加速人力替代？AI+ 金融大动作频频

6 月 19 日，AI 继续活跃，其中细分 AI+ 金融异动，金证股份涨停，同花顺，财富趋势等大涨。

催化上，近期 AI+ 金融领域近日动作消息频频，国盛证券最新研报指出，AI+ 金融可分为四个层次：传统机器学习、大模型 + 微调、大模型预训练、智能投研，需要加大重视金融AI。

AI+ 金融动作消息频频

6 月 18 日，据中国基金报消息，兴证全球日前宣布，该公司与 Qtrade 联合打造的 AI 智能交易员 “兴宝” 上线，成为首家将 AI 技术应用于资金交易领域的基金公司。

兴业基金也官宣，自研开发 “兴小二” AI 债券交易机器人，兴业基金也由此成为在外汇交易中心 iDeal 平台首家上线智能询价机器人的公募基金公司。

资料显示，AI 交易员不仅能通过关键要素的识别和提取，并主动发起提问确认，实时提取深层次意图，快速获取对手方意图；而且可以通过不断地问答交流，经过一系列的询价议价过程，完成手方的询价需求采集，并将询价状态实时反馈给交易员，获取最终匹配交易反馈给交易员，和对手方确认后即可完成交易。

据悉，自上线以来，AI 交易员替代了大量重复劳动，极大提升了工作效率，降低了操作风险，5 月 19 日上线以来成交量逾百亿。

此外，前段时间有私募基金公司宣布利用 AI独立管理私募产品。

6 月 1 日，私募公司止于至善投资发布公告称，拟安排公司 4 位研究员，以及 AI机器人（暂定名为赛博坦），独立管理 5 只不同的私募基金。AI 基金经理赛博坦将单独管理止于至善 1 号，并由公司总经理监督。

止于至善投资总经理表示，AI 基金经理赛博坦和目前的量化机构的程序化交易有三个不同，首先是不使用量化因子，其次是不依赖金融逻辑，第三是基于深度学习去做的投资。从效果来看，和主观管理相比，收益不变的情况下，AI 降低回撤至少 10 个百分点，效果很明显。

海外方面也有动作。

6 月 7 日，美国金融科技公司 Broadridge 子公司 LTX 宣布，推出一款基于 GPT-4 大模型的聊天机器人APP——BondGPT，可回答各种与债券相关的问题，并帮助用户解决相关问题，该产品号称将增强 10.3 万亿美元的美国公司债券市场的流动和价格发现。

Broadridge 在公告中表示，所有 LTX 客户都能够使用 BondGPT。据介绍，已有 30 多家交易商和 80 多家资产管理公司在使用 LTX 平台。

金融行业坐拥数据富矿

东吴证券表示，未来 AI 模型的竞争力或体现在数据质量和稀缺性，在细分领域的大模型应用将更依赖于高质量的训练数据，从而建立更专业的应用。

而华泰证券指出，金融行业数字化程度领先，拥有数据富矿，有望成为 AI 大模型率先落地的垂直领域之一。开源证券也表示，金融行业拥有大量 C 端用户群体，积累了海量数据，应用场景丰富，是优质 AI 落地场景。

从应用端来看，据华泰证券梳理，AI 生成式和理解式大模型在银行、保险、资管、投研、投顾等多个细分领域正在落地或拥有潜在落地场景，帮助金融机构降本增效。具体来看，

1）银行领域，大模型可助力数据洞察能力提升，赋能高质量顾问式金融服务。

具体来看，理解式大模型可以用在信贷风险管理、智能获客和产品识别等场景，通过提升银行的数据洞察理解能力，来更好地识别客户需求以及评估客户信用风险。

例如，英伟达和德意志银行合作测试 Financial Transformers(Finformers) 大模型，能够从非结构化数据中提取关键信息，以提供早期风险预警信号。度小满的智能征信中台将 LLM、图算法应用在征信报告的解读上。

生成式大模型则可提高客户服务质量，智能客服既能与用户进行多轮对话，还能提出具体可行的解决方案。例如，中国工商银行发布了 AI 金融行业通用模型，智能客服在识别客户来电诉求和情绪的准确率上有显著提升。

2）投资研究领域，大模型可以成为投研从业者的 “全能助理”。

理解式大模型不仅可以辅助了解国内外的宏观政策、行业信息、公司和产品信息，并将关键信息进行抽取与提炼，还能通过对海量非传统数据进行挖掘来发现另类投研因子。生成式大模型则能实现研报的自动生成和翻译。

3）投资顾问领域，大模型不仅能充分利用自有内容资源，还能帮助全方位分析客户需求和市场趋势，提供自动化的投资建议。

比如，同花顺应用 LLM 来构造合规、准确的投顾助手，通过 Double-Check、多轮对话等模式，消除对话中的歧义、更好锁定投资者意图，从而准确了解用户画像来设定投资目的及风险承受度，并提供自动化的投资建议。摩根士丹利已经接入 OpenAI，充分挖掘自身庞大的研究资源和数据库，为财富管理顾问提供帮助。

4）财经新闻领域，理解式大模型帮助理解和判断财经新闻文章中的情感走向，生成式大模型助力更准确的金融问答和资讯写作。

例如，彭博社近期发布的BloombergGPT 得益于大规模金融垂直领域的文件、行业新闻、社交媒体等文本数据集的训练，能够理解财经新闻背后的市场 “情绪”，辅助金融资讯写作，这解决了通用 NPL 模型在金融领域应用的痛点。

中信证券还提到，由于 ChatGPT 在语义识别和人机交互方面的技术突破，其对金融科技可能产生的影响还包括：可能突破财富管理的投顾瓶颈。

其表示，财富管理是金融科技最大的增长点，第三方财富管理（含保险在内的大理财）最大痛点是投顾服务线上化，投顾服务线上化的难点是用户交互，而 ChatGPT 为用户交互体验大幅提升提供可能性。

但也有局限性

值得一提的是，兴业证券也提到，中短期 AIGC 技术在金融领域的应用仍有一定局限性，金融垂直细分领域具有其特殊性：

一方面金融行业的应用场景往往对实时性要求较高，同时涉及对时间序列数据进行分析，不同时间区间的训练样本可能导向截然不同的结论。

另一方面，金融领域对于合规性及内容严谨性的要求高于大部分行业，目前 chatGPT 根据统计学模型生成的结果无法完全保证内容的正确性与准确性，也无法验证其数据来源。

不过从更长期视角来看，其预计 AIGC 在金融领域的应用方式或将包括商业化落地产品 + 类似基础设施的生产力工具两大方向。