鴻準專業未上市股票新聞佈告欄提供目前未上市股票(興櫃股票)即時公司公告、相關個股新聞及產業新聞。
發佈公司：元大證券投資信託(股)公司發佈日期：2018/9/6
標題：
台灣資產管理業者中，公募基金規模最大的元大投信，近年也積極發展ai及金融科技應用，並貫徹到公司前中後台管理，從投資研究、智能營銷、風控系統、財會作業系統等，都積極結合ai技術，落實智能化與自動化。
目前元大投信已取得八項發明及新型專利，涵蓋投資研究、產品設計、財會作業、客戶服務等面向的多元創新，充分展現發展企圖心及ai應用能力。
以元大投信所開發的「動態評估用戶交易特性的伺服設備及用戶設備」新型專利來說，利用過去基金客戶實際交易行為特徵（超過500萬筆資料），透過非監督的學習演算法k-means將客戶分群，這項應用將體現於未來新客戶進行客盡職調查（kyc）時，問卷會依投資人交易特徵等問題來判斷客戶風險屬性並分群，再推薦適合的投資組合。
除此，元大投信也積極與第三方學術單位合作，包括台灣人工智慧學校。
9月2日，台灣人工智慧學校第二期的結業典禮中，有11組獲選發表優異成果，其中有組別發表「全球股債相對強弱趨勢預測」研究成果，利用元大投信所提供的資料及標籤，將深度學習方法中的lstm類神經網路，以及機器學習方法中的xgboost模型，應用於預測投資市場變化。
元大投信總經理劉宗聖表示，智能化投資流程已是現在進行式，必須持續投入研發及人才培育，來提供更佳的績效表現與風險控管能力。
簡單來說，機器學習是利用統計方法，讓運算系統有能力從資料中學習，展現人類般的智能，去完成被賦予的任務。而機器學習又具有許多不同的方法，當中深度學習或xgboost，都屬於機器學習的分支之一。
深度學習等類神經網路技術，是基於人類對大腦運作機制的理解，透過人工方式，模仿電子訊號在大腦皮質層中的神經元間傳遞而設計出的技術。
例如辨識出一隻貓，人工類神經網路受人類大腦運作方式的啟發，將圖像轉為機器可理解的像素，以數值形式輸入至建置好的類神經網路，並部署人工神經元來連接輸入層、隱藏層及輸出層等人工神經層，最後經運算提供最終解決策略。金融相關問題中，也可以使用類似的架構在模型訓練過程，給予個股歷史價格及技術指標等基本面資料，結合以目前的個股價格作為正確答案，讓模型輸出的預測值與前述數據比較，達到學習目的。
未來透過ai技術運用，基金經理人不會消失，而是走向人機合作，智能化將幫助經理人在複雜的金融數據中，看到更多機會與風險，也擁有更多時間進行策略建構。<摘錄經濟> 資訊來源：公開資訊觀測站
元大投信衝刺智能化投資
內容：人工智慧（ai）與深度學習（deep learning）已成為2018年最火紅的字眼。今年由cfa institute於北京共同舉辦的一場研討會中，也針對ai對於「資產管理產業」的影響為主題，內容談到，在變化快速的市場環境下，ai帶來的衝擊將使主流使用的模型過時。其中所指的除了技術面模型，也牽涉廣義的管理與營收模式，乃至於專注使用者需求及資料導向的企業文化建立。台灣資產管理業者中，公募基金規模最大的元大投信，近年也積極發展ai及金融科技應用，並貫徹到公司前中後台管理，從投資研究、智能營銷、風控系統、財會作業系統等，都積極結合ai技術，落實智能化與自動化。
目前元大投信已取得八項發明及新型專利，涵蓋投資研究、產品設計、財會作業、客戶服務等面向的多元創新，充分展現發展企圖心及ai應用能力。
以元大投信所開發的「動態評估用戶交易特性的伺服設備及用戶設備」新型專利來說，利用過去基金客戶實際交易行為特徵（超過500萬筆資料），透過非監督的學習演算法k-means將客戶分群，這項應用將體現於未來新客戶進行客盡職調查（kyc）時，問卷會依投資人交易特徵等問題來判斷客戶風險屬性並分群，再推薦適合的投資組合。
除此，元大投信也積極與第三方學術單位合作，包括台灣人工智慧學校。
9月2日，台灣人工智慧學校第二期的結業典禮中，有11組獲選發表優異成果，其中有組別發表「全球股債相對強弱趨勢預測」研究成果，利用元大投信所提供的資料及標籤，將深度學習方法中的lstm類神經網路，以及機器學習方法中的xgboost模型，應用於預測投資市場變化。
元大投信總經理劉宗聖表示，智能化投資流程已是現在進行式，必須持續投入研發及人才培育，來提供更佳的績效表現與風險控管能力。
簡單來說，機器學習是利用統計方法，讓運算系統有能力從資料中學習，展現人類般的智能，去完成被賦予的任務。而機器學習又具有許多不同的方法，當中深度學習或xgboost，都屬於機器學習的分支之一。
深度學習等類神經網路技術，是基於人類對大腦運作機制的理解，透過人工方式，模仿電子訊號在大腦皮質層中的神經元間傳遞而設計出的技術。
例如辨識出一隻貓，人工類神經網路受人類大腦運作方式的啟發，將圖像轉為機器可理解的像素，以數值形式輸入至建置好的類神經網路，並部署人工神經元來連接輸入層、隱藏層及輸出層等人工神經層，最後經運算提供最終解決策略。金融相關問題中，也可以使用類似的架構在模型訓練過程，給予個股歷史價格及技術指標等基本面資料，結合以目前的個股價格作為正確答案，讓模型輸出的預測值與前述數據比較，達到學習目的。
未來透過ai技術運用，基金經理人不會消失，而是走向人機合作，智能化將幫助經理人在複雜的金融數據中，看到更多機會與風險，也擁有更多時間進行策略建構。<摘錄經濟> 資訊來源：公開資訊觀測站