本文刊登在2024年3月28日出刊的《上财风险管理论坛》杂志2024年第1期（总第27期）“前沿”栏目，经过作者的授权在“风控博士沙龙”微信公众号发布。
声明：文章的版权属于作者，如需转发请事先征得作者本人及风控博士沙龙的同意。文章的观点仅代表作者个人的观点，不代表所在机构的观点。
作者简介
包煜楠，曾任职于上市证券公司、保险资产管理公司、咨询公司和金融科技公司，拥有丰富的实务经验和多款AI产品研发成果。研究领域为金融机构数智化转型、金融大模型、AI在投研和风控领域的应用与产品化等。兼任浙江大学金融科技研究院研究员，中国银行业研究中心研究员。
![]()
大型语言模型是一种先进的人工智能技术，它能够理解、生成和处理自然语言文本。这些模型在大规模文本数据上进行训练，通过深度学习技术学习语言的语法结构、语义关系和语境，从而具备了强大的语言理解和生成能力。以下是大型语言模型的一些优势和特征：大型语言模型可以应用于多种任务，包括文本生成、机器翻译、问答系统、情感分析、自动摘要等，因此具有广泛的应用领域。LLM能够处理含有歧义、隐喻或多义性的文本，分析和理解文本中的上下文信息，以及情感语义判断能力，从而更准确地生成或解释特定的文本内容。这使得它们在自然语言理解和生成任务中表现出色。LLM可以根据给定的提示或上下文生成自然语言文本，如写作文章、生成对话、自动生成代码等。LLM通常拥有数十亿甚至数百亿的参数，这使得它们能够学习并捕获复杂的语言结构、语法规则、语义关系和上下文信息。LLM可以支持多种语言，尽管不同语言之间的支持程度可能有所不同。LLM在大规模文本语料库上进行预训练，从中学习通用的语言知识。然后，通过在特定任务上进行微调，如问答、翻译、摘要生成等，使模型适应特定领域或任务。
总的来说，大型语言模型在处理自然语言任务（三大场景：读、查、写）方面具有巨大的潜力。假设足够大的模型规模，赋予更多的参数量记忆充足的金融知识，大语言模型其内含“能力涌现”，为之后的“指令微调”（ITF）和“思维链”（COT）的“价值涌现”激发打下了坚实的基础。未来多模态的大模型对于金融的助益和想象空间将要更大，贯穿金融业务链条的各个环节，或将重塑金融行业。不过，大型语言模型在金融领域的应用潜力巨大，但也面临一些挑战需要克服。一是专业要求高：金融领域的专业性要求较高，需要对金融市场、产品、法规等有深入的理解。因此，大型语言模型在处理金融任务时需要具备丰富的金融知识，并能够理解复杂的金融术语和概念。这需要通过专门领域的数据和知识进行训练和优化。二是合规要求严格：金融行业的合规要求非常严格，涉及到信息安全、个人隐私保护、反洗钱等方面。在应用大型语言模型时，必须确保数据的安全性和隐私保护，同时遵守金融监管机构的相关规定和法律法规。三是安全需求高：金融数据的安全性至关重要，一旦泄露或被篡改可能带来严重后果。因此，在应用大型语言模型时，需要采取严格的安全措施，包括数据加密、访问权限控制、安全审计等，以确保数据的完整性和机密性。四是相比于传统机器学习模型做决策（判断、预测），应用于算法交易、动态定价引擎、需求预测等。大语言模型更多是产出内容、灵感，答疑解惑，应用于文本处理、逆向工程、多模式业务内容生成、自然语言交互和指导。一是注入金融专业知识和联网查询数据：具备行业知识和数据提炼的“行业大模型”是大模型能力在行业落地的最佳途径。巨大的金融垂直类语料的训练数据，包括：数字化的书籍、财经新闻和网页，公告和研报等；基于多轮对话进行记忆和推理，捕捉用户投资交易意图，引导达成业务；擅长理解金融领域的开放领域文字输入，以金融专业的文风生成答复。二是专业的指令微调：由于预训练任务的本质是“续写”，该方式一定能够很好的回答用户的问题；因为无法保证训练数据中存在规范的“一问一答”格式，造成预训练模型通常无法直接给出用户想要的答案，所以需要指令微调。指令微调系指模仿用户“精心编写”在对话过程中可能询问的问题及答案。该过程人工标注成本巨大：只有人还不够，需要 “专业”且“认知一致”的标注团队，尤其在金融垂类的专业领域。三是保障安全合规：在应用大型语言模型时，采取安全合规的技术措施，如数据加密、访问控制、身份认证等，以确保数据的安全和合规性。四是密切合作与沟通：与金融监管机构和专业人士进行密切合作，了解行业最新的合规要求和监管政策，以确保大型语言模型的合规性，并及时调整和更新模型。综上所述，尽管在金融场景下应用大型语言模型面临一些挑战，但通过合适的技术手段和合作方式，可以充分发挥其潜力，为金融行业带来更多的价值和创新。
大模型在金融风险管理领域的适配性最高，可以应用于打造集风控知识问答、文化宣导、风险监测、报告辅助生成于一体的智能助理，协助风控人员高效高质的完成风险管理动作，具体如：1、风险专家智答：支持通过各类文档上传的方式，快速打造专业领域知识库，激活内部知识库，借助大模型对答的形式，让知识检索（尤其是银行的授信政策等文档材料）变得更加容易；2、风险文化宣导：通过文生图、文生视频的方式快速将一篇纯文本的知识内容，组装成一张张图片或者视频；同时辅助以文章润色和数字人形象可以让视频更加出彩。3、风险智能监测：利用大模型打造业务专属的风控AI助理，协助风控人员完成日常的舆情搜索、舆情监控、舆情解读、指标监控、风险分析、预警、提示处置等。4、风险报告、尽调报告辅助生成。实现报告数据快速检索，图表生成，大幅提高报告写作效率。5、业务风险经验和规则泛化，基于大模型的AI Agent能力，泛化比如财务粉饰，或者信用评级领域沉淀的专家规则经验体系。目前金融类的数据、资讯收集非常繁琐。互联网上的信息是过载和冗余的，而传统搜索引擎的效率也极低。比如Morgan Stanley内部财富顾问服务平台，与GPT4战略合作，采用内部知识库（研报、论文、策略）训练，支持全球的财富管理顾问员工。按紧急程度和客户细分对电子邮件、运营信息等进行排序、分类等。再比如，上传PDF报告，提取材料中的估值表数据并分析，降低人员负担。同时，大模型也可以提升智能客服与虚拟助手，对传统客服场景升级，提供“有温度”的客服，无需手动配置问答对，实现自主学习完成客户智能聊天回复，增强聊天工具的辅助作用，极大提升用户体验。比如可以用多语言和多模型撰写全球、分资产类别、主题、图表、风险分析等研究内容。根据预设模板或手工输入的prompt，自动检索相应数据，并确定最佳展现方式（数据列表、图片等）；按照模板或prompt形成对应框架脉络的报告模板，并将检索出的数据填入框架模板。按照模板或prompt对需结论性输出的内容进行文本加工并填入框架模板中，形成最终的报告。比如输入自然语言指令，copliot理解输入内容，形成相关选择项由用户进行选择；基于选择内容检索对应数据库，并继续进行语义理解与辅助指令输入；基于用户辅助指令将抽取数据进行加工计算，最终按照约定的展现形式进行结果输出。可回溯参与计算的数据明细。同时，交易执行过程中大模型（比如Broadridge的BondGPT）可以帮助债券交易员询价、推荐、撮合交易，进行实时优化和决策支持。AIGC的金融内容生成与推广：包含配图、活动、海报、视频、热点文章、分析思路和研报、营销话术等各类媒体内容自动生成，结合用户画像进行“千人千面”推送），这是大模型应用最令人兴奋的机会。大模型帮助我们接触更多目标市场内的潜在客户，有机会讲述我们的故事，获得更多的细分市场份额。
信用评级领域由于沉淀的信用评价体系和经验规则完善且格式化，模板化报告格式标准化程度高，成为大模型在金融领域应用最合适的突破口。评级场景下多维度数据自然语言检索。信用评级场景下，评级分析师需要检索和调用大量的数据和资讯，完全可以基于大模型检索能力及指令辅助，对目标内容进行检索。一是输入自然语言指令，copliot理解输入内容，形成相关选择项由用户进行选择。二是基于选择内容检索对应数据库，并继续进行语义理解与辅助指令输入。三是基于用户辅助指令将抽取数据进行加工计算，最终按照约定的展现形式进行结果输出。基于金融大模型综合分析能力（需要经过评级数据的指令微调）以及多维度数据库，评级报告的自动生成和撰写。一是根据预设模板或手工输入的prompt，自动检索相应数据，并确定最佳展现方式（数据列表、图片等）。二是按照模板或prompt形成对应框架脉络的报告模板，并将检索出的数据填入框架模板。三是按照模板或prompt对需结论性输出的内容进行文本加工并填入框架模板中，形成最终的报告。一是数据收集与准备：收集关于企业客户的各种数据，包括财务报表、交易记录、行业数据等。确保数据的准确性和完整性，进行数据清洗和预处理。二是监管和风险规则扫描和学习：自主学习监管发文，对相关监管指标进行标注。理解监管指标的数据加工逻辑，查找数据并对指标进行计算。对比监管合规红线与现有指标的真实值，超过阈值则进行预警信号推送。三是特征工程：从收集到的数据中提取与定价相关的特征。这可能包括企业的财务指标、行业竞争情况、市场趋势等。特征工程的目标是为模型提供有意义的信息，以便更好地进行定价决策。 四是定价策略制定：基于模型的预测结果，制定智能化的定价策略。涉及到确定价格的基准、考虑市场因素、竞争情况等。五是实时定价决策支持：将训练好的模型嵌入银行的定价系统中，以便在企业客户申请产品或服务时提供实时的定价建议。模型的预测可以作为决策者制定最终定价的参考。
《上财风险管理论坛》杂志2024年第2期（总第28期）将于6月28日出刊，本期主题是"新质生产力视角下的风险管理"，欢迎广大业界人士赐稿。
1、文章的选题需紧扣风险管理的主题，题目自拟；
2、文章撰写的要求包括：一是实用性，文章贴近并服务于日常工作；二是可读性，文风朴实，行文流畅；三是文章字数不少于2000字，可以配有图和表；
3、文章请投杂志的专用邮箱shufe_cro@126.com，征文截止日是6月15日。
《上财风险管理杂志》编辑委员会
2024年4月2日
为加强《上财风险管理论坛》杂志的作者团队与读者之间、以及读者相互之间的沟通与交流，已建立《上财风险管理论坛》读者交流微信群，目前成员接近1200人，包括知名金融机构的首席风险管理、风险管理部负责人、风险管理领域知名学者等专业人士，竭诚欢迎广大的风险管理从业者加入该微信群，共同打造一个讨论风险管理的专业社区。如希望入群，烦请给本微信公众号留言（留下个人微信号），我们将会主动联系并且邀请入群！
为了积极推进AI大模型在金融尤其是风险管理领域的落地，创建了“衍生品、风控与AI大模型社区”微信群，目前成员接近1300人，包括了金融机构高管、AI大模型科学家等，致力于打造一个集学习、讨论金融衍生产品、风控以及用AI大模型实现前两者功能的开发社区！如希望加入，请留下个人微信号，我们将主动联系并邀请入群！
【洞见】融资租赁公司面临的风险新常态
【洞见】期货趋势跟踪策略的风险管理设计
【洞见】商业银行托管业务反洗钱风险管理浅析
【洞见】从风险识别角度论风险的分类及转化
【前沿】场外衍生品模型验证与模型风险管理实践
荐书
【荐书】Python金融实战案例精粹（第2版）
【荐书】基于Python的金融分析与风险管理（第2版）
云课程
期权、期货及其他衍生产品（第九版，全部三百六十讲视频）
![]()
