AI金融助手

2024年3月26日，中国领先的供应链金融科技解决方案提供公司联易融科技集团（09959.HK，以下简称“联易融”）发布2023年业绩公告。2023年公司总收入及收益达8.7亿元；其中，公司2023年下半年收入及收益达4.8亿元，同比增长15.2%。联易融全年累计资产处理规模达3,220亿元，同比增长24.2%，并服务了超过1,800家核心企业及金融机构，截至年末累计助力超过25万中小微企业享受了高效、便捷的数字普惠金融科技服务。公司保持着稳健的财务状况，现金储备达48亿元。 公司宣布了新的股东回报计划，拟通过现金分红和股份回购的方式持续增强对股东的资本回报。联易融董事会建议派发每股0.1港元的特别股息，合计约2.3亿港元；此外，基于对公司未来发展前景和持续增长的充分信心，董事会宣布拟进行金额最高达1亿美元的股份回购计划。 联易融作为供应链金融科技行业的领导者和先驱者，持续加大对科技创新的投入，全面推动产业生态协同高效发展，促进“科技－产业－金融”的良性循环。随着ChatGPT等AI大模型在全球引发热潮，人工智能从创新应用时代进入普及应用时代。联易融积极拥抱AIGC应用创新带来的行业变革机遇，通过整合开源大模型建立了自研的供应链金融GPT模型。 联易融在与一家外资银行合作中，率先将上述模型应用在AI智能审单科技项目中。通过AI大模型技术在供应链金融业务的深度应用，显著提升产业信息整合与交易分析的效率，实现智能化风险评估，进一步降低融资及运营成本。同时，联易融也将大模型技术应用于公司内部的客户管理、运营交付及软件开发等日常工作中，助力集团降本增效。 联易融积极探索区块链、大数据及隐私计算等前沿技术的应用。2023年，联易融顺利通过了全球软件开发能力成熟度CMMI 5级认证，并获评可信区块链推进计划“杰出贡献单位”。同时，联易融还获得了深圳市“专精特新”企业、“AI SaaS影响力企业TOP 50”、 “全球中小微企业金融奖”、《财资》年度“最佳数字化供应链金融解决方案”大奖等多项殊荣。

转自：企业观察网 4月28日,由中关村西城园管委会、北京市西城区总工会、北京金融科技产业联盟和北京金融信息化研究所主办,清华大学人工智能研究院支持,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」颁奖仪式圆满举办,深信服安全GPT入选十佳卓越奖! 作为此次「大模型金融应用创新与实践大赛」十佳卓越奖中唯一一个网络安全垂直领域的大模型,深信服安全GPT针对金融机构在网络安全运营中遇到的挑战,提供了创新性的解决思路。 此次大赛收到了来自39家机构的68份应用实践报告,经过前期初赛评审,共有25项应用实践入围终审。经过中国工程院院士柴洪峰、北京金融科技产业联盟理事长/工商银行首席技术官吕仲涛、中国金融电子化集团副总经理潘润红、中国银行业协会系统服务部主任赵成刚、深圳证券交易所人工智能专家杨振新、中科院计算机网络信息中心副研究员苟甜、百川智能联合创始人洪涛、中关村天使百人会理事长肖庆平共8名专家的最终评审,深信服安全GPT与工商银行、农业银行、建设银行、邮储银行、国泰君安和百度等头部银行与知名机构共同入围十佳卓越奖! 深信服安全GPT作为国内首个通过深度合成服务算法备案的安全大模型,可协助金融机构完成流量检测、事件解析、安全建议生成、安全事件处置等复杂工作,秒级闭环、百倍提效,从检测能力和安全运营工作上赋能组织,对抗外部强敌。 检测能力远超传统设备和通用大模型, 大幅提升金融机构「威胁检测防御力」 金融机构信息系统复杂、网络边界分散、风险点位众多,风险暴露面大,对威胁检测防御能力要求高,传统检测引擎难以应对外部高对抗、高隐蔽的攻击手段。 深信服安全GPT可以作为检测引擎,赋能态势感知、端点安全等传统安全设备,具备对未知攻击的意图理解、异常判定、混淆还原能力,在流量威胁检测和主机侧钓鱼攻击检测上都取得突破性的效果。 流量威胁检出率高达95.7%,误报率低至4.3% 深信服通过知识蒸馏、模型量化、模型剪枝、Attention机制优化等,将安全GPT推理性能提升50倍,实现了在实际网络环境中,针对实时流量的实时检测。 安全GPT检测大模型能够发现混淆、编码类高绕过流量,并针对Web漏洞有良好检出效果,具有较强Web 0day漏洞检测能力,同时针对攻击成功研判具有较高准确率。 安全GPT检测大模型能力架构 经过3000w黑样本与2000w白样本检测,对比传统引擎,安全GPT的检出率从45.6%提升至95.7%,误报率从21.4%下降到4.3%。在某部委实际测试中,25个高混淆数据包(可绕过传统引擎及通用大模型GPT-4),安全GPT检出率100%,覆盖Web通用攻击、通用组件漏洞攻击、混淆绕过攻击和国家级攻防演练出现过的0 day/N day漏洞。 钓鱼攻击检出率高达91.7%,远超传统解决方案 钓鱼攻击的难防在于,从技术角度看,钓鱼邮件与正常邮件无异,普通人难以识别,而高混淆和形式多变的钓鱼攻击也难以用规则进行定义。 安全GPT 基于对自然语言的泛化理解能力,能够对邮件和文件内容背后的意图进行综合评估和研判,就像聘请了一个懂攻防、懂技术、懂人情世故的防钓鱼“安全专家”实时防守一样,实现钓鱼事件的精准检测和处置。 钓鱼邮件识别方法 通过3万高对抗钓鱼邮件、100万白邮件检测,对比传统解决方案,安全GPT钓鱼攻击检出率从15.7%飞升至91.4%,误报率从0.15%降低至0.046%,效果超越传统方案数倍。 提效90%, 金融行业的安全运营「新质生产力」 随着金融行业数字化转型步入深水区,银行面临的网络安全数据规模和复杂性不断增加,在网络安全专业技术人员少,能力精力也存在瓶颈的前提下,如何对海量网络安全告警进行快速分析研判,定位真实攻击及高效响应处置?安全GPT给出了新的答案。 安全GPT通过自然语言对话的方式提供符合安全人员运营水平的差异化建议和运营路径,承载 80% 安全运营操作,将海量告警的分析处置过程压缩到数分钟内,赋能初级安全工程师在5分钟内对单一高级威胁进行闭环,将日常安全运营所花费的时间减少90%以上。 由于攻防的不对等,攻击者常在非工作时间进行攻击,安全GPT2.0智能驾驶提供7*24小时安全事件/告警自主值守,减少92%需多次手动的运营工作,平均威胁检测时间(MTTD)/平均威胁响应时间(MTTR)减少85%,运营人员1人即可守护数万资产。 深信服安全GPT运营大模型演进蓝图 截至目前,安全GPT已累计在130多家企业真实环境测试和应用,帮助金融、能源、政府机关等行业用户提升安全人员实际分析水平和处置效率。 「大模型金融应用创新与实践大赛」充分展示了大模型在金融应用领域的创新实践成果,有效推动了大模型金融应用场景探索及生态建设,为数字金融和智慧金融的稳健发展提供了有力支持。 深信服认为,安全大模型仍拥有广阔的想象空间,除了检测大模型与运营大模型,未来会逐步孵化更多可应用于实际的场景,将会为金融行业的网络安全建设带来更多“领先一步”的效果与体验。 海量资讯、精准解读，尽在新浪财经APP

作者｜格林     出品｜新芒X 芝加哥大学的研究人员已经证明，大型语言模型 (LLM) 可以进行财务报表分析，其准确度可与专业分析师相媲美，甚至超过专业分析师。 该研究结果发表在题为“使用大型语言模型进行财务报表分析”的工作论文中，可能对未来的财务分析和决策产生重大影响。（论文地址：https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4835311） 这个影响到底是什么？用一句话来总结就是，GPT-4通过在财务报表分析中展现出与专业人类分析师相媲美甚至更优的性能，以及生成有价值的叙述性洞察和交易策略，预示着它可能会在财务分析行业中发挥核心作用，从而颠覆传统的决策制定过程。 研究人员测试了GPT-4的性能，GPT-4 是由OpenAI开发的最先进的 LLM （大语言模型），用于分析公司财务报表以预测未来收益增长。值得注意的是，即使只提供标准化、匿名的资产负债表和没有任何文本背景的损益表，GPT-4 也能胜过人类分析师。 “我们发现 LLM 的预测准确度与经过严格训练的最先进的 ML 模型的性能相当，”作者写道。“LLM 的预测并非源于其训练记忆。相反，我们发现 LLM 可以生成有关公司未来表现的有用叙述见解。” 报告最后指出，最后，与基于其他模型的策略相比，我们基于 GPT 预测的交易策略产生了更高的夏普比率和阿尔法值。 综上所述，我们的研究结果表明，LLM 可在决策中发挥核心作用。 / 思路链提示模拟人类分析师的推理 一项关键创新是使用“思路链”提示，引导 GPT-4 模拟金融分析师的分析过程，识别趋势、计算比率并综合信息以形成预测。 GPT-4 的这个增强版本在预测未来收益方向方面实现了 60% 的准确率，明显高于人类分析师预测的 53-57% 范围。 研究人员总结道：“综合起来，我们的研究结果表明，大语言模型可能在决策过程中发挥核心作用。”他们指出，大语言模型的优势可能源于其广泛的知识库和识别模式和商业概念的能力，即使在信息不完整的情况下，也能够进行直觉推理。 / 尽管面临挑战，大语言模型仍有望改变财务分析 鉴于数值分析历来是语言模型面临的一大挑战，这一发现就更加引人注目了。 “语言模型面临的最具挑战性的领域之一是数值领域，模型需要进行计算、进行类似人类的解释并做出复杂的判断，”该研究的合著者之一 Alex Kim 说道。 “虽然 LLM 在文本任务上很有效，但它们对数字的理解通常来自叙述背景，它们缺乏深度数字推理或人类思维的灵活性。”...

财联社5月29日讯（编辑 刘蕊）随着人工智能快速发展，研究发现，AI可能比人类更擅长炒股。 根据芝加哥大学布斯商学院的最新报告称，OpenAI的GPT-4在金融分析和预测方面的能力，可能比人类更优秀，基于其预测的多空策略表现也能跑赢大盘。 这一发现可能会颠覆金融服务业。与其他商业部门一样，金融服务业正在竞相采用生成式人工智能技术。 根据这项最新研究的研究，在分析财务报表以及根据这些报表做出预测等方面，大语言模型比人类做得更好。 “即使没有任何叙述或行业特定信息，大语言模型在预测盈利变化方面的能力也优于金融分析师们，”该研究称，“在分析师遇到难题时，大语言模型比人类分析师表现出相对优势。” 该研究利用“思维链（chain-of-thought）”提示，指导GPT-4识别财务报表的趋势并计算不同的财务比率。在此基础上，大语言模型可以分析信息并预测未来的收益结果。 该研究称：当我们使用思维链提示来模拟人类推理时，我们发现GPT的预测准确率达到了60%，明显高于分析师的准确率。人类分析师在预测准确度方面接近50%的范围。 该研究的作者还表示，大语言模型能够在信息不完整的情况下识别财务模式和商业概念，这表明该技术应该在未来的财务决策中发挥关键作用。 最后，该研究发现，如果将GPT-4的金融敏锐性应用于交易策略，能够获得更多交易回报，通常能跑赢大盘。 研究称：“我们发现，基于GPT预测的多空策略表现优于市场，并产生显著的阿尔法和夏普比率（对资产的风险和收益进行综合考量的指标）。” 股市回暖，抄底炒股先开户！智能定投、条件单、个股雷达……送给你>> 海量资讯、精准解读，尽在新浪财经APP 责任编辑：于健 SF069

随着人工智能技术的快速发展，大型语言模型（Large Language Model，下文简称LLM）已经在自然语言处理、文本生成、机器翻译等多个领域中展现出了巨大的潜力，但市场上暂未有专攻金融领域的LLM。 在此背景下，彭博社（Bloomberg）和约翰霍普金斯大学的Shijie Wu等在BloombergGPT: A Large Language Model for Finance一文中重磅发布了为金融界打造的LLM——BloombergGPT。 报告说明，对BloombergGPT的评估显示，其在金融任务上的表现显著优于现有模型，同时不会牺牲通用LLM的基准性能，因此BloombergGPT在金融领域具有不可替代性。 因评估方式以及模型本身的局限，BloombergGPT是否会对金融业带来颠覆性的变革还有待商榷，但不可否认的是，随着技术的进步，BloombergGPT在不同金融业务场景下都将具有广泛的应用和可观的潜力 。 *本文作者：毛诗倩 上海交通大学中国金融研究院研究助理 潘   薇 上海交通大学中国金融研究院CAFR-信也科技联合研究实验室研究助理 01 什么是BloombergGPT？ 自然语言处理（Nature Language Processing，下文简称NLP）是计算机科学和人工智能领域的重要方向，研究如何让计算机读懂人类语言，目前NLP在金融领域应用越来越广泛而复杂。随着人工智能技术的快速发展，LLM已经成为NLP的佼佼者，是当下AI和NLP研究与产业中最重要的方向之一。 LLM是指包含数千亿（或更多）参数的可以通过处理大量自然语言数据的深度学习模型。目前火爆的ChatGPT模型就是一种LLM，证明了训练非常大的LLM的强大优势。但目前的LLM大多是通用性的，而因金融行业的复杂性以及大量的金融术语，市场上需要一个专攻金融专业的模型。 彭博社是全球商业、金融信息和新闻资讯提供商，通过其强大的集信息、人物及观点为一体的动态网络为全球决策者带来关键优势。彭博社精于以创新的技术来快速、精准地传递数据、新闻和分析，这也是彭博终端的核心优势所在。 今年3月30日，彭博社最新发布的报告显示，其构建了迄今为止最大的特定领域数据集，并训练了专门用于金融领域的LLM——BloombergGPT，以支持金融行业内的各类任务。 彭博社依托其四十多年来积累的大量金融数据源，创建了一个包含3,630亿词例（token）的金融数据集FinPile，又与公共数据集叠加成为了包含超7,000亿词例的大型训练语料库。利用庞大的数据集，并基于通用和金融业务的场景进行混合模型训练，训练了包含500亿个参数的大规模生成式人工智能模型BloombergGPT，以全方位支持并改善金融领域的NLP任务。 BloombergGPT的推出意味着这项新技术在金融领域的发展和应用已经迈出了第一步。 02 对BloombergGPT的模型评估 报告中将BloombergGPT与其他两个参数量级等相匹配的模型GPT-NeoX，OPT66B和一个参数更大的模型BLOOM176B在金融领域和通用领域分别进行了比较评估：金融领域评估以验证对高质量的金融特定数据进行训练将在金融任务中产生更好的结果；通用领域评估以与市场上其他模型在通用任务上做对比。 结果表明，BloombergGPT模型在金融任务上的表现远超类似规模的开放模型，在通用任务上优于其他相同参数量级的模型，并在某些任务上甚至超过了参数量更大的模型，证明了其专注于金融领域的不可替代性。（一） 金融领域评估 金融领域评估中分成了两组：一组是外部金融任务（Public Financial Tasks），收集了包括一系列NLP任务的公开金融数据集；另一组是Bloomberg金融任务（Bloomberg Financial Tasks），收集了Bloomberg内部高质量评估集中提取的任务，以测试情绪三分类和命名实体识别（Named Entity Recognition，简称NER）。 1、 外部金融任务（Public Financial Tasks） 外部金融任务以衡量BloombergGPT在金融领域的有效性，主要测试为以下五项：...

华泰研究“本周精选”汇集本周最受读者欢迎的研究报告，点击下方标题可查阅全文。 01 电新：新能车前沿技术之五—大圆柱电池 02 计算机：从BloombergGPT看金融GPT机遇 03 农业 • 转基因百页深度：生物育种产业化元年的到来 04 电子：AI大模型+金融—掘金行业数据富矿 05 策略：4月战术配置—经济越向上，久期越下沉 06 宏观：PMI再超预期、内需回升行稳致远 01 电新：新能车前沿技术之五—大圆柱电池 -点击图片查阅全文- 20年9月，特斯拉正式发布4680大圆柱电池，从单体到系统层面对电池进行了全面升级，使其安全性、续航、快充等性能得到了显著提升。相关车企、电池企业自此争相布局大圆柱电池，以期抓住动力电池市场。同时在户用储能领域，国内相关电池企业已从22年开始布局适用储能市场的磷酸铁锂大圆柱电池。我们预计27年全球大圆柱电池装机量有望达429GWh，对应市场规模2144.8亿元。产业节奏上，我们预计今年大圆柱电池将从小批量生产转向量产放量，带动相关电池企业受益。同时大圆柱电池引入的创新技术和化学体系也有望为上游的设备厂、材料厂等带来新的发展机会。 申建国 S0570522020002 边文姣 S0570518110004 | BSJ399 2023-04-02 02 计算机：从BloombergGPT看金融GPT机遇 -点击图片查阅全文- 2023年3月30日，Bloomberg发布专为金融领域打造的大语言模型（Large Language Model，LLM）BloombergGPT，实现了LLM在金融垂直场景的加速落地。从测试结果来看，BloombergGPT在保证LLM通用性能的基础上，更加聚焦金融场景,有效实现了LLM与金融垂直领域知识的深度融合。BloombergGPT的成功，佐证了“开源模型+高质量垂直数据”LLM搭建思路的有效性，金融GPT率先在证券场景落地，同时建议关注后续GPT在银行领域的业务机会。 谢春生 S0570519080006 | BQZ938 2023-04-02 03 农业 • 转基因百页深度：生物育种产业化元年的到来 -点击图片查阅全文- 本篇报告从地缘优势和技术视角出发，梳理分析了转基因作物在全球应用现状的成因、国际巨头崛起的动力、乃至全球粮食贸易格局变迁的隐线，构建了以功能基因和专利布局来评估国内生物育种产业链公司的分析框架。我们认为，玉米和大豆在中国的生物育种产业化即将启动，为中国农业带来新机遇，建议积极布局种业。 熊承慧 S0570522120004 | BPK020 冯源 S0570522070001 2023-03-31 04 电子：AI大模型+金融—掘金行业数据富矿 -点击图片查阅全文- 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。应用端，我们看到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。 黄乐平 S0570521050001 | AUZ066...

一、简介 金融科技(FinTech)是一个庞大且不断增长的领域，NLP技术在其中扮演着越来越重要的角色。金融NLP任务包括情感分析、命名实体识别、新闻分类以及问答。虽然这些任务与一般NLP基准中的任务相似，但金融领域的复杂性和术语保证了一个特定领域的系统是有价值的。生成式LLM通常是有吸引力的，因为它能够进行少样本学习、文本生成和会话系统等。虽然有针对金融领域调优的掩码语言模型，但还没有针对该领域的任务进行调优或评估的LLM。 BloombergGPT 是彭博社在2023年3月发布的一个 500 亿参数的大型语言模型，专门为金融领域从头构建。它是一个大规模生成人工智能模型，专门针对金融数据进行训练，以支持金融行业内多种自然语言处理任务。彭博社通过构建这个模型，将帮助公司改进现有的金融 NLP 任务，如情感分析、命名实体识别、新闻分类和问答等。 二、特点 BloombergGPT采用了混合方法，结合了通用 LLM 和特定领域 LLM 的优点。通用模型能够在多种任务中执行良好，并在训练期间避免了专业化的需求。然而，现有的特定领域模型的结果表明，它们无法被通用模型所取代。BloombergGPT支持一组庞大且多样化的任务，通用模型能够很好地为我们服务，但绝大多数应用都在金融领域内，由特定模型更好地服务。因此，构建了一个模型，在金融基准上取得了同类中最好的结果，同时也在通用 LLM 基准上保持有竞争力的表现。 Bloomberg 的 ML 产品和研究小组与公司的 AI 工程团队合作，利用公司现有的数据创建、收集和整理资源，构建了一个大型特定领域数据集。作为一家金融数据公司，Bloomberg 的数据分析师已经收集和整理了超过 40 年的金融语言文档，拥有广泛的金融数据档案，涵盖了多种主题，并对数据来源和使用权进行了仔细跟踪。该团队从这个庞大的金融数据档案中提取出了一个包含 3630 亿个令牌的英文金融文档的综合数据集。这些数据与一个 3450 亿令牌的公共数据集结合在一起，形成了一个包含超过 7000 亿个令牌的大型训练语料库。使用这个训练语料库的一部分，该团队训练了一个 500 亿参数的解码器仅因果语言模型。最终得到的模型在现有的金融特定 NLP 基准测试、一套 Bloomberg 内部基准测试和流行基准测试中广泛类别的通用 NLP 任务（例如 BIG-bench Hard、知识评估、阅读理解和语言任务）上进行了验证。结果表明，混合训练方法产生了的模型，在域内金融任务上大大超过现有模型，在三个测试的 AI 模型中表现最佳，得分为 62.51，OPT-66B 的得分为 53.01，GPT-NeoX...

彭博（Bloomberg）是全球领先的商业和金融信息提供商。2023年3月30日，彭博发布了一篇详细介绍了BloombergGPT开发情况的研究论文。BloombergGPT是一项全新的大型生成式人工智能（AI）模型，该大型语言模型（LLM）已专门针对广泛的金融数据开展训练，以支持金融行业内多样化的自然语言处理（NLP）任务。 基于LLM的AI最新进展，已经在许多领域展现出令人兴奋的新应用。然而，金融领域的复杂性和独特术语，要求有一个能特定适用于该领域的模型。BloombergGPT代表着为金融行业开发和应用这项新技术迈出的第一步。该模型将帮助彭博改进现有金融NLP任务，如市场情绪分析、命名实体识别、新闻分类和问答等。此外，BloombergGPT还将为通过调用整合彭博终端上大量可用数据以更好地帮助公司客户，并将人工智能的全部潜力带入金融领域，释放新的机遇。 ——来源：彭博官网 编者使用ChatPDF（一款基于ChatGPT的PDF阅读工具）对彭博最新发布的《BloombergGPT：一项面向金融的大型语言模型》一文（点击文末“阅读原文”可查看完整论文）进行了内容分析，得到了以下结果： BloombergGPT是什么？ BloombergGPT是一个专门为金融领域设计的大型语言模型，具有500亿个参数。它是基于Bloomberg广泛的数据源构建的3630亿个令牌数据集训练而成，同时还使用了3450亿个通用数据集中的令牌。BloombergGPT可以用于各种金融分析任务，例如情感分析、命名实体识别和问答等。 为什么要开发BloombergGPT？ BloombergGPT的开发是为了解决金融领域中自然语言处理（NLP）的挑战。金融领域的数据和术语非常复杂，需要专门的知识和技能才能理解和分析。BloombergGPT是一个专门为金融领域设计的大型语言模型，可以帮助金融专业人士更好地理解和分析金融数据。此外，BloombergGPT可以将自然语言查询转换为有效的Bloomberg Query Language（BQL），从而使与金融数据的交互更加自然和易于理解。 简要介绍BloombergGPT的开发过程？ BloombergGPT是由Bloomberg公司开发的一种基于自然语言处理技术的金融领域语言模型。其开发过程主要包括以下几个步骤：  1.数据收集和预处理：Bloomberg公司收集了大量的金融数据，包括新闻、报告、财务数据等，并对这些数据进行预处理和清洗，以便用于训练模型。  2.模型设计和训练：Bloomberg公司使用了一种基于Transformer架构的神经网络模型，并使用了大规模的训练数据对该模型进行了训练。在训练过程中，Bloomberg公司采用了一种混合数据集的方法，将金融领域数据和通用领域数据相结合，以提高模型的泛化能力和适应性。  3.模型评估和优化：在完成模型训练后，Bloomberg公司对该模型进行了评估和优化。评估过程中，他们使用了多个标准测试集，并与其他现有的语言模型进行比较。在优化过程中，他们采用了一些技术手段来提高模型的效率和准确性。  4.应用开发和部署：最后，Bloomberg公司将该语言模型应用到实际场景中，并将其部署到Bloomberg Terminal等金融应用程序中，以帮助金融专业人士更好地理解和分析金融数据。  总的来说，Bloomberg公司在开发BloombergGPT时采用了一种基于大规模数据和深度学习技术的方法，并注重模型的泛化能力和适应性。这种方法不仅提高了模型的准确性和效率，还为金融领域的自然语言处理技术应用提供了新的思路和方法。同时，BloombergGPT的开发过程也强调了数据预处理、模型设计和评估优化等环节的重要性，这为其他自然语言处理任务的开发提供了借鉴和参考。 BloombergGPT有哪些功能？ BloombergGPT是一种金融领域的语言模型，主要应用于金融领域的自然语言处理任务。它具有以下功能：  1.自然语言查询：BloombergGPT可以将自然语言查询转换为有效的Bloomberg Query Language（BQL）查询，以便用户更方便地检索和分析金融数据。  2.文本摘要：BloombergGPT可以帮助用户快速概括和理解大量的金融文本信息，提取其中的关键信息和趋势。  3.市场情绪分析：BloombergGPT可以帮助用户分析金融新闻、社交媒体等文本中的情感倾向，以便投资者更好地了解市场情绪和趋势。  4.交易策略生成：BloombergGPT可以根据市场趋势和数据预测未来的价格变化，并生成相应的交易策略。 5.风险管理：BloombergGPT可以帮助评估投资组合中不同资产的风险，并提供风险管理建议。  总之，BloombergGPT在金融领域具有广泛的应用前景，可以为投资者、交易员、分析师等金融专业人士提供有价值的信息和支持。 BloomberGPT可以在哪些场景进行应用？ BloombergGPT是一种金融领域的语言模型，主要应用于金融领域的自然语言处理任务。它可以在以下场景进行应用：  1.金融新闻分析：BloombergGPT可以帮助分析金融新闻中的关键信息和趋势，以便投资者做出更明智的决策。  2.财务报告分析：BloombergGPT可以帮助分析公司财务报告中的数据和趋势，以便投资者评估公司的财务状况和前景。  3.交易策略生成：BloombergGPT可以帮助生成交易策略，根据市场趋势和数据预测未来的价格变化。 4.风险管理：BloombergGPT可以帮助评估投资组合中不同资产的风险，并提供风险管理建议。  总之，BloombergGPT在金融领域具有广泛的应用前景，可以为投资者、交易员、分析师等金融专业人士提供有价值的信息和支持。 目前BloombergGPT的评估效果如何？与其他大型语言模型有何不同？ BloombergGPT已经在标准LLM基准测试、开放金融基准测试和一系列最能反映其预期使用的内部基准测试中进行了验证。混合数据集训练使得BloombergGPT在金融任务上的表现优于现有模型，并且不损失通用LLM基准性能。与其他大型语言模型相比，BloombergGPT是专门为金融领域设计的，因此在处理金融数据时具有更好的性能和效果。此外，BloombergGPT可以将自然语言查询转换为有效的BQL，从而使与金融数据的交互更加自然和易于理解。 BloombergGPT现在还有哪些不足？未来应如何改进？ 尽管BloombergGPT在金融领域的表现已经非常出色，但它仍然存在一些不足之处，例如： 1.训练数据的局限性：尽管BloombergGPT使用了大量的金融数据进行训练，但这些数据仍然有一定的局限性。未来可以考虑使用更多样化、更广泛的数据集进行训练，以提高模型的泛化能力和适应性。 2.模型解释性：由于BloombergGPT是一种黑盒模型，因此其结果可能难以解释。未来可以探索如何提高模型的解释性，并使其更易于理解和应用。  3.多语言支持：目前BloombergGPT主要支持英语，而在全球范围内金融领域使用的语言非常多样化。未来可以考虑增加对其他语言的支持，以满足不同地区和市场的需求。  4.实时性能：尽管BloombergGPT已经具有很高的准确率和效率，但在某些实时应用场景中可能需要更快速、更实时的响应能力。未来可以探索如何进一步提高模型的实时性能。  为了改进BloombergGPT，在未来可以采取以下措施： 1.增加训练数据的多样性和广泛性，以提高模型的泛化能力和适应性。 2.探索如何提高模型的解释性，并使其更易于理解和应用。...

12月7日，金证股份在上海成功举办“金融领域特定场景大模型研讨会”，邀请金融行业合作伙伴和知名专家学者齐聚一堂，共同探讨大模型的发展路径，共创金融AI未来。本次会议由金证股份双基石业务总部基财业务线总经理宋云涛主持。   会上，金证股份联合旗下子公司金证优智发布了自主研发的金融领域特定场景大语言模型体系——金证金融大模型及工具集，标志金证股份推动AI在金融垂直领域落地应用上实现新突破，将更好服务金融行业客户，赋能行业数字化转型。 李结义金证股份董事长金证股份董事长李结义在致辞中指出，近年来，以大语言模型为代表的人工智能技术突飞猛进，正推动全球人工智能领域新一轮的技术升级和产业重构，也为各行业带来前所未有的机遇与挑战，国内多家科技机构加大推进大模型的建设，热情只增不减。作为其中代表的金融领域，在这一转型升级的风口中，更亟待以科技力量开启新的篇章，运用AI技术助力金融行业迈向智能化时代。李结义表示，作为一家在行业深耕30年的金融科技公司，金证股份早在2018年便开始着手AI在金融应用领域的研究，并通过多个事业部、子公司和创新平台公司对AI技术在金融领域实现落地应用。金证股份在此次数字技术浪潮下，也深入开展对大模型技术的研究。今年，集结了业内顶尖专家的金证股份AI团队自主完成了金融领域特定场景大语言模型体系的研发，并推动AI在金融垂直领域的落地应用，面向营销、客服、投行、投研、风控等业务场景提供了创新的智能金融产品及解决方案。李结义认为，大模型“求真、求精”已逐渐成为行业共识。未来，大模型能否在资本市场更好地运用，主要从技术、业务两个角度考量。技术上，大模型能不能“让不会的人更快会，让会的人效率更高”；业务上，技术平台是否将成为金融机构业务实际应用的必备品。李结义希望，通过这次金融大模型及工具集的发布，以及金证股份在AI领域积累的经验，能够真正为金融行业创造价值，助力金融行业客户跃上一个新的台阶。金证股份首席信息官廖亚滨 金证股份首席信息官廖亚滨针对“大模型在金融领域落地的思考”做主题分享。 廖亚滨指出，早在2018年，金证便从战略执行层面着手布局AI领域，并成立子公司金证优智作为集团AI战略的落地平台，通过认知智能、知识搜索、文档理解技术与金融场景结合对金融AI方面进行探索。 2019年，金证优智实现单点突破，发布了认知智能驱动的智能监管科技系统，为证监会、港交所等监管机构服务。系统涵盖应用爬虫与搜索技术的智能舆情系统的关键引擎、智能企业评估下多维度综合分析的精准能力以及金融认知模型技术的Transformer与知识图谱融合。 在2020年至2022年期间，金证股份在人工智能领域进行多方面的努力，在智能风控和智能文档领域取得了突破。今年，金证股份联合金证优智自主研发的金融大模型K-GPT由金融认知智能技术、搜索技术和金融智能文档处理技术共同打造。其中，金融认知智能技术成功实现了从专业小型模型到专业大模型的转变，搜索技术实现了从金融搜索到金融语义搜索的跨越。 廖亚滨介绍，大模型工具集主要包括K-GPT、金融语义搜索、智能文档处理、金融知识库、精细调整和评估。基于大模型的场景解决方案涵盖智能投研、智能投顾、智能投行、智能合规和智能客服等领域。 谈到模型落地应用的思考，廖亚滨从模型训练与优化、语言大模型应用、代码大模型应用、大模型合规风控四大方面发表了自己的见解。 金证股份首席AI官、金证优智CEO詹毅 金证股份首席AI官、金证优智CEO詹毅围绕《金融大模型K-GPT及大模型解决方案工具集》进行主题分享。他指出，K-GPT体系基于Transformer架构，结合领域预训练及场景化精调，与懂金融的语义检索引擎和由智能文档处理平台（IDP）高效搭建的金融知识库形成完整联动，具备更及时、更可靠、更懂金融的特点。 詹毅现场演示通用大模型及K-GPT问答情况，通过示例分析总结道，相较于通用大模型，K-GPT数据查询准确性高，更好理解金融术语，且回复专业、数据扎实，同时支持查看引用知识源，以及与实时数据与模块化集成，具备调取实时数据与组件的能力。依托于底层庞大的金融知识库，专为金融场景服务的K-GPT核心优势在于懂金融、数据准确、可验证及支持调用Agents。 詹毅表示，大模型解决方案工具集从训练到应用，一站式解决大模型应用落地，提供营销文案生成、监管问询总结、合规问答、智能客服机器人、知识QA生成器应用实例。 在与会嘉宾的共同见证下，金证股份举行了金证金融大模型及工具集发布仪式，展示金证在金融AI领域自主研发的阶段性成果。会上，与会嘉宾还就“金融领域特定场景大模型的应用和发展趋势”进行深入交流和讨论，共谋金融AI新生态。 未来，金证股份将保持创新、开放和合作的精神，携手行业合作伙伴在人工智能领域不断优化、创新，共同推动人工智能在金融行业更深入、更广泛的应用，推进金融行业数字化进程。 上市20年 | 岁月如歌二十载全面信创！广发证券新一代认证系统正式上线重磅！又中标一头部公募基金

颠覆金融2b服务，首家金融通用大模型浮出水面。 ◎懂财帝 (ID:znfinance) | 朱琼华 GPT（人工智能大模型）引发的失业危机，正笼罩在数亿白领的头顶。 ChatGPT和Midjourney持续冲击下，中外游戏行业海量的画师、设计师正在遭遇被裁员，成为受到AI冲击最大的行业。 那么，谁是下一个遭遇巨大冲击的行业？ 高盛近期发布了一份惊悚的报告：AI将威胁全球3亿人工作。 其报告指出，美国行政人员46%会被GPT替换；法律行业相关工作，GPT替代率44%；建筑和工程领域，GPT替代率37%。 领跑者Open AI发表论文指出：金融业的暴露率最高，说明金融从业人员最容易被取代。 ChatGPT横空出世，其估值迅速飙升至290亿美元，如今国内百度、阿里、腾讯等各家互联网公司纷纷涌入，国内市场大模型瞬间达到数十家…… 垂直2b金融服务领域市场已高达数千亿，金融垂直大模型有望成为下一个创业浪潮。 1｜失业潮将从游戏至金融 5月1日劳动节这天，大洋彼岸的IBM传出一个消息：该公司将有7800人被裁掉，永久淘汰。 IBM为了每年节约20亿美元，推出了一项「开支管理」计划。其关键措施：暂停招聘AI可以胜任的岗位，波及约2.6万名员工。 科技巨头们左手裁员，右手押注GPT。他们近乎腾出员工薪水为GPT输血。 META接裁掉了1.1万名员工，亚马逊裁掉了2.7万名员工，他们都将人工智能列为最值得的投资；领跑ChatGPT的微软更是手起刀落，裁员1万人，投资OpenAI 100亿美元。 GPT引发的人工替代潮，也席卷到了中国。 国内游戏大厂网易吃螃蟹GPT3.5，网易游戏等试水GPT提效。一些员工慨叹：「训练不好，说明不适应岗位；训练好了，可能岗位就不需要你了。」 公关及广告服务商蓝色光标更是直接砸了外包的饭碗，宣称要全面停止文案撰写、创意设计等四类外包支出，直接用GPT替代。 IBM首席执行官Arvind Krishna强调：「上述岗位中的30%，会被GPT取代。」 我们曾经以为，AI能取代那些重复的体力劳动，比如扫地、洗碗、清洁等。 但这一次，人工智能取代的是办公室的白领：人力资源、财务、法务这些岗位，AI工具完全可以胜任。 美国一家仅十人的AI工作室开发出了一个叫Midjourney的绘画工作室，它能自动生成照片、绘画，并轻松进化成艺术家，它能自动生成「摄影大师、绘画大师」级作品。 Midjourney三秒生成的作品，完胜科班出身、三年以上经验的资深画师。它独有的设计、创意能力，令游戏行业大批的原画师、设计师开始失业。 Midjourney和ChatGPT已经开始具备人类的「涌现」思维能力，能够如聪明人一般「举一反三」，自动生成文本、图片等内容。 它们的出现意味着，GPT拥有创新与灵感能力，它开始「征服」人类。 失业危机已经从游戏行业蔓延，谁是下一个遭遇冲击的行业？ Open AI最新的论文《GPTs are GPTs: An Early Look at the Labor Market Impact Potential of...