（一）项目准备：关于人工智能的策略投资系统。
首先肯定是理论模型设计，系统风险管控主要分几方面展开：
1、利用自然语言处理（NLP）技术，监控网络舆情事件，对网络舆情进行情感分析，给出定量描述（利空/利好），并自动化生成内容摘要供投资经理参考。
2、利用产业链图谱，分析上市公司上下游企业经营状况（销售收入、利润及财务数据等），用来推断企业未来的盈利能力或隐藏风险。
3、监控上市公司主要产品市场价格与成交量信息，用于预测未来的营业收入。
4、对上市公司银行流水进行识别分析，从资金流的层面审视上市公司经营状况。
5、对行政、司法公告进行智能化解读，识别上市公司法律风险。
验证：
1、需要经过一段时间（6~12个月）的实盘运行，取得了模型成绩与沪深300指数对比，收益高于200%倍认为成功；低于100%则认为失败，区间应不停改进。
2、系统对上市公司风险事件几乎能够100%俘获，只要是后期出现债务违约或债券价格大跌的标的，都能被系统提前捕获（比如康美、康得新、中安消防等）。
3、错报控制，风险告警遗漏率为零，风险分布区间准确率大于80%。低于80%，属于无效预警，还可能导致调仓过度频繁，冲击成本过高；特别是债券，一时间找不到交易对手方，只能折价卖出，最终导致债券投资这部分是亏损的。
4、对"稀有事件"的提示能力。稀有事件没有历史数据可以模拟，无法计量，人工智能就更没有办法了。从信息论的角度来看，越是稀有的事件，信息量越大，市场就会过度高估它的作用，特别是出现恐慌性、群体性大跌时，大概率就是抄底好机会。结论：金融市场的走势主要受未来不可预测因素影响，已知因素对其影响非常有限，而我们投资者（包括AI），只能从已知事件中得出结论。
- 发生稀有的大事件，市场没有经验，你认为自己可以更深刻地解读它，并愿意承担相应的风险。疫情事件投资属于此范畴。
- 对于已知事件，你认为市场对该事件反应过度或反应不足，尚有后期影响可以利用。在信息极其畅通的今天，公开事件往往是反应过度。
- 对于已知事件，某些资金的特性决定了，被迫做出了某些动作，而不是基于标的价值的考量。