子，是一件非常难的工作。此外，因为这方向的研究和收益直接挂钩，靠谱的论文不多，因为扪心自问，如果有一个靠谱的策略，你会把它作为论文写出来吗？所以大部分论文只能提供思路和参考，这个方面比较有意思的工作推荐MSRA发在KDD上的两篇论文：Individualized Indicator for All: Stock-wise Technical Indicator Optimization with Stock Embedding，Investment Behaviors Can Tell What Inside: Exploring Stock Intrinsic Properties for Stock Trend Prediction欺诈检测。这也是金融科技中一个比较热门的方向，也是很多金融科技公司的主要业务，相比于传统金融服务公司，金融科技公司最大的长处在于对于用户数据更好的挖掘和利用上，主要体现在更好的风控。当然这里的欺诈检测是一个广义的范畴，既包括个人信贷层面的信用卡欺诈，企业层面的贷款违约预测（蚂蚁金服在IJCAI上的工作：Financial Risk Analysis for SMEs with Graph-based Supply Chain Mining），也包括监管层面的会计欺诈检测，虽然数据形式各异，但基本都可以归为机器学习中的异常检测，面临着比较严重的类别不平衡问题。智能投顾，为用户提供个性化的投资、理财建议，在我的认知里应该和智能客服差不多。应用前景也不错，但是是一个更加复杂，更加系统性的问题，涉及到AI领域有个性化推荐，对话系统，阅读理解等。其他的一些研究方向，这些研究方向距离落地或者应用就比较远了，但是大家总是要发文章升职吃饭的，一些问题主要有：金融文本情感检测，金融知识图谱，并购预测等等，还有拿人脸识别讨论上市公司高管的脸对公司业绩影响的（说实话，这个研究撇开用处不谈，至少在有趣程度上比大多数灌水之作都强）在创新性方面，主要是模型和数据两方面的创新：
模型创新上，很难说有革命性的创新成果，主要是一些AI领域的常规套路，借用刘知远老师的一句话就是”图模型加圈、神经网络加层、优化目标加正则，花式堆门、注意、记忆”。这一块感觉强化学习和集成学习比较有前景，其他很难说。比较有趣的工作推荐两篇：Enhancing Stock Movement Prediction with Adversarial Training ， DoubleEnsemble: A New Ensemble Method Based on Sample Reweighting and Feature Selection for Financial Data Analysis数据创新更靠谱一些，主要是利用自然语言处理，音频信号处理，图神经网络等一些模型把更多的数据加入预测当中，但是创新性不强，主要还是把一些成熟的模型直接迁移过来。最后说一下个人对于这些研究的看法，这些研究一方面因为近几年AI研究可复现性以及过拟合数据集的问题（虽然已经比大部分学科要良心很多了，但懂得都懂），另一方面因为金融数据本身的隐私方面的问题，真正可以实用的其实凤毛麟角。但为什么还要研究这个领域，为什么要推荐上面这些论文？因为它们提供了一个看待问题的新角度，提供了一种理解这个问题的新思路，比如量化交易不一定就只跟时序信号建模有关，我们可以从推荐系统的角度做股票的向量化表示，可以从对抗训练的角度提高模型的抗噪能力，这些都是值得借鉴的。
最后推荐下自己的专栏，分享金融科技相关的学术论文，开源项目，行业资讯。
对这方面感兴趣的童鞋可以加我微信 sangyx97 交流~
创新性, 模型, 数据
AI时代，拥有个人微信机器人AI助手！AI时代不落人后！
免费ChatGPT问答，办公、写作、生活好得力助手！
搜索微信号aigc666aigc999或上边扫码，即可拥有个人AI助手！
