AI金融助手

原标题：2024年AI金融新纪元报告：赋能金融，AI开启新时代 今天分享的是：2024年AI金融新纪元报告：赋能金融，AI开启新时代（报告出品方：东吴证券） 回顾与展望“科技+金融”三个时代:1)金融信息化:科技替代体力劳动。信息传播的速度和广度大大提高，大量的人工作业电子化，但受限于时代条件，互联网金融领域仍处于起步阶段，但打下了信息化趋势的基础。2)互联网金融:科技延伸人类触角。大量信息科技公司利用信息传播的速度和广度大大提高大量的人工作业电子化利用网络技术汇集海量用户和信息变革传统金融渠道，和讯网、金融界、证券之星等垂直财经网址厚积薄发，而在移动互联网时代,依托流量实现金融业务中的资产端、交易端、支付端、资金端的互联互通，东方财富、同花顺和华泰证券大放异彩。3)AI金融:科技辅助脑力劳动。大量原有的金融业务通过大数据、云计算、人工智能、区块链等新技术来改变传统的金融信息采集来源、风险定价模型，金融科技资金投入年均复合增速快，非银金融机构技术资金投入占比逐年提升，金融AI大模型引领金融科技范式将迎来变革。 AI助力金融存量业务增长+开拓新机遇:1)AI助力金融业务降本增效，降低风险成本。A!技术在金融行业中的应用可以显著降低人力成本并提高收入;AI在提高基础工作效率、增强风控能力、优化客户服务和营销策略方面发挥着重要作用。2)1助力B端+C端产品多应用场景升级。A)技术的发展推动了智能投顾产品和金融信息终端的创新，这些产品通过提供个性化和精准的服务，提升了市场交易活跃度，并为金融行业带来了新的业务增长点。3)AI促进金融行业存量业务增长。券商经纪业务、两融业务、投行业务、投研和投顾业务将有所受益。 报告共计：32页 以下为报告节选内容 报告共计：32页 中小未来圈，你需要的资料，我这里都有！返回搜狐，查看更多 责任编辑：

来源 | 九卦金融圈 编辑 | 武文 张云迪 美编 | 杨文华 据报道，5天注册用户超100万，月活破亿用时仅2个多月……一举成为历来所有互联网应用程序中积累用户最快的No.1。 2月7日晚间，火爆的ChatGPT再次因访问量激增而宕机，多位网友尝试更换浏览器访问ChatGPT，都表示登陆不上，且收到“满负荷运转”的提示。 微软投资的人工智能公司OpenAI开发的聊天机器人ChatGPT最近超级火爆，不光人工智能再度成为了全球最热的词汇，机构散户投资者纷纷押注科技领域。 有报道称，美国89%的大学生使用ChatGPT写作业，有美国议员借助ChatGPT写国会发言稿，ChatGPT的应用之一就是搜索功能，有人预言，ChatGPT有望重塑，甚至取代传统互联网搜索引擎。 Gmail创始人Paul Buchheit近日就在推特上表示，像ChatGPT这样的AI聊天机器人会像搜索引擎杀死黄页一样摧毁谷歌。 这下，不光谷歌，连微软、苹果、百度们都急了！不光巨头们着急，普通人也纷纷在问，人工智能都能自己进行内容创作了，那画家、作家、翻译、记者、金融从业人员等职业，将来是否都会消失？ “ChatGPT火爆，巨头们都慌了！” 据报道，在2月1日Meta的财报会议上，扎克伯格就将生成式AI提升为今年关注的最大主题之一；微软近期更是被爆追加近百亿美元投资，同时抓紧时间进行自家产品的深度融合；苹果也不甘落后，将于下周举行年度内部AI峰会。 据《纽约时报》报道，一份内部备忘录揭示，桑达尔·皮查伊参与了一系列探讨谷歌AI战略的会议，甚至推翻了内部众多团队的原有工作，并正在从其他部门抽调员工，以应对ChatGPT带来的威胁。 英国《金融时报》报道，谷歌已向AI初创公司Anthropic投资了近4亿美元，后者正在测试ChatGPT的竞争产品。据了解，Anthropic成立于2021年，创始团队正来自ChatGPT的开发商OpenAI。 有媒体进一步报道称，谷歌宣布将推出名为Bard的AI聊天机器人，与ChatGPT展开直接竞争。桑达尔·皮查伊也在其博客中发文介绍，Bard是基于对话应用语言模型（LaMDA）的实验性AI程序，目前已经开展测试，并在几周内向公众开放。 谷歌正在员工中测试Bard的部分功能，这是其应对ChatGPT的“红色代码”计划的一部分。包括名为“Apprentice Bard”的聊天机器人，以及可以以问答形式使用的新搜索桌面设计等。 苹果也很着急。有分析认为，苹果原本的语音智能服务Siri被ChatGPT“碾压”了，苹果需要找到能与之竞争的下一代产品。 据外媒此前报道，微软可能会将ChatGPT整合到Word、PowerPoint、Outlook和其他应用程序中，以便客户可以使用简单的提示自动生成文本，此举可能会改变超过10亿人编写文档、演示文稿和电子邮件的方式。同时有报道称，微软正准备通过ChatGPT背后的AI来推出新版必应（Bing）搜索引擎，微软或在搜索引擎中提供自然语言搜索结果，不再是链接列表。此外，微软还宣布将扩大与ChatGPT所有者OpenAI的合作关系，将向后者进行“多年、数十亿美元”的投资。 金融人会不会“饭碗不保” 除了科技巨头的集体“发慌”，大部分打工人，包括金融人也开始担忧自己会不会“饭碗不保”。 ChatGPT主要是能够通过学习和理解人类的语言来进行对话，还能根据聊天的上下文进行互动，并协助人类完成一系列任务，因此极大提高了人们办公、学习的效率。 不少人试用后认为，这款AI语言模型能让撰写邮件、论文、脚本，制定商业提案，创作诗歌、故事，甚至敲代码、检查程序错误都变得易如反掌。 对于ChatGPT的火爆，有人认为，以前的人工智能，如AlghaGo等只能打败围棋大师，而现在的ChatGPT则渗透进了日常工作领域和生活世界，这可能意味着我们的工作和生活将“切实地被改变”，甚至有些人会因此丢掉工作。 连公号大V胡锡进今日也发文认为，现在机器人已经可以帮着做作业，写格式化和专业化比较强的文章，比如新闻稿件，它能够为我们个人做的事情越多，意味着今后它可能夺去普通人的工作越多。 他个人认为，人工智能肯定会取代一部分文秘和创造性以及创新度不高的文化创作工作，这会倒逼人类为保住饭碗提高自己工作的不可替代性，从而让人的创造力形成新的质量飞跃。 根据最新MLIV Pulse调查显示，ChatGPT主要会威胁到金融、法律和计算机等行业的工作。 “营销数字化转型”公号作者腊阳的文章也认为，金融行业特别是银行业在大数据和AI应用相对成熟一些，ChatGPT和相关智能行业也可能很快会取代这些岗位： 1、客服人员、催收人员 几乎每个人都有过这样的经历：给一家公司的客服打电话或聊天，由机器人接听。而 ChatGPT的成熟会加快这个进展和趋势。 科技研究公司 Gartner 在2022年的一项研究预测显示，到2027年，聊天机器人将成为约25%的公司的主要客户服务渠道。 2、金融分析师、交易员 像市场研究分析师、金融分析师、个人财务顾问和其他需要处理大量数字数据的工作，都会受到人工智能的影响。 其实很多工作是自动化的，像机器人一样工作、做各种Excel表格，但现在可以让人工智能来做这些。 在信贷风险模型方面，ChatGPT...

📈 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