人工智能重塑“金融生态”：效率翻倍，风险几何？ | 高金智库

为更好地探讨AI如何赋能金融发展，日前，在浦东新区政协指导下，上海交通大学上海高级金融学院与澳门科技大学澳门金融科技创新研究院联合举办了高金智库“AI与金融市场的未来”闭门研讨会。本次研讨会就人工智能发展趋势、人工智能如何赋能金融发展、当下的机遇与挑战等方面进行了深入交流讨论。

* 本文隶属于高金智库成果简（要）报系列，执笔人为高金智库研究助理路璐。本文较报告原文有所删减，原报告名称为《AI如何赋能金融市场未来发展》。

01

AI的技术流派、发展历程与应用

01

AI的技术流派

AI旨在模拟、延伸和扩展人类智能，其发展依托于多种技术原理与流派：

◎ 一是符号学派，又称逻辑主义学派，以符号化的知识表示和逻辑推理为核心，主张智能可通过对符号的操作来实现，是AI发展早期的重要理论基石。

◎ 二是连结学派，专注于模拟大脑的学习机制，将大脑视作神经元的集合体。通过构建神经网络模型，模拟神经元之间信息的传递与处理过程。

◎ 三是行为学派，起源于控制论，强调智能体在环境中的感知与行动反馈，认为智能是在与环境的交互过程中逐步发展起来的。例如，在机器人控制领域，机器人借助传感器感知周围环境信息，依据预设算法或强化学习机制来调整自身行为，以适应环境并完成任务。

02

AI的发展历程

AI的发展历经多个重要阶段：

2012年是AI发展的关键节点，深度学习技术取得重大突破。以AlexNet为代表的深度神经网络在ImageNet图像识别大赛中表现卓越，其准确率远超传统方法，引发了AI领域的研究热潮，推动深度学习技术在各个领域广泛应用。

2016年，AI再次成为全球焦点，谷歌旗下DeepMind公司开发的AlphaGo战胜世界围棋冠军李世石。这一事件标志着AI在复杂策略博弈领域取得重大进展，展示了强化学习技术解决高复杂度问题的强大能力，也让更多人认识到AI的巨大潜力。

2022年，生成式AI迎来爆发，以ChatGPT为代表的大语言模型展现出强大的自然语言处理能力，能够生成连贯、逻辑合理的文本内容，实现与人类的自然流畅对话。这一突破推动了AI在智能客服、内容创作、智能写作等领域的广泛应用，改变了人们与机器交互的方式。

03

AI的应用

AI在众多领域有着广泛应用，主要可分为识别类、博弈类和生成类：

◎ 一是识别类应用，涵盖图像识别、语音识别、文字识别等。在图像识别方面，安防监控系统利用AI技术能够实时识别人员身份、行为动作，提高监控效率和安全性；在语音识别领域，智能语音助手可以准确识别用户语音指令，实现语音交互，如苹果的Siri、亚马逊的Alexa等；文字识别技术则广泛应用于文档处理、车牌识别等场景，实现信息的快速录入和处理。

◎ 二是博弈类应用，以AlphaGo为典型代表。在广义的博弈场景中，AI通过学习规则和大量数据，能够在复杂的策略互动中做出最优决策。除了围棋等棋类游戏，AI还在金融交易策略制定等领域发挥作用，通过模拟不同情境和对手行为，制定出具有竞争力的策略。

◎ 三是生成类应用，生成式AI可以根据输入的条件或提示，生成新的内容，如文本、图像、音频、视频等。在文本生成方面，大语言模型可以撰写新闻报道、故事、诗歌等；在图像生成领域，AI能够根据文本描述生成逼真的图像，为设计、艺术创作等领域提供了新的工具；在音频和视频生成方面，AI能够生成虚拟歌手的歌曲、虚拟场景的视频等，为娱乐产业带来新的发展机遇。

02

AI赋能传统金融领域

01

AI多维度赋能传统金融

◎ 一是客户维度，金融机构通过分析海量客户数据，包括消费行为、浏览记录、社交信息等，能够深入了解客户需求和偏好，实现精准营销。利用机器学习算法构建客户画像，将合适的金融产品和服务精准推送给目标客户，提高客户触达率和转化率。

◎ 二是流程维度，AI自动化流程在金融领域广泛应用。在贷款审批流程中，利用AI技术自动审核申请人的资料，包括信用记录、收入证明等，快速给出审批结果，大大缩短贷款审批时间；在支付结算环节，AI优化支付系统，实现实时清算和风险监控，提高支付的便捷性和安全性。

◎ 三是分析维度，AI能够对金融数据进行深度分析，为决策提供支持。在贷款风险评估中，通过对借款人的多维度数据进行分析，包括财务状况、行业前景、信用历史等，利用深度学习模型预测贷款违约风险，帮助金融机构制定合理的贷款利率和贷款额度，降低不良贷款率。

02

AI改变传统金融生态

AI的发展正以前所未有的态势重塑传统金融生态，从提升服务效率、推动业务创新，到改变工作模式，全方位地改变着金融行业的格局。

◎ 一是AI技术在提升金融服务效率和推动业务创新方面展现出巨大优势。AI显著提高了金融服务的效率和质量，同时降低了运营成本。以智能投顾为例，其借助AI算法，能够快速分析海量市场数据和客户的风险偏好、投资目标等信息，以更低的成本为客户提供个性化投资建议。同时，AI推动了金融创新，催生了数字货币、区块链金融等新的金融业态和服务模式。

◎ 二是生成式AI在商业银行业务中发挥着重要作用。在贷款管理工作中，生成式AI可根据客户信息和贷款政策生成贷款合同文本，减少人工撰写合同可能出现的错误和漏洞。在数据分析方面，生成式AI能够对大量的交易数据、客户反馈等文本信息进行深度分析和总结。通过挖掘这些数据，银行可以掌握客户需求趋势，挖掘客户对金融产品的潜在需求，及时调整产品策略，为银行的业务决策提供有力参考。

◎ 三是AI在协助分析师工作方面发挥关键作用。通过自然语言处理技术，AI可以快速阅读和分析金融报告、新闻资讯等文本内容，从中提取关键信息和市场动态。在数据分析方面，AI模型能够对市场数据进行快速建模和分析，为分析师提供数据洞察和预测结果，提升了金融分析工作的整体效率和质量。例如，肯硕公司利用人工智能技术帮助金融分析师处理大量复杂的数据和信息。

03

AI赋能量化金融领域

01

AI加速量化金融投资决策模式的转变

AI在量化金融领域的应用正推动投资决策模式从传统人工决策向智能化系统决策加速转变。这一变革如同从碳基生命到硅基生命的进化，以及冷兵器时代向热兵器时代的跨越，摆脱了人类生理和认知局限对投资决策的束缚，使投资决策更加高效、精准。过去，量化投资高度依赖人工构建模型与制定策略，这种方式极大地受限于人的认知范围与计算能力，决策的时效性和准确性也大打折扣。如今，智能系统借助AI强大的数据处理和学习能力，能快速分析海量市场数据，精准捕捉投资机会。统计数据显示，2004年多数基金依赖人工决策，而到2024年机器决策已占据主导。

02

生成式AI在量化金融中的应用局限

AI推动量化金融领加速发展的同时，也存在明显的局限性：

◎ 一是在精确计算和数值计算方面表现欠佳。预测股市涨跌、估算工程成本这类复杂任务，需要深入理解物理和数学原理，生成式AI仅靠文本统计难以准确把握市场复杂因素间的非线性关系，预测结果往往与实际偏差较大。

◎ 二是在专业搜索和事实核查方面存在缺陷。大语言模型并非专业的搜索引擎，其信息来源主要基于训练数据，这就导致可能出现信息过时、不准确或不完整的情况。在查询最新的科研成果、法律法规的具体条款时，大语言模型可能无法提供最准确和最新的信息。但是，通过结合专业搜索引擎技术，以及对大语言模型进行知识图谱增强等优化手段，可以在一定程度上改善其在专业搜索和事实核查方面的性能。

◎ 三是在需要深度领域经验的决策场景中无法直接应用。如制定癌症治疗方案、给出法律判决建议时，生成式AI不能直接应用。量化金融中的一些关键决策同样需要深厚的金融专业知识、丰富的市场经验以及对宏观经济和行业动态的精准把握。生成式AI在这些场景中可能会出现“幻觉”，给出不合理的建议。一旦将这些不合理的建议应用于实际决策，可能会导致严重的后果。

03

AI驱动下量化金融发展的核心策略

◎ 一是强化工程优化。在量化投资实操中，工程优化对模型性能提升意义重大。通过精细调校模型参数，可增强模型预测能力。然而，此方法存在一定局限，难以仅凭其应对复杂多变的市场。因此，需融合其他手段，以达到更优的投资成效。

◎ 二是深耕科学研究。量化投资应高度重视底层研究，充分运用数学建模、统计学工具及因果关系模型等。数学建模为量化投资构建严谨理论架构，精准刻画金融市场运行规律；统计学工具助力深度剖析金融数据，挖掘潜在价值信息；因果关系模型则帮助投资者厘清市场变量因果关联，规避错误投资决策。研究方法的充分应用能够一定程度消除模型过度拟合，为投资决策提供坚实依据。

◎ 三是把握发展契机。当下，美国的技术制裁虽带来压力，但也为我国创造了弯道超车的机遇。我们应加大量化金融领域科研投入，全力突破关键技术瓶颈。鼓励科研机构与企业协同合作，共同攻克AI模型优化、数据处理等难题，提升我国在量化金融领域的核心竞争力。

04

量化金融未来发展的可能性

面对当前挑战，量化金融未来发展呈现新的可能性。

◎ 一是模型向小而精发展，追求高知识密度。考虑到算力限制、能源消耗和语料质量等问题，未来模型可能会通过优化模型结构和算法，提高模型对知识的压缩和表达能力，使小模型也能具备强大的功能。这样一来，在减少计算资源需求的同时，还能保持甚至提升模型的性能。

◎ 二是多智能体协作模式兴起。每个智能体虽然单独的智能水平有限，但通过相互之间的沟通和协作，可以共同完成复杂的任务。在量化金融领域，多个智能体可以分别负责不同的市场数据监测、投资策略制定、风险评估等任务。通过这种协作方式，可以实现更高效的投资决策，提高量化金融系统的整体性能和适应性。

04

AI为金融领域带来的机遇与挑战

01

AI带来的发展机遇

◎ 一是大模型与小数据结合革新金融服务。金融机构掌握的客户信用、交易行为等小数据，极具私有性与针对性；大模型则拥有海量知识储备和强大泛化能力。大模型与小数据的结合为金融领域带来显著机遇。在风险管理方面，两者结合能精准预测风险。大模型把握金融市场风险的普遍规律，小数据聚焦客户或业务的特殊风险特征，助力金融机构更准确评估客户违约风险，合理制定信贷额度与利率。在客户服务方面，通过分析客户交易记录等小数据，结合金融服务大模型，可依据客户人生阶段、财务目标和风险承受力，定制投资组合建议、推荐理财产品并开展个性化金融知识科普。在投资决策方面，大模型综合宏观经济、行业趋势等数据给出投资方向，投资机构对特定企业的调研等小数据与之相互印证，帮助投资团队全面评估投资机会，优化投资组合，提升回报率。

◎ 二是AI推动金融创新业务拓展。在量化投资领域，AI实时分析海量金融数据，挖掘市场规律与投资机会，构建更精准量化投资模型，快速响应市场变化，实现收益最大化。在投顾领域，智能投顾平台根据客户风险偏好、投资目标和财务状况，提供个性化投资建议与资产配置方案。相比传统投顾，具有成本低、效率高、服务范围广的优势，为中小投资者提供专业便捷服务，促进金融普惠发展。在区块链领域，区块链的去中心化、不可篡改、可追溯特性，与AI结合提升金融数据安全性与可信度。在跨境支付、供应链金融等领域，二者结合能够简化流程、降低成本，提高金融交易效率与安全性。

02

AI带来的挑战

◎ 一是技术瓶颈。在技术层面，AI发展面临着诸多严峻挑战。首先，国产芯片性能与国外先进水平存在差距，致使算力难以满足大规模数据处理和复杂模型训练的需求。训练超大规模语言模型或复杂图像识别模型时，因算力不足，训练时间大幅延长，可能需数周甚至数月，导致创新业务探索速度放缓，运营成本增加。其次，随着AI模型规模和复杂度不断提升，能耗呈指数级增长。大型数据中心为维持AI模型运行，能源消耗已成为沉重负担。一些超算中心为运行先进AI模型，能源消耗甚至接近负荷极限，高昂的电费成本令众多企业望而却步，进而限制了AI技术的大规模应用和推广。此外，在金融等专业性强、敏感性高的行业，数据获取存在困难，语料的质量与数量均有所欠缺。各机构数据相对封闭且缺乏共享机制，这使得用于训练AI模型的数据量有限，数据的多样性和准确性也难以保证，影响了模型的准确性和泛化能力。

◎ 二是模型缺陷。首先，AI模型逻辑缺乏可解释性，决策过程和输出结果如同“黑盒”。在金融决策中，清晰的逻辑和依据至关重要，但黑盒模型决策过程和输出结果难以解释，无法满足监管要求和保障客户权益。模型本身的不可解释性可能导致客户对金融机构的信任度降低，同时也增加了监管难度，给金融市场稳定运行带来潜在风险。其次，模型容易产生幻觉，输出不符合实际情况的结果。在自然语言处理任务中，大语言模型可能生成看似合理但实际错误或无意义的文本，可能编造不存在的事件或引用错误信息，误导用户。此外，AI模型输出结果的准确性、随机性和价值观受输入文本影响极大。输入数据的偏差或错误可能导致模型输出误导性结果，增加应用的不确定性，影响决策。

◎ 三是数据安全与伦理挑战。在数据安全方面，金融行业涉及大量敏感信息，AI技术应用增加了数据泄露、篡改等安全风险。以云计算环境下使用AI技术为例，企业常常担忧上传的私有数据被泄露或遭到滥用，如何有效隔离基础模型与私有小数据，平衡私有部署和公共设施的利弊，切实保障数据安全和隐私，已然成为亟待解决的关键问题。在伦理道德方面，AI的发展引发了深刻的哲学思考和伦理道德困境，例如AI是否具备人类全部智能，当AI在决策中扮演重要角色时责任主体该如何确定，怎样确保AI决策符合伦理道德规范等问题。这在一定程度上影响了人们对AI的认知和应用，给伦理道德和社会治理带来全新挑战。

内容来源｜高金智库SAIF ThinkTank

图片来源｜Pexels

高金项目火热招生中…

欢迎点击小程序了解更多信息