2019 年 11 月，公司创始人郑羽和格拉斯哥大学 Bowei Chen 以及爱丁堡大学 Timothy M. Hospedales、Yongxin Yang 合作的金融与人工智能交叉领域论文《Index Tracking with Cardinality Constraints: A Stochastic Neural Networks Approach》被人工智能领域国际顶尖学术会议 AAAI 接受并邀请做口头报告。
随着被动型基金渐成市场主流，指数追踪（Index Tracking）这一核心策略也吸引了学界和业界的关注。指数追踪有两个难点：第一，为了便于风险管理和控制交易成本，基金管理者倾向于投资较少数量的资产（Cadinality Constraints）来重现某个指数的业绩。第二，在指数追踪策略中，资产的选择和资产的分配往往被当作两个独立的问题，这样求解会导致一个次优的投资组合。
在这篇文章中，作者提出一个全新的基于随机神经网路的数学优化算法，在固定资产数量的同时，创造性的把资产选择和资产分配统一到一个优化问题中，明显的提升了求解效果。通过长达 10 年的回测（Considering Transaction Cost and Survivorship Bias），本文提出的算法，无论在效率上，还是最终效果上，均优于工业界常见的解决方案，在指数基金中具有广阔的应用前景。
本文中算法的核心基于随机神经网络这一深度学习的最新研究成果。资产选择和资产分配被当作两个独立问题的根本原因在于，前者是一个离散优化问题，而后者是一个连续优化问题。此类问题的常见解决方案是把第二个优化问题（资产分配）合并到第一个优化问题（资产选择）中，然后使用启发式算法，如遗传算法求解。但是这样做的效率极低，很难在工业界中得到实际应用。
本文作者采取了一个相反的思路：为第一个离散优化问题寻找一种近似的梯度，从而把它合并到第二个连续优化问题中去。作者根据蒙特卡洛梯度估计的思想，设计了一个可微分的变量选择过程，从而把资产选择和资产分配统一到一个可以由梯度降线解决的框架里。由于梯度带来的额外信息，优化的效率获得了极大的提升。除了在指数追踪方面的应用，本文为更为一般的变量选择问题和监督学习问题的联合求解提供了新的思路。
AAAI会议 （Association for the Advance of Artificial Intelligence）是由美国人工智能协会主办，每年吸引学术界和企业界逾千人参加。该协会是人工智能领域的主要学术组织之一，其主办的年会也是人工智能领域的国际顶级会议。在中国计算机学会（CCF）的国际学术会议排名以及清华大学新发布的计算机科学推荐学术会议和期刊列表中，AAAI 均被列为人工智能领域的 A 类。今年该会议投稿数量高达 8800 余篇，最终接收 1591 篇，接受率低于 20%。AAAI 会议始于 1987 年，现已是第 34 届，2020 年的 AAAI 将于 2 月 7 日至 12 日在纽约曼哈顿中城举办。这次会议邀请到了 2018 年图灵奖获得者 Yoshio Bengio、Geoffrey E. Hinton和Yann LeCun 进行大会演讲和分组讨论。