AI+金融：大模型引爆金融科技革命（39页-PPT）

微信扫码，打开到小程序

AI+ 金融：大模型引爆金融科技革命 “AI+ 应用”系列（二） 分析师：刘泽晶 SAC NO ： S1120520020002 邮箱： liuzj1@hx168.com.cn 仅供机构投资者使用 证券研究报告 | 行业深度研究报 告 联系人：刘波 邮箱： liubo1@hx168.com.cn 华西计算机团队 2023 年 7 月 28 日 请仔细阅读在本报告尾部的重要法律声明 u 金融科技迎来强催化， AI+ 金融迎来发展良机 根据新华社消息，中共中央政治局 24 日召开会议，分析研究当前经济形势，部署下半年经济工作。会议指出，要活跃资本市场，提振投 资 者信心。金融科技行业迎来强催化。 Al+ 金融更侧重于为传统行业的模式创新和流程再造提供新的思路和方法，从而催生新的商业模式，提高运营效率，带来整个产业的全面 升 级。 AI 应用场景涵盖前中后台中的市场营销、产品设计、风险管控、客户服务、运营支持等。 据艾瑞咨询统计测算， 2021 年 AI+ 金融核心市场规模达到 296 亿元，带动相关产业规模 677 亿元，到 2026 年，核心市场规模达到 666 亿元， CAGR 为 17.6% ，带动相关产业规模 1562 亿元， CAGR 为 18.2% 。 u 金融行业数据、场景丰富，大模型走上金融大舞台 我们认为，金融行业数据丰富且数据质量高，具备大模型训练的良好基础。同时，金融行业细分领域众多，且大量产品最终服务于 C 端用 户， 大模型应用场景丰富。随着大模型与金融业务的融合，创新应用将层出不穷。 金融行业数字化需求刚性，投入巨大，是大模型应用落地的大舞台 ：根据艾瑞咨询的数据， 2022 年，以银行、保险、证券为主的金融机 构 技术资金投入预计将超过 4000 亿元。 2022 年中国银行与保险机构前沿科技采购支出将达到 170 亿元。 相关行业已有大量应用案例： Bloomberg GPT 、 Morgan Stanley 、 Lemonade 、苏黎世保险、度小满、瑞穗金融集团等。 u 新一轮金融科技革命，产品 & 商业模式均有望革新 我们认为，随着大模型技术与业务的深度融合，头部金融科技企业有望实现产品和商业模式的革新，实现从产品 + 服务收费向 SaaS 订阅 收 费、运营分润收费的转变。 我们认为，金融科技细分领域众多，各细分领域龙头具备技术、行业 Know-How 等要素，与头部金融机构的长期合作关系有利于补齐数 据、 场景等要素，相关产品有望率先落地。 u 行业受益标的： 我们认为，在各细分领域深耕多年，在 AI 领域早有布局，且积极拥抱大模型技术变革的公司具有先发优势，行业受益标的包括：同花顺、 指南针、恒生电子、财富趋势、新致软件、宇信科技、金证股份等。 u 风险提示 ： 1 ） AI 技术发展不及预期； 2 ）相关政策落地不及预期； 3 ）中美博弈突发事件； 4 ） AI 伦理风险； 5 ）市场系统性风险等。 核心逻辑 1 目录 01 金融科技迎来强催化， AI+ 金融迎来发展良机 02 数据、场景均丰富，大模型走上金融大舞台 03 新一轮金融科技革命 ，产品 & 商业模式均有望革新 04 行业受益标的及风险提示 2 金融科技迎来强催化， AI+ 金 融 迎来发展良机 01 3 u 根据新华社消息，中共中央政治局 24 日召开会议，分析研究当前经济形势，部署下半年经济工作。会议指出，要活跃资本市场，提振投资者信 心。 u 另据新华社 7 月 26 日消息，证监会近日召开 2023 年系统年中工作座谈会，明确了下半年资本市场监管工作重点。证监会表示，将科学合理保 持 IPO 、再融资常态化，统筹好一二级市场动态平衡。健全资本市场风险预防预警处置问责制度体系。支持民营企业通过资本市场实现高质 量发 展，提升平台企业常态化监管水平，推动平台企业规范健康持续发展。 1.1 政治局会议提出“要活跃资本市场”，金融科技迎来强催化 证监会召开 2023 年系统年中工作座谈 会 资料来源：新华社、华西证券研究所 4 u AI+ 金融并非单纯的技术累加，而是针对不同业务场景需求，运用前沿技术成果推出的创新金融产品、经营模式、业务流程，以及推动金融业 务高质量发展的一系列配套解决方案。 u Al+ 金融更侧重于为传统行业的模式创新和流程再造提供新的思路和方法，促进新经济形态的演进，从而催生新的商业模式，提高运营效率， 带来整个产业的全面升级。 AI 应用场景涵盖前中后台中的市场营销、产品设计、风险管控、客户服务、运营支持等。 资料来源：艾瑞咨询、华西证券研究所 5 1.2 AI+ 金融： AI 是金融行业创新的核心驱动 力 AI+ 金 融 u 智能营销是利用机器学习、深度学习相关算法构建模型 ，通过汇集客户在消费、社交、交易等方面的大数据，深度分析客户的真实需求和偏好， 并进一步形成更具针对性、个性化的营销解决方案。 机器学习技术：通过对机构过去累积的海量用户行为、产品交易、营销方式等数据进行机器学习训练，可以对客户画像实现精准的刻画和分 类， 从而对其所处的客户生命周期以及潜在需求实现预测。 以客群价值提升为核心，以客户主办行为作为指标，将客户划分为不同类客群，梳理形成客户行为事件分类，通过手机银行、客户经理、叫 号 机等渠道部署不同营销策略，按日触发营销名单并开展营销。 资料来源：腾讯研究院、华西证券研究所 6 1.2 AI+ 金融应用场景示例：智能营销 线上智能营销 u 智能理财是以大数据、机器学习等技术为基础，结合投资者特定的需求及风险承受程度，为投资者提供理性的投资组合建议。 目标客户：金融机构通过问卷调查、数据采集分析等方式，将用户家庭整体状况、风险承受水平、投资期限、收益要求等要素进行汇总， 最终 构建用户画像，并基于客户画像，进行其他方面的服务。 理财过程：根据所构建的用户画像， AI 系统会为其匹配最合理的投资建议，如在股票、基金、债券市场上的资产配置比例等； AI 系统会 根据上 述资产配置策略，构造出相应的投资组合，客户可基于自身风险承受能力、投资偏好等因素，选择 AI 系统所推荐的一种或多种投资 组合。 投后管理 ： AI 系统会实时跟踪市场发展状况，及时对市场变化做出操作提醒，客户则可以根据自身的投资偏好，进行投资组合的再平衡。 资料来源：腾讯研究院、华西证券研究所 7 1.2 AI+ 金融应用场景示例：智能理财 智能理财服务流程 u 智能风控是在人工智能技术加持下，实现更精准、更高效率的风控。 在线学习可以通过线上的数据反馈，对目前已有模型进行迅速调整使得新模型可以更好的反映市场状况，实现动态的策略监控与更新。 搭建欺诈风险防控平台：基于人工智能、大数据等技术，统一部署反欺诈规则和模型，构建覆盖贷前、贷中、贷后的全流程风险识别体系。 构建反欺诈技术能力：在渠道方面，该银行通过知识图谱、生物识别技术、客户行为特征技术等方式，精准识别线上用户是否为本人真实操作。 搭建信息共享平台：将过往分散在各业务系统、管理系统中的欺诈数据整合至统一的标准的信息平台中，在此基础上，形成涵盖银行内外部 的 欺诈名单库，进一步形成精准客户画像。 资料来源：腾讯研究院、华西证券研究所 8 1.2 AI+ 金融应用场景示例：智能风控 全生命周期智能风控管理 u 传统金融机构、互联网公司和人工智能技术公司是主要参与者。 传统金融机构：具有较好的客户和数据基础；对业务具有更深刻的 理 解；金融牌照相对齐全。 互联网公司：拥有较好的客户和数据基础；研发和创新能力较强； 但 在特定的金融业务上仍然缺乏经验。 人工智能技术公司：独立的技术研发和创新能力是最大的优势；但 在 数据、客户资源和具体业务场景应用上大多依赖于第三方合作机 构。 u AI+ 金融产业链包括三层：其上游为基础层，中游为技术层，下游为 场景层，借助 AI 技术实现金融场景创新。 基础层 ：以云服务、芯片、传感器、摄像头等硬件厂商为主，为行 业 建设提供基础性支持。 技术层 ：各类人工智能技术公司，主要提供人工智能算法等核心技 术 和解决方案。 场景层 ：包括智慧银行、智能投顾、智能投研、智能信贷、智能保 险、 智能监管等。 资料来源： 36Kr 、华西证券研究所 9 1.3 AI+ 金融产业链 我国 AI+ 金融产业 链 u 据艾瑞咨询统计测算， 2021 年 AI+ 金融核心市场规模达到 296 亿元，带动相关产业规模 677 亿元，到 2026 年，核心市场规模达到 666 亿元， CAGR 为 17.6% ，带动相关产业规模 1562 亿元， CAGR 为 18.2% 。 u 分技术产品来看，金融机器学习产品由于与金融机构多业务场景均可密切结合，且产品能力在海量高质量金融业务数据助力下得到快速提升， 成为市场主要拉力之一 ， 2021 年金融机器学习产品占 AI+ 金融核心产品市场规模比重达 42.2% 。 资料来源：艾瑞咨询、华西证券研究所 10 1.4 AI+ 金融市场规模 2019-2026 年中国 AI+ 金融市场 规模 2021 年 AI+ 金融产品市场规模占 比 u 技术能力不断翻新，金融行业数字化不断推进。 金融机构搭建机器学习、生物特征识别、智能语音语言、智能图像、知识图谱、智慧物联等平台，构建 Al 核心能力群，广泛应用于金融 业务 领域，未来将进一步丰富企业级 AI 技术服务体系，持续在基础技术平台建设取得重要进展。 u 应用智能化深化，强化数智金融体系。 从场景方面看，在技术的深度不断加强的基础下，场景覆盖的广度也不断向外拓展，在产品设计与定价、营销运营、客户服务、风险控制、 监 管合规方面的应用场景不断丰富。 资料来源：腾讯研究院、华西证券研究所 11 1.5 AI+ 金融发展趋势 我国 AI+ 金融发展趋 势 u 金融风险管理方面：人工智能可以通过数据挖掘和分析来帮助机构识别潜在的风险因素，从而帮助投资者做出更准确的决策。 u 智能客户服务方面：人工智能可以提供更快速、更准确的服务，以满足客户的需求。例如，许多银行和保险公司已经采用了聊天机器人技术， 可以帮助客户解决问题、获取信息等。 u 金融反欺诈方面：人工智能可以通过自动化检测、分析和预测工具来识别欺诈行为，从而更全面、更及时地保护金融机构和客户的利益。 金融反 欺诈 金融风 险管理 智能客 户服务 资料来源：华西证券研究所整理 12 1.5 AI+ 金融面临的机遇 AI+ 金融机 遇 u 数据安全：金融领域涉及大量的客户数据和敏感信息，因此数据安全是人工智能在金融领域应用的一个重要挑战。如何保护用户的数据安全 性与隐私性，是将人工智能技术应用于金融领域亟待解决的关键问题。 u 监管合规：金融领域的监管和合规要求非常严格，而人工智能技术的应用会带来一些新的监管和合规问题。如何使人工智能技术与金融监管 和合规要求相适应，是人工智能在金融领域应用需要解决的另一个重要问题。 u 基础设施：人工智能本身需要大量的运算。金融应用实时性、可靠性和安全性的特质也决定其对传感器和芯片等硬件设备和网络的抗压能力 等要求更高。随着创新的深入和规模的扩张，金融机构需要不断增加存储和通讯等基础支撑的投入成本。 基础 设施 数据 安全 监管 合规 资料来源：华西证券研究所整理 13 1.5 AI+ 金融面临的挑战 AI+ 金融面临挑 战 数据、场景均丰富，大模型走 上金融大舞台 02 1 4 u AI 1.0 ：以 CNN 为核心的计算机技术，机器开始在计算机视觉（ CV ）、自然语言理解技术（ NLP ）等领域超越人类，并创造了显著的价值。 但 AI 1.0 缺少像互联网时代的 Windows 和 Android 一样的规模化能力，来降低应用开发的门槛，打造完善生态链。 u AI 2.0 ： AI 2.0 克服了 AI 1.0 单领域、多模型的限制，可以用无需人工标注的超级海量数据去训练一个具有跨领域知识的基础大模型 （ Foundation Model ）；基于大模型，各种创新应用将层出不穷。 AI 2.0 + 金融：我们认为，金融行业数据丰富且数据质量高，具备大模型训练的良好基础。同时，金融行业大量产品最终服务于 C 端用 户， 大模型应用场景丰富。随着大模型与证券、保险、银行业务的融合，创新应用将层出不穷。 2.1 AI 2.0 时代来临，金融行业数据丰富，应用场景多，将产生大量的创新应用 资料来源：量子位、华西证券研究所 15 AI 2.0 时代来临 u 根据艾瑞咨询的数据， 2022 年，以银行、保险、证券为主的金融机构技术资金投入预计将超过 4000 亿元。 巨额投入夯实金融机构的 IT 基础， 做好 AI 金融应用的底层设施建设。 u 与此同时，政策扶持增强，金融科技核心技术不断迭代且与金融业务场景进一步融合，金融机构间科技竞争愈发激烈，前沿技术采购不断 增长。以国内银行与保险机构为前沿科技采购代表， 2022 年中国银行与保险机构前沿科技采购支出将达到 170 亿元。 u 金融机构在科技领域投入的持续增长将为 AI 金融企业的长远发展带来源头活水，推动 AI+ 金融市场持续发展，促进金融业数字化转型升级提 质增效。 2.2 金融行业数字化需求刚性，投入巨大，是大模型应用落地的大舞 台 资料来源：艾瑞咨询、华西证券研究所 16 2020-2024 年中国金融机构技术资金投入情况 2020-2024 年中国银行与保险机构前沿科技采购情况 u 自研大模型，开创垂直 + 通用混合训练范式。 2023 年 3 月 30 日， Bloomberg 推出了拥有 500 亿参数的语言大模型 (LLM) ，专门针对各种金融数据进行了训练，以支持金融行业内 的各种 自然语言处理 (NLP) 任务。 Bloomberg GPT 代表着这项新技术在金融行业的开发和应用迈出了第一步。该模型将协助彭博改进现有的金融 NLP 任务，例如情感分 析、 命名实体识别、新闻分类和问答等。 BloombergGPT 将帮助整理 Bloomberg Terminal 上可用的大量数据，以更好地帮助公司的客户，同时将 AI 的全部潜力带入金融领域。 2.3 AI+ 证券应用案例： Bloomberg GPT 资料来源：《 BloombergGPT: A Large Language Model for Finance 》、华西证券研究所 17 训练语料： 3450 亿公共数据集（占 BloombergGPT 总训练量 48.73% ） 训练语料： 3630 亿金融数据集（占 BloombergGPT 总训练量 51.27% ） Bloomberg GPT 在金融任务上的表现显著优于同规模模型 Bloomberg GPT 在一般任务上的表现不输同规模模型 u 擅长金融任务，性能远优于同规模模型。 Bloomberg GPT 在金融领域的相关任务中表现出较高的性能和专业性。同时，模型在预训练阶段就已经学习到了大量金融知识，使得在 后 续的微调任务中能够更快地适应特定场景。 使用内部特定的评估标准对模型进行多个任务评估，发现 Bloomberg GPT 在金融任务上的表现明显优于现有的类似规模的开放模型 （ GPT-NeoX 、 OPT-66B 、 BLOOM-176B ）。此外，模型在金融任务上的表现远高于在一般任务上的表现，但其处理一般任务的性能 仍不 输于同规模模型。 2.3 AI+ 证券应用案例： Bloomberg GPT 资料来源：《 BloombergG