2023年非银金融行业研究报告：金融垂类模型，开启数字金融新时代

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。

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。

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。

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。

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%。

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。

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。

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。

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，为 AI 驱动智能营销升级提供更大的想象空间。

2.2. 智能投顾：全方位分析客户需求，自动化定制投资建议

智能投顾是指通过云计算、大数据和人工智能等技术，以资产组合等金融投资理论 为框架搭建数据模型和算法，然后将投资者的理财需求、资产状况、风险承受能力、风 险偏好等作为变量输入模型，从而为客户自动生成个性化的投资建议，并持续跟踪和动 态调整投资组合。 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。传统投顾依赖于投资顾问专家个人能力，成本较高，从而导致业务门槛较高，无法 满足广大市场需求。而智能投顾引入人工智能和大数据技术，建立起了融合投资算法和 投后自动化管理为一体的模型，获取客户的投资偏好等信息后，即可帮助客户定制个性 化投资策略，实现投资管理自动化，从而大大提高了效率并降低了投资顾问的门槛，使 得投顾业务成为真正的普惠金融。

“买方投顾”转型叠加金融大模型加速落地，预计智能投顾将迎来飞速发展。中国 智能投顾行业起步较晚，2016 年为中国智能投顾元年，华泰证券收购 AssetMark，广发 证券推出贝塔牛，招商银行推出摩羯智投，传统金融机构相继入局。2021 年基金投顾试 点进入快速扩容期，智能投顾作为财富管理市场中的一个细分领域，进一步打开了业务 空间。2023 年 7 月，公募基金行业费率改革落地，将进一步推动财富管理行业加速向 “买方投顾”转型。同时随着 AI 大模型技术飞速发展，金融领域垂直大模型加速落地， 为智能投顾业务发展提供潜在的技术支撑，智能投顾风口已至。

2.3. 智能投研：辅助提炼信息，自动化生成研报

智能投研是指通过深度学习、自然语言处理等人工智能技术，搜集、整理和解读宏 观经济、资本市场中的海量信息，通过算法找出隐藏在数据中的规律并自动化生成报告。 相较于传统投研，人工智能技术在一定程度上解放了大量基础的投研搜集类工作，有效 避免信息搜集的耗时和不全面等缺陷。

智能投研有利于提高研究效率、优化投资管理流程，典型应用场景包括文本解析、 智能搜索及问答、智能投资管理和智能风险预警。金融行业拥有海量数据和信息，但大 部分以半结构化、非结构化的形式杂乱分布，对于计算机来说无法理解。智能投研通过 文本解析对这些信息进行汇总、清洗、解构，能够为前端的应用场景提供基础的结构化 信息支持。在此基础上，语义搜索、智能推荐等工具的出现，进一步提高了研究过程中 信息分析的效率。对于传统金融机构，其往往更多聚焦在利用智能投研提高投资效率， 通过内部自研系统，优化投资管理流程，并通过实时监控和分析，对潜在的金融风险做 出预警。 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，金融机构有望强化布局。在具体实践方面，国内厂商中科 闻歌上线“多投”一站式智能投研平台，基于金融领域大模型，无需繁琐的手动操作和 复杂的分析过程，用户可以在短时间内生成具有高质量的研究报告。

3. 群雄逐鹿，金融科技龙头标的有望脱颖而出

3.1. 垂类模型划定财富管理新时代，数据基础及技术能力成为发展关键

垂类模型或将叩开财富管理新时代大门。回溯历史，在市场行情的催化下，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，二者相辅相成。1）2000 年代初， 互联网在中国开始迅速发展，财经门户网站也随之兴起，一些知名的财经门户网站如新 浪财经、东方财富网等开始崭露头角。2007-2008 年牛市带动了财富管理市场规模的增 长，亦使得财经门户网站访问量和用户活跃度大幅提升。2）2010 年代初，伴随智能手 机的迅速普及和移动互联网的飞速发展，财经类移动 APP 开始出现。叠加 2014 年市场 行情大幅上扬，财经类 APP 亦经历了用户基数的迅速增长。3）2010 年代后半段，财经 类移动 APP 逐渐摆脱单一的股市信息服务，开始提供金融理财、基金投资等多元化服 务，向互联网综合财富管理平台转型。叠加 2020 年代初“基金热”带动财富管理市场 迅速扩容，金融科技与财富管理再度经历了一轮明显的共振。4）2023 年 ChatGPT 引发 广泛讨论，大模型发展如火如荼。当前虽然基于大模型的财富管理场景多在试验性探索 和点状尝试，财富管理产业链尚未形成基于大模型的体系化应用共识，但是财富管理垂 类模型的技术基底已经相对坚实，财富管理垂类模型市场规模已然具备爆发式增长的潜 力。在宏观经济加快复苏，财富管理市场承接广阔迁移资金趋势不改的背景下，财富管 理垂类模型蕴含无限遐想。

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。1）就垂类模型 训练技术路线而言，特定领域预训练的任务适应效果更佳，但是在成本以及灵活性上不 及预训练+微调。在构建行业垂类模型过程中，开发者既可从零开始使用特定行业相关 语料对模型进行训练（特定领域预训练），也可借助其他通用大模型底座，通过指令微调 来训练适配自身应用场景的垂类模型（预训练+微调）。相比较而言，特定领域预训练垂 类模型在垂类场景中表现更佳，但是受制于训练过程中对于数据质量和计算资源的高要 求，训练成本相对较高，迭代速度相对较慢；而通过预训练+微调建立的垂类模型的技 术要求和成本门槛较低，且在底座通用大模型的基础上往往具备较强的迁移学习能力。 2）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。我们认为，特定领域预训练垂类模型能够凭借输出质量以及处理垂直场景复杂任 务的强大能力成为市场主流选择，头部金融科技企业以及互联网财富管理平台能够凭借 自身在数据方面深厚的积累以及强大的研发能力弥补特定领域预训练垂类模型在成本、 灵活性方面的不足。

3.2. 东方财富：金融数据积累丰富，AI 领域研究持续深入

东方财富缔造财经流量王者，金融数据积累丰富。东方财富是国内领先的互联网金 融服务平台综合运营商，公司构建财富生态圈经历了三个阶段：基金代销—零售证券— 财富管理，依托流量、数据、牌照、场景四大要素实现财富生态圈多层次流量变现，同 时也筑成自身流量护城河。其平台所沉淀的海量用户数据为大模型落地打造了坚实的基 础。1）在 PC 端，东方财富网在用户流量和黏性两方面稳居垂直财经门户网站第一。东 方财富网是公司最大的流量入口，日均覆盖人数及月度浏览时间持续 8 年以上位居垂直 类财经网站第一，凸显平台用户黏性强，流量优势可持续。2）在移动端，用户规模仅次 同花顺，用户黏性行业第一。用户规模方面，东财在券商 APP 中居前，相较于追赶者优 势显著。用户黏性方面，东方财富 APP 依托其财经资讯优势+较强社交属性，人均单日 使用时长基本维持行业第一。

东方财富研发投入逐年提升，为大模型落地积聚势能。基于自身独特的互联网金融 闭环盈利模式，东方财富始终保持对于科技创新的专注力与战略定力，持续加大科技研 发投入。2014-2022 年，东方财富研发投入金额由 0.7 亿元增长至 9.4 亿元，CAGR 达到 38%，2023H1 公司研发投入同比+7%至 5.1 亿元；2014-2022 年，公司研发人员数量由 768 人增长至 2,123 人，研发人员数量占比始终维持在 30%以上。

组建人工智能事业部，大模型突破可期。2023 年 8 月 11 日，东方财富公告称公司 将整合业务及研发力量，组建人工智能事业部。公司具备广泛的 AI 应用场景，且沉淀 了大量有效金融数据，有望通过此次组织架构调整提升 AI 技术能力，在金融垂类模型 方面实现更大突破。

3.3. 同花顺：AI+金融先行者，全面加速大模型布局

同花顺系国内领先的互联网金融信息服务提供商。同花顺为投资者提供包含股票、 基金、期货、黄金、港美股等全投资品种服务，截至 2023H1，其产品及服务已经覆盖业 内 90%以上的证券公司。此外，公司以 AI 为抓手，围绕人工智能、大数据、云服务、 金融行情及交易等，在向客户提供层次丰富品类齐全、品质精良的数字化产品的同时， 积极探寻金融与科技融合发展的道路，不断以数字化服务助推行业转型升级。 研发投入持续增长，科研人员占比超六成。公司立足金融信息服务主业，坚持专业 化、精细化发展，重视创新与技术研发，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%。2023 上半年，公司开展人工智能大模型研发， 数据标注及采购数据费用有所增加，研发投入达到 5.63 亿元，同比增加 8.48%。人力资源建设方面，公司通过外部引进和内部培养相结合的方式，科研团队持续扩容，截至 2022 年末，研发人员数量达 3196 人，占员工总数超过六成，驱动科技专利持续增长。截至 2023 年 6 月 30 日，公司已累计获得自主研发的软件著作权 449 项，发明专利授权 42 项 （其中美国专利 13 项），非专利技术 152 项，形成了明显的技术领先优势。

前瞻布局金融领域 AI，技术领先性彰显。公司早在 2009 年就开始了金融领域 AI 的布局，目前已经积累了语音合成、自然语言处理、机器翻译和图像识别等多项领先的 AI 技术。2017 年，公司上线 AI 开放平台，对外输出包括文字识别、AI 理财师、企业洞 察、证券预警系统等多项人工智能产品，为券商等金融机构提供从底层技术架构到平台、 数据，再到内容、营销、运营、人工智能等系统工具服务，助力金融机构低成本实现产 品建设、用户增长及资产提升。

同花顺旗下 AI 投顾平台“i 问财”，是财经领域落地最为成功的自然语言、语音问 答系统。2008 年公司组建 AI 领域的顶尖团队，成立了 i 问财，专注于使用 AI 技术改进 财经数据的提取、处理、分析、沉淀以及展现，致力于为每个用户构建可持续属于自己 的 AI 投顾机器人。目前，i 问财已在对话算法、智能搜索、知识图谱等领域均取得较为 显著的研究成果，并深度赋能多条产品线。

3.4. 恒生电子：金融 IT 供应商龙头，自研垂类模型抢先落地

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。恒生电 子聚焦金融行业，主要面向证券、期货、公募、信托、保险、私募、银行与产业、交易 所以及新兴行业等客户提供一站式金融科技解决方案。公司经营活动主要包括大零售 IT业务、大资管 IT 业务、企金&保险核心与基础设施 IT 业务、数据风险与平台技术 IT 业 务、互联网创新业务和非金融业务共六大板块。在金融数字化转型升级加速的大背景下， 公司不断进行金融科技智能化应用的探索，运用云原生、高性能、大数据、人工智能、 区块链等先进技术赋能金融机构更好地管理资产、服务客户，帮助客户实现金融数字化 转型升级。

恒生电子自创立便以技术服务为核心，重视科技创新及技术人才培养。公司无论是 研发人员数量还是研发投入均在业内处于领先，2022 年，公司研发投入总计 23.46 亿元 人民币，占营业收入的 36.08%；研发相关人员数量为 7016 人，占公司总人数比重为 52.07%，产品技术人员占公司总人数比为 73.33%。在持续高水平的研发投入下，公司构 建了较为完善的研发、产品体系和团队，同时不断拉近与国际领先的金融科技巨头公司 的差距，在 IDC Fintech Rankings 100 排名中，公司排名整体呈上升趋势，2017 年排名 54 位，2023 年排名已上升至 22 位。

洞察金融行业业务变化及技术升级，不断开发和迭代新产品。在金融 AI 方面，恒 生电子结合自身工程化、产品化落地实践，探索深度学习、数据科学、知识图谱、NLP、 计算机视觉、AIGC 等 AI 前沿技术，在投顾、投研、营销、客服、风险、运营等领域的 应用，推出具有行业影响力的产品。

推出金融行业大语言模型 LightGPT，为 AI 生态提供底层支持。2023 年 6 月 28 日， 恒生电子发布金融领域自研大语言模型 LightGPT，LightGPT 基于海量金融数据训练而 来，拥有更专业的金融语料积累处理和更高效稳定的大模型训练方式，使用了超 4000 亿 tokens 的金融领域数据（包括资讯、公告、研报、结构化数据等）和超过 400 亿 tokens 的语种强化数据（包括金融教材、金融百科、政府报告、法规条例等），并以之作为大模 型的二次预训练语料，支持超过 80+金融专属任务指令微调，使 LightGPT 对金融相关 问题的理解比通用大模型更有优势，有利于推动大模型在金融行业的应用，降低大模型 的应用门槛，提升金融行业智能化水平。目前，LightGPT 在包括金融专业问答、逻辑推 理、超长文本处理能力、多模态交互能力、代码能力等在内的金融大模型能力评测中均 有不错表现，并保证内容和指令的合规安全，处于业内领先水平，可以为投顾、客服、 投研、运营、风控、合规、研发等金融业务场景提供底层 AI 能力支持。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）