AI加持的城市計算，如何助攻智能金融？

雷鋒網AI金融評論報道，說到商業、金融，一般人想到的金融是期貨、債券、基金，智能投資就會想到利用人工智慧的方法預測投資市場走勢，從而量化配置資產。對此，在日前由KDD China和通聯數據合辦的AI金融研習班上，微軟亞洲研究院城市計算領域負責人鄭宇博士表示，這個部分是可以做的，但是這個數據是三手數據，是一個結果。但市場更多應該關注，在此環節之前的一手數據、二手數據的結果帶來的表現。

往前推一步，一般而言，投資會根據一家公司的財報進行業績調研，預判股價，這算是對二手數據的利用。而鄭宇指出，從業者還應該再往前多對一手數據進行分析，「一手數據其實決定了公司運營情況和財報，這個數據在我們現實生活之中。」

來自日常生活的數據帶來的先知

關於人工智慧的技術原理在此我們不必過多科普，雷鋒網此前已有相當詳細的報道講述，現在可直接從案例進行觀察。以萬科為例，要判斷萬科未來走勢，除了看財報之外更往前看：拿的地是否都在增值？已建房產銷售情況如何？周邊配套是否越來越好、人氣是不是越來越旺？租金是否在上漲？……「如果知道公司旗下產業都在增值，你可以預期未來財報比較好，可以更早地預判股價會上升。」反之可看空。

摩拜、滴滴的融資成果也是一樣的道理。在這些企業尚未開始盈利的情況下，投資人是根據用戶量、日活用戶、有效歷程等數據分析，對公司進行的價值預估。

反過來，如果真的在一手數據裡面挖掘出可利用價值，那麼久未必非要在股票上謀求利益點。根據從一手數據分析出來的信息，直接就可以計算商業利益和價值。

仍是以商業地產為例，根據鄭宇的研究，我們很難預測房地產價格，但是可以對房產相對價值進行評估和排序，以數據進行量化，找出高價值的房產——並非高價格，而是在同一個市場中，房產價格漲得比別人更快，而跌的時候會跌得更慢。

「比如說分成五個離散化等級之後，根據北京市2013年的數據觀察一類房的分布，發現漲得最快、跌得最慢的一類房，並不是大家所理想當然地認為都應該在市中心。很可能隔兩個街區一個是一類房、一個是五類房。為什麼有這樣的現象呢？房屋價值又是什麼決定的呢？如果大家聽過李嘉誠說過房地產價值怎麼決定的，三個因素：地段、地段、地段。」

據雷鋒網了解，鄭宇的報告顯示，如果用大數據量化，會有以下的結果：

第一個地段是周邊的配套、交通、基礎設施。周邊有多少商場、學校、醫院以及周邊的地鐵、公交、便利程度，這都是地段。第一個地段，同樣是一個學校，好的學校、好的學區對房屋價值拉動比一個普通學校價值拉動要大。同樣是一個商場，好的商場、精品商場，破舊不堪的商場對地段價值拉動也是不一樣的。

第二個地段可以用好幾個來量化，社交媒體對它的評價，以及人們的出行規律等非常重要——多少人打車進來、開車進來，什麼時候進來，什麼時候出去等等都反映了這個地段的價值。如果有兩個區域，一個區域都是早上七八點坐公交地鐵出去，晚上七八點坐公交地鐵回來。另外一個區域出門的時間非常的自由和鬆散，不規律，多半以開車或者坐計程車出去的，覺得哪一個地方的品質更高一點？應該是後者。所以這需要以人們出行規律、公交地鐵、出租，社交媒體等人文地理信息對此進行評價。

第三個地段是我們理解的商圈，如果房子在一個好的商圈裡面對這個房子有帶動作用的，但是還要考慮前面兩個因素。

這裡面我們會用到學習排序的方法來做。根據以上三個地段的數據變數，我們可以做一些回歸演算法，進行線性回歸分析，但這個方法並不是很好，必然會有冗餘性，有什麼樣的路網結構決定有什麼樣的交通流量。所以這裡面變成一個學習排序，這是跟以前方法不一樣的地方。

信用評估

由房產而延伸至對綜合商業體的評估，更加不僅關乎當前投資效益，對未來銀行貸款徵信、國家調控同樣具有巨大的幫助。

比如對綜合商業提的價值評估，這個做完了不只是給個人提供建議，也給銀行徵信很大幫助。很多時候企業貸款會抵押客戶的房產，就要對其房產進行評估；評估的時候看均價，但這是當前。客戶貸款為期十年、二十年，十年之後房子什麼情況呢？更多的時候要知道預期和預估。未來五年房產值錢就多貸一點。

而國家調控的時候調查有沒有泡沫，價格和價值的倒掛也需要來判斷。