科研提升训练营
人工智能浪潮席卷全球，复旦大学研究生会联合各大院系，积极筹办AI4S/AI+科研提升训练营活动，旨在夯实人工智能技术基础，紧跟新一代人工智能的发展潮流。科研提升训练营涵盖了AI入门与各学科交叉，帮助师生提升研究生的科研能力，拓展学术视野，激发创新思维。
2024年11月20日下午，由复旦大学党委研究生工作部、复旦大学研究生会主办，各研究生培养单位合作开展的“AI+科研提升训练营”第二季第二期在邯郸校区第六教学楼6405教室顺利举行。复旦大学计算机科学技术学院、上海创智学院博士生周宇航，以“金融科技：金融数据与AI技术的双向奔赴”为主题，通过理论讲解与实例演示相结合的方式，帮助同学们理解金融科技的发展历程、数据处理、模型应用及科技赋能。
周宇航博士从金融科技的发展历程入手，回顾了从互联网金融的兴起，到2023年金融大模型的突破。他重点介绍了ABCD框架（AI、区块链、云计算、大数据）和金融大模型在金融领域的应用。同时，周博士详细讲述了金融数据的多种类型及其应用场景，包括微观数据如上市公司股票数据，以及宏观数据如GDP和CPP等经济指标。此外，他还讨论了金融知识图谱的构建和应用，如产业链图谱、供应链图谱、关联交易图谱、融资图谱，以及金融新闻、研报等文本数据的分析方法。
随后，周博士介绍了深度学习领域中表征学习这样一个核心概念。他提出，与传统的机器学习方法相比，深度学习能识别出更为复杂的特征，从而提高分类或预测的准确性。他认为，对于金融领域而言，时序模型特别重要，如LSTM和Transformer，可被用来分析股票价格等动态数据。此外，图模型也被用于金融分析，通过识别节点间的关系，进行分类或预测，例如在打击洗钱等违法犯罪活动中发现潜在的风险网络。通过介绍这些模型和方法在金融领域的应用，周博士向参会者展示了深度学习在理解和预测金融数据方面的强大能力。
最后，周博士还介绍了如何对金融新闻、研报和财报等进行训练，使模型适应金融领域的语言风格，理解和回答金融相关问题。此外，他建议采用多专家模型的方式针对金融特定任务进行小数据量训练，以提高模型在特定领域内的表现。他还提及了针对金融研报的编写、审查和速读流程，利用大模型和相关知识库进行行业分析，提取因果知识，以提高研报的质量和效率，帮助分析师更好地响应快速变化的市场环境。
在提问环节，同学们积极提问，涉及大模型在情绪识别和因果关系中的应用、知识图谱的节点和关系质量提升、实时更新及错误信息删除等方面。周博士生耐心解答了同学们的问题，分享了自己在科研中的经验心得，使同学们受益匪浅。
最后，在场参会者合影留念，AI+科研提升训练营第二季第二期取得圆满成功。本次课程为同学们提供了对金融与AI技术发展的深刻见解，也激发了他们学习金融科技的热情，帮助同学们在以后的科研道路上更加行稳致远！
文案：研创中心 袁晨
排版：研创中心 胡骏贤
编辑：融媒体部 沈芸星
审核：王子雄
