AI大模型在证券行业的潜在应用前景及影响

　　作者：东兴证券股份有限公司首席信息官 陆中兵，东兴证券股份有限公司信息技术部 陈蜜、张灿辉

　　在金融科技飞速发展的浪潮中，AI 大模型正逐步渗透至证券行业，其中文心一言、通义千问、DeepSeek等大模型展现出独特的应用价值，为证券行业带来机遇的同时，也引发了诸多挑战。本文聚焦智能客服、智能投研、智能风控、智能营销、智能投行、智能投顾等多元业务应用领域，系统梳理了 AI 大模型在证券行业的应用现状。进一步从潜在应用场景的拓展、金融业态的重塑以及技术创新与协同等维度，深入探讨了大模型在证券行业的潜在应用前景。同时，结合大模型在技术层面存在的缺陷、数据安全与隐私面临的风险、市场与业务的衍生风险，以及伦理与道德层面的风险等多方面分析，最终从技术优化与创新、数据安全和隐私保护、风险管理与监管、人才培养与伦理建设等角度，提出了具有针对性的应对策略和建议。

　　一、国内证券大模型的应用现状

　　金融机构正积极探索大模型的应用，根据英伟达发布的针对近400家金融机构大模型应用的调研结果，43%的金融机构已开始使用，主要应用于报告生成、客户体验优化、数据生成和营销。同时，55%的机构在考虑应用大模型。在从业者层面，根据麦肯锡的调研，42%的从业者在工作或生活中常规使用大模型，这一比例在2024年上升至48%。

　　(一)主要应用领域和业务场景细分(见图1)

　　在客户服务领域，借助大模型强大的自然语言处理(NLP)、金融知识图谱和深度学习算法等能力实现了 7×24 小时不间断的AI Agent智能客服服务，在问题解答和业务引导环节有广泛的应用。在问题解答环节，客户咨询账户操作、投资产品信息等常见问题时，大模型能快速理解问题意图，从海量知识库提取出准确解答，提升客户服务效率和满意度。在业务引导方面，大模型对客户需求进行深度挖掘和精准预测。基于客户的历史行为和偏好，大模型能够智能推荐符合其投资目标和风险承受能力的金融产品或服务，实现个性化业务引导，进一步增强了客户体验。

　　在投资研究领域，大模型凭借对信息和数据的高效收集、整合与加工等方面的优秀表现，助力提升投研“搜、读、算、写、用”多个环节的效率。整合多渠道信息，快速响应数据需求，提高信息获取效率；提炼核心内容，提高信息处理效率；辅助生成投资观点和决策；初步生成投研报告，提升投研人员生产力。

　　在风险管理领域，大模型主要应用在风险识别和风险评估。在风险识别方面，实时监控各类风险指标，如市场波动、交易异常等情况，利用深度学习算法，大模型能实时识别市场风险、信用风险和流动性风险等。同时，风险评估方面，根据市场信息和客户信息，多维度评估客户和业务风险，给出风险评级，帮助金融机构或投资者制定风险应对策略。

　　在营销领域，大模型在建立客户画像、制定营销策略、创作营销文案与执行策略等应用中体现出一定的优势。大模型具有多维数据处理和非结构化信息解析能力，可以有效整合各类数据，构建动态用户标签体系，但受限于数据隐私和实时性，应用中需人工校验。第二，大模型通过数据挖掘和趋势预测，能辅助简单的营销策略制定。第三，大模型能高效生成营销文案，并完成多形态的营销素材制作，但与产品或服务的个性化适配以及与投资者的情感共鸣度待提升。第四，大模型主要处理标准化流程，面对复杂需求时，用户意图识别和内容输出质量需增强。第五，大模型在数据归因和模式识别上有优势，但因果推断和长期价值评估需结合传统模型。

　　在投资银行业务中，大模型应用在项目前期的尽职调查，通过快速阅读大量文件，提取关键信息，辅助完成尽职调查。在并购重组项目里，大模型通过筛选海量企业数据，寻找与收购方业务互补、财务状况匹配的潜在目标企业，并对其进行全面的风险评估，包括市场风险、法律风险和财务风险等。在证券承销业务中，大模型分析市场需求和投资者偏好，协助制定合理的承销价格和发行规模，提高承销业务的成功率。

　　在投资顾问业务中，大模型根据投资者的风险偏好、资产规模、投资目标等个性化信息，运用复杂的算法为投资者量身定制投资策略。证券公司投顾专家认为DeepSeek 与一线投顾各有优劣，当前 DeepSeek 尚无法完全替代一线投顾，但已对投顾业务产生冲击，证券公司投顾业务生态面临重构。大模型相对人类投顾具有高效处理和分析数据、响应及时和服务普惠便捷等优势，但也存在对市场及人性理解不足、未对接专业金融数据库等导致业务决策深度思考能力和分析能力不足等问题。

　　(二)落地情况：列举部分证券公司案例

　　东兴证券于2月8日完成DeepSeek-R1的本地化部署，结合RAG和AI Agent技术搭建出一整套完善的大模型技术平台，实现从模型架构、语料资源到服务体系的全方位布局，发布适配不同场景的智能体，通过内外部深度融合，显著提升运营效率和服务质量。客户端应用层面，APP助手为用户提供智能问答、业务指导、信息检索等多元服务，实现精准检索、秒级响应；投顾助手整合大模型算力、专业数据库及决策系统，针对个股基金实时诊断，并对市场进行分析，为投顾提供决策支持工具；热点助手专注于个股热点新闻的深度挖掘与提炼，通过对舆论情绪智能分析，帮助投顾快速把握舆情动态。

　　光大证券2月7日完成Deepseek本地化部署，将其应用在员工赋能、智能合规、数据服务、软件开发测试等多个场景中。在业务指引和知识问答等场景中，提升员工工作效能；利用大模型进行关系抽取和实体识别，提升智能合规中的知识图谱构建效率；借用大模型的推理能力，提升数据服务中的策略质量和效率。

　　华福证券2月6日引入DeepSeek-V3和R1大模型后，在知识问答、研发辅助和营销方案等方面进行应用。大模型为员工提供快速专业解答，提升专业素养；在软件开发中优化代码、排查漏洞，加速新功能上线；营销方案制定中，分析数据提供策略建议，增强营销活动的针对性和吸引力。

　　二、大模型的潜在应用前景

　　当前大模型已在证券行业的众多业务中得到广泛应用，但鉴于大模型对专业术语理解偏差、依赖数据质量、对市场突发情况适用性不够等缺陷，其应用主要集中在非决策性的业务环节。本部分将从潜在应用场景拓展、业态重塑和技术创新与协同方面进行探讨。

　　(一)潜在应用场景拓展

　　1.促进大模型与业务场景深度融合

　　大模型具有语义理解、文本生成、逻辑推理、多模态处理等核心能力，但是在特定垂直领域，可能出现过拟合，决策过程难以理解和解释性差等问题。传统交易和决策类的小模型，经过优化可达到较高准确率，决策过程容易分析和理解。随着通用大模型的能力增加，如果再结合传统小模型，大模型有望拓展到更多证券业务场景。在决策智能化的提升方面，将提供更为全面和精确的数据分析及决策辅助，有助于投资者和金融机构作出更加科学和合理的投资决策，有效降低投资风险。在智能投资研究领域，基于对市场需求和投资者风险偏好的深入分析，大型模型将促进金融产品的创新。例如，开发与宏观经济指标联动的动态投资组合产品，当经济增长指标上行时，自动提高股票类资产的配置比例；反之，在经济下行压力增大时，增加债券等避险资产的配置。

　　2.参与证券市场监管

　　未来，大模型可以对海量的交易数据进行实时监测和分析，通过学习正常交易行为模式和历史违规案例，构建异常交易识别模型，深度参与证券市场监管的重要环节中。当出现交易频率异常、价格操纵迹象等情况时，大模型能迅速发出预警信号，帮助监管机构及时发现并查处违规行为，维护市场秩序，保障投资者的合法权益。

　　3.助力跨境投资

　　在跨境证券交易和国际投资研究领域，借助大模型的多语言处理能力，快速获取和分析国际市场的信息，包括海外公司的市场舆情、财务报表、行业研究报告等。同时，通过对不同国家和地区市场规则、文化差异的学习，为投资者提供专业的跨境投资建议，帮助投资者把握全球投资机遇，降低跨境投资风险。

　　(二)业态重塑

　　1.业务流程再造

　　大模型的应用将推动客户服务、交易执行、风险环节业务流程的全面自动化和智能化。在客户服务中围绕客户旅程，从个性化营销、辅助投资决策、即时答疑到定制化投教等，给予客户更精准的服务、更温暖的陪伴，全方位提升客户投资认知，增进对企业的信赖。交易执行时，智能交易系统根据大模型生成的交易策略自动下单、撤单，实现交易的高效执行。在风险管理环节，大模型实时监测风险指标，自动调整风险控制措施，减少人工干预，提高业务处理的准确性和效率，降低操作风险。

　　2.改变竞争格局

　　大模型的应用将改变证券行业的竞争格局，可能出现强者愈强、弱者愈弱和跨界竞争的情况。头部证券公司凭借其强大的技术实力和算力资源储备，以及丰富的数据资源，更快速投入资源进行大模型的研发和优化，提供更加优质、个性化的服务，吸引更多客户，进一步巩固和扩大领先地位。部分专注于特定细分市场或客户群体，本身在提供特色化的金融服务中在市场占有一席之地的中小证券公司，通过差异化的大模型应用策略，实现弯道超车。此外，顶尖的科技金融企业凭借先进的大模型技术产品和应用进入证券行业，加剧了市场竞争，推动行业整体创新发展，促使证券公司不断提升服务质量和技术水平。

　　3.加强合作与联盟

　　大模型参数多，架构复杂，对硬件要求苛刻，研发成本高昂，证券公司内部或证券公司与大模型供应商可以加强合作与联盟。多家证券公司可以共同出资成立研发机构，联合开展大模型的研发工作，共享研发成果。建立行业数据共享平台，在保障数据安全和隐私的前提下，实现数据的流通和共享，提高数据的利用效率。通过行业合作与联盟，共同推动大模型在证券行业的应用和发展，提升整个行业的竞争力。

　　(三)技术创新与协同

　　1.多模态融合技术应用

　　大模型融合文本、图像、语音、视频等多模态数据，为证券业务提供更全面、丰富的信息处理能力。通过图像识别可以分析上市公司的设备运行状况、库存情况等，为投资决策提供更直观的信息。利用语音识别，投资者通过语音指令进行交易操作、查询信息，实现更加便捷的投资体验。凭借文本的语义识别和推理，可以捕捉市场参与者的情绪变化，辅助判断市场交易热度。

　　2.联邦学习与隐私保护

　　在数据安全和隐私保护日益重要的背景下，联邦学习技术将在证券行业得到广泛应用。机构间在不共享原始数据的前提下，通过联邦学习实现数据的协同训练，共同提升大模型的性能。同时，利用区块链的去中心化、不可篡改等特性，结合大模型与区块链技术构建可信的数据共享和应用环境，确保数据的安全性和可追溯性，保护各方的数据隐私。

　　3.强化学习与自主决策

　　引入强化学习算法，让大模型在动态的市场环境中自主学习、自动迭代和智能择优决策，根据市场变化实时调整投资组合、交易策略和风险管理措施，实现更智能的投资决策和风险管理。例如，在市场行情波动时，大模型能够自动及时调整投资组合的资产配置比例，降低风险；在交易过程中，根据实时交易数据智能优化交易策略，提高交易收益。

　　三、大模型应用的潜在缺陷与风险

　　大模型技术凭借其强大的运算能力与数据处理优势，逐步融入投资分析、客户服务、风险管理等诸多关键业务场景，成为推动行业发展的重要助力。然而，在实际落地过程中已逐渐暴露出一系列不容忽视的缺陷与风险。本部分将探讨大模型在证券行业中应用时面临的技术层面缺陷、数据安全与隐私风险、市场与业务风险以及伦理与道德风险。

　　(一)技术层面缺陷

　　1.模型偏差与过拟合

　　在训练过程中，大模型可能会出现偏差和过拟合。模型偏差是指模型在训练数据上的预测结果与真实值之间存在系统性误差，导致模型在实际应用中对某些情况的预测出现偏差。过拟合是指模型过度学习了训练数据中的细节和噪声，而忽略了数据的整体规律，使得模型在训练数据上表现良好，但在真实场景的应用中表现不佳。在证券行业中，这些问题可能导致投资决策失误、风险评估不准确等问题，影响投资收益和风险管理效果。

　　2.可解释性不足

　　大模型通常是复杂的黑盒模型，其决策过程和输出结果难以解释。在证券行业的关键决策环节，如投资决策、风险评估等，投资者和监管机构需要了解决策的依据和逻辑。然而，由于大模型的可解释性不足，投资者难以理解模型为什么做出这样的决策，可能引发信任危机；监管机构难以对模型的决策进行有效监管，可能阻碍大模型在证券行业的广泛应用。

　　3.数据质量依赖

　　大模型的效能高度依赖于数据质量。如果数据存在错误、缺失或偏差，那么模型在训练过程中就会学习到错误的信息，导致输出结果错误。在证券行业中，数据质量不佳可能会导致智能投顾的投资建议错误、智能风控的风险评估失准等严重后果。若上市公司财务数据、舆情信息等存在错误，大模型基于这些数据或信息进行分析和预测，可能会误导投资者的决策。

　　(二)数据安全与隐私风险

　　1.数据泄露

　　证券行业涉及大量敏感数据，包括客户的个人信息、交易记录、资产状况等。在大模型的应用过程中，数据的收集、存储、加工、传输和使用过程都存在数据泄露的风险。一旦数据泄露，客户的隐私将受到侵犯，可能导致客户遭受经济损失，同时企业的声誉也会受到严重损害。

　　2.数据滥用

　　根据《中华人民共和国个人信息保护法》，收集个人信息，应当限于实现处理目的的最小范围，不得过度收集个人信息。处理个人信息应当遵循公开、透明原则，公开个人信息处理规则，明示处理的目的、方式和范围。

　　证券公司在与金融科技公司开展大模型合作的过程中，存在未经授权使用客户数据进行商业活动的风险，比如会利用大模型对客户数据进行深度挖掘，将客户数据用于与客户原授权无关的其他商业目的。

　　3.合规风险

　　大模型在证券行业的应用可能带来法律和合规方面的问题。由于模型的复杂性和不可解释性，监管机构难以对模型进行有效地监管和审查，从而增加了违法违规的风险。此外，模型的决策结果可能涉及投资者的权益保护问题，需要更加严格的法律和合规框架来保障。在数据收集、数据存储和删除及数据使用环节，需要严格遵照法规要求进行规范化管理。要明确告知客户数据的用途并获得客户的明确授权，采取严格的安全措施保障数据安全、遵守相关的隐私保护规定来使用数据。

　　(三)市场与业务风险

　　1.系统性风险

　　大模型在证券行业的广泛应用可能会引发系统性风险。数据质量问题和模型偏差可能导致错误决策，在证券市场的复杂环境中，由于众多投资者和机构都依赖大模型进行投资决策和风险管理，如果大模型出现错误或受到外部因素干扰，错误可能迅速传播并放大，致使市场行为趋同。当市场出现异常波动时，这种趋同行为可能会加剧市场波动，引发风险传染，出现不必要的恐慌和混乱，严重时甚至可能引发系统性金融风险，威胁整个金融市场的稳定。

　　2.业务替代风险

　　随着大模型技术的不断发展，部分证券业务可能会被自动化和智能化系统替代。例如，一些简单的投资顾问业务、数据处理工作等可能由大模型和智能系统完成，这将导致相关从业人员失业。对于证券公司来说，需要进行业务转型和人员结构调整，增加了企业的经营风险。

　　3.竞争加剧风险

　　大模型的应用降低了证券行业的进入门槛，市场中除了有多年服务金融行业的经验的第三方金融基础设施服务商(例如恒生科技、顶点软件、金证科技等)，也吸引了更多的科技企业和金融科技公司进入市场。这些公司凭借成熟的技术优势、大模型的深度应用和创新的业务模式，一旦获得业务牌照，将与传统证券公司展开竞争。传统证券公司可能会面临客户流失、市场份额下降的风险，需要不断提升自身的技术水平和服务质量，或者与第三方服务商加强共创合作，以应对激烈的市场竞争。

　　(四)伦理与道德风险

　　1.算法偏见

　　大模型在训练过程中可能会引入算法偏见。如果训练数据存在偏差，或者模型的设计不合理，可能导致对部分客户群体产生不公平的对待。在投资决策中，对某些特定群体的风险评估过高或过低，可能导致投资者错失投资机会，或超出风险承受能力；在风险评估中，对不同性别、群体的客户采取不同的标准，会损害社会公平正义，加剧社会经济不平等，对社会稳定产生负面影响。

　　2.责任界限模糊

　　在大模型自主决策的情况下，一旦出现投资失误或风险事件，责任界定变得模糊不清，很难确定是模型开发者的责任(模型算法可能存在缺陷)，还是数据提供者的责任(数据可能不准确)，或是使用者的责任(使用者可能错误地应用了模型)。这种责任界定的模糊性可能引发法律纠纷和社会争议，影响证券市场的正常秩序。

　　四、应对策略与建议

　　为推动大型模型在证券领域的广泛应用并提升其有效性，本部分基于大模型在证券领域的应用现状以及其存在的缺陷与潜在风险，提出了一系列具有针对性的建议。围绕技术优化与创新、数据安全与隐私保护、风险管理与监管、人才培养与伦理建设四个维度进行简要阐述。

　　(一)技术优化与创新

　　1.模型优化与改进

　　增加对大模型研究开发的资源，改善模型结构与训练方法，同时融合大模型与传统小模型(见表2)，取长补短，以增强模型的精确度、稳定性及可解释性。利用集成学习、迁移学习等方法，减少模型偏差和避免过拟合。

　　2.数据治理与质量提升

　　构建完善的数据治理体系，强化对数据从生产、采集、传输、加工、使用到销毁的全生命周期管理，开展数据标准建设，保证数据的品质。建立数据质量管理机制，加强数据质量监控与评估，快速识别并修正数据问题。

　　3.技术协同创新

　　深化证券业与科技公司、高校等的合作关系，共同推进技术研发与创新工作，促进多模态融合、联邦学习、强化学习等前沿技术在证券领域的应用，提高整个行业的技术水准。

　　(二)数据安全与隐私保护

　　1.安全技术应用

　　采用网络隔离、用户认证、访问控制、数据加密、数据备份、日志记录、病毒防范和非法入侵等技术措施保障数据全生命周期的安全性。严格控制访问权限，禁止未经授权查看、下载数据的行为；采取脱敏、加密等技术，防范客户信息、投资交易信息等敏感数据的泄露或被篡改风险；重要数据定期备份并定期恢复性验证，保障备份数据的可用性。

　　2.合规管理

　　建立健全数据安全和隐私保护管理制度，建立数据从采集、传输、使用、存储、销毁等全生命周期的安全管理规范，严格遵守相关法律法规和监管要求，同时加强企业员工数据安全意识宣导，加强内部审计和监督，确保数据处理活动合规。

　　3.数据共享机制建设

　　在保障数据安全和隐私的前提下，探索建立安全可靠的数据共享机制，促进证券行业内的数据流通和共享，充分发挥数据价值，推动行业协同发展。

　　(三)风险管理与监管

　　1.风险评估与监测体系建设

　　建立完善的大模型应用风险评估和监测体系，对模型偏差、数据质量、市场风险、业务风险等进行实时监测和评估，及时发现并预警潜在风险。

　　2.监管政策制定与完善

　　监管机构加强对大模型在证券行业应用的监管，制定相关政策法规和监管标准，规范大模型的开发、应用和管理，防范系统性风险。

　　3.行业自律与规范

　　自律组织要发挥行业自律作用，制定行业规范和自律准则，引导公司合理应用大模型技术，加强行业内的交流与合作，共同应对风险挑战。

　　(四)人才培养与伦理建设

　　1.复合型人才培养

　　大模型在证券行业应用的成效在一定程度上也取决于人员素质，业务能力强能快速发掘应用场景，技术能力强能快速实现场景的落地。加强对既懂证券业务又掌握 AI 技术的复合型人才的培养，提高从业人员的技术水平和业务能力，对行业的智能化发展有着举足轻重的作用。

　　2.伦理教育与规范制定

　　开展金融行业AI 伦理教育，提高从业人员在AI使用中的伦理意识和道德水平；制定 AI 伦理规范和准则，引导金融机构在大模型的开发和应用中遵照执行，避免算法偏见和责任界定模糊等问题。

　　参考文献：

　　[01]姚泽宇,苏杭.AI大模型在金融行业的应用前景及潜在影响分析[J].国际金融,2024,(10):36-52.DOI:10.16474/j.cnki.1673-8489.2024.10.008.

　　[02]梁宇辰.人工智能技术在金融领域的应用前景[J].市场瞭望,2024,(24):55-57.

　　[03]黄栋.智能投顾发展与ChatGPT工具的应用[J].金融科技时代,2024,32(03):75-79.

　　[04]王坤.人工智能技术在金融机构风险管理方面的应用前景[J].全国流通经济,2024,(23):161-164.DOI:10.16834/j.cnki.issn1009-5292.2024.23.026.

　　[05]秦小林,古徐,李弟诚,等.大语言模型综述与展望[J/OL].计算机应用,1-12[2025-02-28].http://gfgga60aabc7d15084b00hp6ucb6ncokvc6bcp.fhaz.libproxy.ruc.edu.cn/kcms/detail/51.1307.tp.20250226.1702.019.html.

　　[06]吕仲涛.AI大模型在金融业的应用与展望——以中国工商银行为例[J].新金融,2024,(10):7-9.