AI金融助手

📈 大模型技术在金融领域的应用正迅速发展，预示着智能金融新时代的到来。🤖 金融行业通过大模型技术提升工作效率，优化决策过程，增强客户服务体验。🌐 国内外金融科技企业积极探索大模型应用，推动金融服务的国际化发展。🛠️ 金融领域大模型面临专业性、情境理解、合规性等挑战，需针对性技术优化。📚 金融大模型的评测框架需结合业务合规性、事实准确性、推理正确性等多维度因素。🎓 金融大模型人才需求激增，教育体系需调整创新以培养跨学科复合型人才。🔍 金融大模型的应用实践案例展示了评测的具体步骤和实际业务应用效果。🌟 跨界合作与持续学习机制成为金融大模型人才培养的关键，以适应不断变化的市场需求。 专知便捷查看 便捷下载，请关注专知公众号（点击上方蓝色专知关注） 后台回复或发消息“BMFS” 就可以获取《大模型在金融领域的应用技术与安全白皮书2024》专知下载链接 点击“阅读原文”，了解使用专知，查看获取100000+AI主题知识资料

我们来继续关注大模型相关的技术进展，来看看两个有趣的工作，一个是关于大模型用于股票金融分析，其中用到了RAG。另一个是大模型用于图表理解，最近在做相关的工作，所以也一并整理出来，供大家一起参考并思考。 一、大模型+RAG用于股票金融分析框架Stock-chain‍‍‍‍‍‍ 我们来看看一个RAG来做金融分析任务。金融分析任务主要包括两个关键领域，股票走势预测和相应的金融问题解答。目前，机器学习和深度学习算法（ML&DL）已被广泛应用于股票走势预测，并取得了显著进展，但这些方法无法提供预测理由，缺乏可解释性和推理过程，也无法整合金融新闻或报告等文本信息。 而当下大型模型（LLM）具有出色的文本理解和生成能力受到广泛关注，但由于金融训练数据集的稀缺以及与实时知识的整合有限，仍然存在幻觉，无法跟上最新的信息。 例如上图所示，以金融分析任务为例，包括股票走势预测和金融问答。传统的ML&DL方法只能提供不确定的预测（涨/跌），没有任何依据，而原始的LLM可以提供预测分析，但没有任何帮助。 最近的工作 《AlphaFin: Benchmarking Financial Analysis with RetrievalAugmented Stock-Chain Framework》(https://arxiv.org/pdf/2403.12582.pdf,https://github.com/AlphaFin-proj/AlphaFin) ，该工作做了2件事： 一个是发布了用于微调 FinLLM的AlphaFin，其中包含传统研究数据集、实时财务数据和手写CoT数据。 另一个是提出了与RAG集成的Stock-Chain框架，该框架可以为投资者提供股票走势预测，并通过RAG整合实时市场数据和宏观经济新闻，从而完成股票分析，在具体实现上，其基于AlphaFin数据集对StockGPT进行微调，并将其集成到Stock-Chain框架中，并通过RAG进一步与实时金融数据库集成，以解决LLM输出的幻觉以及LLM无法生成实时内容的问题。 1、先看数据部分 如下图所示，数据集包括Research研究数据集、StockQA数据集、金融新闻数据集以及财务报告数据集四个部分： 其中： Research研究数据集：这部分包括来自学术界的传统金融数据集，包括FPB、FinQA、convFinQA以及Headline，以增强大模型的信息提取和总结能力。在这部分数据上，传统的研究数据集主要是英文的，而且数量很大。为了提升LLM们的中文能力，保证质量进行微调，只从源头抽取了一部分。 StockQA数据集：这部分包含来自Tushare和AKshare的股价和其他财务数据，使用顺序数据格式，例如股票价格趋势（例如{…,170,173,171,175,173,170,…}）。但鉴于源数据以顺序格式呈现，使用ChatGPT并按以下提示生成财务问题，以增强多样性，随后，我们使用ChatGPT生成回复并获取用于训练LLM的问答对，对应的prompt如下： Based on the …, give me a good financial question. Input: , Output: . 金融新闻数据集：为了向大模型提供真实世界的金融知识，整合了在线新闻来源，例如中央电视台和华尔街CN的金融版块，在数据处理上，使用Chat-GPT提取每条新闻的摘要，并构建财经新闻数据集，从而提升摘要能力。 财务报告数据集：通过DataYes构建财务报告数据集（DataYes，2021），包括机构对公司进行的专业分析和知识。在数据处理上，手动对齐公司的财务报告及其报告发布当天的股价，并使用以下模板生成最终数据，并还手动创建200份具有专业财务知识和较长标签的财务报告CoT数据，对应的prompt如下：  According to …  conclusions can be drawn:   1.  Fundamentals:  … 2.  Technical aspects:  …    Therefore, we predict the …  is    , probability:   2、再看架构部分Stock-Chain Framework 财务分析任务可以被视为两个对应部分，即股票趋势预测和相应的财务问答，因此Stock-Chain框架分为两个阶段，一个Stock Trend Prediction，另一个是Retrieval-Augmented Q&A，如下图所示： 第一阶段是股票走势预测，给定一家公司ci和相应的文档dj，该阶段通过结合LLM和AlphaFin数据集维护一个股票预测系统φ，给出股票趋势预测Predi。 其中： 对于第一阶段Stock Trend Prediction，任务很有趣，其给定一组公司C和相应的知识文档D，以预测涨跌： 其目标是从中找出一组能涨的公司子集C chosen: 这一步涉及到知识文档D的处理，在实现上，其给定一个公司ci，首先检索它的相关文档dj。然后，设计一个提示模板Prompt进行组装，例如： Please predict the...

网商银行高级工程师方珂认为，金融行业对安全、风险要求极为严苛，大模型应用仍然有很多问题需要解决。尤其是大模型会出现“幻觉”，如果错判了客户的经营情况，带来的将是真金白银的损失。作者：胡群 封图：图虫创意 2024年会成为大模型深度应用于金融领域的元年吗？解答这个问题，或许可以从上市银行2023年年报里一探究竟。 年报显示，多家大中型上市银行继续加码科技投入，特别是加快大模型技术研发和实际业务应用的步伐。 IDC中国副总裁兼首席分析师武连峰分析，从规划到实际落地应用，金融行业的大模型项目可能会经历一个相对漫长且审慎的周期，包括前期的计算能力准备、概念验证测试及必要的算力资源购置等多个阶段。 竞逐金融大模型 年报显示，工商银行在2023年度建立了行业内首个全面自主研发且具有千亿参数级别的AI大模型技术体系，并在多元金融业务场景中实现了创新性应用。 工商银行董事长廖林在该行2023年度业绩发布会上表示，工商银行在深化“数字工行”（D-ICBC）战略过程中，充分利用人工智能及大模型等前沿技术手段，有效促进了工商银行数字化生产能力和效率的提升。 建设银行年报显示，该行加强“三大中台”基础架构建设，并启动“方舟计划”，推动金融大模型的建设和实际应用，建立常态化的数字化经营管理模式。 农业银行在年报中透露，该行通过成立人工智能创新实验室加快推进大模型技术的研究和培育工作。 中国银行则在年报中展示了其在智慧安全防护、网点运营等方面的计算机视觉技术应用，并开始试验大模型技术在内部知识服务、自动化编程辅助等场景的可行性。 邮储银行年报显示，紧随大模型在金融领域的应用潮流，该行正在研发测试、运营管理、客户市场营销、智能风险控制等多个层面积极开展大模型技术的探索与实践。 部分上市银行大模型研发、应用进展情况 来源：上市银行年报 年报显示，大中型银行正在不断加大科技投入。六家国有大型商业银行的信息科技总投入已连续三年超过千亿元，其中2021年为1074.93亿元；2022年为1165.49亿元；2023年为1228.22亿元，较2022年增长5.38%。 具体来看，工商银行、建设银行、农业银行、中国银行、交通银行、邮储银行在2023年的科技投入分别为272.46亿元、250.24亿元、248.50亿元、223.97亿元、120.27亿元和112.78亿元，同比分别增长3.90%、7.45%、7.06%、3.97%、3.41%和5.88%。 在全国性股份制银行中，招商银行和中信银行在2023年的科技投入超过了交通银行和邮储银行。其中，中信银行的2023年信息科技投入为121.53亿元，同比增长38.90%，占营业收入的5.90%。 招商银行、平安银行和光大银行在2023年的科技投入比上年有所下降。其中，平安银行的科技投入已经自2021年以来连续三年出现下降。年报显示，该行2021年IT 资本性支出及费用投入为73.83亿元，2022年IT资本性支出及费用投入为69.29亿元，2023年IT资本性支出及费用投入为63.43亿元。 数据来源：上市银行年报 萨摩耶云科技集团创始人、董事长兼首席执行官林建明告诉经济观察网，大模型的出现为银行数字化转型注入了强大且更为直接的新动能，但目前金融大模型的应用能力仍处于初级阶段。 该集团是国内独立云服务科技解决方案提供商。林建明称，从银行2023年年报披露的信息来看，近年来大多数银行都在加大科技投入，其中金融大模型成为科技投入的重点之一。对于大多数金融机构而言，自建大模型并不现实，调用通用大模型叠加金融专业领域的数据，可以使模型更加符合金融行业的特点和要求，提高模型在金融领域的适应性和准确性。 离广泛应用还有多远 当前金融大模型主要应用于一系列内部业务环节，如知识检索与智能答疑、编程辅助、客户服务热线智能化、自动化文档编写、复杂数据分析、精准营销材料自动生成等试点项目。 网商银行高级工程师方珂认为，金融行业对安全、风险要求极为严苛，大模型应用仍然有很多问题需要解决。尤其是大模型会出现“幻觉”，如果错判了客户的经营情况，带来的将是真金白银的损失。因此，在网商银行大雁系统实际应用中，大模型绘制的产业链图谱会向风控系统提供客户识别、经营评分和画像，但最终小微经营者获得的贷款额度，仍然是风控系统多维度交叉验证的结果。 微众银行数字金融发展部负责人姚辉亚告诉经济观察网，从技术和应用层面来看，生成式AI优势在于创造力，但副产品是不可避免地带来幻觉现象，而金融行业的大多数场景往往需要追求准确性和可解释性，比如要求能对风险进行精准定价与管理，向客户推荐适当的产品，并明确揭示风险。基于两者特性的交集，适配的应用场景是让大模型和生成式AI成为员工的助理，在赋能员工提高效率和创造力的同时做好兜底判断，而非直接让大模型直面客户提供服务。 姚辉亚认为，当前国内金融机构在大模型领域的核心竞争力集中在应用层，通常是基于内部的专有数据，选择合适的基础大模型基座进行精调，形成垂直行业场景的大模型应用。由于基础大模型的技术迭代较快、不同场景适用不同路线的基础大模型、硬件的国产化兼容性不足等挑战，目前较缺乏能支持一站式工作、模型可插拔的工程化平台。微众银行正在集中力量，打造全行统一的AI工程化平台，构建AI原生科技能力，期望实现模型可插拔、成效可度量、模型生命周期可管理、运算资源可调配、编程可视化（低代码）等特性，赋能内部各业务团队在应用层百花齐放，提升自动化与智能化水平。 林建明判断，如果将大模型的能力放在金融行业中去处理原有的任务，会对很多工作产生颠覆性的影响。相比现有的AI技术，大模型技术有望在金融风险管理、量化交易、个性化投资建议、金融欺诈检测和预防和智能客户服务等场景具有广泛的应用潜力和影响力。尽管大模型技术在许多领域展现出巨大的潜力，但在金融领域的应用仍处于起步探索阶段。 林建明认为，金融行业是数据密集型行业，涉及海量的金融数据和复杂的金融业务。金融数据包含敏感的个人和机构信息，而大模型需要大量的数据进行训练和应用。因此，确保数据隐私和安全成为一个重要的挑战。另外，金融行业是一个对于模型的可解释性和鲁棒性（系统或算法在面对不同的环境和条件时，仍能保持稳定和可靠的能力）等要求非常高的行业，而大语言模型当下输出结果的可解释性目前是相对封闭、不透明的，同时，其稳定性也仍然受到数据、算法、训练等方面的干扰，表现出非鲁棒性的特征。 武连峰说，尽管金融行业在大模型领域的投资强度显著增加，但由于金融业对合规性和风险管理的极高要求，在部署这类先进技术时必须确保与所有现行监管政策相符。 深交所喊话上市公司：胆敢不回，强制退市！国企“应战”新公司法：三个月内要改掉多年“老毛病”小户型不好卖了

作者｜王良编辑 | 薛梁 由于行业特殊性，金融机构在业务创新和技术应用过程中受到政策监管、数据隐私保护等诸多外部因素的限制。进入 AI 时代，如何在约束条件下，加速大模型等技术在 ToC 业务场景的落地和应用，并且在技术上不做牺牲处理是一个极具挑战的工作。在 2024 年 6 月 14-15 日深圳 ArchSummit 全球架构师峰会上，我们邀请到了平安壹钱包用户研发部技术负责人王良老师进行分享，他将基于平安集团旗下互联网金融支付公司壹钱包已落地的业务场景，介绍 RAG 向量检索 + 知识库 + 标注平台等技术的实战经验，以及应用立项审批、合规监管审批、业务线选择等技术之外的经验。 在会议召开前，我们对王老师进行了预热采访，探讨其团队在大模型应用方面的探索与落地情况，希望让大家能够提前了解其大会演讲内容亮点。 InfoQ：作为平安壹钱包技术负责人，您在不同领域的技术工作经历非常丰富，从客户端开发到大前端再到后台研发及架构管理，最近又转入大数据研发部门，您觉得这些不同领域的经历如何影响了您的技术视角和解决问题的能力？ 王良：我是从 Android 开发入行的，工作投入时间比较长，深入了解了用户界面的 UI 还原和交互逻辑，学会了如何优化用户体验和响应速度，让我对底层的技术原理有了更深入的理解，比如内存管理、性能优化等。这段经历让我更加注重从用户的角度出发，思考技术的实际应用和价值，为我在后续领域的工作打下了坚实的基础。 随着公司的发展，团队从最初的 Android 组，融合了 iOS 开发变成 App 客户端团队，再到后来，又融合了前端 JS、React Native 团队，再后来又补充了小程序、快应用、鸿蒙等技术栈，升级为大前端团队，在这个壮大的过程中，我开始关注跨平台、跨浏览器的兼容性问题，以及如何构建高效、可维护的前端架构。 大前端的工作让我学会了如何在复杂的技术环境中保持代码的健壮性和可扩展性。也开始接触到前后端的数据交互和协作，对前后端分离的开发模式有了更深入的认识。在后台研发阶段，我深入了解了服务器的架构、数据库的设计和优化、高并发处理等关键技术。这段经历让我更加关注系统的稳定性和安全性，学会了如何在复杂的业务场景中保证数据的准确性和一致性。 程序员是一个需要持续学习的工作，拥有不同领域的技术工作经历是非常宝贵的，每一个领域都有其独特的挑战和解决方案，它能够帮助程序员获得更全面的技术视角和解决问题的能力，更具备跨领域思考和解决问题的能力，随着技术栈和工作经验的提升，解决问题的能力从前期局限于用技术方案完成业务方的诉求，到参与产品规划的初期阶段，在需求规划阶段，就可以给出指导性的技术意见，帮助业务方在快速上线、节省人力成本上，提供专业的技术支持。因为除了技术实现上的方案，同时还要考虑业务因素和成本因素，同一个需求，用什么技术栈解决最合适，比如监管比较严格的业务变动频繁，更适合 RN、H5 这类方便更新的技术栈。一些稳定业务注重体验的可以投入 Android 和 iOS...

2024年3月，中国信息通信研究院金融科技团队发起“基于业务场景的金融业大模型应用研究计划”（Financial LM Application Research Initiatives based on Scenarios，以下简称“FAIS”），旨在推动大模型与金融业务深度融合，助力金融业新质生产力培育。目前，FAIS研究计划已面向金融行业大模型相关领域征集多家参与单位，下一步将持续开展应用场景研究，助力大模型技术与金融业的丰富业务场景深度融合。 为了更好地推进FAIS研究计划的相关工作，中国信通院云计算与大数据研究所金融科技团队拟于2024年5月10日（周五）举办“基于业务场景的金融业大模型应用研究计划”首次工作会议，本次会议将正式启动金融业大模型应用研究多项工作，同时邀请银行、证券、保险行业头部机构代表以及金融行业大模型服务商深入探讨大模型在金融业务场景的落地路径以及关键问题。 会议信息 一、会议时间：2024年5月10日 14：00—17：00 二、会议地点：北京市海淀区花园北路52号 中国信息通信研究院 诚邀各位相关单位代表参会，报名方式如下： 请扫描以上二维码进行会议报名 会议联系人叶老师18600828501yemin@caict.ac.cn师老师17310663985shiqi@caict.ac.cn ——— 往 期 推 荐 ——— ▶中国信通院发布《中国金融科技生态白皮书（2023年）》 ▶原创文章 | 浅谈IFRS17准则对保险公司的影响 ▶原创文章 | 金融业5G消息迎来新发展机遇 ▶原创文章 | 跨境业务场景下数据安全问题研究 ▶行业观点 | 浅析产业链数据和企业数据在解决企业融资的作用 阅读原

近日，由北京金融科技产业联盟、北京金融信息化研究所等联合主办的“全球金融科技大会系列活动——大模型金融应用创新与实践大赛”表彰大会在北京成功召开。此次大赛共有中国银行、工商银行、建设银行、百度、蚂蚁、腾讯等39家金融机构与金融科技企业的68份应用实践参与角逐，国泰君安荣获“十佳卓越奖”，成为证券行业唯一获奖单位，充分彰显了国泰君安在金融科技领域，尤其在大模型技术的研发与应用方面的卓越领先实力。 面对金融数据私域性强、变化迅速、行业缺乏公开的实时语料库、业务场景复杂多变、算力资源有限等挑战，国泰君安本次申报获奖的《探索大模型在金融领域的模型构建及场景应用的研究》，分享了公司依托“金融+科技”的专业能力，打造金融行业私域语料库，快速构建金融行业垂直领域大模型，实现1个大模型底座能力在N个场景的“1+N”落地应用的实践经验。该方案创新构建可插拔、可伸缩的分层架构体系和分布式高效微调框架，并形成完整的大模型构建落地方案实现应用闭环，不仅提升了公司金融业务的智能化水平，有力支撑业务发展，同时为金融行业的大模型研究与场景应用提供了参考和借鉴。 未来，国泰君安将继续秉持“开放证券”理念，不断拓宽大模型在金融领域的应用范围，深入探索金融科技与业务场景的深度融合，以更加开放、创新的姿态，为行业高质量发展贡献更多智慧和力量。 END 免责声明：本文转自国泰君安发布公众号，以上观点不构成对投资者的投资建议，市场有风险，投资需谨慎。在任何情况下，本公司不对任何人因使用以上任何内容所引致的任何损失负任何责任。

社区探讨，供大家参考： 金融行业应用系统业务和IT技术数据融合通过大模型进行异常检测所需的数据类型和范围包括哪些？ 议题中的业务数据主要是指金融行业应用系统运营过程中实时产生的业务属性相关数据，IT技术数据是指承载该应用系统机房、网络、服务器、操作系统、数据库等软硬件实时运行数据。 主要面临困难：在金融行业中，如何将应用系统业务数据和IT技术数据进行充分融合，并利用大模型算法实时检测业务和IT技术数据中的异常数据，结合业务运营和科技运维相关知识，识别异常数据是否影响业务的连续性和稳定性，并定位问题根源进行解决。 该议题的共识将对金融行业用户提升业务连续性管理能力有显著价值。 期望：如何规范金融行业应用系统业务和IT技术数据的大模型应用的数据标准，有利于更好发挥大模型在金融行业的作用。 重点研讨和交流：保障业务连续性和稳定性是金融行业运维领域工作范畴，希望使用大模型进行异常检测和问题定位能够在运维中得到一定有效应用，每个场景大模型的应用涵盖的数据范围需要建立一定的标准，该议题场景重点研讨：应用系统业务数据和IT技术数据融合进行异常检测所需的数据类型和范围包括哪些？如涉及敏感信息如何加密不影响大模型算法的使用？ 问题来自社区会员@fengzhen2003，以下内容来自社区同行探讨 @catalinaspring 金融行业： 数据质量规则的依据来源核心是数据标准。如何保障数据标准被落地以及被执行呢？通过数据质量的情况进行一个检查，这就是数据标准、元数据以及数据质量之间的关系。数据质量的每一条核验规则写到每一个字段上、每一条元数据上。关于数据标准、存量的元数据的治理，对于新增的这部分，我们怎么样从源头上能保证我们数据标准的被有效的执行呢？ 常用的一种手段叫数据模型，包括物理模型与数据标准的过程链接和落地，从而保证数据模型是可以从源头上进行管理的。数据标准同时又作为一种输出，支撑数据模型。 对进行数据分类，进行数据分析，把分类规则输出给数据安全。 在数据安全之外，经常有一部分企业在最开始开展数据治理时，是通过元数据、主数据的治理来开展。主数据是什么？有些核心的高价值的数据会形成主数据，数据标准会通过体系的支撑给到主数据。同时因为主数据在实际应用的规程中，对数据标准的使用进行反馈和优化。 关于数据架构管理。输出一些数据的技术标准给到数据模型，同时数据模型会把高价值的数据资产输出给数据架构管理，这就是数据治理与数据管理域的关系。 把数据架构、数据标准、数据质量、数据安全这些建好之后，接下来要进行能力的输出。能力的输出是给到数据应用、数据服务。 数据应用里面的第一个抓手是数据需求管理：一是为了更好地促进数据共享；二是明确数据服务规范，数据需求不断地遵循和适应规范，同时数据服务要反向适应需求——这是一个不断的循环的过程。 数据质量是保证为数据分析业务决策提供高质量的数据，保证数据的有效性。 落地的核心关键点包括： 一是建立数据质量的评分卡。 二是进行源头治理。如果仅仅是在数仓内对处理完的数据进行治理，比如数据质量的提升仅在仓内开展，这是远远不够的。本质上数据从业务端开始，从系统端开始，它的数据还是有问题的，没有本质去解决问题，所以源头治理也是核心关键点。 三是数据质量的分级处置：根据不同的数据问题，不同的数据的重要性，设置对应的数据质量处理方案。 四是认责机制。其实这也是整个数据治理工作开展的核心，可以保障质量问题的发现追踪和解决。 @chinesezzqiang 信息技术经理： 一、如何规范金融行业应用系统业务和IT技术数据的大模型应用的数据标准，有利于更好发挥大模型在金融行业的作用 ？ 答： 制定统一的数据标准 ：金融行业应制定一套统一的数据标准，包括数据格式、数据质量、数据安全性等方面的规定，以确保不同系统之间的数据互通性和一致性。 建立数据治理体系 ：建立数据治理体系，明确数据所有权、数据使用权限、数据质量管理等职责和流程，确保数据的合规性和准确性。 加强数据质量管理 ：通过数据清洗、数据校验、数据监控等手段，提高数据质量，减少数据异常和错误，为大模型的训练和应用提供高质量的数据基础。 强化数据安全性 ：金融行业数据涉及敏感信息较多，应加强数据加密、数据备份、数据访问控制等安全措施，确保数据不被泄露、篡改或滥用。 推进模型标准化 ：推动大模型在金融行业应用的标准化，包括模型开发、模型验证、模型部署等方面的标准化，以提高模型的通用性和可移植性。 建立合作机制 ：鼓励金融行业内的机构和企业建立合作机制，共同推进大模型在金融行业的应用和发展，实现资源共享和技术创新。 加强监管和评估 ：监管机构应加强对金融行业大模型应用的监管和评估，确保模型应用的合规性和风险可控性，促进金融行业的健康发展。 二、应用系统业务数据和IT技术数据融合进行异常检测所需的数据类型和范围包括哪些？如涉及敏感信息如何加密不影响大模型算法的使用？ 答： 应用系统业务数据和IT技术数据融合进行异常检测所需的数据类型和范围可能包括以下几类： 业务数据...

温馨提示：点击文末“阅读原文”直达报名入口，抓住机会，迈向职业新高峰！ ﹀ ﹀ ﹀ 随着AI技术的迅猛发展，金融行业正迎来前所未有的变革风暴。ChatGPT4、Claude 3等前沿技术，正重新定义金融分析、投资研究与日常运营，智能化办公已成为现实，并将大大提升注册估值师、金融从业者乃至各行各业工作者的效率与决策精准度。AI不再停留在名词阶段，而是我们工作场景中绕不开的行为和动作。 为了让更多金融人士掌握AI技术，快速提升工作效果和效率，注册估值师协会正式推出“AI金融实训营”。在这里，你将全面解锁并掌握从数据分析到投资决策的AI技术功能，拓展金融领域的无限可能。 （作品展示） 点击底部阅读原文，立享优惠报名！ 推荐阅读注册估值师（CVA）考试：报名安排｜考生手册｜考试大纲金融建模测评（FMT）考试：考试介绍｜考试常见问题港澳台地区及海外注册估值师（CVA）考试：开放报名｜常见问题解答｜考试须知注册估值师（CVA）协会研究成果：估值报告标准｜参数手册｜财务建模规范指南 | 投资估值常见英文缩写词汇编 | 估值书单｜财务模型书单｜并购书单估值专业文章一文详解自由现金流、权益现金流及股利现金流折现10个ESG及企业估值的常见问题，答案都在这里权益现金流折现、账面现金与股权价值先锋观点如何解决项目投资建模中建设期循环引用问题 解读国资委《关于加强中央企业商誉管理的通知》 港股今年最大IPO来了，募资400亿不是梦！也曾命悬一线……一利五率，全面引领央企估值提升！ESG和企业估值要闻资讯战略合作｜广东股权交易中心重要通知 | 协会变更名称声明通知 | 注册估值师（CVA）考试报名费用将于2024年春季起开始调整关于CVA相关商标权行政纠纷的说明CNCVA 第二届专家委员会第一次会议顺利召开！南京财经大学会计学院与注册估值师（CVA）协会建立产学研合作关系点击视频，了解更多‍‍‍‍‍‍‍ 关闭 观看更多 更多 退出全屏 视频加载失败，请刷新页面再试 刷新 视频详情 联系我们电话：4006-777-630微博：注册估值师协会Email：contactus@cncva.cn

点击上方”蓝字”关注我们 近日，“AI+金融”论坛在张江科学城·数智天地举办。300多位来自大模型企业、金融科技企业、金融机构以及高校的专业嘉宾参加本次论坛，4万余人次通过多个直播平台在线观看。 AI+凝聚产业合力 助力浦东全球金融科技高地建设 浦东科经委副主任夏玉忠表示，浦东将以创新业态培育为根本，以产业智能化发展为目标，以大模型创新发展为抓手，以应用效能提升为落脚点，汇聚尖端技术、焦点议题和产业资源，为国家“人工智能+”行动贡献上海智慧、浦东方案。希望人工智能产业各方秉持开放包容、合作共赢的理念，在浦东这片热土上共谋发展，共创美好未来。 张江科学城·数智天地是浦东新区以“科学、产业、城市”融合发展为导向的产城融合高地。论坛现场，陆家嘴集团与新致软件等6家首批人工智能核心企业进行了入驻及合作签约。这些企业将凝聚AI、元宇宙、信息技术等领域技术优势和品牌影响力，为浦东数智化发展注入创新原动力。 陆家嘴金融城与张江科学城的“双城联动”，为浦东提供了独有的金融科技生态优势，近年来吸引了大批优秀的金融科技企业。活动现场，百度智能云、腾讯云、新致软件、达观数据携手生态合作伙伴，共同启动金融科技产业生态计划，助力全球金融科技高地建设。 AI+释放智慧动能 业内大咖带来前沿观察与思考 金融服务模式与金融产品形态已随着人工智能的发展产生了深刻的变化，金融科技在带来便捷化、智能化服务的同时，也对安全提出了新的挑战。 在当天的论坛上，复旦大学金融科技研究院副院长、计算机科学技术学院教授吕智慧以《金融科技安全风险监测研究及大模型实践》为题发表了主旨演讲。吕智慧教授围绕维护金融稳定的重要性，深入探讨了利用新一代人工智能技术构建智能金融风险监测系统，分析并验证新出现的人工智能安全挑战，建议采取基于金融大模型的数据共享、风险知识表示和模型可解释性多元方法，以促进安全、高效的金融科技生态系统。 百度智能云金融产品部AI原生应用方向产品负责人常琳介绍了对大模型能力的认识方法，并分享了大模型应用落地的成功实践。腾讯云智能商业化中心金融业务负责人汪凯峰立足于大模型技术在金融领域的创新应用及其引发的效能革命，介绍了腾讯云金融行业大模型的能力矩阵及多个典型应用场景。建信金科基础技术中心副总裁、量子金融应用实验室主任吴磊对金融场景中大模型应用的新范式进行了分享，并详细阐述了建信金科在金融行业大模型应用方面的服务实力。晴数智慧创始人兼CEO张晴晴从数据视角出发，解读了如何利用智能化工具和大模型能力为金融行业赋能，并提供完整的数智化解决方案。 在圆桌对话环节，上海纽约大学助理教授王丹、达观数据联合创始人纪传俊、新致软件咨询总经理李若炜、汇丰金科技术总监王天宏、建行上海市分行科技金融创新中心总经理董宣忠、海通证券计算机首席分析师杨林等嘉宾，就“大模型时代：金融的机遇、挑战和展望”话题进行了深入交流与讨论，为大模型在金融领域的多元化应用前景建言献策。 以大模型为代表的人工智能正加速与实体经济深度融合，推动新质生产力的形成。围绕“AI向实 产业跃升”这一主题，大模型赋能产业系列活动将立足浦东新区硬核产业，陆续推出智能车、机器人、元宇宙、生物医药等垂直领域专场论坛，持续带来学界大咖与产业一线的前沿观察与思考，驱动产业蝶变，助力浦东打造人工智能世界级产业集群。 信息来源：浦东发布

中央金融工作会议指出，要做好数字金融大文章。发展数字经济和数字金融已成为推动银行业数字化转型、拥抱新一轮科技革命的重要途径。江苏银行主动融入数字经济发展新浪潮，持续开展新技术研究，跟进大语言模型发展趋势，立足本行打造定制化垂直模型，增强应用场景适配性，为数字金融智慧化提供基础动能。 近期，该行“智慧小苏”大语言模型平台再添新场景，上线“智能文档助手”提速企业授信，搭建“移动智库”提升用户体验，为客户提供更加智能、高效、便捷的金融服务。 聚焦痛点，企业授信效率大幅提升 企业授信审批环节面临着材料种类多样、提取整合复杂等痛点，客户经理需要投入大量时间与精力对企业营业执照、财务报表、税务记录、征信报告等进行信息提取与整合，这一直制约着授信审批效率。 江苏银行基于大模型“多模态”理念，准确识别用户意图，自动运用音频分析、外部图像处理等功能，实现扫描件、语音、电子表格和文本等多种类型素材的自动化提取，打通多类信息载体间的壁垒。该行推出“智能文档助手”，自动归纳企业经营状况，结合实时舆情信息，实现授信调查报告的智能生成，工作效率提升42%，预计每年节省客户经理1.5万工时。 目前，大语言模型赋能的“智能文档助手”已在移动端、PC端双渠道落地，江苏银行客户经理可随时随地开展尽调工作，企业授信效率大幅提升。 对内赋能，服务质效显著提升 江苏银行以数据驱动为核心，探索运用大语言模型赋能内部员工，优化管理流程，提升工作效率。基于大语言模型的“移动智库”可智能高效整合并提炼内外部规章制度、产品政策、操作流程等，成为决策的智能中枢。 通过引入最新的“检索增强生成”技术，“移动智库”的智能化水平显著提升。在检索阶段，利用强大的文档理解和索引机制，能够从海量的数据中快速提取最相关的信息片段；在生成阶段，这些片段被智能地整合并生成连贯、准确的回答，提升信息的可用性和价值。 “移动智库”不仅能够提供即时的信息检索服务，还能深入分析并生成建议，在智能办公和客户服务领域都发挥着重要作用。无论是基层经营机构还是后台支撑部门，都能通过“移动智库”快速获取信息，提高管理决策的科学性与前瞻性；“移动智库”赋能的线上客服应答准确率由93%提升至97%，业务办理效率及客户服务体验显著提升。 技术革新，模型与算力全面提升 为满足行内外场景高并发、快响应的需求，“智慧小苏”大语言模型服务平台构建了基础设施层、工具层、模型层、服务层与应用层五层架构。基础设施层依托高算力网络与容器云，实现了模型资源的动态分配，具备各类国产化数据库的管理能力，做到高度自主可控与定制化；工具层引入批处理和算子融合等模型加速技术，有效减少对模型参数矩阵的扫描次数，降低内存带宽消耗。 基于行业领先的大模型底座，江苏银行利用自身在金融领域积累的丰富数据和专业知识，对开源通用大模型进行了深入的定向训练和优化，从而使模型能够更精准地适应金融垂直场景下的语境和客户需求，无论是在提供金融产品信息、解读市场动态还是解答复杂的金融咨询方面，都能给出更加专业和个性化的服务。 江苏银行相关业务负责人表示，该行将紧跟时代步伐，继续锐意进取、创新求变，以高质量数字金融服务为数字经济发展注入新动能。