投资决策是远远不够的。投资决策需要基于市场信息作出买入卖出决策,这也是为什么要在细分领域寻求专业化的原因。 熵简科技又以海上风电为例,在研究该行业,补贴退坡、并网情况等都是重要指标,而再往前又可再追溯到一系列前瞻性指标(装机情况、吊装情况、招投标、核准等)。在投研过程中,每一个环节都包含许多关键的高频指标,如何将这些数据和逻辑串联起来并形成一个能够投资的AI,是未来AI厂商可拓展和思考的方向,而这一领域的价值毋庸置疑。 文构财经 文构财经基于多年积累的数据的先发壁垒,其数据范围覆盖中国沪深、中国香港、美国、新加坡、英国等证券交易所,近20年的海量财经数据,清洗出共计近500G的中英文财经语料(目前数据状态为均已清洗、标定、学习后)。 通过AI理解能力与应用场景的深度结合,文构财经为用户提供了基于财经文本的全新深度处理后的数据、指标、分析师报告,从而为学术研究、量化投资、经济监管等提供多方位支持。 文构财经数据库,企业供图 -4 AI+金融:挑战与展望 • 关于挑战 • 未来,随着AI技术在金融领域的更深入发展,更加迫切地需要人才端与业务端的深度结合,以应对日益增长的合规要求。这种深度结合不仅涉及了专业技术的应用,还涉及了跨学科的整合,以及对市场的敏锐洞察。 飞笛科技的丘慧慧表示,在未来的金融领域,人工智能预计将迎来更加广阔的发展空间。然而,这种发展也面临着一定的挑战。其中一个关键的挑战是金融机构自身的组织结构。金融机构能否以用户为中心进行组织架构的调整,是决定企业能否成功进行结构转型的关键因素,而跨界人才的挑战是企业所面临的重要挑战。 有连云认为,金融领域,对于不同业务场景的理解需要长期积累经验。金融业务有复杂性和专业度,不是简单能驾驭。有连云系统能够实现高效的AIGC生成,这是通用大模型难以完成的任务,而打造具有较高黏性的产品,需要有足够的业务Know-how,并懂得如何进一步优化客户的使用体验。 深擎科技表示,AI在金融领域的挑战主要在于B2B领域的商业化实施过程,金融行业分支机构和总部的数字化协作难以有效打通这个矛盾。作为一家创业公司,面临着与客户个性化、定制化需求及标准化产品之间的冲突。深擎科技柴志伟认为,还是要在产品理解上超越客户,充分把握客户的需求和特性,以便为客户打造价值产品。 此外,公司还需要积累大量的行业案例和实践经验,以更好地指导和支持客户需求和发展。轻咨询是一种值得采用的服务模式,它可以通过团队在早期与客户的沟通和交流,影响客户的规划和预期,帮助客户将想法收敛到一个可以标准化实施的解决方案,从而实现客户需求的合理满足,以及双方共赢的局面。 在人才与技术挑战方面,熵简科技费斌杰认为,AI科技的发展,其核心仍是技术层面的探讨。技术问题并非一蹴而就,它需要深厚的专业积累。倘若把AI视作一个黑盒,训练的关键在于持续优化这个建模过程,如果技术人员未曾尝试过此类操作,那么相关的经验积累无疑将是一片空白,即使能了解大致的操作流程,但要想深入理解这类技术性的经验,仅仅通过理论学习是不够的。这也是在第一线亲自操作和实践的重要性。例如,技术人员至少需要亲自调优过GPT模型。然而在全球范围内,这样经验丰富的专业人士实际上是稀缺的,不仅仅在国内,在海外也同样如此。 • 关于模型的迭代 • 从一个中立的角度对金融领域中各类模型进行比较,就现有技术而言,如GPT、BloombergGPT、FinBert等,各模型间存在着一定的差异。在实际金融领域的应用中,随着参数量及数据集、数据类型及权重、所应用的垂直任务不同,模型的效果也不同(Nan, etc., 2023; Markus, 2023)。 对于模型的迭代,摸象科技表示,模型迭代需要新数据的加入及渐进式优化,其中数据也非越多越好,数据的来源选择很重要,比如金融的模型,加入太多物理学权重的数据可能会出问题。此外,协调数据处理、筛选将是模型训练中比较重要的工作。 熵简科技表示,公司在2020年成功研发了FinBert模型,FinBert模型继承了Bert的设计理念,两者都基于先进的Transformer架构,而FinBert在金融投资研究领域中也成为了一项预训练模型,也帮助熵简服务于金融、资产管理和投资银行等机构。 在GPT面世后,熵简更是基于GPT做上游,进行Fine-Tuning,并附加Promt工程。而对于模型的升级,其中的研发工作需关注细节以及结合学术研究成果,并转化出相关的工程代码,再在业界实践中迭代反馈,从而实现学术思路的工程化,比如通过LoRA,用更少数据训练模型,通过调整细节实现性能提升。 *LoRA :Low-Rank Adaptation, 低秩自适应,是一种基于低秩矩阵分解的个性化推荐算法,能够在推荐系统中应用于提供用户定制的推荐服务。其自适应的机制,可以根据不同用户和项目之间的关系调整模型的参数。 • AI技术的拥抱现状 • 总体而言,AI在金融领域应用广泛,但挑战在于对先进技术的实际应用,以及监管适应性。金融机构对AI有一定认知,随着AI场景的深度和广度的逐渐提高,监管环境对新技术的重视将越发提高。对于新技术,金融行业、赛道中的金融厂商整体偏向开放且积极拥抱的态度。对于AI技术,各厂商在表示积极拥抱的同时,也对目前金融机构对AI技术的态度提出了看法。 其中,有连云表示,AI及AIGC已成功地推进了本行业,挑战在于如何将先进的技术成功应用到实际情况中。这一全新的发展阶段的到来并不遥远,当前正处于一个充满活力的时期。各行各业需要调整自身来适应这样的变化。以ChatGPT为例,它在某些通用场景中可以帮助用户提高工作效率,金融领域和通用领域在文本、图片和视频等方面有共通之处,并已取得了持续的应用成果。同时,当前的监管环境对于新技术的接受度相对较宽松,整个进程在稳步推进。 熵简科技表示金融机构处于观望态度,关键原因在于数据安全问题。金融数据在国家安全方面也占据重要地位,因此直接使用 ChatGPT 模型可能并不合适。因此,未来的趋势会偏向于私有化模型部署。 深擎科技柴志伟表示,目前这波AI浪潮中,AI从1.0(2016年,小模型、垂直AI领域)到现在2.0(通用大模型,强AI)时代,技术发生了比较大的冲击和转变,金融领域表现得比较务实。目前的金融机构已对新的AI技术有一定认知,但场景还有待做大做深,基于国内对金融服务的潜在庞大需求,AI在金融领域的发展仍有很大的空间。 • AI+金融的展望 • 未来,AI厂商将有机会依赖共性技术应用到更多的垂直业务场景,使AI技术在金融行业得到更长远的发展。 有连云从金融业务角度出发,表示依托于技术共性,未来AI的应用将打开更多垂直业务场景。依托于需求的共性,有连云将加大研发投入,通过产品力提升用户体验,从而增强用户黏性。飞笛科技认为,未来AI厂商的战略壁垒在于不断发展数据化,加强内容与金融场景、用户广度、深度及密度的有机组合,实现在各个场景中应用的落地。 摸象科技从银行业角度出发,表示基于中国银行业庞大的业务体量及增速,未来AI在金融市场应用的前景将越发广阔,而摸象也计划将数字员工拓展至银行各个层级的员工,以扩大市场规模。同时考虑到金融行业的广度和深度,AI在垂类市场将会有巨大的发展空间。 深擎科技从金融从业人士角度出发,以销售为例,认为在AI的赋能下,未来线上销售行为将会被数字化,而其中头部销售的能力、经验等稀缺能力将会被沉淀、分析及模块化(话术、策略),从而帮助初级销售提高能力,此方式在国外已经逐渐得到发展,在国内券商、银行大量的客户经理将有机会被服务及赋能,以帮助更广的潜在客群。 熵简科技从AI模型的角度,表示AI已经不再仅仅作为辅助工具,而是在多个领域发挥着日益显著的影响。开源必将成为AI在金融领域发展的未来趋势。目前,开源与闭源模型在这一领域各自拥有显著的黑洞效应,这两个领域有可能分别诞生类似谷歌和苹果的头部企业,形成双重队列格局。目前,已有多家公司在开源大模型领域争夺领导地位,如Facebook的LLaMA等模型,性能方面不断提升。然而,何时能够追赶GPT-4的表现仍有待观察。 *LLaMA(Large Language Model Meta AI,大语言模型元AI),是Meta AI公司于2023年2月发布的大型语言模型。它训练了各种模型,这些模型的参数从70亿到650亿不等(维基百科,2023)。 总结 在如今热闹非凡的国内人工智能热潮中,各个细分行业的AI厂商迎来了较大的机会。人工智能技术在金融领域已经展现出了深厚的应用前景,覆盖了智能客服、内容科技、投资决策等诸多领域,这无疑凸显了AI技术的无穷潜力。 随着AI技术在金融领域作用的日益凸显,随之而来的挑战也日益突出。数据安全问题将会是一个不容忽视的议题,由于金融行业的专业知识壁垒,对于数据的深度挖掘和应用人才的需求也随之增加。 AI创业者将在金融赛道中看到的,不仅有机会,也有必须跨越及克服的特定门槛,只有克服这些门槛,配合底层技术的优化迭代,加之与业务场景的深度结合,才能充分发挥AI在金融领域的优势,为金融机构提供更加智能化的解决方案。 参考文献 [1] Epam (2023) AI for Fintech. Be the One to Change the Industry [Online], Available from: https://anywhere.epam.com/business/artificial-intelligence-in-fintech [Assessed July, 2023]. [2] Nan, H., Peng, L. and Xu, Y. (2023) Whetting All Your Appetites for Financial Tasks with One Meal from GPT: A Comparison of GPT, FinBERT, and Dictionaries in Evaluating Sentiment Analysis [Online], Available from SSRN: https://ssrn.com/abstract=4426455 [Assessed July, 2023]. [3] insider intelligence (2023) Artificial Intelligence in Financial Services: Applications and benefits of AI in finance [Online], Available from: https://www.insiderintelligence.com/insights/ai-in-finance/ [Assessed July, 2023]. [4] Markus, L. (2023) 'Sentiment spin: Attacking financial sentiment with GPT-3',Finance Research Letters, volume 55/part B. [5] The Business (2023) Global AI in Fintech Market Report 2023: Forecast Market Size, Growth Rate and Key Drivers [Online], Available from: https://www.thebusinessresearchcompany.com/press-release/ai-in-fintech-market-2023 [Assessed July, 2023]. [6] Xianzhi, L., Xiaodan, Z., Zhiqiang, M., Xiaomo, L. and Sameena, S. (2023) 'Are ChatGPT and GPT-4 General-Purpose Solvers for Financial Text Analytics? An Examination on Several Typical Tasks', Department of Electrical and Computer Engineering & Ingenuity Labs Research Institute Queen's University & J.P. Morgan AI Research. [7]. 艾瑞咨询 (2023) 中国AI+金融行业发展研究报告. 风险提示:界面有连云呈现的所有信息仅作为参考,不构成投资建议,一切投资操作信息不能作为投资依据。投资有风险,入市需谨慎!lg...