三月下旬的一个下午，林晨抱着笔记本走进陈博士办公室的时候，白板上还留着上午产品评审的痕迹。他拿起板擦把那些流程图擦干净，然后拧开记号笔的盖子。
陈博士正在回邮件，头也没抬。你那个数据方案，想清楚了？
想清楚了。但先说一个前提——林晨在白板左上角写了个数字：70%。券商授权数据大概只能覆盖我们需要的七成场景。国泰那边总量策略和行业配置签了，个股深度锁死不给。另外两家还在谈，别乐观，一家进度卡在法务审条款，另一家连技术对接人都还没定。
陈博士这才转过来，靠在椅背上看着白板。七成不够。剩下三成你怎么填？
公开数据。林晨在白板上画了第二个框，年报问询函、监管处罚公告、投资者关系活动记录——全是交易所和证监会公开的，没有版权问题。张雨的爬虫已经搭好了，第一批八千份问询函正在入库。
八千份问询函，质量怎么样？
参差不齐。有的问询函回复特别详细，连子公司担保链都拆开了写；有的就几页套话。林晨顿了顿，但量摆在那儿，清洗之后可用的部分我估计能过半。而且问询函有个天然优势——它是交易所质疑上市公司时发的，里面的措辞自带风险线索标记。模型从这种语料里学到的风险信号，比研报里四平八稳的分析要锐利得多。
陈博士站起来走到白板前，盯着那个第二个框看了几秒。你说公开数据没有版权问题——技术上没有。但你有没有想过一个问题：你爬了几千份问询函喂给模型，模型输出的时候如果有一段跟某家公司问询函回复的措辞高度相似，那算不算侵犯这家公司的信息权？
林晨的手停在记号笔上。
这个问题他确实没有深入想过。问询函是公开文件没错，但如果模型生成的文本和某家上市公司的回复原文高度重合，在金融合规语境下确实可能出问题。尤其是涉及未公开的经营数据——虽然出现在问询函回复里，但那家公司可能并不希望这些信息被AI模型重新组合后二次传播。
我加一条规则——林晨在白板上写了几个字，输出环节做去重。模型生成后过一遍跟训练语料的相似度比对，超过阈值的段落自动标注来源并附原文链接。跟我们在国泰那边的溯源设计一脉相承。
陈博士点了下头，视线移到白板空白处。还有呢？券商授权和公开数据加在一起，缺了什么？
市场微观结构。林晨在白板最右边画了第三个框，研报讲的是机构逻辑
（本章节未完结，点击下一页翻页继续阅读）
正在加载...