艰难的选择

摘要: 记录一些研报和行业信息的平台，顺便写点随笔。

【对数据分析、人工智能、金融科技、风控服务感兴趣的同学，欢迎关注我哈，阅读更多原创文章】
我的网站：潮汐朝夕的生活实验室
我的公众号：潮汐朝夕
我的知乎：潮汐朝夕
我的github：FennelDumplings
我的leetcode：FennelDumplings

---

我们大多数人大学以后的人生轨迹是，在大学里学习四年，之后可能会继续上三年研究生，然后进入到某一行业的某一公司，做着某一职位的工作。然后做到两年到三年会跳槽，工资和职位有一个比较大的上涨，这中间可能换了行业，也可能没换行业。而之后，基本上就是八仙过海，各显神通了。有的人会在大厂死磕，有的人会去小厂赌一把，有的人会去做副业，有的人会考公考编，有的人会研究创业，等等等等。

如果限定在计算机技术领域，特别是算法工程师，那轨迹会更加确定一些。首先基本上肯定会读研究生，毕业之后进到一个大厂的前台业务部门，面对一个很大并且变化很快的流量，背上业务指标去优化算法，并且要把优化的模型送上线，并形成闭环系统。这中间是很累的，因为是前台部门，整个闭环系统出现任何问题都要马上解决，每一分钟不解决，每一分钟都在损失钱，所以加班就很多。随着工作的深入，会深陷到业务当中，每天可以不看算法的东西，但是必须看运营指标和 badcase。这样的坏处就是技术研究的不深，因为心思全在业务指标上，根本没时间钻研技术。但是好处也是很明显的，因为是前台部门，直接创造收益，年终奖等等的就会更好一些，并且如果运气好或者眼光独到，业务来了个小爆发甚至大爆发，那即使技术没有做到多深入，也可以跟着业务增长晋升上去，而在中台部门如果没有把技术做到很深的水平是很难晋升的。在这种前台部门工作三四年，对各个模型的在线和离线的闭环系统都很熟了，对上下游各个系统和部门的利益关系也清楚了，一些股票期权也都归属的差不多了，不想加班了，会转岗或跳槽去一个中台部门，相对来说不怎么加班，有时间把前三四年在业务中用到的但没时间深入研究的各种技术梳理一下。而之后再去哪，又是要八仙过海各显神通了。

整个看下来，我们会发现，在我们大多数人的发展过程中，前期相对来说不用做一些艰难的选择，因为大多数人都是那么走的，只要跟着走应该也不会有太大问题，比如说读研，比如说刚毕业进大厂，如果学校好一点，甚至会发现几乎所有大厂都有学长学姐可以内推，因为他们当年也是这么跟着走的，然后在大厂工作几年然后在同行业跳跳槽涨涨薪等等。

但是一定会在某个时间点，我们需要自己做出艰难的选择，因为前期我们参考的那些大多数人，比如同学，学长，学姐，实习的同事，早期结交的一些朋友等等，他们已经各自走上了不同的道路，没有办法继续参考了。做出这种艰难的选择的依据，就是对行业、公司、产品、业务的理解，比如一个行业现在是多少亿的市场规模，未来会增长到多少亿，行业内的主流玩家都是谁，主流的玩法是什么，竞争格局是什么样，上下游的利益链是什么样，等等等等。

具体需要做出这种选择的时间点，不同的人和不同的场合会稍有不同，比如有人在公司做到一个比较高的职位，那他作为团队的决策人必须做出艰难的选择；有的人在跳槽的时候会需要做出选择，这时自己就是自己的决策人，如果去的是小厂，那去之前几乎会把能搜集到的关于那家公司的信息和行业信息全都收集到，研究透彻才有可能去；即使是大厂，也会对产品和业务线充分研究，因为同样的工作量和成果，在同一家公司，有的业务线就能晋升，有的业务线就晋升不了，这种对产品和业务的选择错误，我们是承受不起的，所以即使给 offer 的是大厂，对产品和业务没有理解透彻，也是跳不成的。有的人有了一些钱，想去创业或投资，那选择就更艰难了。因为无法承受跳槽选择错误的结果，我们必须在工作同时不断研究专业领域所在的行业信息。

而有一类人，他们的本职工作就是研究行业信息。那就是各个金融机构的行业研究员，其中有买方，比如基金和资管；有卖方，比如投行和券商；也有第三方，比如咨询公司。这些人有一个共同的特点，那就是他们会写很多研报，当然也会看很多研报。虽然他们都写研报，但是他们各自都有自己的利益目的，写作的侧重点也就不一样。一般卖方的侧重点是大行业，而且基本上什么行业都写，其中券商主要写上市公司的业绩，投行主要关注 IPO 以及相应的行业分析，其实可能和券商差不多。而以基金为代表的买方，主要关注于某个细分行业，着重于对具体 Case 的分析，研究哪个细分行业要看基金的合伙人的背景。比如对冲基金研究期货，如果某个对冲基金的合伙人都是化工背景，那这个基金基本上就只研究化工期货。咨询公司的研报也是会比较针对行业细分，只是可读性会更好一点。此外银行也会写研报，比较偏宏观经济，数据比较全面，格局非常宏大，但是好像对我们的参考价值不大。

通过上面的分析，我们可以知道，当我们面临自己的专业领域的选择的时候，如果要了解行业的信息，其实投行的研报里大概率会有我们感兴趣的内容，如果要了解具体的某家公司的信息，那基金或者咨询的研报更有可能会有帮助。这种场景，作为体制外的人是迟早要遇到的，例如跳槽，例如公司内部新设一个方向，例如创业或加入创业公司，等等等等。所以为了在将来自己的专业领域变得更资深的时候能够做出正确的跳槽选择，我们可以提前看些跟自己专业领域相关的行业研报，第一了解自己专业领域的上下游和竞争对手都有哪些玩家和玩法，第二了解哪个与自己专业领域相关的新兴行业在未来会有一段五到十年的高速发展的时间，并且这段行业高速发展的五到十年与自己在专业领域资深的岗位工作的五到十年重合。

但是各个机构出的研报太多了，如何低成本地从中选出对我们的有用的研报就是一个比较难的问题。最省事的方法是直接认识投行的人，除此之外，一个公司在 IPO 的时候，会计师事务所，律师事务所，咨询公司是肯定都会有的，所以审计师，律师，咨询顾问，这些都是对行业有很高认知的人。但是直接认识这些人，并且他们擅长的行业跟自己的专业领域重合还是太巧合了，因此最好的解法还是自己有一套从研报中抽取对自己专业领域有用信息的方法论。

智能投研是最近几年人工智能的一个应用方向，专注于对基本面等信息的采集和分析，主要用到知识图谱等技术。

舆情分析也是最近几年人工智能的一个应用方向，主要专注于对金融证券领域的文本分析，主要用到知识图谱等技术。

金融领域的知识图谱与其它专业的知识图谱稍有不同，金融领域本身连接各行各业，因此金融知识图谱涉及经济、投资、产业、公司等等相关的知识，覆盖全行业。常见的实体包括公司、产品、证券、人。常见的实体间关系如下

• 公司与人：股权关系，任职关系
• 公司与公司：股权关系，供应商关系，竞争关系
• 公司与产品：生产关系，采购关系
• 产品与产品：上下游关系

有些关系可以自动抽取生成，而有些不行。我们在构建的时候，只需要构建我们自己专业领域的实体就行。

智能投研和舆情发现系统，跟人工智能另一个应用方向-智能客服比较像，都是一个帮助人完成琐碎工作的工具，如果是要研发一个通用且好用的系统并且卖出去，是很难的。但如果只是自己用，作为算法工程师，我们完全有能力自己搭建一个只涉及自己专业领域，为自己所用的智能投研系统和舆情发现系统，只是服务器成本的问题，以后我会把搭建流程写成文章分享一下。

这里还是记录几个可以用的投行和咨询的研报查询系统。在聚焦个人专业领域的智能投研和舆情发现系统还没弄完之前，可以暂时先用着。

平台	平台背景	网站
洞见	研报聚合平台	https://www.djyanbao.com/
发现报告	研报聚合平台	https://www.fxbaogao.com/
萝卜投研	智能投顾平台	https://d.datayes.com/
镝数聚	数据聚合平台	https://www.dydata.io/
数据局	研报聚合平台	http://www.shujuju.cn/
中国产业研究院	专业研究机构	https://www.chinairn.com/yjbg/
QuestMobile	专业分析机构	https://www.questmobile.com.cn/
前瞻	IPO咨询	https://www.qianzhan.com/
极光	开发者服务提供商	https://www.jiguang.cn/
万得	数据服务提供商	https://www.wind.com.cn/
甲子光年	科技产业服务机构	https://www.jazzyear.com/

---