同花顺总结(汇总6篇)

同花顺总结 第1篇

图 8 右侧是一个具体的例子，一般来说上市公司的诉讼对金融投资有重要的风险提示作用。我们需要从诉讼公告中抽取执行情况、违规案例说明、对公司影响等信息。绿色的部分是违规案例说明，还需要进一步从违规案例说明里抽取诉讼详情，包括原告、被告、诉讼请求、违约金等信息。

对此我们尝试了不同的模型（图 8 表格），常规深度模型 word2vec F1 值为 ，我们还尝试了 MacBERT、澜舟的xxxMengzi等模型，在优化增强（比如数据增强和 loss 优化）的条件下，澜舟xxxMengzi 的 F1 值可以达到 。

我们有一个舆情系统叫“同花顺企洞察”，ToC 版本叫“快查”，用户范围比较广，公司、个人、监管机构等都会用来做参考，如政府会用于招商引资和精准营销。

舆情系统的一个重要的环节是“机构名称的识别”，抽象出来是“长文本NER任务”（如上图所示），机构名称抽取的难点是除了标准名称还有很多简称、别名或者其他叫法，一开始我们用 LSTM+ CRF 的效果不佳，F1 不到 70%，之后结合知识图谱+大模型，目前 F1 可以达到 ，符合上线要求。

舆情监控业务中还有新闻资讯风险识别场景，新闻资讯正面还是负面可能会影响股价，如何第一时间告诉投资人新闻的正面/负面是比较大的课题。

业内一般做法是人工识别、打标签，这样的效率比较低，而新闻资讯的时效性比较高，我们的做法是机器先打标签，然后人工识别校验一次。这里的较难的关键点是除了正负面标签之外，还需要对负面信息进一步分析，提示风险在哪里。

比如图 10 的例子，判断为负面后，我们需要做风险归类，“法人变更”到底是管理风险还是政策风险导致的法人变更，这就需要进一步判断。之前我们用常规模型来做的时候准确率最多到 59%，目前使用大模型，考虑到本文较长且性能要求较高，因此使用参数较少的 tinyBERT， 准确率是 ，后续还需要做更多优化工作。

大量研究表明通过调整预训练任务、使用更多训练数据、使用领域语料等方式，可以对原始的大规模预训练模型做进一步优化，达到更好的效果。比如通过增加训练语料、延长训练时间、移除“next sentence”任务、动态 mask 等优化方法，可以获得比 BERT 效果更好的模型；在 BERT 基础上，通过使用领域数据（DAPT）或任务数据（TAPT）进行第二阶段预训练，可以使模型在下游任务上表现得比 BERT更好。

同花顺总结 第2篇

所以从前两年开始我们采用深度学习模型来做通用语义识别。图 4 有一个通用语义识别的小例子，输入问句是：“董事长持股大于 50 万”，解析时主干识别需要识别出“持有”和“大于”，并且要识别出“大于”这个语义是包含“持有”的，即“(大于(持有))”，语义角色需要识别出“持股”语义主体是“董事长”，“大于”的“客体”是“50 万”。

目前通用语义识别方面大模型的效果已经慢慢显现了。前两年我们采用的是常规深度学习模型 TextCNN 准确率为 88%，后来和澜舟合作使用了xxxMengzi 轻量化预训练模型，从图 4 左下角表格看，效果有显著的提升。考虑到线上耗时问题，我们使用的是参数较少的模型来做，比如xxxBERT-base准确率可以达到 ，Electra-small 模型提升了 4% 是因为做了数据迭代，加了更多数据，进一步提升了效果，后续xxxBERT模型再迭代数据也会有更多提升。

同花顺总结 第3篇

这也是为什么我长期持有东方财富的原因，万一哪一天东财有这样的战略并购收购的话，那么股价就要飞起了，而且我相信迟早会有，就看对方是哪家公司，哪个时间点发生了！

我关注东方财富很多年了，今年也一直在聊，可以说是贯穿全年了，文章也写过很多篇，对于东财我的理解不一定是对的，但如果你也对这家企业感兴趣的，我们可以一起探讨，在我的公众号界面有东方财富的专栏，新朋友还没看过的可以去阅读一下。

对于券商总结一下，我认为券商未来的发展空间比较有限，他们未来的业务发展方向都是可以想得到的，没有太大的想象空间，而且券商具有周期性，可以说是看行情吃饭的，对于这种周期性的行业，可以反复做波段，但不能做长线价值投资，因为他们不具备那种成长潜力。

未来的操作上，投机可以选择次新券商，弹性更好，但前提是必须要有大行情的配合；波段投资可以选择头部券商，确定性更高。就目前的操作上，港股的中资券商性价比更高，有能力开通港股通的朋友，可以去关注破净的头部券商。

最后再讲一句，我觉得券商还有最后一跌，不要急着买，至于什么时候跌我不知道，等最后的恐慌盘砸到券商板块了，那么大盘就可能有大级别的反弹了。

..............

同花顺总结 第4篇

我们大部分的服务其实本质是一个免费的流量型服务，为其他的业务导流，所以对资源的使用要求做到轻量化，提高性能、减少耗时。大模型的参数增加会带来效果的提升，但是在实际应用的经济角度考虑，宁可损失一些效果，尽量减少对资源的占用，所以我们投入了很大的精力做“模型轻量化”工作。

图 12 中有两个实际业务的例子，我们对模型预测耗时有非常严格的要求，因为响应时间太慢会导致用户体验变差，一般来说会要求不能超过 100ms，有部分模型甚至要求耗时在 20ms～50ms。所以我们用了知识蒸馏、剪枝、量化等常见的轻量化技术。比如“用户问句相似问生成”这个任务，我们用到了知识蒸馏技术，将 10 层以上的大模型蒸馏成 3 层的小模型，性能上会有很大的提升，同时保证准确率不会有大幅下降的情况，GPT2-chinese-12 层单样本 CPU 生成耗时约为 1s，蒸馏为 3 层之后，耗时降为 100ms。

同花顺总结 第5篇

这是在快捷选股上的升级版，可以自定义形态，也可以采用同花顺软件自带的形态，个人建议自绘形态，要不然直接选择快捷选股就OK了。

自绘形态，可以自绘出软件没有，而市场成功率很高的相关形态，如：夹板突破，强势调整，超跌反弹等。

还有一种功能，在个股日K线中，近期这段形态，是自己喜欢类形，你可以用鼠标框选下行，单击右键直接进行形态选股，或者形态保存，直接会保存上面列表的实际形态中。

同花顺总结 第6篇

信息抽取应用场景主要是知识图谱构建和金融数据库构建两个方面。

我们业务中几乎所有数据组织形式都是以图谱为基础，金融知识图谱在风控、投研、投顾、银行理赔等等场景都非常重要，业务往往需要通过图谱梳理一些关系，比如用户询问公司与法人关系以判断一些关联风险，然后做推理决策。所以金融知识图谱对我们来说是非常大的课题，目前我们已经做了宏观经济图谱、A股大盘图谱、A 股个股事件图谱等。