8.2
深览指数
科技人人都是产品经理·iYunar··AI 生成
图谱遍地，Ontology 稀缺：券商最昂贵的资产，不该只存在分析师脑海
本文以投研场景切入，指出券商行业大量知识图谱止步于“连点成线”，缺乏能承载领域概念、关系与规则的“本体”（Ontology）层。作者通过分析师处理多晶硅出口新规的案例，详细拆解了本体如何让系统自动理解政策传导、定位个股影响，并沉淀为可复用的组织能力。文章还讨论了本体在反洗钱、关联方认定、风险传染等场景的应用，以及大模型时代本体作为“定调层”的价值。最后坦诚指出了本体落地在人才、组织、口径治理和投入产出比上的现实挑战。适合对金融科技、AI与知识管理交叉领域感兴趣、且不满足于概念层面的读者。原文 ↗
核心观点
- ▍券商行业目前大量知识图谱停留在“连点成线”的实体关系层面，缺失了能承载领域概念、规则与判断的“本体”层，导致系统无法支撑“政策如何传导”、“公司盈利能力如何”等深层分析问题。
- ▍本体（Ontology）是让知识从分析师个人经验沉淀为组织能力的核心骨架，其价值在于“概念+关系+规则”的形式化定义，使机器能理解并执行领域逻辑。
- 01一家头部券商基于星环科技StellarDB搭建的企业级知识图谱平台，拥有约3亿实体、4亿关系，覆盖投研、反洗钱等十几个场景，但一旦遇到“政策如何传导”这类问题，图谱就“哑火”了。
- 02熵简为资管知识图谱设计了三层本体结构：金融实体层（公司、人物）、金融概念层（盈利能力、行业驱动因素）、金融事实层，旨在用层次化概念组合覆盖90%以上的金融分析需求。
- 03某头部券商用“政策影响因子×产业链传播系数×图传播算法”的链路，在个股影响因子上获得25%的回测相对收益。
- 04一家公募基金与恒生电子合作的反洗钱尽调项目，通过图遍历和规则编译，受益所有人查询效率提升60%，人力成本降低三成。
- 05图数据库厂商FalkorDB报告指出，用知识图谱给大模型做支撑（RAG），相比传统向量检索，幻觉可降低约90%。
反方 / 局限
- — 本体落地最大的障碍是人才稀缺：既懂产业链又懂图谱建模、能耐心抠概念定义的人，整个行业屈指可数，且往往被更急的业务线抢走。
- — 本体建设需要跨部门（合规、投研、投行）对齐口径，没有跨部门治理机制，本体建成后很快会腐败。此外，随着产业链和监管规则变化，本体需要持续维护和人工复核，维护成本高。
- — 作者保守估计，投研本体的MVP项目回正周期需18-24个月，前期投入大、见效慢，需要熬过看不到明显回报的爬坡期。
本体（Ontology）FIBOEDM Council彭博熵简星环科技StellarDBFalkorDBFinReflectKGOntoTune启信宝恒生电子235号文《受益所有人信息管理办法》《证券期货业图数据库系统技术与功能规范》《基于文本数据的金融风险防控知识图谱构建技术框架指南》Leo
12 分钟 · 4 卡片 · 10 资料
读原文 →