金融科技与人工智能推动下一波创新浪潮

Anna Schoff——拥有语言与NLP方向的理学硕士（MSc），专长深度学习、数据科学和机器学习。她的研究兴趣包括对古代语言的神经释读、低资源机器翻译以及语言识别。她在学术界与产业界积累了丰富的计算语言学、人工智能与NLP研究经验。

Bhushan Joshi——银行业ISV、金融市场与财富管理领域的能力负责人，拥有丰富的数字银行、资本市场和云转型经验。他曾为全球银行主导业务战略、咨询以及大规模金融科技落地，聚焦微服务、流程优化与交易系统。

Kenneth Schoff——IBM AI Applications的Open Group杰出技术专家，拥有超过20年的银行、金融市场与金融科技经验。他专长于IBM Sterling解决方案、技术销售，并为C级高管在供应链与金融服务中的AI驱动转型提供咨询建议。

Raja Basu——产品管理与创新领导者，专长于金融市场中的人工智能、自动化与可持续发展。凭借扎实的银行技术转型背景，他已在美国、加拿大、欧洲与亚洲领导了全球咨询与实施项目。目前，他是XLRI的博士研究生，聚焦AI对金融系统与可持续发展的影响。

发现顶级金融科技新闻与活动！

订阅《金融科技周刊》的通讯

由JP Morgan、Coinbase、Blackrock、Klarna等高管阅读以及更多人

金融科技的AI技术发展势头强劲、潜力巨大，但由于问题本身的复杂性，增长速度可能会比其他应用领域更慢。

AI能够捕捉人类通常会忽略的模式和异常，因为AI系统能够以多种结构化与非结构化形式消化极大量数据。

然而，拥有超过600万亿突触连接的人脑被称为我们所知的最复杂的对象——从地球、太阳系到更远的地方。AI可以借助其在海量规模下处理大量细节的能力来增强人类分析，但它不会“思考”。

多年前在耶鲁大学的AI课程中，他们将AI定义为**“借助计算模型研究认知过程”**。这一定义至今仍然适用。由此产生的计算模型往往本身就很有用，而且其能力也在不断进步：从专家系统和小型人工神经网络发展到用于构建大型语言模型(LLMs)，以及生成式AI中使用的基础模型。硬件的进步让这一切成为可能，我们相信还会有更多进展。

在20世纪90年代，我们就已意识到AI系统缺乏通用知识是一个重要的限制因素，而如今我们能够在大型AI模型中提供这些知识。早期的AI技术只局限于非常特定的任务，有点像“白痴天才”——能把某一项非常具体的任务做得很好，但对其他任何事情都无用。

话虽如此，它们仍能以更低的计算成本为其专门任务带来价值。出于可持续发展的原因，这些技术依然能够在AI领域中发挥作用。

由LLMs提供的自然语言处理(NLP)与语音处理能力，如今或许已经能够以很高准确度捕捉自然语言交互内容的90%左右，这对人机交互具有极高价值。

在当前业界最先进的状态下，用于NLP的模型运行成本是非常高昂的计算成本(（要支付非常高的电费账单）)，这与可持续性的考量背道而驰。请记住，一位经验丰富的图书管理员或类似专业人士就能给出100%准确的结果，并且只需要一顿午餐。我们应该在合适的时间使用合适的资源。

更近一些，随着DeepSeek等发展，我们看到通过构建更小的、面向特定应用的系统（使用与大型综合模型相同的技术）所带来的优化效果。这是一个双赢：一方面提供稳健的AI技术来应对某一问题领域，另一方面降低计算成本。 例如，支持财富管理的Fintech AI系统并不需要具备英语文学背景。

AI辅助财富管理咨询

让我们用财富管理作为一个示例应用场景。

为了创建客户画像，客户访谈可以由诸如决策树或专家系统之类的基础AI技术驱动。然而，基于我们此前与一些专家系统驱动的访谈的经验，训练有素的顾问仅凭对话就能获得更好的结果。 懂行的人永远没有替代者。AI应该辅助，而不是主导。

投资组合分析

如果客户已有当前投资组合，这需要进行分析，AI同样可以在这里提供帮助。投资随时间表现如何？客户是否倾向于关注特定行业？至于这些投资未来可能如何表现，有怎样的预判？客户的交易历史是什么？

基于客户画像与投资组合分析，顾问可能会引入针对拟议投资组合的分析范围限制。这些可能包括个人偏好、风险上限、可用资金的限制，以及任何其他可能约束选择的考量因素。

AI辅助财富管理咨询

有多家公司使用AI模型来提供建议：哪些股票或市场板块可能会表现良好，哪些可能会表现不佳。这可以被表述为预测问题——预测趋势的走向；也可以被表述为分类问题——而这是AI擅长的领域。 顾问可以使用这些现有服务来提供这类信息。

**环境、社会与治理(ESG)**考量因素也可能影响结果。这些因素可能已被作为输入纳入用于分析的AI模型。顾问与客户需要讨论在投资组合模型中应包含哪些具体细节。

假设性架构（Strawman Architecture）

一个假设性架构的概念性视图可能大致如下图所示。可行的变体很多。

一种非常常见的实现方式，是基于单一的GenAI基础模型来完成我们下面所描述的所有内容，但我们认为将任务进行拆分是更好的做法。

每个模型将覆盖问题领域的一部分，因此它们可能比单一的大型综合模型更小。有些系统可能会持续运行，而另一些则可能按需运行。

在该图中，我们假设会有预测生成式AI模型作为咨询系统，服务于其他面向特定用途的AI模型。这些GenAI模型将完成大部分市场分析，并针对不同市场和金融工具进行训练。

它们会消化数据源，并结合数据湖中的其他数据，为增长与异常检测生成市场预测，从而可能降低风险。我们仍然不确信这类系统已经成熟到足够可靠的程度，但它们正在持续推进发展。

每个预测GenAI模型的结果都会被记录到数据湖中。此外，分析模型也可以向其他模型推送通知，以执行特定任务。这些模型可能以周期性方式运行，或者在目标市场活跃期间持续运行。

自主交易系统可能会使用来自市场分析的状态数据来触发交易。分类系统会定期对资产进行评级，并在数据湖中持续保留资产分类的历史记录。最后，就轮到GenAI投资组合助手了。

投资组合助手将是AI支持的推荐系统，它能够访问当前的市场数据与历史记录。 顾问可以与助手互动，向其提供客户画像并提出推荐请求。要做到最好，应在客户在场的情况下完成这一互动。顾问与客户之间的互动应被捕获并记录到数据湖中，作为分析的输入。

顾问对AI系统的访问是通过NLP界面完成的；该界面可以基于文本或语音。

投资组合助手将通过模型中的信息、来自数据湖的信息，或对市场分析模型发起API查询来回应顾问的提问。NLP界面可以提供强大的助理能力，但基于经验，顾问需要知道如何提问，才能获得有用的结果。

没有这种人类中介，初学者与这样复杂主题相关的NLP系统互动体验可能会令人沮丧。在这一领域，大型语言模型比以往任何技术都更强大，但它们仍不太可能通过图灵测试。

图灵测试要求：人类应当无法仅通过对两人提出问题并根据回答来区分机器与另一位人类。这些机器并非人类，也不可能像人类那样作出完全相同的回应。许多公司会雇佣人员——其岗位说明书的字面工作就是通过设计提示词来与LLMs和GenAI系统互动，以获得更好的模型回应。

根据Juniper Research在2021年的一份报告，到2025年，全球40%的银行客户将使用NLP聊天机器人来完成交易。在任何面向客户的应用前加上NLP，往往就是企业的起点。其他AI系统则侧重于自动化常见任务，而后者在供应链应用中取得了非常成功的效果。

基于AI的自动化可以消除许多手工流程，使工作流更加高效。NLP与任务自动化几乎可以惠及任何行业应用。用于金融市场分析的AI开发是一项相对困难的任务。

康奈尔大学开发了一个GenAI模型StockGPT。请参阅“StockGPT：用于股票预测和交易的GenAI模型”，链接为 https://arxiv.org/abs/2404.05101。

结论

对金融市场的分析，其复杂度在某种程度上要高于诸如供应链甚至银行这类应用。由于市场数据、法规以及参与者的情绪反应所驱动的变量与复杂行为要多得多。

其中一部分可以用统计方法来降低风险，但对金融市场的预测属于代数类问题：变量过多，而方程又不够。AI除了进行数学运算之外，还能寻找模式与异常。

量子计算是另一项值得探索的技术。它在某些科学应用中已经体现出价值。有人建议将其用于通过蒙特卡洛模拟来进行风险管理——以金融风险这一例子而言。

我们将拭目以待未来的发展。