这家新加坡银行的AI平台使用来自三个市场的证券交易所数据进行训练,能够预测价格走势并根据用户的个人风险状况及交易模式生成选股建议。

华侨银行(OCBC)推出一款由人工智能(AI)引擎驱动的选股工具,其中这套引擎则由来自香港和美国等三大全球市场的证券交易所数据训练而成。
这一名为AI Oscar的AI平台采用新加坡证交所、香港交易所、纳斯达克、纽约证交所以及美国证交所的4000只上市股票数据进行训练。根据华侨银行的经纪子公司华侨证券称,这些数据涵盖了过去超过10年的股票基本面、宏观经济因素、市场模式以及与股票相关的技术指标。
华侨银行表示,训练数据仍在每天更新以保持AI平台的最新状态,并由该银行的数据科学家及交易策略师团队不断进行微调。他们还会评估最新的AI建模技术,以努力提高AI Oscar的预测准确性及市场理解力。
具体来讲,这款AI工具能够预测股价走势并根据用户的个人风险状况及交易模式生成选股建议。分析过程会涵盖投资者过往的交易活动及人口统计数据。
以此为基础,该工具每周可生成15只推荐股票,分别来自全球三大证券交易所——也就是华侨证券客户交易最密集的平台。
该银行表示,“这种个性化能力将帮助投资者筛选出最可能满足其交易偏好及标准的股票,并可立即采取交易行动。”
该银行还补充称,这款AI工具已经率先于去年10月至今年4月在新加坡国内股票上进行了试点,而后又逐步扩展至美国和香港市场。
AI Oscar平台通过iOCBC移动端应用、iOCBC在线交易平台以及电子邮件,为华侨证券的客户提供免费服务。
华侨银行还为此制定了明确的目标,希望这项新服务能够在未来三年内将35岁以下的活跃客户数量提升一倍。去年,这部分客户群体进行的全部交易中有约97%通过数字平台完成,直接绕过了人工经纪的建议或指导。
此外,华侨银行还表示,2023年内年轻投资者贡献了超过半数的新增交易账户,并指出AI Oscar将主要面向这些自主投资客户。
华侨银行称与去年试点之前的几个月相比,试点期间35岁以下投资者的交易活动增加了50%。
“与基于一组预定标准做出决策的规则型模型不同,AI Oscar能够发现数据中的模式以建立动态预测参数。”该银行还强调,这套平台由基于神经网络模型的深度学习算法提供支持。
华侨证券董事总经理Wilson表示,“投资者虽然不缺少获取广泛信息的渠道,但最大的挑战仍在于如何找到与自身相关的信息,并将其提炼为可操作的交易理念。在如今这个快节奏的时代下,这种能力正显得尤为重要。AI Oscar满足了这一需求,我们希望它能成为一种不可或缺的投资工具,特别是对于偏好自助服务模式且精通数字技术的年轻投资者而言。”
这款AI工具生成荐股理念的能力,也将在银行交易代理和客户之间建立起良好的讨论与协作起点。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。