金融数据挖掘，是一个融合金融和数据挖掘的交叉学科。当前，在这一领域搞科研的人中，有计算机研究者，也不乏金融工程学者。中国科学院计算技术研究所副研究员敖翔，就是这一领域的一位计算机研究者。

　　“计算机研究者更加侧重利用数据，特别是文本、行为等以往并未被很好利用的新兴数据。研究设计复杂的智能算法来分析数据；而金融工程学者则更擅长从金融业务出发，研究哪些数据对某个应用有直接影响，显著性如何，等等。”在敖翔看来，这两类研究相辅相成，协同发展。多年来，敖翔一直将精力和感情倾注在金融数据挖掘的学术研究之中，取得了不少成果。

　　2015年，敖翔博士毕业，留在中科院计算技术研究所，成为一名助理研究员。当年底，他和上海证券交易所合作，研究如何发现违规交易行为证据。“这个项目，开始因为我不是很了解金融业务，进展不太顺利。后来通过学习了一些业务知识，最终设计出非常快速的并行挖掘算法。”敖翔说，他和团队成员将计算时间的级别从“天级”缩短到“秒级”，大幅加速了计算时间。此后，这一算法在很多场合使用。

　　学术研究过程中，敖翔感觉最快乐的，莫过于设计的计算机算法在实际生产生活中发挥了切实功用。

　　2017年底，敖翔和某金融机构合作一个金融舆情情感分析项目，研究财经新闻里是否可能蕴含公司债违约风险的算法。这个算法，受到了人工智能国际顶级会议的关注，还于2018年部署在某公司智慧债券的一款产品中。“相当于在原产品的风险评级模型里加入了领先因子，大幅提升了预警准确率和提前预警的时间窗口。”后来，那款债券产品成功拉升了市场占有率，国内一些银行、券商和保险公司都开始使用。

　　“我们从事应用基础研究，最希望的就是论文里的算法能够落地，有实际贡献。”敖翔说，一个好的算法，不是追求模型的过于复杂，而是在实际场景中能用、好用、易用，这也是他们一直努力的方向。

　　随着研究日益深入，敖翔也逐渐发现金融数据挖掘领域的纠结之处。在他看来，金融领域是具有悠久历史的传统行业，这一行业积累了非常优秀的行业规则和专家经验等。然而，人工智能和金融数据的结合方法，目前主要集中于通过输入原始数据，让数学模型自动提取特征并判别任务，“这其实在金融行业并不完全适用”。敖翔认为，这种模式缺乏可解释性，难以辅助金融决策，而且不利于行业知识长期累积。如果要解决这一瓶颈，需将金融行业知识和深度学习方法巧妙结合，找到创新点。

　　如今，敖翔已在数据挖掘、人工智能领域的国际顶级期刊和会议上发表论文20余篇，主持国家自然科学基金、CCF—腾讯犀牛鸟科研基金、蚂蚁金服安全专项科研基金等近10个项目。

　　未来，敖翔的最大愿望，是围绕金融监管领域，为国家金融发展作出应有的贡献。（本报记者 梁剑箫）