為更好地探討AI如何賦能金融發展，日前，在浦東新區政協指導下，上海交通大學上海高級金融學院與澳門科技大學澳門金融科技創新研究院聯合舉辦了高金智庫“AI與金融市場的未來”閉門研討會。本次研討會就人工智能發展趨勢、人工智能如何賦能金融發展、當下的機遇與挑戰等方面進行了深入交流討論。

* 本文隸屬于高金智庫成果簡（要）報系列，執筆人為高金智庫研究助理路璐。本文較報告原文有所刪減，原報告名稱為《AI如何賦能金融市場未來發展》。

01

AI的技術流派、發展歷程與應用

01

AI的技術流派

AI旨在模擬、延伸和擴展人類智能，其發展依托于多種技術原理與流派：

◎ 一是符號學派，又稱邏輯主義學派，以符號化的知識表示和邏輯推理為核心，主張智能可通過對符號的操作來實現，是AI發展早期的重要理論基石。

◎ 二是連結學派，專注于模擬大腦的學習機制，將大腦視作神經元的集合體。通過構建神經網絡模型，模擬神經元之間信息的傳遞與處理過程。

◎ 三是行為學派，起源于控制論，強調智能體在環境中的感知與行動反饋，認為智能是在與環境的交互過程中逐步發展起來的。例如，在機器人控制領域，機器人借助傳感器感知周圍環境信息，依據預設算法或強化學習機制來調整自身行為，以適應環境并完成任務。

02

AI的發展歷程

AI的發展歷經多個重要階段：

2012年是AI發展的關鍵節點，深度學習技術取得重大突破。以AlexNet為代表的深度神經網絡在ImageNet圖像識別大賽中表現卓越，其準確率遠超傳統方法，引發了AI領域的研究熱潮，推動深度學習技術在各個領域廣泛應用。

2016年，AI再次成為全球焦點，谷歌旗下DeepMind公司開發的AlphaGo戰勝世界圍棋冠軍李世石。這一事件標志著AI在復雜策略博弈領域取得重大進展，展示了強化學習技術解決高復雜度問題的強大能力，也讓更多人認識到AI的巨大潛力。

2022年，生成式AI迎來爆發，以ChatGPT為代表的大語言模型展現出強大的自然語言處理能力，能夠生成連貫、邏輯合理的文本內容，實現與人類的自然流暢對話。這一突破推動了AI在智能客服、內容創作、智能寫作等領域的廣泛應用，改變了人們與機器交互的方式。

03

AI的應用

AI在眾多領域有著廣泛應用，主要可分為識別類、博弈類和生成類：

◎ 一是識別類應用，涵蓋圖像識別、語音識別、文字識別等。在圖像識別方面，安防監控系統利用AI技術能夠實時識別人員身份、行為動作，提高監控效率和安全性；在語音識別領域，智能語音助手可以準確識別用戶語音指令，實現語音交互，如蘋果的Siri、亞馬遜的Alexa等；文字識別技術則廣泛應用于文檔處理、車牌識別等場景，實現信息的快速錄入和處理。

◎ 二是博弈類應用，以AlphaGo為典型代表。在廣義的博弈場景中，AI通過學習規則和大量數據，能夠在復雜的策略互動中做出最優決策。除了圍棋等棋類游戲，AI還在金融交易策略制定等領域發揮作用，通過模擬不同情境和對手行為，制定出具有競爭力的策略。

◎ 三是生成類應用，生成式AI可以根據輸入的條件或提示，生成新的內容，如文本、圖像、音頻、視頻等。在文本生成方面，大語言模型可以撰寫新聞報道、故事、詩歌等；在圖像生成領域，AI能夠根據文本描述生成逼真的圖像，為設計、藝術創作等領域提供了新的工具；在音頻和視頻生成方面，AI能夠生成虛擬歌手的歌曲、虛擬場景的視頻等，為娛樂產業帶來新的發展機遇。

02

AI賦能傳統金融領域

01

AI多維度賦能傳統金融

◎ 一是客戶維度，金融機構通過分析海量客戶數據，包括消費行為、瀏覽記錄、社交信息等，能夠深入了解客戶需求和偏好，實現精準營銷。利用機器學習算法構建客戶畫像，將合適的金融產品和服務精準推送給目標客戶，提高客戶觸達率和轉化率。

◎ 二是流程維度，AI自動化流程在金融領域廣泛應用。在貸款審批流程中，利用AI技術自動審核申請人的資料，包括信用記錄、收入證明等，快速給出審批結果，大大縮短貸款審批時間；在支付結算環節，AI優化支付系統，實現實時清算和風險監控，提高支付的便捷性和安全性。

◎ 三是分析維度，AI能夠對金融數據進行深度分析，為決策提供支持。在貸款風險評估中，通過對借款人的多維度數據進行分析，包括財務狀況、行業前景、信用歷史等，利用深度學習模型預測貸款違約風險，幫助金融機構制定合理的貸款利率和貸款額度，降低不良貸款率。

02

AI改變傳統金融生態

AI的發展正以前所未有的態勢重塑傳統金融生態，從提升服務效率、推動業務創新，到改變工作模式，全方位地改變著金融行業的格局。

◎ 一是AI技術在提升金融服務效率和推動業務創新方面展現出巨大優勢。AI顯著提高了金融服務的效率和質量，同時降低了運營成本。以智能投顧為例，其借助AI算法，能夠快速分析海量市場數據和客戶的風險偏好、投資目標等信息，以更低的成本為客戶提供個性化投資建議。同時，AI推動了金融創新，催生了數字貨幣、區塊鏈金融等新的金融業態和服務模式。

◎ 二是生成式AI在商業銀行業務中發揮著重要作用。在貸款管理工作中，生成式AI可根據客戶信息和貸款政策生成貸款合同文本，減少人工撰寫合同可能出現的錯誤和漏洞。在數據分析方面，生成式AI能夠對大量的交易數據、客戶反饋等文本信息進行深度分析和總結。通過挖掘這些數據，銀行可以掌握客戶需求趨勢，挖掘客戶對金融產品的潛在需求，及時調整產品策略，為銀行的業務決策提供有力參考。

◎ 三是AI在協助分析師工作方面發揮關鍵作用。通過自然語言處理技術，AI可以快速閱讀和分析金融報告、新聞資訊等文本內容，從中提取關鍵信息和市場動態。在數據分析方面，AI模型能夠對市場數據進行快速建模和分析，為分析師提供數據洞察和預測結果，提升了金融分析工作的整體效率和質量。例如，肯碩公司利用人工智能技術幫助金融分析師處理大量復雜的數據和信息。

03

AI賦能量化金融領域

01

AI加速量化金融投資決策模式的轉變

AI在量化金融領域的應用正推動投資決策模式從傳統人工決策向智能化系統決策加速轉變。這一變革如同從碳基生命到硅基生命的進化，以及冷兵器時代向熱兵器時代的跨越，擺脫了人類生理和認知局限對投資決策的束縛，使投資決策更加高效、精準。過去，量化投資高度依賴人工構建模型與制定策略，這種方式極大地受限于人的認知范圍與計算能力，決策的時效性和準確性也大打折扣。如今，智能系統借助AI強大的數據處理和學習能力，能快速分析海量市場數據，精準捕捉投資機會。統計數據顯示，2004年多數基金依賴人工決策，而到2024年機器決策已占據主導。

02

生成式AI在量化金融中的應用局限

AI推動量化金融領加速發展的同時，也存在明顯的局限性：

◎ 一是在精確計算和數值計算方面表現欠佳。預測股市漲跌、估算工程成本這類復雜任務，需要深入理解物理和數學原理，生成式AI僅靠文本統計難以準確把握市場復雜因素間的非線性關系，預測結果往往與實際偏差較大。

◎ 二是在專業搜索和事實核查方面存在缺陷。大語言模型并非專業的搜索引擎，其信息來源主要基于訓練數據，這就導致可能出現信息過時、不準確或不完整的情況。在查詢最新的科研成果、法律法規的具體條款時，大語言模型可能無法提供最準確和最新的信息。但是，通過結合專業搜索引擎技術，以及對大語言模型進行知識圖譜增強等優化手段，可以在一定程度上改善其在專業搜索和事實核查方面的性能。

◎ 三是在需要深度領域經驗的決策場景中無法直接應用。如制定癌癥治療方案、給出法律判決建議時，生成式AI不能直接應用。量化金融中的一些關鍵決策同樣需要深厚的金融專業知識、豐富的市場經驗以及對宏觀經濟和行業動態的精準把握。生成式AI在這些場景中可能會出現“幻覺”，給出不合理的建議。一旦將這些不合理的建議應用于實際決策，可能會導致嚴重的后果。

03

AI驅動下量化金融發展的核心策略

◎ 一是強化工程優化。在量化投資實操中，工程優化對模型性能提升意義重大。通過精細調校模型參數，可增強模型預測能力。然而，此方法存在一定局限，難以僅憑其應對復雜多變的市場。因此，需融合其他手段，以達到更優的投資成效。

◎ 二是深耕科學研究。量化投資應高度重視底層研究，充分運用數學建模、統計學工具及因果關系模型等。數學建模為量化投資構建嚴謹理論架構，精準刻畫金融市場運行規律；統計學工具助力深度剖析金融數據，挖掘潛在價值信息；因果關系模型則幫助投資者厘清市場變量因果關聯，規避錯誤投資決策。研究方法的充分應用能夠一定程度消除模型過度擬合，為投資決策提供堅實依據。

◎ 三是把握發展契機。當下，美國的技術制裁雖帶來壓力，但也為我國創造了彎道超車的機遇。我們應加大量化金融領域科研投入，全力突破關鍵技術瓶頸。鼓勵科研機構與企業協同合作，共同攻克AI模型優化、數據處理等難題，提升我國在量化金融領域的核心競爭力。

04

量化金融未來發展的可能性

面對當前挑戰，量化金融未來發展呈現新的可能性。

◎ 一是模型向小而精發展，追求高知識密度。考慮到算力限制、能源消耗和語料質量等問題，未來模型可能會通過優化模型結構和算法，提高模型對知識的壓縮和表達能力，使小模型也能具備強大的功能。這樣一來，在減少計算資源需求的同時，還能保持甚至提升模型的性能。

◎ 二是多智能體協作模式興起。每個智能體雖然單獨的智能水平有限，但通過相互之間的溝通和協作，可以共同完成復雜的任務。在量化金融領域，多個智能體可以分別負責不同的市場數據監測、投資策略制定、風險評估等任務。通過這種協作方式，可以實現更高效的投資決策，提高量化金融系統的整體性能和適應性。

04

AI為金融領域帶來的機遇與挑戰

01

AI帶來的發展機遇

◎ 一是大模型與小數據結合革新金融服務。金融機構掌握的客戶信用、交易行為等小數據，極具私有性與針對性；大模型則擁有海量知識儲備和強大泛化能力。大模型與小數據的結合為金融領域帶來顯著機遇。在風險管理方面，兩者結合能精準預測風險。大模型把握金融市場風險的普遍規律，小數據聚焦客戶或業務的特殊風險特征，助力金融機構更準確評估客戶違約風險，合理制定信貸額度與利率。在客戶服務方面，通過分析客戶交易記錄等小數據，結合金融服務大模型，可依據客戶人生階段、財務目標和風險承受力，定制投資組合建議、推薦理財產品并開展個性化金融知識科普。在投資決策方面，大模型綜合宏觀經濟、行業趨勢等數據給出投資方向，投資機構對特定企業的調研等小數據與之相互印證，幫助投資團隊全面評估投資機會，優化投資組合，提升回報率。

◎ 二是AI推動金融創新業務拓展。在量化投資領域，AI實時分析海量金融數據，挖掘市場規律與投資機會，構建更精準量化投資模型，快速響應市場變化，實現收益最大化。在投顧領域，智能投顧平臺根據客戶風險偏好、投資目標和財務狀況，提供個性化投資建議與資產配置方案。相比傳統投顧，具有成本低、效率高、服務范圍廣的優勢，為中小投資者提供專業便捷服務，促進金融普惠發展。在區塊鏈領域，區塊鏈的去中心化、不可篡改、可追溯特性，與AI結合提升金融數據安全性與可信度。在跨境支付、供應鏈金融等領域，二者結合能夠簡化流程、降低成本，提高金融交易效率與安全性。

02

AI帶來的挑戰

◎ 一是技術瓶頸。在技術層面，AI發展面臨著諸多嚴峻挑戰。首先，國產芯片性能與國外先進水平存在差距，致使算力難以滿足大規模數據處理和復雜模型訓練的需求。訓練超大規模語言模型或復雜圖像識別模型時，因算力不足，訓練時間大幅延長，可能需數周甚至數月，導致創新業務探索速度放緩，運營成本增加。其次，隨著AI模型規模和復雜度不斷提升，能耗呈指數級增長。大型數據中心為維持AI模型運行，能源消耗已成為沉重負擔。一些超算中心為運行先進AI模型，能源消耗甚至接近負荷極限，高昂的電費成本令眾多企業望而卻步，進而限制了AI技術的大規模應用和推廣。此外，在金融等專業性強、敏感性高的行業，數據獲取存在困難，語料的質量與數量均有所欠缺。各機構數據相對封閉且缺乏共享機制，這使得用于訓練AI模型的數據量有限，數據的多樣性和準確性也難以保證，影響了模型的準確性和泛化能力。

◎ 二是模型缺陷。首先，AI模型邏輯缺乏可解釋性，決策過程和輸出結果如同“黑盒”。在金融決策中，清晰的邏輯和依據至關重要，但黑盒模型決策過程和輸出結果難以解釋，無法滿足監管要求和保障客戶權益。模型本身的不可解釋性可能導致客戶對金融機構的信任度降低，同時也增加了監管難度，給金融市場穩定運行帶來潛在風險。其次，模型容易產生幻覺，輸出不符合實際情況的結果。在自然語言處理任務中，大語言模型可能生成看似合理但實際錯誤或無意義的文本，可能編造不存在的事件或引用錯誤信息，誤導用戶。此外，AI模型輸出結果的準確性、隨機性和價值觀受輸入文本影響極大。輸入數據的偏差或錯誤可能導致模型輸出誤導性結果，增加應用的不確定性，影響決策。

◎ 三是數據安全與倫理挑戰。在數據安全方面，金融行業涉及大量敏感信息，AI技術應用增加了數據泄露、篡改等安全風險。以云計算環境下使用AI技術為例，企業常常擔憂上傳的私有數據被泄露或遭到濫用，如何有效隔離基礎模型與私有小數據，平衡私有部署和公共設施的利弊，切實保障數據安全和隱私，已然成為亟待解決的關鍵問題。在倫理道德方面，AI的發展引發了深刻的哲學思考和倫理道德困境，例如AI是否具備人類全部智能，當AI在決策中扮演重要角色時責任主體該如何確定，怎樣確保AI決策符合倫理道德規范等問題。這在一定程度上影響了人們對AI的認知和應用，給倫理道德和社會治理帶來全新挑戰。

內容來源｜高金智庫SAIF ThinkTank

圖片來源｜Pexels

高金項目火熱招生中…

歡迎點擊小程序了解更多信息