AI金融助手

本文阐述了人工智能技术如何助力金融机构打破传统服务模式，通过智能化变革客户体验、产品创新和服务流程，简普科技等机构在这方面已取得成效。金融行业因数字化转型面临挑战，如投入大和技术要求高，但金融科技的介入帮助降低压力，并通过AI提升风控精准度和金融机构运营效率。同时，其他公司如百融云创和乐信也在反欺诈领域利用人工智能技术取得了显著成果。总的来说，金融科技与金融机构的深度融合正在加速金融行业的智能化转型进程。

Andreessen Horowitz公司的合伙人Marc Andrusko表示 银行和交易新工具 到2024年，我们将看到雄心勃勃的创始人着手解决金融机构所面临的最为棘手的问题。 尽管全球投资银行和交易服务市场年收入接近3500亿美元，但目前仍主要依赖于20世纪80年代建立的内部部署系统和企业软件。尽管银行开始购买基于云的解决方案来满足各种横向需求——如Salesforce用于客户关系管理（CRM），Azure用于云计算，Databricks用于湖仓架构——但在银行业和交易业务中垂直部署的风险建模、交易确认/清算/结算以及客户订单记录等工具仍通常是手动操作（如Excel），过时，或两者兼有！同时，这些机构的购买行为正在发生变化。尝试新工具的意愿达到了历史最高水平。 Andreessen Horowitz公司的合伙人Seema Amble表示 金融专业服务通过软件得到增强 金融专业服务领域的工作——会计师、税务顾问、财富管理经理、投资银行家等——将发生变革。这些职业通常涉及研究和应用所学专业知识，以及客户管理。历史上，软件主要协助跟踪工作流程，仅提供一些分析工具（如会计中的交易分类）。随着生成式AI和LLM技术的发展，更多的工作可以实现自动化，包括行政任务、研究过程（收集和摄取数据、寻找信息）、总结和揭示洞察，以及报告生成。税务顾问可以更轻松地查阅先例来回答问题，会计师可以自动生成财务报表，财富顾问可以在更广泛的数据集上进行情景规划。 软件最终可能完全自动化这些任务，但目前人类在循环中的技能组合将转向专用专业知识、审查生成的成果和面向客户的合作。正如往常一样，创新与分发的竞争将持续：已经与金融专业人士建立关系的现有企业需要将AI融入其软件，而具备现代软件功能的新兴企业需要在新的客户群中寻找并建立信任。 NVIDIA 金融服务副总裁MALCOLM DEMAYO 金融服务，AI 至上：随着 AI 的飞速发展，金融服务公司将会把算力用在数据上，而不是用数据来提高算力。 金融服务公司需要在保持技术发展速度，降低集中风险的同时保持敏捷性，所以需要做出战略转变，即采用将本地基础设施与云计算混用这样具有高度可扩展性的方式。能够处理好最关键工作负载（包括 AI 驱动的客服助手、欺诈检测、风险管理等）的金融服务公司将获得领先优势。

前言 在AI盛起的当下，各类AI应用不断地出现在人们的视野中，AI正在重塑着各行各业。相信现在各大公司都在进行着不同程度的AI布局。笔者致力于对行业内优秀的AI项目和创意进行调研，在进行知识梳理的同时也能达成对大多数人进行AI知识科普的目的。本文主要介绍一下AI的发展给金融领域带来的一些改变，十分中肯。 另外，之前笔者还介绍过几篇AI在金融领域应用的项目，感兴趣的同学可以查看一下： FinGPT——为金融领域的大模型应用提供了更多的可能 Qbot——一款可自动量化交易的AI应用 金融中的人工智能：从移动平均到生成式人工智能 金融行业关乎捕捉变化。如果你做得好，你赢；如果不行，你输。了解人工智能如何显著改变这场游戏。 预测是困难的。一方面，预测股票价格等事物在概念上非常简单——你有一个单变量的图表，对比另一个变量：股票价格与时间的关系。你只希望能够准确预测未来某个时间点的价格。 但在金融领域，惊喜是常态。当公司的业绩超出预期时，股价上涨；当公司表现不佳时，股价下跌。除了定期的财务报告外，惊喜可能每天都会发生，比如自然灾害或你喜欢的名人大量发推文。 有多种方法可以尝试预测价格。其中一种常用的方法是ARIMA模型。ARIMA模型试图在不考虑任何信息（除了历史趋势）的情况下预测股票价格。ARIMA模型可以考虑时间序列的变化均值、季节性和固定方差。 然而，这些模型的缺点是它们不考虑可能导致尚未发生的意外情况的潜在因素。想象一下发生在10年一次的事件，比如经济泡沫。ARIMA模型可能根据历史数据预测股票价格的趋势，但导致泡沫的因素是独特的，更多地取决于当前的经济状况，而不是历史趋势。 在一项分析中，哈佛商业评论发现ARIMA在预测方面表现最差，而金融专家的表现更好。你会发现，尽管专家大部分时间都是错误的，但平均而言，他们表现得足够好。共识经济预测的误差足够小，使它们对做出决策具有价值。 金融领域的预测模型一直受到批评，例如未能预测到2007年的金融危机，低估了复杂金融资产中固有的风险。然而，人工智能的相关性可能会完全改变这一情况。 现在有什么不同之处呢？ 近期的技术进步使我们在数据收集方面非常出色。而数据无处不在。当然，有关市场实时表现的金融数据是必不可少的，但还有许多与之相关的实时事件的数据。 新闻都在线上——所以这些都可以被获取到。人们在社交媒体平台上如Twitter、TikTok、Facebook等透露出他们真实的情感。而且还有许多其他数据来源，让我们能够了解现代社会的脉搏。 我们已经看到人工智能在处理这些信息的多项任务中展现出强大的能力。其中一种经典的问题类型是自然语言处理（NLP）相关的问题。NLP涉及从文本数据中提取信息。情感分析就是一种经典的NLP任务。 黑石集团每个季度使用情感分析从超过5000个盈利电话会议记录和每天超过6000份经纪人报告中提取信息。传统的方法是由人工逐篇阅读报告。人工智能可以规模化地自动化这种过程。这类信息对投资组合经理等人来说是有用的，可以帮助他们做出明智的决策。 利用人工智能构想金融未来 到目前为止，人工智能和语言模型在范围上受到了限制，仅限于情感分析、根据历史趋势预测价格等任务。 黑石集团使用Aladdin平台，该平台统一了投资组合的管理。他们能够以前所未有的规模动员数据。人工智能技术将数据转化为有价值的见解，例如市场情绪的图表。分析师可以查看各种图表和趋势，选择他们认为有意义的投资。 虽然人工智能可以用于制作各种图表和指标，但我们目前缺乏的是一种能够将所有这些类型的信息综合起来，并做出类似金融专家的决策的人工智能。而生成式人工智能（如ChatGPT、BloombergGPT等）可能在这方面发挥改变游戏规则的作用！ 世界知名量化金融教授Bryan Kelly表示： “像ChatGPT这样的生成式人工智能工具使投资组合经理能够更高效地处理新闻或其他金融文件。” 我们已经看到，像ChatGPT这样的模型可以从复杂的用户输入中产生逼真的输出，就像在与专业的专家交流一样。同样，金融生成式人工智能模型很快就可以处理包括市场趋势、热门新闻、新闻声明、情感等在内的复杂信息，并做出与全球最优秀的投资组合经理类似的决策。 在EMAlpha，我们不仅在等待生成式人工智能改变金融，而且积极引领多语言人工智能和金融的前沿。由于网络上近一半的信息存在于非英语语言中，世界各地的非英语使用人口以前所未有的速度成为互联网用户，因此有必要开发能够处理尽可能多语言的人工智能。EMAlpha使用其专有的多语言人工智能为金融市场创建情感、趋势和各类风险数据和分析。 EMAlpha的多语言人工智能（Multilingual-AI）可帮助宏观、大宗商品和新兴市场投资者更好地发现新兴趋势，并在这些市场中应对一直存在的风险。如果没有获取当地语言中可能存在的信息，人工智能就无法透视这些地区的“实地”情况。以智利为例，智利是全球最大的铜生产国，其新闻和当地媒体主要使用西班牙语。多语言人工智能可以揭示铜价波动与当地情绪之间的根本原因。 想象一下土耳其选举、其热门股票市场和土耳其语新闻媒体。有许多例子表明，投资者可以从访问这些数据中获益。最后，尽管大多数生成式人工智能似乎专注于英语信息，但EMAlpha致力于开发自己的多语言生成式预训练模型（GPT），名为EM-GPT，其中EM代表新兴市场。EM-GPT将使投资者能够及时了解新兴市场的数据和信息。 资源 1.《经济预测师值得倾听吗？》- 哈佛商业评论[1]2.动态随机均衡 – 维基百科[2]3.《预测无法预测》- 哈佛商业评论[3]4.Financial Time Series Forecasting with Machine Learning Techniques: A Survey – arXiv[4]5.Using...

本文强调了入门金融学首先要理解金融市场，将其比喻为金钱的搬运工，并指出目的是赚钱而非成为经济学家。作者反对盲目看书学习，而是提倡从实际出发，了解金融基础知识，如开盘价、交易规则等。技术分析被分为基本面和技术面，基础是理解和接受三大前提，数学好的人可研究指标，而实践和反思（通过复盘与日记）至关重要，最后要根据个人特点选择并优化投资策略，形成自己的体系。入门金融需要脚踏实地，而非急于求成。

M. Dowling's article delves into the complexities of human decision-making by exploring cognitive biases and their impact on judgment. It offers insights into how individuals can overcome these biases through strategic thinking and mindfulness, ultimately fostering more rational and accurate choices in daily life.

这篇文章讲述了可持续金融的重要性和快速发展，它通过考虑环境、社会和企业治理因素进行投资决策。目前，ESG 行业规模达到 40 万亿美元，金融机构如投资银行和资产管理机构开始重视 ESG 指标。企业为了展示其可持续性，会衡量并优化这些指标。AI，特别是自然语言处理技术（NLP），在理解和分析大量非结构化数据中起着关键作用，通过识别关键词和情感来提取ESG信息，为金融决策提供依据。尽管ESG是相对较新的趋势，但随着AI的普及，它正在改变金融行业并推动可持续投资的发展。

本文主要介绍了GPT-3这样的深度学习模型在金融科技领域的应用和最新前沿科技方向，包括自动报表生成、信息检索分析以及新闻撰写等潜在爆点。通过GPT-3，用户可以实现财务报表自动生成，智能金融数据分析，甚至伪造新闻以影响市场决策。同时，文章指出，深度学习技术如自动化流程和多渠道综合信息获取将推动金融科技的未来发展，消灭人工重复工作，并提升数据处理和预测能力。总的来说，GPT-3引领的金融科技趋势充满潜力，对行业深度优化和投资决策具有重要影响。

Twitter博主通过实验证明GPT4在金融和日常服务中可自动识别并取消无效订阅，帮助管理健身会员，甚至起草合理法律文件要求退款，展现大模型在垂直领域的潜在应用价值。这预示着未来AI可能成为个人生活中便捷的助理，如规划旅行等任务有望一键解决。

天风计算机团队 作者 | 缪欣君 详细信息请联系 | 李璞玉 摘要 当前市场大家普遍认为，大模型基于其通用性，会在C端市场攫取更多发展空间。但结合论文《GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models》中的观点，大模型的能力或在未来引起行业层面对人力资源的需求降低。产业的变革，由产业的软件触发。据此我们判断，当前时点大模型在B端的发展机会或被低估。 从落地角度看，GPT在金融业推广的两个基础已经具备。1）看需求，客服与销售人力成本高昂有望为AI替代提供广阔空间。金融行业人力支出高企，以保险为例，代理人薪酬开支达万亿，IT支出仅为其的1%。考虑保险代理人数量持续下滑，我们判断保险公司或有意愿探索更高效的业务拓展方式。2）看场景，AI在金融行业多领域已具备使用基础，落地场景丰富。根据产品分类，现有金融+AI应用的包括AI风控、智能客服、智能营销、智能保险、智能投顾、智能投研等。过于由于技术能力限制，AI相关的交互往往体验不佳。而大语言模型卓越的情感分析、意图识别与学习能力有望有效解决这一问题。 从技术角度看，预训练模型调优与自研大模型有望为金融业AI应用再赋能。在优质语料库的预训练下，LLM可以获得基本的语言理解和生成技能。指令调优可以提升大模型在金融领域对专业性问题的理解能力。对齐调优有望保证金融行业大模型落地的合规性。 对于金融IT公司，业务理解与训练数据构成AI核心竞争力。我们认为，1）服务于准确性，训练数据的质量与数量构建成为金融领域大模型应用的核心竞争力。2）服务于可用性，基于对业务的理解基础，对产品进行AI赋能，保证了应用软件最终的可用性。 在数据+业务理解能力双重占优的背景下，我们判断头部金融IT厂商有望受益于本轮技术革新，构筑新一轮的成长。 彭博社发布的BloombergGPT显示出金融界大模型的应用潜力。而受益于金融IT基于AI的应用基础，以及明确的市场需求潜力，金融领域的GPT革命或刚刚开始。 建议关注金融IT相关标的：ToB：保险IT：中科软、恒生电子、新致软件等。证券IT：恒生电子、顶点软件、金证股份等。银行IT：长亮科技、京北方、宇信科技、软通动力、神州信息等。ToC：同花顺、东方财富（海外&传媒组覆盖）、指南针、财富趋势等。 风险提示：AI应用落地不及预期；金融GPT进展不及预期；大模型进展不及预期。 前言：由OpenAI论文看B端金融GPT的潜力 2019年以来，大语言模型能力加速提升，入局厂商与模型涌现。据Wayne Xin Zhao等人论文《A Survey of Large Language Models》统计，2019年以来，参数量超过10B的大模型有47个，其中开源大模型20个，闭源大模型27个，大语言模型迅速发展。 大语言模型对各个行业均有影响，对金融行业的潜在冲击最大。根据OpenAI论文《GPTs are GPTs: An Early Look at the...

本篇文章回顾了前几期的内容，强调了探讨的重要性。通过深入解析关键议题，文章展示了如何通过批判性思维促进理解和创新，强调了摘要中提到的几个核心观点——从多个角度审视问题、挑战既有观念以及运用逻辑推理进行分析。