近期，隨著華為、百度等大廠紛紛高調發聲金融大模型，金融大模型浪潮炙手可熱。

在這樣的大背景下，由通聯數據股份公司（以下簡稱通聯數據）和深圳市投資基金同業公會聯合舉辦的“大語言模型賦能資產管理高質量發展峰會”9月22日在深圳召開，一眾來自金融機構、科技公司以及研究院的專家學者圍繞大語言模型的理論與應用、發展與趨勢等進行熱烈探討。

通聯數據總經理蔣龍在開幕致辭中表示，隨著AI和大語言模型的發展，科技賦能資產管理和財富管理高質量發展的作用會越來越大。當然，未來大模型技術本身還有很大的發展空間，大模型技術也未必是通用人工智能技術的最后一站，AI賦能資產管理和財富管理還有非常廣闊的空間。

虛擬專家和智能客服

大模型在資管領域能夠干什么、或者說應該干什么？

對此，麥肯錫全球董事合伙人、大中華區資產管理和財富管理負責人馬奔表示，我們正站在“萬物AI”的時代風口中，“如果說從2006年開始的移動互聯浪潮大幅度加速了信息交互的速度和便利性，那么生成式AI則將從根本上改變人機互動的方式和全域信息的提取、分析、總結、學習和生成的方式。

他認為，生成式AI在資產管理領域的應用廣泛，同時潛力巨大；“我們認為最有潛力的應用是以智能研究助手提升投研效率，利用虛擬行業專家提升行業研究專業性。此外，生成式AI對資管公司加強營銷和投后陪伴內容自動化、個性化生成也具有重要價值”。

他進一步把大模型在資管領域的潛在應用歸納成三個重點：第一個是虛擬助手、第二個是虛擬專家、第三個是智能客服。

“虛擬助手圍繞資管價值鏈可以賦能研究員、賦能投資經理，也可以賦能渠道和機構銷售，以及市場營銷團隊，幫助他們提升效率，降低低價值工作在整體工作時間的占比”，馬奔說。

至于虛擬專家，馬奔認為，“大模型的行業垂直應用將在未來2至3年內在各行業全面鋪開，屆時各行各業都會產生基于生成式AI的虛擬專家，這將為資管公司未來投研獲取信息，分析信息的方式帶來更多可能性”。

馬奔還認為，虛擬專家在財富管理，特別是投資顧問領域也會有更大的發展，比如，資管公司未來在渠道客戶服務、基金投顧，養老金等業務上，不只需要向客戶提供產品，也需要提供投顧賦能服務甚至投顧建議?！拔磥碣Y管公司商業模式在從資管向財富管理延伸的過程中，虛擬投顧專家的應用將非常關鍵”。

最后一個則是智能客服。他表示，屆時智能客服可以直接面對客戶，包括渠道客戶、C端客戶等?！艾F在一些全球資管公司正在加速推動智能客服機器人的升級，從而大幅度提升渠道客戶投后服務和營銷的效率。比如智能客服機器人可以基于客戶持倉盈虧的不同情況，自動生成針對性的投后陪伴內容?！?/p>

通聯數據總經理蔣龍在接受媒體采訪時亦表示，從AI對研究分析工作的滲透度來看，其參與度越來越高，這是毋庸置疑的。隨著時間推移，AI能做的事情越來越多。值得注意的是，雖然人做的事情在占比上減少，但卻會是最具有價值的那部分。從這個意義上可以說，科技的參與比重在上升，而人的勞動比重在下降，但人的勞動價值在提高。在AI助力下，人有更多時間和精力，做更有創造性的事情。

通聯數據智能投研業務中心總經理許丹青亦表示，大語言模型對很多行業來講，都是范式的顛覆創新；“對資管行業也是這樣的，整個范式是三位一體的：一是信息系統、二是模型系統、三是決策或行動系統。我們認為，在整個智能資管領域，這個系統的三個關鍵詞應該是信息、數據和觀點。因此，現在是主打AI投研助理的階段，我們會用大語言模型能力把投研非常多的場景重新做一個實現，這里主要是在找信息、看研報、查數據、寫點評和做復盤等方面提供助理級別的服務支持?！?/p>

對量化金融的影響

近期，市場上對于量化交易的討論較多，而在金融行業中，量化金融與科技的關系亦最為密切而直接。因此，隨著AI大模型時代的來臨，其將會對量化金融產生哪些影響亦受到市場的關注。

鵬城實驗室研究員（正高級）孫東寧表示，由于自身一直在做量化方面的研究，深感在人工智能大模型這個浪潮中，量化投資方面有一定的落地空間：“第一個是數據收集和管理；第二個是市場分析預測；第三個是因子開發尤其是文本相關的因子開發；第四個是組合構建；第五個是風險控制。組合構建的時候，我們需要判斷出應該在哪些風格因子上打開或關掉，或者開放多大的風險敞口。如果有一個大模型能夠提供市場走勢和把控風格的判斷，將有助于我們構建策略和優化組合?！?/p>

此外，談到大模型對量化金融有哪些啟示時，孫東寧認為，模型結構由RNN家族向Transformer的轉變大大提高了計算效率和長程記憶性，訓練范式由監督學習向自監督學習的轉變極大地拓展了非標注數據的使用，從而使大規模訓練成為可能，能力隨著規模涌現。對于大模型時代的量化金融，文本數據從市場監控、因子開發、風格識別、組合優化乃至風險敞口管理都有重要的價值，大模型以及Prompt微調的范式為處理文本數據、降低文本處理的人力成本和時間成本提供了高效便捷的工具，使非結構化文本數據不再另類，極大降低了領域適配成本。

“量化基本面方面，交易型策略逐漸擁擠，支持規模有限，量化私募轉型中低頻；中低頻交易需要對宏觀、市場、行業、公司有更深入理解，低成本處理文本數據使得數據更加多維度，將運營數據、新聞輿論、分析師數據等有機地結合起來?！睂O東寧認為，大模型為人和系統（機器）深度融合、互為決策流程提供了可能性。在量化投資方面，一些前沿的研究者在探索跨品種、多時間尺度數據的聯合訓練，建立綜合的時間序列預測大模型，為具體的垂直微調模型提供一個基礎底座。

但在金融大模型備受關注的當下，其面對的一個現實問題是，資管領域是一個十分嚴謹的領域。那么，在這樣的背景下，不管是科技公司或者資管公司，在運用大語言模型當中，應該注意哪些事項呢？

對此，馬奔強調，要用大模型就要用它的優點：“首先它不是萬能的，目前其在普適性信息上的智能化程度較高；第二，目前大模型更適合總結過去存量的信息，在預測未來的有效性上仍在探索階段；第三在合規風險比較大、比較敏感的領域，對大模型的應用要有相應的風險管控措施安排”。

馬奔進一步表示，模型風險管理是目前全球很多金融機構的關注重點，他們普遍都建立了規?；膶I模型風險管理團隊。

“未來大模型是多模型的架構，有些是公用的，有些是本地化部署。在未來的大模型框架下，對模型風險管理的要求會越來越高?！彼f。

責任編輯：韓希宇