作為這一變革的前沿，金融行業(yè)垂直領(lǐng)域的大模型應(yīng)用已經(jīng)開始在金融服務(wù)的多個方面展現(xiàn)出其巨大的潛力和價值。本文將深入探討金融行業(yè)垂類大模型的應(yīng)用現(xiàn)狀，分析其市場前景、分類、主要參與主體以及典型案例，并討論在實際落地過程中面臨的挑戰(zhàn)。

當前，國內(nèi)互聯(lián)網(wǎng)企業(yè)、傳統(tǒng)金融機構(gòu)及金融科技企業(yè)爭相競逐，“百模大戰(zhàn)”如火如荼，AI與金融的結(jié)合也日益深化。從通用大模型向金融產(chǎn)業(yè)大模型的轉(zhuǎn)變，逐步改變著傳統(tǒng)金融行業(yè)的運作模式和業(yè)務(wù)流程。國內(nèi)外金融大模型如軒轅、貔貅、支付寶的AntFinGML、騰訊云金融大模型等等逐步在推進使用中。

01 發(fā)展背景

1. 通用模型難以提供深度服務(wù)

隨著AI技術(shù)的不斷升級的，AIGC技術(shù)的實踐效用迎來了行業(yè)級大爆發(fā)。在內(nèi)部模型自身迭代和多技術(shù)協(xié)同的作用下，出現(xiàn)了集圖像識別、語義理解、視覺感知于一體的多模態(tài)體系。然而，由于行業(yè)深度信息的缺失，通用大模型在特定領(lǐng)域很難提供高價值、專業(yè)化的服務(wù)。

2. 行業(yè)需求與模型能力契合

金融行業(yè)屬于數(shù)據(jù)、信息密集型產(chǎn)業(yè)，對于多渠道信息匯總與數(shù)據(jù)處理能力有較高要求；同時，行業(yè)要求從業(yè)人員專業(yè)知識儲備與經(jīng)驗，來完成對金融業(yè)務(wù)的判斷、咨詢服務(wù)、報告產(chǎn)出等工作。

而相對應(yīng)的，大模型恰好有很強復雜信息處理能力，以及基于原始數(shù)據(jù)和經(jīng)驗給出相應(yīng)解決方案方面的能力。

02 金融垂類大模型行業(yè)現(xiàn)狀

1. 市場前景

據(jù)智研瞻統(tǒng)計顯示，2019年中國金融大模型行業(yè)市場規(guī)模250.49億元，2024年Q1中國金融大模型行業(yè)市場規(guī)模90.82億元，同比增長7.10%。2019-2024Q1年中國金融大模型行業(yè)市場規(guī)模如下：

根據(jù)畢馬威中國發(fā)布的《2024中國金融科技企業(yè)首席洞察報告》的揭露，70%的受訪企業(yè)認為新質(zhì)生產(chǎn)力能提升金融科技企業(yè)自主創(chuàng)新能力，并帶來新機遇。同時，91%的受訪企業(yè)看好大模型金融應(yīng)用前景。

2.金融大模型分類

從服務(wù)細分領(lǐng)域、應(yīng)用場景、開源狀態(tài)，對金融大模型進行分類：

3. 主要參與主體

在金融大模型的應(yīng)用方面，傳統(tǒng)金融機構(gòu)、金融科技公司和互聯(lián)網(wǎng)金融公司各有優(yōu)勢，故提供的服務(wù)也有所差異。

傳統(tǒng)金融機構(gòu)

其主要優(yōu)勢是：豐富的行業(yè)經(jīng)驗與專業(yè)知識，有助于將生成式AI應(yīng)用于復雜的金融決策和客戶服務(wù)中；成熟的合規(guī)框架，能夠確保AI應(yīng)用符合行業(yè)法規(guī)和標準。豐富的客戶數(shù)據(jù)，為生成式AI提供了訓練和優(yōu)化的基礎(chǔ)，支持個性化推薦和服務(wù)。強大的資金支持，可以投資于AI技術(shù)的研發(fā)和基礎(chǔ)設(shè)施建設(shè)；強大的品牌信譽，使客戶對傳統(tǒng)金融機構(gòu)的信任度較高，增強了新服務(wù)的接受度。

金融科技公司

金融科技（FinTech）公司領(lǐng)域主要服務(wù)于企業(yè)客戶（B端），主要提供如在線支付處理、借貸平臺、財務(wù)管理軟件、企業(yè)保險解決方案、區(qū)塊鏈技術(shù)應(yīng)用和數(shù)據(jù)分析服務(wù)等，其核心職能是為金融機構(gòu)提供廣泛的技術(shù)支持和解決方案。

其主要優(yōu)勢是：

• 良好的技術(shù)基礎(chǔ)，許多金融科技公司在技術(shù)基礎(chǔ)設(shè)施上已具備一定優(yōu)勢，能夠快速集成和部署生成式AI模型，提升現(xiàn)有服務(wù)；
• 專業(yè)化解決方案，結(jié)合生成式AI，利用各種低代碼模版，來快速提供定制化的支付、融資和風險管理解決方案；
• 更高效的集成能力，它們通常具備強大的API接口，在結(jié)合大模型方面，可快速便捷與企業(yè)現(xiàn)有系統(tǒng)快速集成，實現(xiàn)無縫對接。

互聯(lián)網(wǎng)金融公司

互聯(lián)網(wǎng)金融公司指針對面向零售投資者（C端）市場提供的金融服務(wù)，如智能投資顧問、市場情況預測、個性化財務(wù)規(guī)劃、個人投資組合風險評估、金融知識教育培訓等。

其主要優(yōu)勢是：

• 快速響應(yīng)市場需求，通過生成式AI實時分析數(shù)據(jù)，快速推出符合用戶需求的新產(chǎn)品和服務(wù)。
• 重視用戶體驗，較重視用戶界面和交互設(shè)計上，結(jié)合大語言模型，能夠提供更流暢的用戶體驗，簡化用戶注冊、投資和咨詢的過程。
• 高度的個性化服務(wù)，結(jié)合用戶行為數(shù)據(jù)和生成式AI，能夠提供高度個性化的投資建議和財務(wù)規(guī)劃。
• 更廣泛的數(shù)據(jù)整合，相對于傳統(tǒng)金融機構(gòu)，能整合來自多種渠道的數(shù)據(jù)，提供全面的用戶畫像，支持更精準的服務(wù)。

03 金融大模型典型案例

1. 基本技術(shù)架構(gòu)

垂直類大模型是基于通用大模型進行二次的開發(fā)。先檢索相關(guān)的知識，然后基于召回的知識進行回答，也就是基于檢索增強的生成。一般要經(jīng)過三個步驟：

（1）ContinuePreTraining:給模型注入領(lǐng)域知識，即用金融領(lǐng)域內(nèi)的語料進行繼續(xù)的預訓練。一般為了保持模型的通用能力，還需要注入混雜的通用數(shù)據(jù)。（2）SFT:通過SFT可以激發(fā)大模型理解領(lǐng)域內(nèi)各種問題并進行回答的能力（3）RLHF:通過RLHF可以讓大模型的回答對齊人們的偏好，比如行文的風格。

2. 國外典型案例

國外金融市場更開放、發(fā)達，業(yè)務(wù)量和用戶數(shù)較多，且金融服務(wù)要求更高。在NLP出現(xiàn)初期，很多公司就前仆后繼地開發(fā)大模型或者開發(fā)AIagent。

BloombergGPT——閉源模型

BloombergGPT是彭博社于2023年推出的金融垂直領(lǐng)域大語言模型，是一個有500億參數(shù)、基于BLOOM模型的LLM，該團隊采取通用模型和特定領(lǐng)域模型混合分析的方式，直接從0訓練一個的金融領(lǐng)域大模型。其主要優(yōu)勢有以下幾點：

①　數(shù)據(jù)來源可靠。由于彭博社在幾十年的金融業(yè)務(wù)中積累了大量的金融數(shù)據(jù)和文件，擁有先天的數(shù)據(jù)優(yōu)勢，數(shù)據(jù)來源可靠。

②　金融數(shù)據(jù)集來源豐富，token數(shù)量大。其在金融領(lǐng)域數(shù)據(jù)集共包含了3630億個token，占總數(shù)據(jù)集token量的54.2%，具體由以下幾個部分構(gòu)成：

③　模型應(yīng)用表現(xiàn)好。團隊分享了模型的三個定性示例：1）生成Bloomberg查詢語言，BloombergGPT可以被用來通過將自然語言查詢轉(zhuǎn)換為有效的BQL，使BQL更易于訪問。2）生成新聞標題。由于它在許多新聞文章上進行了訓練，可以幫助生成新聞標題。3）金融問答。由于金融領(lǐng)域訓練數(shù)據(jù)，智能問答覆蓋面廣

FinGPT——開源模型

FinGPT是AI4Finance基金會發(fā)起的一個專注于金融領(lǐng)域的大型語言模型，它致力于通過構(gòu)建開放源碼的金融大語言模型來推動金融科技(Fintech)的發(fā)展和創(chuàng)新。

①　基座模型：開源LLaMA或者ChatGLM，

②　數(shù)據(jù)集：新聞網(wǎng)站、社交媒體、公司公告、趨勢(google或者baidu等搜索引擎)、其他公開數(shù)據(jù)集

③　訓練方法:LoRA和RLSP(根據(jù)股票價格的強化學習)

④　模型框架

數(shù)據(jù)源層：通過整合新聞網(wǎng)站、社交媒體平臺、財務(wù)報表、市場趨勢等數(shù)據(jù)，確保全面的市場覆蓋。

數(shù)據(jù)工程層：專注于NLP數(shù)據(jù)的實時處理，以應(yīng)對金融數(shù)據(jù)固有的高時間敏感性和低信噪比的挑戰(zhàn)。

LLMs層：整合各種微調(diào)方法，優(yōu)先考慮輕量級自適應(yīng)，以保持模型的更新和相關(guān)性。

應(yīng)用層：提供金融任務(wù)的實踐教程和演示應(yīng)用程序，包括機器人咨詢服務(wù)、量化交易和低代碼開發(fā)。

⑤　優(yōu)勢

國外首個金融行業(yè)垂直類開源大語言模型。主要給金融研究人員和從業(yè)者提供可訪問和透明的資源，來開發(fā)自己的的FinLLM或潛在的應(yīng)用程序。解決金融數(shù)據(jù)獲取難、處理難的問題，旨在開源領(lǐng)域?qū)崿F(xiàn)互聯(lián)網(wǎng)規(guī)模的金融數(shù)據(jù)民主化。

基于GPT的各種金融模型和AIagent

（1）BondGPT：2023年6月全球金融科技領(lǐng)導者Broadridge的子公司LTX，通過GPT-4打造了BondGPT，該模型主要用于債券市場，幫助客戶回答各種與債券相關(guān)的問題。幫助金融機構(gòu)、對沖基金等簡化債券投資流程并提供投資組合建議。比如輸入問題：我有100萬美元資金，想投資5年，有哪些高收益的債券選擇？BondGPT會回答符合需求的公司名字、利率、價格、發(fā)布日期、到期日期、債券評級等信息。

（2）PortfolioPilot：由SEC注冊投資顧問機構(gòu)——GlobalPredictions于2022年11月推出，為投資者提供全球投資組合管理、投資顧問、AI助理等服務(wù)，是美國的智能投顧平臺。目前PortfolioPilot已積累逾3萬名用戶，為約200億美元資產(chǎn)提供AI大模型+智能投顧服務(wù)。

其核心模塊：追蹤模塊能借助大模型技術(shù)，為用戶呈現(xiàn)投資組合管理的可視化工具，包括大類資產(chǎn)配置結(jié)構(gòu)、資產(chǎn)相關(guān)性矩陣等；提升模塊能基于AI大模型所生成的全球經(jīng)濟洞察觀點，對用戶投資組合進行評分分析，找出用戶投資組合薄弱之處并提供個性化的改善建議；探索模塊主要包括新聞、研究、預測三大功能，匯總關(guān)鍵新聞幫助投資者及時了解行業(yè)信息。

3. 國內(nèi)典型案例

國內(nèi)金融市場發(fā)展較晚，且開放性不足，另外NLP發(fā)展速度也稍落后于國外。但由于國內(nèi)市場需求大，金融機構(gòu)數(shù)量多，2023年間金融垂類大模型蓬勃發(fā)展。

軒轅-開源

軒轅是度小滿的大模型團隊，在2023年基于BLOOM-176B架構(gòu)，針對中文通用領(lǐng)域和金融領(lǐng)域進行針對性預訓練和微調(diào)的千億級對話大模型。目前，已實現(xiàn)開源的全參數(shù)模型矩陣達17個。在此基礎(chǔ)上，今年9月份度小滿在始智AIwisemodel社區(qū)重磅開源發(fā)布第三代大模型「軒轅3.0」，包括對話模型和預訓練模型?！杠庌@3.0」在金融場景中的任務(wù)評測中表現(xiàn)突出，并且在金融事件解讀、金融業(yè)務(wù)分析、投研應(yīng)用能力和風險管理等測量維度上超越GPT4o。

其數(shù)據(jù)集采用度小滿實際業(yè)務(wù)場景積累的金融數(shù)據(jù)，對金融相關(guān)問題的理解比通用大模型更有優(yōu)勢。因此在模型評估方面，在金融場景中的任務(wù)評測中，軒轅全面超越了市場上的主流開源大模型，贏得了150次回答中63.33%的勝率，充分凸顯了其在金融領(lǐng)域的顯著優(yōu)勢。在通用能力評測中，軒轅有10.2%的任務(wù)表現(xiàn)超越ChatGPT3.5，61.22%的任務(wù)表現(xiàn)與之持平，涉及數(shù)學計算、場景寫作、邏輯推理、文本摘要等13個主要維度。2023年在中文任務(wù)評測C-Eval和CMMLU榜單中名列開源首位。

HithinkGPTvs妙想金融

作為國內(nèi)toC金融公司的佼佼者，同花順和東方財富公司在金融大模型方面的競爭也不相上下，在2024年1月，相繼推出HithinkGPT和妙想金融大模型。目前同花順問財已經(jīng)開始啟用，妙想app還處于內(nèi)測階段。下面從技術(shù)方面和用戶體驗方面進行簡單對比：

1-技術(shù)方面：從技術(shù)架構(gòu)、token數(shù)、落地方式等角度，比較兩個模型。

2-用戶體驗方面：由于妙想內(nèi)測審核暫未通過，故只初步體驗了HithinkGPT問財，后續(xù)看機會再更新兩者的對比。

優(yōu)勢：

• 市場覆蓋廣：涉及多個金融市場，如A股、港股、美股、基金、債券等等
• 功能豐富：支持查詢、分析、對比、解讀、建議多等等，包含在選股票、診股票、看行情、看新聞等股民常用功能方面表現(xiàn)較好。
• 回答內(nèi)容豐富：通過動態(tài)折線圖、動態(tài)雙柱圖、K線圖等圖表增強可視化能力，還有多種投資數(shù)據(jù)。

不足：

• 整體界面：HithinkGPT是基于問財上直接套用，對比傳統(tǒng)引擎，用戶體驗還未跟上
• 分析較淺顯：分析的深度還不太夠，無法取代專業(yè)投顧。
• 偏向于技術(shù)分析：在回答個股的問題時，兩個模型均注重于估值、技術(shù)、資金流向，對基本面內(nèi)容的回答較少。
• 回答準確率偏低：針對用戶的提問，偶爾出現(xiàn)答非所問的情況，聯(lián)系上下文的能力不強。有些問題的邏輯框架不順暢。

總體來說，目前問財已經(jīng)進入商業(yè)化收費階段，雖然在投顧方面有了一定的幫助，但是吸引用戶去購買更深層次服務(wù)的吸引力不夠，還需更加努力。特別是在競爭對手也逐步進入商業(yè)化階段的背景下，要積極重視提高模型準確率、內(nèi)容豐富度和用戶體驗等方面。

04 金融模型落地挑戰(zhàn)

1. AI模型的幻覺問題。由于數(shù)據(jù)質(zhì)量問題、訓練方式問題、缺乏外部知識校驗等原因，可能導致大模型易生成與事實不符的內(nèi)容，在金融這樣對精度要求較高的領(lǐng)域，這種錯誤可能帶來嚴重后果。
2. 成本問題。金融大模型需要進行大量數(shù)據(jù)的訓練和長時間的實驗，因此開發(fā)大模型需要長期戰(zhàn)略發(fā)展規(guī)劃，需要投入高性能設(shè)備、龐大的算力資源（CPU、GPU）、電力資源、長期的無回報資金以及專業(yè)的技術(shù)人員支持等，這使得該技術(shù)在開發(fā)階段就存在很高的準入門檻。
3. 安全合規(guī)要求高，數(shù)據(jù)泄漏、數(shù)據(jù)隱私問題。金融行業(yè)有很多數(shù)據(jù)的安全管理規(guī)范、技術(shù)標準，但在大模型時代，他們在模型訓練、推理中到底起到了什么作用，哪些數(shù)據(jù)要進行脫敏化處理，需要結(jié)合大模型的應(yīng)用場景和用戶需求形成行業(yè)最佳實踐。如何在保證安全的同時利用數(shù)據(jù)訓練模型，是行業(yè)要面對的挑戰(zhàn)，數(shù)據(jù)泄露的風險比行業(yè)深度信息缺失還要嚴重。

相關(guān)資源來源

1. BloombergGPT:ALargeLanguageModelforFinance——ShijieWu1,?,Ozan˙Irsoy1,?,StevenLu1,?,VadimDabravolski1,MarkDredze1,3,SebastianGehrmann1,PrabhanjanKambadur1,DavidRosenberg2,GideonMann1
2. FinGPT:Open-SourceFinancialLargeLanguageModels——HongyangYang,Xiao-YangLiu,ChristinaDanWang
3. XuanYuan2.0：ALargeChineseFinancialChatModelwithHundredsofBillionsParameters——XuanyuZhang,QingYangandDongliangXu
4. 《2024年中國金融大模型產(chǎn)業(yè)發(fā)展洞察報告》——艾瑞咨詢
5. 《2024中國金融科技企業(yè)首席洞察報告》——畢馬威
6. 智研瞻產(chǎn)業(yè)研究院報告