网络安全检测|网络安全服务|网络安全扫描-香港墨客投资移动版

　　文 || 广发证券股份有限公司 辛治运 鹿群 蔡佳苗 林书富 全龙军

　　辛治运：清华大学计算机科学与技术专业博士，现任广发证券股份有限公司副总经理、首席信息官，广发控股香港董事。担任全国金融标准化技术委员会证券分技术委员会委员、中国证券业协会投资银行委员会副主任委员。曾就职于中国证监会信息中心、机构监管部综合处、审核处，安信证券股份有限公司。

　　一、智能投行建设的重要意义

　　随着科技的不断发展，人工智能技术正逐渐渗透到各个行业，并对传统的金融领域产生了深远的影响。其中，智能投行是金融领域中的一个重要创新，具有极其重要的意义。广发证券智能投行建设，紧紧围绕注册制下投行业务的核心痛点展开，进行体系化的系统规划与建设，主要为了实现以下业务目标：

　　大幅提高投行业务的效率。传统的投行业务需要大量的人力投入，而智能投行则可以利用机器学习和自然语言处理等人工智能技术，实现对大数据的快速分析和处理，从而节省时间和人力成本。

　　提升投行业务的准确性和可靠性。人工智能技术可以处理复杂多变的金融数据，通过对历史数据的分析和模型训练，提供更准确的数据支撑。

　　促进投行业务创新和市场发展。智能投行利用人工智能技术，可以挖掘并分析大量的金融数据，发现市场的潜在机会和隐含规律，推动投行业务机会挖掘。

　　增强投行风险管理能力。以往投行业务风险管理主要依靠人工判断和经验知识。智能投行能够快速识别和评估风险，并实时监控市场变化，提高风险管理的准确性和有效性，降低金融风险。

　　由此可见，智能投行建设可以提高业务效率，提升业务的准确性和可靠性，推动业务创新与市场发展，并增强风险管理能力。面对不断变化的金融市场和激烈的竞争环境，金融机构应积极跟进智能投行的发展趋势，加强技术创新和落地应用，以适应金融业务的新变革。

　　二、智能投行建设的现状与挑战

　　广发证券以实际业务场景为依据，不断探索智能投行赋能业务转型，建设了一系列智能投行系统。为了提升投行执业质量水平，建设线上化、集中化、自动化、智能化的智能函证管理系统，提高函证管理和增信能力，并构建投行业务智能辅助机器人实现尽职调查工具箱，有效提升尽职调查自动化水平且稳定高效、降低人为操作风险；为了提升风险管控能力建设智能银行流水核查系统，通过对流水文件的信息提取和数据分析，充分挖掘企业经营画像，识别企业流水造假及财务舞弊行为，并进一步对企业经营过程中异常数据进行风险预警；为了提升投行信息披露质量建设智能文档核查系统赋能投行文档的智能审核，提升投行人员的工作效率并避免文档低级错误；为了提升投行估值定价能力探索一套企业估值分析系统，沉淀研究行为和数据，提高研究效率和管理效率，辅助企业估值和投资价值判断。然而，智能投行系统的建设和应用仍处于初级阶段，存在一系列的挑战和限制。

　　第一，智能投行系统需要大量高质量的数据支持。投行底稿数据是大量的非结构化文档数据，数据涉及到多个维度和复杂的关联关系，要想应用这些数据需要对大量的非结构化数据进行收集和整理。另外，监督学习需要大量标注数据,成本昂贵。而语料库规模在快速增长,标注跟不上语料爆炸的节奏。

　　第二，智能投行系统依赖手工特征和规则,工程量大且语言相关。模型对常识知识掌握和语义推理能力弱,处理未见数据的泛化能力较弱。不同任务需要训练专门的模型,重复劳动多,也限制了多任务联合训练带来的好处。

　　大模型的出现带来了准确率的提升、泛化能力的增强、语义理解的改进、训练速度的提升以及拓展应用领域等颠覆性变革，这些变革提供解决上述问题新的范式。本文将研究大模型赋能投行文档智能一体化处理方案建设。

　　三、金融大模型的发展路径

　　从统计学习、机器学习、深度学习，再到今天的大模型，人工智能已然成为技术革命浪潮的推动力。一般来说，金融行业近几年来经历了两次AI技术变革浪潮：

　　第一次，决策式AI。决策式AI(即判别式AI)一般来说是要学习数据中的条件概率分布，在输入与输出之间建立映射函数。即学习处于什么样的前提条件下(特征空间)，一个样本属于某种类别的概率。

　　第二次，生成式AI。与决策式AI不同的是，生成式AI则是学习数据中的联合概率分布，通过无监督“自回归”的方式学习样本特征并预测概率，一般具备明显的先后序列的特征。生成式AI应用非常广泛：营销创意、文案生成、知识问答与推理、文档智能抽取、智能生成、智能核查等。实际上，今天我们讨论的大模型一般都属于生成式AI这个范畴。