非银金融行业深度报告：金融垂类模型：开启数字金融新时代

题记：新技术的普及往往会带来新的金融业态和传统金融的变革。10多年来，我们见证了互联网和移动互联网技术引发的产业变革。当下，金融垂类模型百花齐放，让金融业务各个环节更加智能，我们是否又站在一个新时代的起点？ 财富管理领域已成为垂类模型理想的应用方向：1）政策端：监管助推金融数字化转型。近年来监管主体从金融科技标准制定、数据治理与应用、科技与金融场景深度融合等方向进一步促进我国金融科技的发展。 2023年6月中证协与中基协分别发布系统性计划，全面提升证券公司及基金公司网络和信息安全。2）供给端：海外垂类模型率先突破，产业生态逐步完善。彭博依托自身金融数据源优势，率先实现大模型与金融行业垂直知识的深度融合。其大语言模型BloombergGPT在执行金融任务方面的表现超过了现有的通用LLM模型，而在通用场景的表现则与现有的通用LLM模型基本持平。3）需求端：财富管理机构接入大模型意愿强烈，垂类模型机遇凸显。资本市场变革机遇下，财富管理机构信息技术投入持续增长（证券行业2012-2021年IT投入CAGR达到21.69%），其接入大模型的意愿也相对强烈。而相较于通用大模型，垂类模型训练数据集质量更好，在处理金融领域特定任务时行业深度更优，预计后续将成为财富管理机构的主流选择。 垂类模型有望深度赋能金融行业数智化升级：1）智能营销：快速生成丰富营销物料，支撑千人千面个性化营销。当前阶段，人工智能已深入智能营销场景，从多个环节提升金融机构的营销效果。相较于传统的人工智能技术局限于单纯的文本或者NLP等，大模型能够实现多模态混合训练，有望解决营销过程中处理海量化非结构化数据、客户画像刻画难，智能推荐不精准的难题。2）智能投顾：全方位分析客户需求，自动化定制投资建议。智能投顾在一定程度上克服了传统模式的痛点，具有低门槛、普惠性、个性化等优点。当前财富管理机构“买方投顾”转型持续加速，金融领域垂直大模型的加速落地有望为智能投顾业务发展提供潜在的技术支撑。3）智能投研：辅助提炼信息，自动化生成研报。 AI大模型技术高速发展，其拥有的生成性、解读与分析、逻辑推理等能力将有效推动投研体系的智能化转型，金融机构预计将强化布局。 群雄逐鹿，金融科技龙头标的有望脱颖而出：1）垂类模型划定财富管理新时代，数据基础成为发展关键。回溯历史，财富管理市场阶段性扩容往往伴随金融科技的跨越式进步。从技术路线来看，垂类模型构建技术路线各有利弊，特定领域预训练或将代表未来，在数据层面具备坚实基础的金融科技企业有望最大程度发挥特定领域预训练模型的优势。2）东方财富：金融数据积累丰富，AI领域研究持续深入。东方财富是国内领先的互联网金融服务平台综合运营商，目前构筑了较深的流量护城河，为大模型落地打造了坚实的基础。2023年8月公司公告称拟组建人工智能事业部，预计将在金融垂类模型方面实现更大突破。3）同花顺：AI+金融先行者，全面加速大模型布局。同花顺为国内领先的互联网金融信息服务提供商。2014-2022年，公司研发投入从1.15亿元增加至10.67亿元，年复合增长率达28.08%，2022年末研发人员数量占比超过60%。公司前瞻布局金融领域AI，目前已有i问财等多项人工智能产品落地，技术领先性彰显。4）恒生电子：金融IT供应商龙头，自研垂类模型抢先落地。恒生电子聚焦金融行业，以“让金融更简单”为使命，致力于打造领先的一站式金融科技解决方案。公司以技术服务为核心，不断拉近与国际金融科技巨头的差距，2017-2023年在IDC Fintech Rankings 100中的排名由54位升至22位。2023年6月28日，恒生电子自研的金融领域大语言模型LightGPT已正式发布。 投资建议：在金融科技支持政策陆续出台、海外金融垂类模型加速落地的背景下，我们认为金融垂类模型将成为金融科技领域未来的发展重点。我们认为，具备较大金融交易数据基础、较好应用场景入口、较成熟AI技术运用经验的金融科技企业将受益明显，推荐【东方财富】、【同花顺】，建议关注【恒生电子】。 风险提示：1）监管环境趋严抑制行业创新；2）行业竞争加剧；3）权益市场大幅波动。 2023年以来，AIGC发展如火如荼，产业生态趋于完善。2023年8月15日，网信办联合发改委等多部委联合发布《生成式人工智能服务管理暂行办法》，首次填补了AIGC在研发与服务方面的监管空白。2023年8月31日及11月4日，首批以及第二批各11家大模型产品陆续备案获批，标志着AIGC技术、监管与应用模式的阶段性成熟，而AI大模型深入各垂直领域并大规模推广的前景也令人无比憧憬。 在AIGC技术及相关应用呈现指数级发展的同时，我国资本市场也在积极的政策基调下迈上了高质量发展的新起点。7月政治局会议定调“活跃资本市场，提振投资者信心”，10月中央金融工作会议以加快建设金融强国为目标，均为资本市场长期健康发展指明了方向。同时考虑到当前资本市场主要参与主体均已具备较为坚实的信息化基础，我们坚信AIGC与资本市场将实现充分共振，金融尤其财富管理领域将成为AI垂类模型大规模落地的理想土壤。 1.财富管理领域已成为垂类模型理想的应用方向 1.1.政策端：监管助推金融数字化转型 监管持续助推金融数字化转型，政策利好频出。2019年，中国人民银行发布《金融科技（FinTech）发展规划（2019-2021年）》，指出了金融科技发展的重要意义和方向。 此后，人民银行等监管主体集中颁布一系列配套政策，从金融科技标准制定、数据治理与应用、科技与金融场景深度融合等方向进一步促进我国金融科技的发展。在政策鼓励下，我国金融业数字化转型升级深入推进，其中财富管理行业凭借多维度客户数据沉淀，逐渐成为金融数字化转型的主要阵地。2023年6月，中证协及中基协分别印发《证券公司网络和信息安全三年提升计划（2023-2025）》、《基金管理公司网络和信息安全三年提升计划（2023-2025）》，为财富管理机构提升信息技术投入提供了针对性指引。 图1：金融领域人工智能相关政策 1.2.供给端：海外垂类模型率先突破，产业生态逐步完善 海外金融大模型进展方面，彭博依托自身金融数据源优势，率先实现大模型与金融行业垂直知识的深度融合。2023年3月30日，彭博率先发布专为金融领域打造的500亿参数大语言模型BloomberGPT。彭博依托金融数据源优势，构建了目前规模最大的金融数据集FINPILE（包含3635亿个token的金融领域数据以及3454亿个token的通用数据），通过对通用文本+金融知识的混合训练（其中金融数据涵盖了各种金融文档，如新闻、报告、评论、财务报表等），使得BloombergGPT在金融领域具备了广泛的应用，如金融新闻生成、股票市场预测等。 图2：BloombergGPT训练数据集构成 BloombergGPT执行金融任务表现显著超越现有通用模型，展现了金融垂类模型基于自身专业领域的强大竞争力。根据彭博发布的论文，将BloombergGPT与其他三个规模相近的通用模型GPT-NeoX、OPT、BLOOM在金融领域和通用领域的表现分别进行对比。结果显示，BloombergGPT在执行金融任务方面的表现超过了现有的通用LLM模型，而在通用场景方面的表现则与现有的通用LLM模型基本持平。 图3：BloombergGPT执行金融任务表现显著领先，通用场景表现同样不俗 FinChat以直观交互方式提供全面金融信息。2023年4月，Stratosphere公司开发推出FinChat。FinChat通过交互式聊天界面，向用户提供并分析750多家公司和100多个超级投资者的重要财务数据，用户可通过交互界面快速获取所需信息，其训练数据集包含最新的财务数据、财报电话会议记录、机构投资者持仓报告、各类投资书籍等。目前，FinChat主要功能包括数据查询、数据筛选、可视化图表生成以及投资价值评估等。 图4：Finchat使用界面 图5：FinChat可提供特定股票的一致预期价格 图6：FinChat可提供特定投资者的持仓信息 1.3.需求端：财富管理机构接入大模型意愿强烈，垂类模型机遇凸显 财富管理行业面临变革机遇，财富管理机构信息技术投入持续增长。伴随着资本市场各项重大改革深化至实质性阶段，财富管理机构作为连接资本市场与投资者的纽带，责任愈发凸显。叠加居民财富管理需求的大幅增长，财富管理行业作为对于新兴技术最为敏感的领域之一，积极拥抱数字化，期待通过金融科技手段实现提质增效。以证券行业为例，截至2021年，证券行业IT投入303.55亿元，2012-2021年CAGR达到21.69%，其中2021年IT投入同比增长约26.51%。 图7：证券行业IT投入整体呈增长趋势 百度“文心一言”大模型年初问世，财富管理机构接入意愿强烈。2023年3月，百度“文心一言”大模型正式首秀并开放邀请测试。基于自身金融科技运用需求，广发证券等10家券商以及汇添富基金等多家基金公司率先成为文心一言首批生态合作伙伴。 各机构基于财富管理各重要场景与百度展开合作，包括智能客服、智能投顾、投研辅助等，以期借助大模型能力为用户打造全场景证券业人工智能解决方案及服务。 图8：首批接入“文心一言”模型财富管理机构情况 结合应用情况定性分析，金融垂类模型或将成为财富管理机构的主流选择。1）通用大模型“泛而不精”。通用大模型覆盖多任务使用场景，具有强大泛化能力，但是由于在训练过程中不考虑特定行业使用需求，通用大模型训练集所包含的金融数据质量有限，导致通用大模型在处理特定领域任务时往往缺乏行业深度。横向比较百度文心一言（通用大模型）以及恒生电子WarrenQ（基于大语言模型技术的智能投研平台）在金融领域问答方面的表现，恒生电子在回答的准确性以及详实程度方面较之文心一言存在优势。 2）通用大模型思维逻辑不完全适用于金融领域。在交互过程中，由于金融领域专业术语较多，复杂性较高，很多词汇在金融语境下会产生特殊含义，所有的子问题都会有一个独特的理解方式。而且金融领域衡量NLP处理结果的方式也具有特殊性，例如对于市场舆情，金融NLP需要判断利好或利空，并对于后续市场走势作出预测。综上，相较于通用大模型，金融垂类模型则更像是解决金融领域特定需求的较优解。 图9：百度文心一言就金融领域特定问题回答情况 图10：恒生电子WarrenQ就金融领域特定问题回答情况 2.垂类模型有望深度赋能金融行业数智化升级 伴随着人工智能技术的发展，人工智能的应用已广泛渗透到金融行业中，且在与金融业务结合的过程中，衍生出众多智能金融场景。未来，AI大模型能力还将迎来进一步突破，这将为金融行业数智化转型带来新一轮变革与创新，包括智能营销、智能投顾、智能投研等，都是大模型可以深度赋能的领域。 2.1.智能营销：快速生成丰富营销物料，支撑千人千面个性化营销 智能营销是指利用人工智能、物联网、计算机和互联网通信等技术，通过简历客户画像、进行图谱构建，实现包括个性化推荐、智能决策、精准触达、营销效果评估等环节的数智化营销模式。 当前阶段，人工智能已深入智能营销场景，从多个环节提升金融机构的营销效果。 1）客户画像建立与潜客预测：人工智能通过机器学习算法，基于海量客户信息为客户建立个性化标签，帮助识别最具潜力的客户，并根据其个性特征开展对话；2）客户需求管理与精准营销：在客户需求管理上，人工智能可以更高效地做出智能分析与决策，为金融机构提供管理客户的全方位的视角，提升客户交流的能力，为客户提供个性化建议、洞察并改善客户体验，更加全面地预测和满足客户要求。以阿里云为例，其面向证券行业开发智能营销平台，通过整合分析客户内外部数据、建立客户标签、勾勒客户画像，构建基于客户全生命周期的各阶段服务场景，制定产品及服务运营策略，向客户推荐千人千面产品、服务及活动，实现客户的精细化运营和服务。 图11：阿里云证券智能营销解决方案架构 相较于传统的人工智能技术局限于单纯的文本或者NLP等，大模型能够实