在金融投研領域，信息的海洋浩瀚無邊，而從中提取有價值的洞察和分析結(jié)論，對于投資決策至關重要。隨著人工智能技術的發(fā)展，AI在自動化金融紀要生成中的應用正逐漸革新傳統(tǒng)的信息處理方式。

過去幾年，我在投研內(nèi)容平臺的建設中，深刻感受到金融市場信息爆炸的速度。特別是在路演方面，信息量的激增已經(jīng)超出人工整理和分析的極限。

這篇文章，我想分享一下我在AI自動化金融紀要項目中遇到的挑戰(zhàn)、解決方案以及下一步的探索方向。

一、投研內(nèi)容生成和提取：為什么迫在眉睫？

舉個例子，根據(jù)2023年的樣本調(diào)查：

• 線上路演次數(shù)在3年內(nèi)增長了18倍。
• 2023年，有1921家金融機構(gòu)共進行了近14萬次調(diào)研。
• 在我們內(nèi)部的一個平臺上，主要面向機構(gòu)投資者，基金經(jīng)理路演場次在今年也有非常大的增長。

每位基金經(jīng)理都有自己獨特的投資框架和觀點。信息這么多，如何快速提取并整理出有用的洞察，成了我們每天都在面對的挑戰(zhàn)。人工整理不僅耗時，還容易遺漏關鍵信息。

如何定义B端产品及B端产品经理方法论

相较于C端产品，B端产品最大的特点是：面向特定领域用户，且数量少得多，但更注重对用户专业领域操作流程的深度挖掘——也就是专业性更强，与业务的结合更紧密。

查看详情 >

于是，自動化、智能化的投研內(nèi)容生成和提取，就成了提升效率的關鍵。

二、基金經(jīng)理調(diào)研AI項目：挑戰(zhàn)與解決方案

在我們的AI項目落地過程中，我們遇到了不少技術和業(yè)務挑戰(zhàn)。下面是我總結(jié)的幾大難點和應對策略：

1. 大模型的精準應用

• 如何選擇合適的大模型？ 我們嘗試了多種大模型，發(fā)現(xiàn)通義千問和豆包在金融領域的泛化能力和性價比表現(xiàn)不錯。
• 角色塑造和Prompt工程 在實際應用中，我們通過Prompt定義AI的角色、分析框架和輸出規(guī)則，讓模型更貼合金融業(yè)務場景。

2. 輸出質(zhì)量的穩(wěn)定性

AI生成的內(nèi)容，偶爾會出現(xiàn)冗余和不連貫。我們采取了以下措施：

• 內(nèi)容拆分：將大段文本拆成小塊，分步生成，再匯總。
• 總結(jié)優(yōu)化：讓AI在通讀全篇后生成總結(jié)，減少重復，保持連貫。

prompt示例如下：

下面的信息都屬于調(diào)研要點，請你先學習和理解下，再次深度閱讀并理解全文后，給出結(jié)果；

請合并內(nèi)容重合的地方，避免重復，使總結(jié)更流暢和連貫。

請綜合這些角度，通讀全篇紀要后，輸出能體現(xiàn)基金經(jīng)理整體市場觀點的總結(jié)，而無需逐一分項列出。

3. 減少模型幻覺

AI“瞎編”是個老大難問題。為此，我們設置了以下限制：

• 嚴格指令：如無信息，直接忽略，不要臆測。
• 內(nèi)容篩選：優(yōu)先輸出更具概括性的內(nèi)容，避免細節(jié)出錯。

prompt示例如下：

如無對應信息，忽略該項；如有重復，優(yōu)先選擇更具概括性的內(nèi)容。

4. 輸入內(nèi)容的質(zhì)量分級

垃圾進，垃圾出。我們在輸入環(huán)節(jié)引入了質(zhì)量分級機制，根據(jù)內(nèi)容來源和專業(yè)度打分，提升整體生成質(zhì)量。

在這一步我們發(fā)現(xiàn)不合規(guī)的內(nèi)容，大概占比為1.1%

5. 合規(guī)性保障

金融領域，合規(guī)是底線。我們的解決方案包括：

1）安全圍欄工程：結(jié)合大模型自帶的安全機制、敏感詞庫和風險詞改寫，保障內(nèi)容合規(guī)。

2）風險處理策略：

• 風險拒答：直接拒絕生成高風險內(nèi)容。
• 風險改寫：替換敏感詞，在安全范圍內(nèi)保留內(nèi)容完整性。

三、系統(tǒng)實現(xiàn)方式

四、下一步：如何用AI賦能投研內(nèi)容，讓信息有“靈魂”？

這只是個開始，接下來我想探索更多可能性。我深刻感受到一個現(xiàn)實：機構(gòu)投資者對內(nèi)容的專業(yè)性和深度有著極高要求。他們不是單純地在尋找新聞線索或簡單的調(diào)研紀要，他們追求的是能支撐投資決策的洞察和分析結(jié)論。面對這樣的群體，AI生成的信息，如何避免“機械化”、讓數(shù)據(jù)和文字真正“有靈魂”？ 這是我一直在探索的問題。

五、成熟應用的局限：新聞和錄音轉(zhuǎn)文字、總結(jié)是不夠的

市面上已經(jīng)有很多成熟的AI工具能完成新聞信息提取和調(diào)研錄音轉(zhuǎn)文字，并在一定程度上提升了信息處理的效率。但是，某些直接的“信息堆砌”方式，對機構(gòu)投資者來說，缺少了核心價值：

1. 缺少深度分析： 轉(zhuǎn)文字只是基礎，真正有價值的是這些信息背后的邏輯推導和投資觀點。
2. 缺少觀點提煉： 機構(gòu)投資者更希望看到提煉后的關鍵信息和核心觀點，而非大段冗長的文本。
3. 缺少個性化見解： 每位基金經(jīng)理的投資框架和邏輯是獨特的，僅僅記錄他們的原話，并不能體現(xiàn)他們觀點的“靈魂”。
4. 缺少可視化呈現(xiàn)： 機構(gòu)投資者希望通過圖表、數(shù)據(jù)可視化快速理解復雜信息，而不是被海量的文本壓垮。

六、我的探索：如何讓AI生成內(nèi)容更專業(yè)、更有靈魂？

1）AI輔助深度分析，而非簡單提取

tob的應用，還是優(yōu)先利用的市場上比較專業(yè)的資料和素材，然后對輸入的內(nèi)容進行質(zhì)量分級，用高質(zhì)量的內(nèi)容去歸納出基金經(jīng)理的投資邏輯、市場判斷和風險偏好。

示例探索方向： “在這次路演中，基金經(jīng)理強調(diào)了哪些行業(yè)趨勢？他們的核心觀點如何影響資產(chǎn)配置？與過往調(diào)研相比，有哪些觀點變化？”

2）融合大數(shù)據(jù)，讓結(jié)論更有支撐力

簡單的文本輸出無法滿足專業(yè)機構(gòu)的需求，因此未來我可能會嘗試將AI提取的調(diào)研內(nèi)容與市場數(shù)據(jù)、財務數(shù)據(jù)、宏觀指標結(jié)合，生成有數(shù)據(jù)支撐的結(jié)論。

舉個例子： “根據(jù)基金經(jīng)理對科技行業(yè)的樂觀預期，我們結(jié)合最近半年科技板塊的財務表現(xiàn)，驗證其觀點的合理性。”

3）自動化觀點對比，挖掘潛在洞察

機構(gòu)投資者關心的不只是單一觀點，而是不同基金經(jīng)理之間的觀點差異。我們探索讓AI自動生成觀點對比分析，幫助投資者找到市場共識和分歧點。

應用場景： “在新能源板塊調(diào)研中，A經(jīng)理強調(diào)短期回調(diào)風險，B經(jīng)理則看好長期增長。這種分歧背后的原因是什么？”

4）數(shù)據(jù)可視化，讓信息“圖說話”

最終呈現(xiàn)時，我們發(fā)現(xiàn)機構(gòu)投資者更偏愛圖表和可視化展示。因此，在AI生成文字內(nèi)容的基礎上，自動生成相關的圖表，讓信息更加直觀。

探索方向： “將基金經(jīng)理的行業(yè)配置觀點，用餅圖或折線圖呈現(xiàn)，快速展示他們的持倉偏好和變化趨勢?！?/p>

AI是工具，但真正的“靈魂”，是我們賦予它的專業(yè)性和洞察力。希望我的探索，能為你在投研路上的信息整理和決策提供一些靈感。也非常歡迎關注微信公眾號私聊我進行交流~