經濟觀察網 記者 鄒永勤 近期，隨著華為、百度等大廠紛紛高調發(fā)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(lián)數(shù)據(jù)股份公司（以下簡稱通聯(lián)數(shù)據(jù)）和深圳市投資基金同業(yè)公會聯(lián)合舉辦的“大語言模型賦能資產管理高質量發(fā)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(fā)展與趨勢等進行熱烈探討。

通聯(lián)數(shù)據(jù)總經理蔣龍在開幕致辭中表示，隨著AI和大語言模型的發(fā)展，科技賦能資產管理和財富管理高質量發(fā)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(fā)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(qū)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(lián)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(yè)專家提升行業(yè)研究專業(yè)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(yè)垂直應用將在未來2至3年內在各行業(yè)全面鋪開，屆時各行各業(yè)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(fā)展，比如，資管公司未來在渠道客戶服務、基金投顧，養(yǎng)老金等業(yè)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。“未來資管公司商業(yè)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。“現(xiàn)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。”

通聯(lián)數(shù)據(jù)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(chuàng)造性的事情。

通聯(lián)數(shù)據(jù)智能投研業(yè)務中心總經理許丹青亦表示，大語言模型對很多行業(yè)來講，都是范式的顛覆創(chuàng)新；“對資管行業(yè)也是這樣的，整個范式是三位一體的：一是信息系統(tǒng)、二是模型系統(tǒng)、三是決策或行動系統(tǒng)。我們認為，在整個智能資管領域，這個系統(tǒng)的三個關鍵詞應該是信息、數(shù)據(jù)和觀點。因此，現(xiàn)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(xiàn)，這里主要是在找信息、看研報、查數(shù)據(jù)、寫點評和做復盤等方面提供助理級別的服務支持。”

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(yè)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(shù)據(jù)收集和管理；第二個是市場分析預測；第三個是因子開發(fā)尤其是文本相關的因子開發(fā)；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(yōu)化組合。”

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(jiān)督學習向自監(jiān)督學習的轉變極大地拓展了非標注數(shù)據(jù)的使用，從而使大規(guī)模訓練成為可能，能力隨著規(guī)模涌現(xiàn)。對于大模型時代的量化金融，文本數(shù)據(jù)從市場監(jiān)控、因子開發(fā)、風格識別、組合優(yōu)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(shù)據(jù)、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(shù)據(jù)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(guī)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(yè)、公司有更深入理解，低成本處理文本數(shù)據(jù)使得數(shù)據(jù)更加多維度，將運營數(shù)據(jù)、新聞輿論、分析師數(shù)據(jù)等有機地結合起來。”孫東寧認為，大模型為人和系統(tǒng)（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(shù)據(jù)的聯(lián)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(xiàn)實問題是，資管領域是一個十分嚴謹?shù)念I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(yōu)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(guī)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(guī)模化的專業(yè)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。”他說。