智能投资的数据来源

数据在智能投资过程中数据至关重要。像对待蔬菜一样，投资者应该关注数据的种类以及数据的质量。在智能投资领域中，数据就和市场上的蔬菜一样琳琅满目，投资者要做的就是将特定的数据配放入最合适的篮子中。相比起数据的种类，数据的质量涉及到更复杂的问题，不仅常常让风险经理和监管层焦头烂额也影响了投资生态系统。总而言之在智能投资领域，数据的选择以及数据的质量正不断加大着对夏普比率以及其他方面的影响。

在这篇文章中，作者主要分析了传统理财形式并且阐述了什么样的数据是智能投资广泛使用并且乐意投资的数据。

传统投资部门主要经营公开交易的证券，注重个股以及交易所交易基金、共同基金等，直到后来才开始投资固定收益资产、房地产、数字货币以及私募股权。

证券交易所通常是市场获取股票以及交易所交易基金数据的最主要也是最基本的来源。几乎所有的智能投资所使用的正是这种类型的数据。在针对证券交易所创新的有关报道中，作者主要观察了数据领域的创新，并且发现证券交易所的数据创新重点既不在数据的清算整合也不在自由市场中。在核心数据领域中，智能投资普遍关注的是可扩展商业语言(XBRL)对金融报告的适应性。

在美国的波士顿有一家非营利性公司专门为金融科技初创企业免费验证最小化可行产品(MVP)。位于加州的Xignite是一家金融科技初创公司，也是传统金融市场数据供应商最主要的竞争者，目前已经获得了1643万美元的融资。

智能投资顾问数据的次要来源来自于传统金融数据、非结构化非金融数据、情绪数据以及智能投资模型所生成的数据。

传统金融数据主要与共同基金与指数有关，处于个人投资组合的核心地位也是智能投资数据分析供应商竞争最激烈的领域之一。理柏公司(Lipper’s)、路透社、彭博以及Xignite都是传统金融数据最主要的几大供应商。

这类数据的种类相当丰富，包括企业资金流向、内部活动、基金分级、费用率、业绩指标以及历史基准等。

在这一类别中。智能投资的数据分析涉及股票估值，特别针对某只股票的价值是否被高估或低估进行分析。数据能帮助智能投资顾问估计投资收益率、营业收入以及增值。这些数据以往由华尔街的公司金融分析师提供，而现在金融科技的初创企业正威胁着传统金融分析师的地位。

非结构化非金融数据是指一般不体现在公司文件中的数据。这类数据可以是企业网页流量、线上理财平台的点击率、人力资源数据、社交网站中的热门话题预测、以及药品的流通渠道等。

情绪数据包括积极、害怕、信任、失望等投资情绪的分析，这些情绪在一定程度上影响投资者的投资决策，是一种另类数据，需要与其他类型的数据相结合加以分析。目前还没有智能投资顾问分析情绪数据，因为智能投资强调理性投资不考虑投资者的个人感情。

智能投资模型所生成的数据包括了人工智能以及机器语言等。作者预计，用模型生成的数据对智能投资组合进行再检验是智能投资领域的下一个趋势。