计算机

加大重视金融 AI

AI+金融的四个层次：传统机器学习、大模型+微调、大模型预训练、智能投研。1）传统机器学习问答：2017-2021 年，金融科技快速发展，传统机器学习逐步运用于金融领域，包括自动化呼叫中心功能、安全领域、优化面向客户的聊天机器人的文书工作，以及改进员工培训。2）通用大模型+finetune：各大模型厂商紧跟 Openai布局基础大模型，首先通过预训练形成基础模型，然后针对特定领域做微调。原则上来说只要有细分领域数据，通用大模型就可以针对垂直领域做优化，赋能各行各业。3）垂类大模型预训练：尽管大模型在通用行业中应用良好，但针对特定领域的垂类大模型仍有其存在意义和不可替代性。2023 年 3 月 30 日，BloombergGPT 正式官宣，一方面构建具备 3630亿个标签、迄今为止最大的特定领域训练数据集，另一方面训练 BLOOM 风格、拥有 500 亿参数的金融领域的大型语言模型（LLM）。4）智能投研：未来随着 AI 技术的进步，一级投研业务降本增效需求不断加强，智能投研将成为重要方向，为行业带来更加广阔的发展前景。

垂类领域数据预训练+大模型效果优于通用大模型+微调。除了基础大模型，许多大模型厂商都致力于推出各类行业大模型。实际应用并不一定需要大模型具有非常全面的能力，而更需要对行业知识的理解和对行业需求的适配，垂类领域预训练模型可以学习到特定领域的术语、上下文信息和任务模式，提高对该领域的语义理解和生成能力，效果上优于通用大模型＋微调。

国外厂商金融垂类领域大模型纷纷问世。1)彭博社构建具备 3630 亿个标签、迄今为止最大的特定领域训练数据集，训练出 BLOOM 风格、拥有 500 亿参数的金融领域的大型语言模型 BloombergGPT，在金融专用任务和通用任务上表现出色。2)stratosphere.io 发布 Finchat，可为投资者提供 750 多家公司和 100 多家超级投资学家的书籍。

AI 赋能，相关公司智能投研加速落地。1）金证股份：深耕金融科技多年，研发技术平台生态链完整，在首席人工智能官詹毅的带队下，AI 能力快速发展，子公司丽海弘金（智能投资）和优品科技（智能投顾）领衔智能投研，企业级 RPA 软件金智维等 AI 相关产品构筑完整生态链。2）同花顺：AI 能力及智能投顾投入较高，在 AI开放平台的底座支撑下，基础版本的智能投顾“i 问财”和进阶智能投资助理陆续落地，解析 PDF、自动写研报等子产品模块预计于 6 月初上线。3）恒生电子：金融IT 供应商龙头企业，子公司恒生聚源积累丰富金融数据及资讯，高研发投入下金融科技实力显著攀升，为首批文心一言生态合作伙伴，申万宏源证券联合打造“智能投研一体化平台”。4）达观数据：作为提供各类场景文本机器人的 AI 企业，公司研发垂直领域模型“曹植”，打造智能投研知识图谱中台，智能投研机器人在关键投研信息抽取和热点词分析上表现出色。

AI-ALPHA 与市场 BETA 形成共振。1）ALPHA：金融 IT 公司 AI 产品持续落地，结合数据端布局、研发投入和变现能力，同花顺、恒生电子、金证股份、达观数据等公司，具备海量、丰富、高质的金融领域垂类数据，并致力 AI 技术研发+相应场景产品落地的领军企业，在大模型时代竞争力优势将进一步强化。2）BETA：5 月以来，国内算力层激励政策频出，以北上深为代表，全国各地加快制定人工智能规划；国内以光模块、AI 服务器等为代表的核心算力环节，已在订单、产能规划上展现出高景气，落地放量可期；在美股算力巨头业绩与落地持续超预期的催化下，算力需求兑现的预期正持续加强，中美共振初步显现，市场 BETA 增长强劲。

推荐关注：结合数据端布局、研发投入和变现能力，推荐同花顺、金证股份、恒生电子、东方财富、财富趋势、指南针。

风险提示：金融监管风险；AI产品线推进不及预期。

增持（维持）

行业走势

作者

分析师刘高畅

执业证书编号：S0680518090001

邮箱：liugaochang@gszq.com

分析师杨然

执业证书编号：S0680518050002

邮箱：yangran@gszq.com

内容目录

一、AI+金融的四个层次：传统机器学习、通用大模型+微调、垂类大模型预训练、智能投研 ... ..3
二、垂类领域效果：大模型+预训练＞大模型+微调 ........................................................................................... .....4
三、垂类领域预训练大模型具有不可替代性...
四、智能投研产业落地进行时.......
推荐关注 .........
风险提示 .............
图表目录
........
...... ..................................................................................................... ......5
......
......
图表7：金融专用领域外部任务模型表现..
图表8：金融专用领域内部任务模型表现..
...............................................................................................
.........
...........
图表14:向Finchat询问微软(MSFT)过去5年的经营自由现金...
图表17:金证优智金融AI体系较通用大模型优势.
..................................................................................... 13
图表19:AI赋能的投研相关解决方案...
图表20:同花顺AI开放平台相关能力..
图表21:同花顺智能投研功能矩阵... ............................................................................................... ...... 15
图表23:
图表24:
图表25:
图表27:
图表28：达观数据“曹植”垂直领域大语言模型.
....................................................................................... 19
图表30：达观数据智能投研实现突破图谱构..
图表32：达观数据智能投研实现近年年报对“全球经济”的热点词分析..
图表33：国内算力层相关政策.. ...................................................................
图表34:AMD MI300示意图...

一、AI+金融的四个层次：传统机器学习、通用大模型+微调、垂类大模型预训练、智能投研

四阶段：传统机器学习、大模型+finetune、大模型预训练、智能投研。智能投研是利用计算机技术和人工智能算法，对金融市场进行分析和预测的一种新型研究方法。传统的投研方法主要依靠人工分析和预测，具有时间成本高、人力物力投入大、信息不对称等问题。随着技术进步，传统投研也逐步与机器学习、大模型微调、大模型预训练结合，向智能投研方向迈进。

⚫ 传统机器学习问答：2021年以前，传统机器学习逐步运用于在金融科技领域，包括自动化呼叫中心功能、安全领域、优化面向客户的聊天机器人的文书工作，以及改进员工培训。

⚫ 大模型+finetune：随着 Openai 的技术进展，各大模型厂商针对性开始布局基础大模型，所有大模型的训练都分为两步：首先通过预训练形成基础模型，然后针对特定领域做微调。原则上来说只要金融领域细分领域数据，通用大模型就可以针对垂直领域做优化，赋能金融领域

⚫ 大模型预训练：尽管大模型在通用行业中应用良好，但针对特定领域的大模型仍有其存在意义和不可替代性。为应对金融专业名词解读、市场情绪理解等复杂问题，同样具备少样本学习、文本生成、对话能力的金融领域专用LLM 应运而生，以完成情感分析、命名实体识别、新闻分类以及问答等金融NLP 问题。2023年3月30日，BloombergGPT 正式官宣，一方面构建具备 3630 亿个标签、迄今为止最大的特定领域训练数据集，另一方面训练 BLOOM风格、拥有 500 亿参数的金融领域的大型语言模型（LLM）。

智能投研：未来随着 AI 技术的进步，具备细分领域高质量数据的公司，在大模型应用上具备先发优势，将拉动投研业务进一步向着智能投研的方向发展。未来智能投研将不断完善数据和算法模型、加强对人工智能算法的监管和规范，这将为金融行业带来新的商业模式和发展机遇。同时，智能投研也将推动金融行业的数字化转型和创新，为行业带来更加广阔的发展前景。

二、垂类领域效果：大模型+预训练＞大模型+微调

行业预训练大模型：比微调通用性更优。除了基础大模型，许多大模型厂商都致力于推出各类行业大模型。百度文心大模型与各行业企业联手，在通用大模型的基础上打造能源、金融、航天、制造、传媒等具体行业大模型。华为将大模型体系分为了基础大模型L0、行业大模型 L1、细分场景模型 L2 三层。科大讯飞也提出“1+N”战略，“1”是通用大模型算法研发及高效训练底座平台，“N”是教育、医疗、人机交互、办公等行业大模型。实际应用并不一定需要大模型具有非常全面的能力，而更需要对行业知识的理解和对行业需求的适配，在具体行业上，行业大模型的泛化等能力往往要优于基础大模型+微调。

大模型+预训练：预训练是指在大规模无标注数据上进行的模型训练，使得模型能够学习到语言的普遍特征和语义知识。预训练模型可以通过遮蔽任务、下一句预测任务等方式进行，例如 BERT、GPT 等模型。预训练的优势在于能够从大规模数据中学习语言的上下文信息，提高模型的语义理解和生成能力。垂类领域预训练使用特定领域的数据集进行模型训练，使得模型能够更好地理解和处理该领域的文本。垂类领域预训练模型可以学习到特定领域的术语、上下文信息和任务模式，提高对该领域的语义理解和生成能力。

图表1：预训练模型架构差异

资料来源：《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》、国盛证券研究所

大模型+微调：在用场景数据深度微调模型时，需要丰富的行业经验 Knowhow 进行评价和指导。在通过场景数据对大模型进行微调后，前期得到的模型输出可能还并不够完美，此时就需要有行业经验的专家对模型的输出进行评价，给出修改意见，再重新结合场景数据进行深度微调。比如对工业场景进行改造，可能涉及到模型具体需要和工厂内的哪些设备进行交互，还要考虑具体的作业流程。

资料来源：《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》、国盛证券研究所

垂类领域数据预训练+大模型效果优于通用大模型+微调。因为具体到实际应用上，并不一定需要大模型具有非常全面的能力，而更需要对行业知识的理解和对行业需求的适配，在行业里的具体场景上，行业大模型往往比直接用基础大模型去微调具有更好的泛化能力。因此基于基础大模型和行业数据预训练大模型，一方面可以更精准匹配行业需求，一方面也能降低成本。

1）针对特定领域的语义理解：专业垂类领域预训练利用该领域的相关数据进行训练，使得模型对特定领域的语义理解更为准确。模型能够学习到该领域的术语、上下文和特定任务的语言模式，从而提高针对该领域的处理效果。通用大模型缺乏对特定领域的深入了解，无法准确捕捉特定领域的语义信息。

2）垂类领域知识的迁移能力：专业垂类领域预训练模型具有良好的领域知识迁移能力。在预训练阶段，模型通过学习大规模的无标注数据，掌握了通用的语言模式和语义关系。这些通用的语言知识能够帮助模型更好地理解专业领域的文本，并迁移应用到特定领域的任务中，通用大模型特定领域上的表现不如专业垂类领域预训练大模型。

3）垂类领域预训练和微调的衔接：大模型+专业垂类领域预训练方法可以通过在特定领域的数据上进行微调，进一步提升模型的性能。微调是指在预训练模型的基础上，使用有标签的领域数据进行有监督的训练。专业垂类领域预训练为微调提供了更好的初始状态，使得模型在领域数据上更容易收敛和优化。微调过程中，模型能够更快速地适应特定领域的数据分布和任务要求，提高模型的泛化能力。

百度文心大模型与各行业企业联手，在通用大模型的基础上学习行业特色数据与知识，建设行业 AI 基础设施。目前包括能源、金融、航天、制造、传媒等行业。如国家电网与百度联合发布知识增强的电力行业大模型，建设更适配电力行业场景的 AI 基础设施，降低数据标注成本，提升细分场景模型效果；人民网与百度在传媒行业、大数据和 AI算法上结合，引入人民网舆情数据中心积淀的行业知识，顺应内容与技术发展，联合研发知识增强的传媒行业大模型，打造全媒体时代内容科技创新引擎，加速传媒行业的智能化升级等。

图表3：百度文心行业大模型

资料来源：百度文心官网、国盛证券研究所

4月8日，人工智能大模型技术高峰论坛上，华为云人工智能首席科学家田奇表示AI forIndustries 是人工智能新的爆发点，华为将大模型划分为 3 个层级，分别为基础大模型 L0、行业大模型 L1、细分场景模型 L2。将基础大模型L0 与行业数据结合训练得到行业大模型 L1，再将行业大模型 L1 应用于下游细分场景，进行微调和部署，得到细分场景模型 L2。华为云于 2021 年 4 月发布三个基础大模型，包括 NLP 大模型、CV 大模型和科学计算大模型，之后又陆续发布了各种行业大模型包括气象大模型、药物分子大模型、矿山大模型、海浪预测大模型等。

图表4:华为云盘古大模型

资料来源：央广网、国盛证券研究所

三、垂类领域预训练大模型具有不可替代性

行业数据预训练大模型有其不可替代性，金融 LLM应运而生。随着GPT大模型的推出，大模型以少量学习、文本生成、对话系统的特点在通用行业中得以应用。金融 NLP 任务主要聚焦情感分析、命名实体识别、新闻分类、问题回答等，虽然与一般NLP 基准任务相似，但是由于金融专业术语众多、行业复杂性高，通用NLP 模型会出现无法理解财经新闻背后的市场“情绪”等问题，因此专用于金融领域的LLM具备独特价值和不可替代性。

基于海量金融数据积累，彭博社构建最大特定领域数据集和 BloombergGPT。彭博社作为金融数据公司，在从业 40 年间收集整理大量金融语言文件，具备海量、广泛、高质、来源可靠的金融数据积累。基于海量的特定领域数据优势，2023年 3月30日，彭博社构建具备 3630 亿个标签的金融领域数据集，是迄今为止最大的特定领域数据集；并发布专门针对金融领域打造的大型语言模型（LLM）BloombergGPT，该模型根据Hoffmann 等人（2022）和 Le Scao 等人（2022）的指导方针设计，沿袭 BLOOM 风格，拥有 500 亿参数。

图表5：BloombergGPT训练层数、参数汇总

Shape
Number of Layers	70
Number of Heads	40
Vocabulary Size	131,072
Hidden Dimension	7,680
Total Parameters	50.6B
Hyperparameters
Max Learning Rate	6e-5
Final Learning Rate	6e-6
Learning Rate schedule	cosine decay
Gradient Clipping	0.3
Training

Tokens	569B 64 × 8 A100 40GB
Hardware
Throughput	32.5 sec/step
avg. TFLOPs total FLOPS	102 2.36e23

资料来源：《BloombergGPT:A Large Language Model for Finance》，国盛证券研究所

数据来源可靠，涵盖特定领域文本和通用文本。彭博社的数据集优势在于，不通过传统网络爬取获得数据，彭博社的数据集数据来源可靠。Bloomberg 构建 FINPILE，涵盖新闻、文件、新闻稿、网络抓取的金融文件以及提取到的社交媒体消息，其中 51.27%的数据来自公司（特定领域的文本），包括彭博从金融相关信息的网站获取的信息、与金融界相关的有信誉的新闻来源、彭博规范化的公司财务报表、公司发布的与财务有关的新闻稿、彭博新闻以及彭博第一消息撰写的新闻和分析；48.73%来自公众（通用文本），包括 3 个广为人知且可用的公共数据集，分别为 The Pile、C4 和维基百科。

图表6:FINPILE数据集涵盖特定领域文本和通用文本

Dataset	Docs 1e4	C/D	Chars 1e8	C/T	Toks 1e8	T%
FINPILE	175,886	1,017	17,883	4.92	3,635	51.27%
Web	158,250	933	14,768	4.96	2,978	42.01%
News	10,040	1,665	1,672	4.44	376	5.31%
Filings	3,335	2,340	780	5.39	145	2.04%
Press	1,265	3,443	435	5.06	86	1.21%
Bloomberg	2,996	758	227	4.60	49	0.70%
PUBLIC	50,744	3,314	16,818	4.87	3,454	48.73%
C4	34,832	2.206	7,683	5.56	1,381	19.48%
Pile-CC	5,255	4,401	2,312	5.42	427	6.02%
GitHub	1,428	5,364	766	3.38	227	3.20%
Books3	19	552,398	1,064	4.97	214	3.02%
PubMed Central	294	32,181	947	4.51	210	2.96%
ArXiv	124	47,819	591	3.56	166	2.35%
OpenWebText2	1,684	3,850	648	5.07	128	1.80%
FreeLaw	349	15,381	537	4.99	108	1.52%
StackExchange	1,538	2,201	339	4.17	81	1.15%
DM Mathematics	100	8,193	82	1.92	43	0.60%
Wikipedia (en)	590	2,988	176	4.65	38	0.53%
USPTO Backgrounds	517	4,339	224	6.18	36	0.51%
PubMed Abstracts	1,527	1,333	204	5.77	35	0.50%
OpenSubtitles	38	31,055	119	4.90	24	0.34%
Gutenberg (PG-19)	3	399,351	112	4.89	23	0.32%
Ubuntu IRC	1	539,222	56	3.16	18	0.25%
EuroParl	7	65,053	45	2.93	15	0.21%
YouTubeSubtitles	17	19,831	33	2.54	13	0.19%
BookCorpus2	2	370,384	65	5.36	12	0.17%
HackerNews	82	5,009	41	4.87	8	0.12%
PhilPapers	3	74,827	23	4.21	6	0.08%
NIH ExPorter	92	2,165	20	6.65	3	0.04%
Enron Emails	24	1,882	5	3.90	1	0.02%
Wikipedia (7/1/22)	2,218	3,271	726	3.06	237	3.35%
TOTAL	226,631	1,531	34,701	4.89	7,089	100.00%

资料来源：《BloombergGPT:ALarge Language Model for Finance》，国盛证券研究所

BloombergGPT 模型是基于通用和金融垂类场景混合训练的模型。横向比较BloombergGPT、BLOOM176B、GPT-NeoX 和 OPT6 五个模型在不同场景下的表现性能：

1）金融专用任务：表现优于现有类似规模的公开模型

外部任务：BloombergGPT 在五项任务中有四项（ConvFinQA、FiQA SA、FPB、Headline）表现最佳，NER（Named Entity Recognition）排名第二。其中 ConvFinQA 差距尤为显著，BloombergGPT在对话式输入、表格推理生成答案上具备显著优势。

内部任务：在五个内部任务中，BloombergGPT 在 4 个任务中的表现显著优于其他测试模型，最高领先可达 60 分。仅 Equity Social Media 任务中 BloombergGPT 得分领先较少。

图表7：金融专用领域外部任务模型表现

	BLOOMBERGGPT	GPT-NeoX OPT66B	BLOOM176B
ConvFinQA	43.41	30.06 27.88	36.31
FiQA SA	75.07	50.59 51.60	53.12
FPB	51.07	44.64 48.67	50.25
Headline	82.20	73.22 79.41	76.51
NER	60.82	60.98 57.49	55.56
All Tas (avg)	62.51	51.90	53.01 54.35
All Tasks (WR)	0.93	0.27	0.33 0.47

资料来源：《BloombergGPT:A Large Language Model for Finance》，国盛证券研究所

图表8:金融专用领域内部任务模型表现

	BLOOMBERGGPT	GPT-NeoX	OPT66B	BLOOM176B
Equity News	79.63	14.17	20.98	19.96
Equity Social Media	72.40	66.48	71.36	68.04
Equity Transcript	65.06	25.08	37.58	34.82
ES News	46.12	26.99	31.44	28.07
Country News	49.14	13.45	17.41	16.06
All Tas (aug)	62.47	29.23	35.76	33.39
All Tasks (WR)	1.00	0.00	0.67	0.33

资料来源：《BloombergGPT: A Large Language Model for Finance》,国盛证券研究所

2）通用任务：整体落后于 GPT-3 而优于其他模型

BIGbench：BloombergGPT 得分低于 PaLMsaoe（10 倍参数）和 BLOOM176B（3.5倍参数），但优于类似规模的模型，且在日期理解、形容词排序和跟踪洗牌对象方面，位列模型榜首。

⚫ 知识评估：在PiQA取得了最高的性能，其他性能中位居第二，性能优于类似规模的模型而几乎与更大的模型持平。在划分为人文科学、STEM、社会科学、其他的垂类模型中，BloombergGPT在包含金融、会计学科知识的人文科学领域，得分与GPT-3最接近，整体得分高于 BLOOM176B。

阅读理解：GPT-3 性能最高，BloombergGPT 紧随其后。

语言学任务：BloombergGPT 略微落后于 GPT-3 而优于其他模型。

图表9：知识评估任务中各模型表现

Task	BLOOMBERGGPT	GPT-NeoX	OPT66B	BLOOM176B	GPT-3
ARC (easy)	73.99	70.79	71.25	75.93	71.2
ARC (challenging)	48.63	45.39	44.54	50.85	53.2
CommonsenseQA	65.52	60.36	66.42	64.21	：
PiQA	77.86	75.84	77.58	77.04	80.5
All Tas (avg)	66.50	63.10	64.95	67.01	-
All Tasks (WR)	0.75	0.08	0.33	0.67

图表10：对应场景下下知识评估任务中各模型表现
资料来源：《BloombergGPT:A Large Language Model forFinance》，国盛证券研究所

Model	BLOOMBERGGPT	GPT-NeoX	OPT66B	BLOOM176B	GPT-3
Humanities	36.26	32.75	33.28	34.05	40.8
STEM	35.12	33.43	30.72	36.75	36.7
Social Sciences	40.04	36.63	38.32	41.50	50.4
Other	46.36	42.29	42.63	46.48	48.8
Average	39.18	35.95	35.99	39.13	43.9

资料来源：《BloombergGPT:A Large Language Model for Finance》，国盛证券研究所

图表11：阅读理解任务中各模型表现

RC Scenario	BLOOMBERGGPT	GPT-NeoX	OPT66B	BLOOM176B	GPT-3
BoolQ	74.59	46.36	57.46	52.94	76.7
OpenBookQA	51.60	44.20	58.00	47.20	58.8
RACE (middle)	54.32	41.23	47.42	52.30	57.4
RACE (high)	41.74	34.33	37.02	39.14	45.9
MultiRC	62.29	22.86	18.80	26.65	72.9
ReCoRD	82.79	67.86	82.53	78.01	90.2
All Tasks (aug)	61.22	42.81	50.21	49.37	67.0
All Tasks (WR)	0.94	0.06	0.50	0.50	■

资料来源：《BloombergGPT:A Large Language Model forFinance》，国盛证券研究所

图表12：语言学任务中各模型表现

Linguistic Scenario	BLOOMBERGGPT	GPT-NeoX	OPT66B	BLOOM176B	GPT-3
RTE	69.31	53.79	54.87	57.40	70.4
ANLI Round 1	32.90	32.60	33.10	33.60	32.0
ANLI Round 2	34.40	33.80	34.20	33.80	33.9
ANLI Round 3	37.33	36.17	34.92	35.17	35.1
CB	53.57	48.21	44.64	48.21	64.3
COPA	86.00	88.00	86.00	84.00	87.0
WIC	52.51	50.00	52.51	50.16	48.6
WinoGrad	80.95	79.12	82.78	78.02	89.7
WinoGrande	64.09	60.62	66.14	67.01	73.2
HellaSWAG	73.92	68.37	73.47	73.21	78.1
StoryCloze	80.87	78.30	81.83	80.28	84.7
All Tasks (aug)	60.63	57.18	58.59	58.26	63.4
All Tasks (WR)	0.85	0.27	0.58	0.42	：

资料来源：《BloombergGPT:ALarge Language Model for Finance》，国盛证券研究所

我们认为，BloombergGPT 在金融 NLP 任务上的表现优于现有类似规模的公开模型，在通用LLM 基准上也表现出不逊色于通用大模型的成效。金融垂类领域预训练使得模型在特定领域的任务之前已经学习到了一定的领域知识。这些知识可以帮助模型更好地理解和处理领域相关的问题，从而提供更准确和专业的答案。

stratosphere.io 发布 Finchat，可为投资者提供 750 多家公司和 100 多家超级投资学家的书籍。投资者用于股票分析的许多信息可能分散在多个资源中。通过使用Finchat，投资者可以立即调用来自 750 多家上市公司的财务数据来支持其分析，Finchat 工具还继续提供 100多本著名投资者的投资书籍和信件，它是非常有用的学习材料。

图表13:Finchat

资料来源：Finchat、国盛证券研究所

Finchat可为投资者提供750多家公司的财务信息，投资者询问公司财务信息后，Finchat可给出其直观的图表。例如我们向 Finchat 询问微软过去 5 年的经营自由现金流，尽管运营自由现金流量并不容易获得，但 Finchat 工具给出了另一种解决方案，可以为我们提供合适的替代方案（自由现金流），并向我们解释了这两种衡量方式之间的主要区别。

图表14:向Finchat询问微软(MSFT)过去5年的经营自由现金流

资料来源：Finchat、国盛证券研究所

Finchat还可以给出投资分析师对股价的共识价格，帮助投资者更好地进行投资决策，提高用户体验，增强投资者粘性，帮助投资者更便捷地获得消息，进行投资分析。

图表15：向Finchat询问分析师对亚马逊股票的公认价格

资料来源：Finchat、国盛证券研究所

四、智能投研产业落地进行时

1）金证股份

金融科技全领域服务商，金融交易+智慧城市数据根深本固。金证股份是中国证券监督管理委员会备案的信息技术系统服务机构，公司服务于金融行业近 30 年，通过多年为券商、大资管提供交易结算系统、投资管理系统、TA 系统、投决系统方案，积累丰富金融数据。在业务方面，公司一方面为证券和资管提供 IT 服务，另一方面发展 RPA、AI、大数据等创新业务。

图表16：金证股份数字化协同能力

资料来源：金证股份官网，国盛证券研究所

结合多年积累强化金融 AI 体系，为产品去做全面升级赋能。公司用金融领域内的数据去做预训练得到相应的大模型，业务系统通过语义检索引擎发布用户指令，触发系统业务系统中的按钮，语义检索引擎会去优化所有的提示，到金融知识库里面去找到最相关的上下文，用上下文去做推理，形成完整形态。

图表17：金证优智金融AI体系较通用大模型优势

资料来源：金证股份投资者交流会，国盛证券研究所

AI人物领军，智能投研快速发展。1）公司首席人工智能官詹毅，具备12年 AI 从业经验，对国内 AI 见解深厚。2018 年成立子公司金证优智，国内领先金融 AI 平台与技术服务提供商，AI 技术能力出众。2）金证股份智能投研的相关应用有智能投资（丽海弘金）和智能投顾（优品科技），其中丽海弘金通过与人工智能技术结合，来实现更加自动化和智能化的交易决策和执行过程；优品科技依托 AI+大数测中台，为投资者提供金融数据智能分析工具。

图表18:首席人工智能官詹毅先生AI管理及研发经验丰富

资料来源：金证优智官网，国盛证券研究所

AI 技术攻坚，研发技术平台生态链完整。金证股份重视科技研发，2018 年开始做 AI相关技术部署，在智能风控、智能投行、智能投顾、RPA、智能客服、智能投资等金融领域实现了多个业务方向的突破。公司拥有主攻机构服务、金融AI、RPA 等方向的多家参控股子公司，并在国内率先推出具有自主知识产权的企业级 RPA+AI 软件金智维，引入 ChatGPT智能助手的、专注于智慧运维领域的金微蓝，在金融全行业均有丰富的落地场景。

图表19：AI赋能的投研相关解决方案

产品	功能	应用
金智维	以“RPA+AI+大数据”为核心技术，在国内率木先推出具有自主知识产权的企业级 RPA软件。保持领先。金智维顺利通过软件能力CMMI5	金智维已签约客户达500 余家，其中金融机构客户超300家，银行业客户己达金融行业级评估，覆盖全行业应用场景。
金微蓝	金微蓝作为公司开展云业务的主体，其主业为有新的增长。	面向证券行业的运营数字化转型解决方案和金在云业务合作上，公司上半年与上交所、深融云服务，上半年在客户数量、业务规模上均证通、腾讯云、华为云均有新的商务合作。
台	FICC 量化投研一体化平全面支持 FICC 债券、资金、利率衍生品等用。公司同时成立算法事业部，在FICC 投全市场、全品类的智能化投资。	于2022年推出，目前已有5家头部券商采研量化上研究 AI 在算法优化、股东减持，另类交易等方面的应用。

资料来源：公司财报，国盛证券研究所

2）同花顺：

同花顺领军金融科技，AI开放平台夯实底层实力。同花顺是国内领先的互联网金融信息服务提供商，深耕金融信息服务行业近三十年。目前公司已具备数字虚拟人、智能金融问答、智能语音、智能客服机器人、智能质检机器人、会议转写系统、智慧政务平台、智能医疗辅助系统等 40 余项人工智能产品及服务，应用于银行、证券、保险、基金、私募、高校、运营商、政府等多个行业。

图表20：同花顺AI开放平台相关能力

项目名称	实现功能依托大数据、人工智能等金融科技技	详细模块
AI理财师	术，融合专业投研能力，专注打造覆盖财富管理全流程的理财师智能营销线上基金、保险、理财等产品销售一体化解决方案。	覆盖定制早报、名片微店、工具管理、基金工具、资产配置、模拟工具，为银行、券商等金融机构提供炒基、客户管理、考试培训、自选管理、员工管理等功能。
证券预警系统	针对金融市场的网络舆情进行监测，为金融机构提供相更为全面、及时、准确的舆情监控服务。该证券预警系统可为银行信贷风控，金融产品监控预警，企业自身风控管理提供有效信息和建议。	覆盖舆情监控、风险追踪、企业云、诚信库、法律法规、社交媒体、系统设置功能。

资料来源：同花顺AI开放平台官网，国盛证券研究所

智能投顾重视度高，AI已有产品变现潜力充足。1）产品侧来看，智能回答助理、投资对话机器人、投资目标管理、个性化投资者教育、研报写作和翻译、金融事理图谱自动构建等 AI 功能陆续推出，在公司的高重视度下，智能投顾品类丰富。2）变现能力来看，公司基于智能投资能力，推出多款付费产品，变现潜力充足。其中，金融大师至尊版每年付费 80000元，主要结合智能深度学习，对市场活跃资金进行大数据演算，揭示市场活跃机构动向，洞察强势个股活跃资金主力操盘手法；AI 价投至尊版，每年付费 80000元，基于AI大数据提供市场海量核心数据，成为价值投资者简单实用的选股工具。

图表21：同花顺智能投研功能矩阵

资料来源：同花顺智能科技官网，国盛证券研究所

智能投顾相关产品：

⚫ 智能问答助理：爱问财，财经领域落地较成功的对话交互问答系统。该产品利用大数据、自然语言处理能力技术及专业的金融研究团队为投资者提供投资助手服务，新平台融入智能投资助手（chatGPT智能回答）、智能盯盘、自选监控、智能划词等特色功能，投资者可以输入自然语言问句，搜索对应的数据和信息。i问财的优势在于数据和技术；一方面具备中国财经领域数据，覆盖股票、基金、债券等海量数据；另一方面基于AI大模型、小样本学习等技术，实现有效过滤信息、信息收集效率和准确度提升、智能化&个性化的投资策略和指标建议的三大服务。

图表22：同花顺i问财系统

资料来源：公司官网，国盛证券研究所

投资目标管理：识别风险承受底线，标签匹配用户画像（KYC）和产品（KYP）。为了帮助大众投资者进行合理的理财规划，公司借助数据积淀和 AI 能力匹配用户和产品的特质标签。用户侧，同花顺具备丰富的投资者画像维度，构建起事实层、概念层、理念层、属性层的标签体系，通过 AI 和大数据分析预测出一些标签，为投资者提供丰富智能营销、智能投教、智能投顾问答服务。产品侧，基金画像标签体系可以将产品划分为不同风险和预期收益，并匹配给相应风险承受能力的用户。

金融事理图谱：训练语言模型完成智能投研。智能投研板块对语言模型进行数据增强和对抗训练，通过对数据的采集、处理、分析，借助AI技术完成观点的收集和输出，基于该语言模型，公司一方面提取投资者感兴趣的观点完成研报写作；另一方面，自动生产 170万+节点，构建起金融事理图谱Schema。

3）恒生电子

金融 IT供应商龙头企业，子公司恒生聚源数据源质量高。恒生电子是金融 IT核心供应商，2022年经营韧性不减，并且持续完善洞见、智眸、小梵等终端数据服务产品功能，提升投研产业链分析框架、云投研搜读算写的能力。在数据方面，恒生电子子公司恒生聚源具备基础数据库、应用数据库、聚源金融资讯终端等解决方案，具备丰富、准确、及时的金融数据源。AI 能力方面，公司致力深度学习、数据科学、知识图谱、NLP、计算机视觉、AIGC 等技术的研究，研究其在投顾、投研、营销、客服、风险、运营等金融领域的落地可能。2023年2月24日，公司及子公司恒生聚源成为首批百度文心一言生态合作伙伴，探索 AIGC 在金融业务场景的落地实现。

图表23：恒生电子子公司恒生聚源下数据集

资料来源：公司官网，国盛证券研究所

WarrenQ实现投研内容输出，对接买卖方投研数据服务。该平台于 2022年 6月发布，标志着买卖方通过内容分发通道，成功完成首次知识对接。面对买卖方的数据割裂、分发机制不完备，流程较为繁琐且存在数据泄露可能性的痛点，华福证券研究员通过WarrenQ 底层丰富的数据、研报、公告、资讯数据查询素材，完成高质量的研究报告。WarrenQ 做出以下解决方案：1）创设工程管理平台，使得使用者可以按照自己研究的领域命名，添加股票范围，同时选择相应的公司内部协同人员以及公司外部的目标客户；2）AI 标签分类，平台通过云盘上传的生产投研内容，生成AI识别智能标签，满足分辨投研内容属性的需求；3）定点跟踪，买方在对应工程内部，可直接查看卖方整理的各类研报内容，并对感兴趣的内容进行标记跟踪，系统会实时通知；4）思维导图编辑并协同相关人员共同管理。

图表24:恒生电子WarrenQ实现买卖方知识对接

资料来源：公司公众号，国盛证券研究所

携手申万宏源，“智能投研一体化平台”加速投研服务数智化转型。智能投研作为资管科技的核心要素，恒生聚源和申万宏源证券联合打造“智能投研一体化平台”。一方面，通过集团数据中心获取更广泛的数据来源，构建申万宏源的知识沉淀库。另一方面，平台基于金融知识图谱等技术打造产业链图谱平台，兼具动态研报和行业精确数据库的职能，支持分析师从数据浏览、研究框架建设、研究报告撰写、估值定价模型的一站式功能。

图表25：恒生电子买卖对接数据传输方案

资料来源：公司公众号，国盛证券研究所

4）达观数据

AI+文本智能处理能力领衔，广泛助力知名投资机构。达观数据成立于 2015 年，定位是为企业提供各类场景文本机器人的人工智能企业，通过 NLP、OCR、RPA、IDP、知识图谱等技术，为大型企业和政府机构提供文档智能审阅、办公流程自动化、文字识别、企业级垂直搜索、智能推荐等智能文本机器人产品，大幅度提高企业效率与智能化水平。1）AI综合能力方面，公司曾作为上海唯一入选的AI企业，荣获中国智能科学技术最高奖—吴文俊人工智能奖。2）文本智能处理方面，公司实力出众，曾成为国家级专精特新“小巨人”企业文本智能处理领域唯一入围的公司，助力多个知名投资机构。

图表26:达观数据AI/文本智能处理技术领先

资料来源：公司官网，国盛证券研究所

图表27：达观数据助力知名投资机构

资料来源：公司官网，国盛证券研究所

赶乘时代浪潮，垂类大模型落地进行中。2023 年 3 月以来，达观宣布正在研发垂直领域模型“曹植”，作为垂直、专用、国产的 GPT模型，未来在各行各业里落地应用。

图表28：达观数据“曹植”垂直领域大语言模型

资料来源：公司官网，国盛证券研究所

智能投研需求明确，知识图谱为基打造知识中台。由于金融投研面对海量上市公司公告、研发、资讯热点，因此智能投研能力可以有效提升从业人员的投研能力和学习速度。2021年，达观数据为广发资管打造智能知识图谱系统，给客户提供有价值的可视化投研情报。知识图谱平台通过数据结合逻辑，在最新的图谱技术框架上构建公司及行业图谱，并通过特定数值权重和算法实现各关系节点的关系量化，最后根据公司关注度对搜索结果进行排序。基于海量数据和专家逻辑，达观数据建出了一整套系统，将投资分析的研究体系沉淀于知识图谱系统中，为投研量化研究提供了良好的基础设施。

图表29：达观数据与广发资产管理实现智能投研知识中台

资料来源：达观数据公众号，国盛证券研究所

图表30：达观数据智能投研实现突破图谱构建

资料来源：达观数据公众号，国盛证券研究所

关键投研信息抽取+热点词分析，智能投研机器人表现出彩。智能投研机器人可以基于自研的领先 NLP 技术，阅读并理解年报、研报、招股书等金融文档中的宏观政策、行业信息、经营情况、财务指标等信息，从而进行数据处理和信息挖掘，实现具体的投研应用。其中有两个核心功能：关键投研信息抽取和热点词分析，在 2022 年贵州茅台的投研辅助中，该产品识别出白酒行业呈现“马太效应”和“高通胀”的情况，且通过 2022年和 2021 年的沪深 300 半年报，发现 2022 年供给端压力增大、上市公司更加关注宏观货币政策、对碳达峰和环保的关注度也有所提升。

图表31：达观数据智能投研从2022年半年报提取高频关键词

资料来源：达观数据公众号，国盛证券研究所

图表32：达观数据智能投研实现近年年报对“全球经济”的热点词分析

资料来源：达观数据公众号，国盛证券研究所

五、AI-ALPHA 与市场 BETA 的共振

1）金融 it AI-ALPHA 未来可期

金融 it AI进展持续催化，ALPHA未来可期。结合数据端布局、研发投入和变现能力，同花顺、恒生电子、金证股份、达观数据等公司，具备海量、丰富、高质的金融领域垂类数据，并致力AI技术研发+相应场景产品落地的领军企业，在大模型时代竞争力优势将进一步强化。

同花顺：积累舆情、企业、诚信相关的海量数据，且具备较强的技术研发和 AI 落地能力，已有 i问财、AI开发平台等多项 AI 产品推出。

⚫ 金证股份：深耕金融科技多年，具备金融交易及智慧城市数据积累，研发技术平台生态链完整，已推出企业级 RPA 软件金智维等 AI 相关产品。

恒生电子：金融 IT 供应商龙头企业，子公司恒生聚源积累丰富金融数据及资讯，高研发投入下金融科技实力显著攀升，为首批文心一言生态合作伙伴。

⚫ 达观数据：作为提供各类场景文本机器人的 AI 企业，公司研发垂直领域模型“曹植”，打造智能投研知识图谱中台，智能投研机器人在关键投研信息抽取和热点词分析上表现出色。

2）市场 BETA渐入佳境

5 月以来，以北上深为代表，全国各地加快制定人工智能规划。1）5 月 19 日，北京市通用人工智能产业创新伙伴计划成员名单（第一批）出炉，第一批伙伴成员共有 39家，其中，算力伙伴 2 家，数据伙伴 9 家，模型伙伴 7 家，应用伙伴 13 家，投资伙伴 8 家。2）5 月 31 日，深圳市发布加快推动人工智能高质量发展高水平应用行动方案（2023—2024 年），强化智能算力集群供给，整合深圳市算力资源，建设城市级算力统筹调度平台；打造大湾区智能算力枢纽，积极有序集聚政府、企业、科研机构、高校等的智能算力资源，与周边城市加强智能算力合作，谋划共建粤港澳大湾区智能算力统筹调度平台；联合香港企业、科研机构、高校等，打造深港人工智能算力赋能中心。3）6月2日，上海自贸区临港新片区在智算大会上发布了《临港新片区加快构建算力产业生态行动方案》，提出 2025 年，临港新片区将形成以智算算力为主，基础算力和超算算力协同的多元算力供给体系，总算力将超过 5EFLOPS（EFLOPS是指每秒百亿亿次浮点运算次数），人工智能算力占比达到 80%，算力产业总体规模突破 100 亿元。

图表33：国内算力层相关政策

事件	日期	详情
上海自贸区临港新片区在智算大会上发布了《临港新片区加快构建算力产业生态行动方案》	2023年6月2日	提出 2025年，临港新片区将形成以智算算力为主，基础算力和超算算力协同的多元算力供给体系，总算力将超过 5EFLOPS（EFLOPS 是指每秒百亿亿次浮点运算次数），人工智能算力占比达到80%，算力产业总体规模突破 100 亿元。
深圳市加快推动人工智能高质量发展高水平应用行动方2023年5月31日案（2023-2024年）		强化智能算力集群供给，整合深圳市算力资源，建设城市级算力统筹调度平台；打造大湾区智能算力枢纽，积极有序集聚政府、企业、科研机构、高校等的智能算力资源，与周边城市加强智能算力合作，谋划共建粤港澳大湾区智能算力统筹调度平台；联合香港企业、科研机构、高校等，打造深港人工智能算力赋能中心。
北京市通用人工智能产业创新伙伴计划成员名单（第一2023年5月19日		第一批伙伴成员共有39家，其中，算力伙伴2家，数据伙伴9家，模型伙伴7家，应用伙伴13家，投资伙伴8家。
批）中国电子董事长曾毅发言，解决的问题		人工智能离不开算力、算法、模型。如今，算法和模型的问题都能够算力底座是下一阶段最需要2023年5月18日解决，最卡脖子的是算力底座的问题，这可能是下一阶段最需要解决的重大问题。
人民网介绍习近平总书记有关人工智能重要论述	2023年5月18日	新一代人工智能是推动科技跨越发展、产业优化升级、生产力整体跃升的驱动力量。习近平总书记高度重视人工智能技术发展，多次在大会强调发展人工智能的重要性。
科技部部长王志刚：打造一批人工智能区域高地和技术2023年5月18日平台		第七届世界智能大会在天津开幕。科学技术部部长王志刚在会上表示，将紧紧把握全球人工智能发展的新机遇，尊重科技创新和人工智能发展的规律，加大人工智能基础理论和前沿技术研发布局，打造一批人工智能区域高地和技术平台，深化企业牵头的产学研用融合，推动人工智能赋能经济社会发展。
《北京市促进通用人工智能创新发展的若干措施（2023-2025年）（征求意见稿）》	2023年5月16日	北京打响大模型地方战第一枪，从算力、数据、算法、应用、监管五大方向，对北京大模型发展提出了21项措施。这是国内首个地方政府紧贴AI大模型产业化发展提出的专项措施。

资料来源：北京市经济和信息化局，北京市人民政府，人民网，财联社，新浪财经，国盛证券研究所

海外龙头指引超预期，中美共振有望持续加速。1）随着 ChatGPT 发布，轰动的人工智能领域对芯片算力产生较大需求，英伟达因可以提供训练大量文本、图像、视频训练的AI 芯片，数据中心（Data Center AI GPUs）收入贡献显著营收同比涨 14%至 42.8 亿美元，环比增长 18%，主要原因系基于 Hopper 和 Ampere 架构 GPU 的生成式 AI 和大语言模型的需求不断增长。根据 21 世纪经济报，公司在业绩说明会上表示，由于互联网公司、云计算提供商和企业客户都迫切希望将生成式 AI 应用到自身业务中，下一季度数据中心客户的销售额或将翻番，计划在下半年大幅增加整个数据中心产品系列（包括InfiniBand和BlueField-3DPU）的供应，以满足激增的需求。2）业绩指引方面，根据华尔街见闻，英伟达预计，本财年第二财季营收为 110 亿美元，正负浮动 2%，指引范围在107.8 亿到 112.2亿美元之间，同比增长约 32.7%。分析师预计二季度营收只有 71.8亿美元，同比下降 13.4%。110亿美元的营收较分析师预期高53.2%，二季度将扭转收入连续三个季度同比下滑的势头。

顺应时代浪潮，AMD对 MI300寄予厚望。根据财联社，在AMD即将发布的产品，MI300
性能强大，或将成为能够与英伟达一决高下的“终极武器”。苏姿丰坦言，Instinct MI300

加速器能帮助公司占领市场，其满足了AI和HPC/超级计算生态系统的所有要求。

图表34:AMDMI300示意图

资料来源：财联社，国盛证券研究所

风险提示

金融监管风险：展业进度与金融政策息息相关，相关政策限制可能影响业务发展。

AI产品线推进不及预期：AI技术攻坚和产品研发难度大，出现卡点可能影响AI产品线推进进度。

免责声明

国盛证券有限责任公司（以下简称“本公司”）具有中国证监会许可的证券投资咨询业务资格。本报告仅供本公司的客户使用。本公司不会因接收人收到本报告而视其为客户。在任何情况下，本公司不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任。

本报告的信息均来源于本公司认为可信的公开资料，但本公司及其研究人员对该等信息的准确性及完整性不作任何保证。本报告中的资料、意见及预测仅反映本公司于发布本报告当日的判断，可能会随时调整。在不同时期，本公司可发出与本报告所载资料、意见及推测不一致的报告。本公司不保证本报告所含信息及资料保持在最新状态，对本报告所含信息可在不发出通知的情形下做出修改，投资者应当自行关注相应的更新或修改。

本公司力求报告内容客观、公正，但本报告所载的资料、工具、意见、信息及推测只提供给客户作参考之用，不构成任何投资、法律、会计或税务的最终操作建议,本公司不就报告中的内容对最终操作建议做出任何担保。本报告中所指的投资及服务可能不适合个别客户，不构成客户私人咨询建议。投资者应当充分考虑自身特定状况，并完整理解和使用本报告内容，不应视本报告为做出投资决策的唯一因素。

投资者应注意，在法律许可的情况下，本公司及其本公司的关联机构可能会持有本报告中涉及的公司所发行的证券并进行交易，也可能为这些公司正在提供或争取提供投资银行、财务顾问和金融产品等各种金融服务。

本报告版权归“国盛证券有限责任公司”所有。未经事先本公司书面授权，任何机构或个人不得对本报告进行任何形式的发布、复制。任何机构或个人如引用、刊发本报告，需注明出处为“国盛证券研究所”，且不得对本报告进行有悖原意的删节或修改。

分析师声明

本报告署名分析师在此声明：我们具有中国证券业协会授予的证券投资咨询执业资格或相当的专业胜任能力，本报告所表述的任何观点均精准地反映了我们对标的证券和发行人的个人看法，结论不受任何第三方的授意或影响。我们所得报酬的任何部分无论是在过去、现在及将来均不会与本报告中的具体投资建议或观点有直接或间接联系。

投资评级说明

投资建议的评级标准		评级	说明
评级标准为报告发布日后的6个月内公司股价（或行业指数）相对同期基准指数的相对市场表现。其中A股市场以沪深 300 指数为基准；新三板市场以三板成指（针对协议转让标的）或三板做市指数（针对做市转让标的）为基准；香港市场以摩根士丹利中国指数为基准，美股市场以标普500 指数或纳斯达克综合指数为基准。	股票评级	买入	相对同期基准指数涨幅在15%以上
		增持	相对同期基准指数涨幅在5%~15%之间
		持有	相对同期基准指数涨幅在-5%~+5%之间
		减持	相对同期基准指数跌幅在5%以上
	行业评级	增持	相对同期基准指数涨幅在10%以上
		中性	相对同期基准指数涨幅在-10%~+10%之间
		减持	相对同期基准指数跌幅在10%以上

国盛证券研究所

北京

地址：北京市西城区平安里西大街 26 号楼 3层

上海

地址：上海市浦明路 868 号保利 One56 1 号楼 10 层

邮编：100032

邮编：200120

传真：010-57671718

电话：021-38124100

邮箱：gsresearch@gszq.com

南昌

深圳

地址：南昌市红谷滩新区凤凰中大道 1115 号北京银行大厦

地址：深圳市福田区福华三路 100 号鼎和大厦 24楼

邮编：330038

传真：0791-86281485

邮编：518033

邮箱：gsresearch@gszq.com

计算机

加大重视金融 AI

增持（维持）

行业走势

作者

相关研究

内容目录

一、AI+金融的四个层次：传统机器学习、通用大模型+微调、垂类大模型预训练、智能投研

二、垂类领域效果：大模型+预训练＞大模型+微调

三、垂类领域预训练大模型具有不可替代性

1）金融专用任务：表现优于现有类似规模的公开模型

2）通用任务：整体落后于 GPT-3 而优于其他模型

四、智能投研产业落地进行时

1）金证股份

2）同花顺：

智能投顾相关产品：

3）恒生电子

4）达观数据

五、AI-ALPHA 与市场 BETA 的共振

1）金融 it AI-ALPHA 未来可期

2）市场 BETA渐入佳境

推荐关注

风险提示

免责声明

分析师声明

国盛证券研究所

国盛证券-计算机行业专题研究：加大重视金融AI-230617.pdf