大模型在财富管理行业的应用探索

陈龙强，百信银行首席战略官

自ChatGPT问世以来，人工智能（AI）浪潮再次席卷而来。与以往不同的是，大语言模型具有超大规模参数、强大的表达能力、学习能力和泛化能力，实现通用人工智能的路径愈加明朗，在应用场景上更为广泛，其潜力正被逐步挖掘出来。商业银行拥有海量的数据和客户，尤其在资管和财富管理领域，由于产品较为复杂，知识壁垒较高，是大模型可以深度应用的场景。

大模型与财富管理

随着我国进入高质量发展的新阶段，人们对财富管理的需求日益旺盛。由于财富管理行业与数字化有天然的“适配性”，在数字化技术的赋能下得以快速发展。但尽管如此，站在用户角度，财富管理机构依然面临以下三个突出的矛盾。一是投前阶段，金融产品种类繁多、产品复杂、专业门槛高，用户理解难度大，难懂也难选。二是投中阶段，理财顾问或客服往往销售导向，在专业领域如资产配置、风险管理等问题的解答方面存在较大差距。三是投后阶段，缺少简单易懂的投教和有温度的用户陪伴，用户体感较差。要应用好新的技术，必须从问题矛盾出发，才能有的放矢。

当前，AI正在从大量训练模型，到训练大模型转变，以期让AI模型具有泛化能力，能够让AI真正地走向通用且实用。大语言模型可以针对财富领域的大规模数据进行“预训练”，建立提示词工程，指导大语言模型执行任务，并进行必要的微调，以提高精度和准确度，因此具有更加精准的预测和辅助决策能力。此外，与传统的决策式人工智能相比，大模型技术在“对话”与“创造”两项能力上实现了根本性的突破，体感上不再是“人工智障”，而是能够理解更长的上下文，并进行拟人化的思考和回答。这些因素都意味着大模型在财富管理有极大的机会实现商业化应用。

三个转变

商业银行是财富管理机构的主力军。百信银行作为原生数字银行，秉承“为百姓理财、为大众融资”的服务理念，致力于为广大投资者提供普惠化、智能化、专业化的理财服务，目前除了个人存款业务，还链接了近百家公募基金、理财子、券商资管等专业资管机构，已形成一站式财富管理平台。百信银行在业内较早开展大模型的应用探索。在实践中，建议要进行三个转变。

从“卖方销售”到“买方投顾”转变

财富管理行业已经迈入全面净值化的新阶段，但居民投资理财的获得感有待提升。从产业链条上看，上游是投资银行，中游是资产管理，下游是财富管理。财富管理直接面向广大个人投资者。我国的财富管理事业蓬勃发展，以商业银行为主的多元化财富管理格局已经基本形成。以银行理财为例，当前全国理财产品的投资者超过了1.1亿人，存续的理财产品已达到4万只左右，需求和供给都极大丰富。在这种形势下，传统的“卖方销售”模式越来越力不从心，向“买方投顾”模式转型已经迫在眉睫。

由“产品为中心”向“客户为中心”转变

在买方市场下，以客户为中心就显得水到渠成。如果前提是产品供给一致，那么竞争的关键是为用户提供更好的服务、更好的体验。例如，通过大模型的沟通、表达和学习能力，可以助力银行更好地洞察客户需求，帮助客户更好地了解自己、理解产品，从而为用户提供量身定制的财富管理解决方案。

由“高端型”向“普惠型”转变

传统的财富业务往往需要大量的人工和线下活动，才能实现规模化经营，并且具有高成本、低效率的特征，因此传统财富管理机构往往聚焦服务中高净值客群，导致大量“长尾”客群得不到有效服务。大模型本质上是提高生产力、提高效率、降低成本的技术手段，可以助力财富管理机构更好地构建普惠理财产品服务体系，促进普惠理财走进寻常百姓家，实现居民财富保值增值，增加财产性收入。

大模型在财富管理的应用探索

目前，国际国内多家商业银行正积极尝试使用大模型进行业务创新，但是普遍依然处于相对谨慎的状态和相对浅应用阶段。从财富管理的业务场景来看，以下三大场景较有可能快速落地大模型技术。

客户服务场景

一是可应用于客户画像。 大模型通过分析客户的风险偏好、投资目标和资产状况等信息，生成与客户需求相匹配的资产池，通过与客户进行自然语言交互，大模型可以更好地理解客户需求，为客户提供个性化的投资建议。例如，当理财经理询问大模型：“请告诉我30岁、男性、工程师、月收入2万元的新客户会比较偏好什么类型的基金产品？”在此场景中，大模型可以为特定客群给出适宜性建议并提示投资风险。

二是可以进行个性化推荐。 大模型可以深度学习用户自身的使用习惯，在获得用户全面授权的情况下，能够有效地学习理解用户的行为特征，针对这些使用习惯和使用偏好，进行个性化的筛选，提高精准度。例如，当客户可以询问大模型：“请告诉我，XX银行近期有什么合适的理财产品适合我？”在此场景中，大模型可以为客户有针对性推荐个性化产品，真正实现在产品层面的千人千面。

三是可应用于客户陪伴。 大模型的出现可以有效地解决智能客服的智能化不足的问题，只要经历了较为完备的训练，生成式大模型的客户服务能力和客服话术的掌握能力有可能全面超越传统的客户服务人员。例如，客户可以询问大模型：“机构为我建议的RP1是什么意思？”在此场景中，大模型会根据机构评级给出释义，展示出对应风险等级的投资产品，通过与客户进行自然语言交互，大模型可以更好地理解客户问题。

更进一步，以“AI数字人+大模型”的有机结合正开拓更多的创新应用思路。以百信银行为例，依托多模态大模型，百信银行基于私有化部署，数字员工AIYA可以根据文字生成动作、语音、图片等内容，目前入驻数字营业厅，开始承担智能财富顾问和数字导购的角色，实现7×24小时直播，并与用户进行自然语言互动。

投顾与资产配置场景

一是可应用于产品分析。 大模型可使用算法对有关金融产品投资数据进行分析和计算，根据给定数据提供最佳的产品分析，并帮助投资者了解相关的评价指标，以更高效地完成产品决策。例如，客户可以询问大模型某理财产品的综合表现，是否可以购买？大模型通过与信息检索技术的整合，自动完成有关金融产品研究报告检索工作，自动化地整合和分析理财产品的投资经理、收益涨跌、最大回撤情况等大量数据，提供有关财富产品的内容和结论，从而帮助客户更快地了解产品。

二是可应用于智能投顾。 投资顾问是财富管理业务的核心环节，此前部分商业银行上线的智能投顾产品智能化水平有限，反而因为智能投顾的潜在风险较高，导致商业银行在上架之后又选择下架，让智能投顾业务遭遇了较大的压力与挑战。大模型则可以有效地解决这个问题，大模型在全面了解用户的投资需求和投资偏好、全面扫描市场的基础上，真正寻找到符合用户个性的投资标的。例如，客户可以询问大模型：“接下来的市场行情不错，我想更加激进一点，可否帮我推荐一个含有大模型概念的基金产品。”在此场景中，大模型会给出一定范围的基金供投资者选择。

三是可应用于资产配置。 在生成式大模型的支撑下，可以将难以处理的海量非结构化多模态数据进行跨模态的综合分析，从而将投资分析变得更加精确，无论是宏观分析、策略分析还是资产筛选，客户资产配置都可以进行有效地判断，从而实现对于投资组合更加合理的匹配。举例来说，客户可以询问大模型：“我有10万元可投资1年，希望收益可以达到年化5%。”在此场景中，大模型可以对于实时变动的宏观数据进行全面的信息覆盖式分析，在深度学习客户风险偏好、过往投资行为的基础上，帮助用户进行风险收益综合配置，为用户提供综合性资产配置建议。

基于此，百信银行在投资前、中、后全流程中探索大模型应用，布局了财富热榜、财富体检、财富投教和智能助理等创新实践，由“单品配置方案”升级到“买方资产配置方案”，依托专业的投研体系构建囊括存款、理财、保险和基金在内的多样化资产配置方案，助力客户实现不同人生阶段的理财目标，力图为客户提供实现智能化理财服务，全面提升客户体验。

风险管理场景

一是可应用于市场监测。 通过对投资市场的实时监测和分析，大模型可自动化地发现市场风险和机会，提醒投资者关注市场变化和风险，使投研结果更快地匹配现实场景。例如，询问大模型：“XXX理财产品投资经理最近两年有变动吗？”在此场景中，大模型会给出基金经理任期变动、是否在客户圈定范围内发生了变动、目前投资经理任期时长等相关信息。

二是可应用于投资监测。 大模型可通过实时的市场数据和投资组合监测，为投资者提供实时的投资决策建议，帮助投资者了解市场变化和趋势，及时做出投资决策，以最大化投资回报。例如，给出自己的投资组合后询问大模型：“在我自己的投资组合中，最大回撤超过5%时减仓合理吗？”在此场景中大模型会给出最大回撤对组合的负面影响，减仓的正面效果及其他投资建议。

三是可应用于风险策略。 通过自动化的风险评估和监测，大模型能帮助投资者降低投资风险，根据投资者的风险偏好和投资组合，提供最佳的风险管理策略，以保护投资者的本金和收益。例如，当投资者希望自己的投资收益长期达到8%，但是最大回撤不超过5%时，可以询问大模型如何操作。在此场景中，大模型会根据投资者的输入信息给出操作步骤及相应的投资建议。

与此同时，现阶段大模型的金融业务应用方面仍然存在着数据隐私保护、数据权属及利益分配、模型可解释性和成本高昂等诸多问题。需要重视可信人工智能多元化治理评估，平衡业务转型要求与合规风险治理。

结语

在当今金融投资多元化的买方投顾时代，投资者对于资产保值增值和极致体验的需求日益旺盛。展望未来，风景这边独好，大模型技术在财富管理领域的应用必将开拓无限可能，每个投资者都可能化身“数字人”，也将拥有不止一个“智能体”私人金融顾问。领先财富管理机构只有不断革新用户体验、拓宽业务边界，才能获取增量业务、降低风险损失、改善运营成本，提升客户满意度，创造更多业务价值。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓