经济观察网 记者 邹永勤 近期，随着华为、百度等大厂纷纷高调发声金融大模型，金融大模型浪潮炙手可热。

在这样的大背景下，由通联数据股份公司（以下简称通联数据）和深圳市投资基金同业公会联合举办的“大语言模型赋能资产管理高质量发展峰会”9月22日在深圳召开，一众来自金融机构、科技公司以及研究院的专家学者围绕大语言模型的理论与应用、发展与趋势等进行热烈探讨。

通联数据总经理蒋龙在开幕致辞中表示，随着AI和大语言模型的发展，科技赋能资产管理和财富管理高质量发展的作用会越来越大。当然，未来大模型技术本身还有很大的发展空间，大模型技术也未必是通用人工智能技术的最后一站，AI赋能资产管理和财富管理还有非常广阔的空间。

虚拟专家和智能客服

大模型在资管领域能够干什么、或者说应该干什么？

对此，麦肯锡全球董事合伙人、大中华区资产管理和财富管理负责人马奔表示，我们正站在“万物AI”的时代风口中，“如果说从2006年开始的移动互联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则将从根本上改变人机互动的方式和全域信息的提取、分析、总结、学习和生成的方式。

他认为，生成式AI在资产管理领域的应用广泛，同时潜力巨大；“我们认为最有潜力的应用是以智能研究助手提升投研效率，利用虚拟行业专家提升行业研究专业性。此外，生成式AI对资管公司加强营销和投后陪伴内容自动化、个性化生成也具有重要价值”。

他进一步把大模型在资管领域的潜在应用归纳成三个重点：第一个是虚拟助手、第二个是虚拟专家、第三个是智能客服。

“虚拟助手围绕资管价值链可以赋能研究员、赋能投资经理，也可以赋能渠道和机构销售，以及市场营销团队，帮助他们提升效率，降低低价值工作在整体工作时间的占比”，马奔说。

至于虚拟专家，马奔认为，“大模型的行业垂直应用将在未来2至3年内在各行业全面铺开，届时各行各业都会产生基于生成式AI的虚拟专家，这将为资管公司未来投研获取信息，分析信息的方式带来更多可能性”。

马奔还认为，虚拟专家在财富管理，特别是投资顾问领域也会有更大的发展，比如，资管公司未来在渠道客户服务、基金投顾，养老金等业务上，不只需要向客户提供产品，也需要提供投顾赋能服务甚至投顾建议。“未来资管公司商业模式在从资管向财富管理延伸的过程中，虚拟投顾专家的应用将非常关键”。

最后一个则是智能客服。他表示，届时智能客服可以直接面对客户，包括渠道客户、C端客户等。“现在一些全球资管公司正在加速推动智能客服机器人的升级，从而大幅度提升渠道客户投后服务和营销的效率。比如智能客服机器人可以基于客户持仓盈亏的不同情况，自动生成针对性的投后陪伴内容。”

通联数据总经理蒋龙在接受媒体采访时亦表示，从AI对研究分析工作的渗透度来看，其参与度越来越高，这是毋庸置疑的。随着时间推移，AI能做的事情越来越多。值得注意的是，虽然人做的事情在占比上减少，但却会是最具有价值的那部分。从这个意义上可以说，科技的参与比重在上升，而人的劳动比重在下降，但人的劳动价值在提高。在AI助力下，人有更多时间和精力，做更有创造性的事情。

通联数据智能投研业务中心总经理许丹青亦表示，大语言模型对很多行业来讲，都是范式的颠覆创新；“对资管行业也是这样的，整个范式是三位一体的：一是信息系统、二是模型系统、三是决策或行动系统。我们认为，在整个智能资管领域，这个系统的三个关键词应该是信息、数据和观点。因此，现在是主打AI投研助理的阶段，我们会用大语言模型能力把投研非常多的场景重新做一个实现，这里主要是在找信息、看研报、查数据、写点评和做复盘等方面提供助理级别的服务支持。”

对量化金融的影响

近期，市场上对于量化交易的讨论较多，而在金融行业中，量化金融与科技的关系亦最为密切而直接。因此，随着AI大模型时代的来临，其将会对量化金融产生哪些影响亦受到市场的关注。

鹏城实验室研究员（正高级）孙东宁表示，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这个浪潮中，量化投资方面有一定的落地空间：“第一个是数据收集和管理；第二个是市场分析预测；第三个是因子开发尤其是文本相关的因子开发；第四个是组合构建；第五个是风险控制。组合构建的时候，我们需要判断出应该在哪些风格因子上打开或关掉，或者开放多大的风险敞口。如果有一个大模型能够提供市场走势和把控风格的判断，将有助于我们构建策略和优化组合。”

此外，谈到大模型对量化金融有哪些启示时，孙东宁认为，模型结构由RNN家族向Transformer的转变大大提高了计算效率和长程记忆性，训练范式由监督学习向自监督学习的转变极大地拓展了非标注数据的使用，从而使大规模训练成为可能，能力随着规模涌现。对于大模型时代的量化金融，文本数据从市场监控、因子开发、风格识别、组合优化乃至风险敞口管理都有重要的价值，大模型以及Prompt微调的范式为处理文本数据、降低文本处理的人力成本和时间成本提供了高效便捷的工具，使非结构化文本数据不再另类，极大降低了领域适配成本。

“量化基本面方面，交易型策略逐渐拥挤，支持规模有限，量化私募转型中低频；中低频交易需要对宏观、市场、行业、公司有更深入理解，低成本处理文本数据使得数据更加多维度，将运营数据、新闻舆论、分析师数据等有机地结合起来。”孙东宁认为，大模型为人和系统（机器）深度融合、互为决策流程提供了可能性。在量化投资方面，一些前沿的研究者在探索跨品种、多时间尺度数据的联合训练，建立综合的时间序列预测大模型，为具体的垂直微调模型提供一个基础底座。

但在金融大模型备受关注的当下，其面对的一个现实问题是，资管领域是一个十分严谨的领域。那么，在这样的背景下，不管是科技公司或者资管公司，在运用大语言模型当中，应该注意哪些事项呢？

对此，马奔强调，要用大模型就要用它的优点：“首先它不是万能的，目前其在普适性信息上的智能化程度较高；第二，目前大模型更适合总结过去存量的信息，在预测未来的有效性上仍在探索阶段；第三在合规风险比较大、比较敏感的领域，对大模型的应用要有相应的风险管控措施安排”。

马奔进一步表示，模型风险管理是目前全球很多金融机构的关注重点，他们普遍都建立了规模化的专业模型风险管理团队。

“未来大模型是多模型的架构，有些是公用的，有些是本地化部署。在未来的大模型框架下，对模型风险管理的要求会越来越高。”他说。