財聯社李響
2025-03-14 
多家金融與資管機構發力AI大模型運用，核心場景集中于投研支持
3月13日訊（編輯 李響）隨著國產大模型DeepSeek的技術突破，不少金融、資管機構正積極推進其在投資領域的應用，智能化轉型，以期降本增效，提升發展新動能。
據公開資料和相關研報梳理，易方達基金、富國基金等國內資管機構已經部署了DeepSeek大模型，推進應用于多個業務場景；招商銀行進行資管領域大模型應用探索與實踐，涵蓋基金產品分析優選、研報摘要速覽及智能問答等；東證資管開發基于人工智能的AI投研助理機器人，功用包括智能詢價交易、Agent智能客服助手、投研風控智能問答、路演調研AI紀要等等。
上海資產管理協會、智能投研技術聯盟（ITL）聯合多家成員機構于去年底共同撰寫了發布《上海全球資產管理中心建設 資產管理大模型應用實踐與指南》（以下簡稱《實踐指南》），其中，創新應用典型場景提煉了大模型在資產管理、財富管理領域落地的基金投研助手、投資顧問助手、財報分析助手、風險合規助手、智能化辦公等16個典型應用場景。
不過，另一方面，在業內人士看來，盡管目前部分金融、投資機構已接入DS模型進行本地化部署，但當前DeepSeek等工具的定位或更適合作為信息檢索工具，而非投資決策依據，在資管領域中的應用場景更多集中于信息輔助和客服交互等領域。
部分行業內人士表示，在專業的垂直領域，僅基于大模型的算力推演能力還遠遠不夠，還需嫁接該垂直領域的“小模型”，此外不少金融機構出于安全方面要求，當前調用DeepSeek本地化部署多用于提升內部流程效率，在資管領域的場景落地多以投研報告、數據管理助手等助力智能化轉型的形式存在，打通整條資管投資路徑客觀上尚存難度。資管機構應用AI大模型的核心場景或應是投研支持，未來國內外資管機構在大模型應用的競爭，也將從“有無AI”轉變成“AI能力”，進而比拼AI大模型應用的覆蓋廣度與使用深度，以及對于AI大模型的認知與利用方式。
金融與資管機構應用AI大模型場景掃描
梳理，當前資管領域大模型應用場景多以幫助金融機構降低投研門檻以及成本，助力機構完成智能化轉型，其中基金、保險等資管機構在應用AI大模型場景的步伐相對較快。
國信證券在最新相關研報中稱，自DeepSeek2024年底橫空出世以來，國內大型資管機構，諸如匯添富、富國、國泰、中歐等基金機構，完成了DeepSeek-R1版本的私有化部署，應用于多個核心業務場景。如匯添富基金，其在2月7日率先宣布，已經完成DeepSeek系列開源模型的私有化部署，模型將全面覆蓋投資研究、產品銷售、風控合規和客戶服務等各場景，其與瀾碼科技達成戰略合作，旨在推動大語言模型及AI Agent在金融領域的應用，此外易方達基金的EFundGPT大模型可以在輔助投資研究、文案生成、編程支持等多個場景中進行應用。
富國基金結合實際場景構建了一個AI中臺來統一管理模型能力，負責實施大模型到業務的落地。該AI中臺旨在向前臺提供面向實際業務可用的模型，快速響應業務需求的迭代，同時作為用戶流量的入口監控API的調用，統計token的消耗，分配人員的權限，合規大模型在富國基金的業務落地場景豐富多樣，系統研發和運營風控等多個領可控地提升大模型對業務賦能的轉換效率。
此外，泰康資產在大模型應用中將文檔問答可具備“AI翻譯+智能摘要"功能，同時在數據查詢場景中，可實現自然語言對話即可觸發精準的指標速查。
前述《實踐指南》列出，資管領域大模型應用場景多以“助手”的形式存在，如基金投研助手、財報分析助手、研報寫作助手等，主要聚焦于客戶服務、投資研究、風險管理與資產配置領域。
不過，在不少金融機構IT工程師看來，早期的AI技術僅能部分減輕人工作業負擔，但替代不了人工，尤其是大模型分析的數據基本上是基于網上抓取下來的，部分數據相對過時，與最新的業務實際情況也不完全相符，而且針對垂類投資模型訓練的數據會有時效性，很難針對當前的現狀給出最新的投資判斷，如果用AI大模型直接從事投資風險管理交易之類的事情，距離場景落地仍有不小的距離。
國信證券分析師王開在相關研報中表示，目前在人工智能幻覺測試中，DeepSeek-R1顯示出14.3%的幻覺率，其技術局限性需對AI大模型的輸出內容進行人工篩選和檢驗，尤其是與投資決策相關的數據與信息。此外，資管機構應用AI大模型的核心場景或應是投研支持，而在客戶服務、產品創新、風險控制和中后臺支持等業務場景也早已經開展著其他各種人工智能模型的應用，未來國內外資管機構在大模型應用的競爭，也將從“有無AI”轉變成“AI能力”，進而比拼AI大模型應用的覆蓋廣度與使用深度，以及對于AI大模型的認知與利用方式。
DS大模型在處理垂直類專業領域具有局限性，或需嫁接相關的“小模型”進行投資決策
“目前DS大模型顛覆性的解決了模型開發成本過高的問題，可以在訓練數據中提升相應場景的推理能力，但是它并不具備真正意義上的創造觀點的能力”，業內人士指出，這是DS大模型自身的局限性，它只能把網絡上現有的觀點和文字根據內容出現的頻度加以組合加工，但無法分辨對錯，尤其在如債券市場等垂類領域中不具備普適性。
國信證券分析師王開也表示，由于DS這類AI大模型在技術上存在存在“幻覺”問題，存在提供成假或誤導性信息的可能，還需憑Hl(Human Inteligence)輔以人工的信息篩選以及決策把關，明確資管主體的“主駕駛”定位和AI大模型工具的“副駕駛”定位。
“盡管在某些資產配置場景中的確會出現相近或相似的歷史規律重現，但這不等于把歷史經驗用大模型簡單總結羅列，此外AI大模型對于突發事件以及歷史從未出現的事件無法結合當前場景準確預估”，有分析人士指出。
“AI大模型尚未深入資管領域，其中還有一個關鍵因素是銀行在做資產配置決策時采用AI大模型的意愿不強”，微京科技創始人楊劍波對表示，銀行資金多配置債券市場，以持有到期拿利息為主，對于搭建波段交易、量化交易模型的意識不足，更需要在其中穿插已搭建此類“小模型”的機構對數據進行微調。
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
