本报告导读：
　　在AI大模型的赋能下，中国智能投顾市场有望受益于客户付费意愿提升而快速增长，具备数据和算法优势的厂商有望获得更多市场份额，推荐同花顺和东方财富。
　　摘要：
　　中国智能投顾未来市场空间广阔，预计到2025年将达到215亿元人民币。我们认为通过借助AI大模型的能力，未来智能投顾能够为客户提供更多的精准信息以及更深层次的逻辑分析内容，并且AI大模型的应用有望大幅提升智能投顾产品的用户体验，预计客户未来对于智能投顾产品的付费率将有较大提升，进而推动我国智能投顾市场空间的增长。假设到2025年，中国的智能投顾渗透率提升至美国当前20%的水平，对应渗透率为0.0068%，中国智能投顾市场空间有望达到215亿人民币。
　　AI版智能投顾有望面向B端财富管理机构落地先行，赋能机构或投顾等渠道方，进而间接服务C端客户。在当前技术条件的限制下，将AIGC技术直接应用在智能投顾的C端场景具有较高的安全合规风险，如信息泄露风险高、部分C端客户缺乏专业判断可能导致高风险决策等。AIGC技术以2B2C模式赋能智能投顾是一种比较安全有效的落地方式。AIGC技术在智能投顾B端场景中的风险较低，能有效提升投顾服务效能，解决当前投顾人员缺口大、精细化投顾服务难、投顾成本高的痛点。预计未来由金融信息服务商充当AI大模型技术提供方，券商等财富管理机构作为技术应用方，并且将自身数据与AI大模型进行有效结合，以此来提升投顾的工作效率和客户的服务体验。
　　我们认为具备数据和算法优势的厂商有望打造出使用价值更高的智能投顾产品，进而获得更多市场份额。目前我们认为在金融AI大模型领域起到关键性作用的是数据和算法，而并非算力，因为高质量的数据和算法的迭代调优将大幅降低对算力的需求，能够在很大程度上抵消相关国家对于算力设备出口限制带来的负面影响。从海内外的实践经验看，高质量的数据往往来自丰富的业务场景和数据治理能力，算法上的优势则主要来自于人才团队及其管理机制。
　　投资建议：推荐在金融相关语料获取和技术人才团队上具备优势的同花顺（300033.SZ）和东方财富（300059.SZ），未来其有望通过将垂直大模型能力整合到自身的智能投顾产品中，预计客户对其产品的付费意愿将有快速提升，相比将获得更多市场份额。
　　风险提示：AIGC技术发展不及预期；行业竞争持续加剧风险；科技领域政策监管持续收紧风险；AI引发各种法律与伦理问题

研究报告全文：股票研究TableindustryInfo数字金融服务TableMainInfoTableTitle评级TableInvest增持20230926上次评级增持AIGC时代来临智能投顾空间广阔细分行业评级TablesubIndustry行AIGC在中国财富管理行业的应用前瞻刘欣琦分析师李艺轩分析师业021-38676647021-38032033专liuxinqigtjascomliyixuan023724gtjascom题证书编号S0880515050001S0880522120003研TableDocReport本报告导读相关报告究在AI大模型的赋能下中国智能投顾市场有望受益于客户付费意愿提升而快速增数字金融服务逐鹿B端市场AI技术优势将为胜负手长具备数据和算法优势的厂商有望获得更多市场份额推荐同花顺和东方财富20230717摘要数字金融服务IT投入有望提升助力行业行稳致远TableSummary中国智能投顾未来市场空间广阔预计到2025年将达到215亿元人20230611民币我们认为通过借助AI大模型的能力未来智能投顾能够为客数字金融服务阿拉丁助力贝莱德成为户提供更多的精准信息以及更深层次的逻辑分析内容并且AI大模领先的资管巨头型的应用有望大幅提升智能投顾产品的用户体验预计客户未来对20230310数字金融服务Marquee数字化服务平于智能投顾产品的付费率将有较大提升进而推动我国智能投顾市台助力高盛再腾飞场空间的增长假设到2025年中国的智能投顾渗透率提升至美国20230301当前20的水平对应渗透率为00068中国智能投顾市场空间有数字金融服务行业空间长坡厚雪市场望达到215亿人民币格局多强鼎立20220605证AI版智能投顾有望面向B端财富管理机构落地先行赋能机构或投券顾等渠道方进而间接服务C端客户在当前技术条件的限制下研将AIGC技术直接应用在智能投顾的C端场景具有较高的安全合规风究险如信息泄露风险高部分C端客户缺乏专业判断可能导致高风险决策等AIGC技术以2B2C模式赋能智能投顾是一种比较安全有效报的落地方式AIGC技术在智能投顾B端场景中的风险较低能有效告提升投顾服务效能解决当前投顾人员缺口大精细化投顾服务难投顾成本高的痛点预计未来由金融信息服务商充当AI大模型技术提供方券商等财富管理机构作为技术应用方并且将自身数据与AI大模型进行有效结合以此来提升投顾的工作效率和客户的服务体验我们认为具备数据和算法优势的厂商有望打造出使用价值更高的智能投顾产品进而获得更多市场份额目前我们认为在金融AI大模型领域起到关键性作用的是数据和算法而并非算力因为高质量的数据和算法的迭代调优将大幅降低对算力的需求能够在很大程度上抵消相关国家对于算力设备出口限制带来的负面影响从海内外的实践经验看高质量的数据往往来自丰富的业务场景和数据治理能力算法上的优势则主要来自于人才团队及其管理机制投资建议推荐在金融相关语料获取和技术人才团队上具备优势的同花顺300033SZ和东方财富300059SZ未来其有望通过将垂直大模型能力整合到自身的智能投顾产品中预计客户对其产品的付费意愿将有快速提升相比将获得更多市场份额风险提示AIGC技术发展不及预期行业竞争持续加剧风险科技领域政策监管持续收紧风险AI引发各种法律与伦理问题请务必阅读正文之后的免责条款部分行业专题研究目录1中国智能投顾未来市场空间广阔预计到2025年有望达到215亿元3112022年中国智能投顾市场空间预计为82亿元与海外发达市场有显著差距312预计中国智能投顾市场空间将受益于客户付费意愿的提升实现快速增长52AIGC在智能投顾领域有望以2B2C模式落地先行间接服务C端客户721当前AIGC直接应用在智能投顾C端场景有较高的安全合规风险722AIGC有望先以2B2C模式帮助投顾提高服务效能93具备更多数据积累和算法优势的企业有望获得更多智能投顾市场份额1131借助AI大模型打造智能投顾产品的关键在于数据和算法1132数据积累优势往往来自于丰富的业务场景和数据治理能力1433算法优势往往来自于优秀的人才团队及其管理机制164投资建议175风险提示18请务必阅读正文之后的免责条款部分2of19行业专题研究1中国智能投顾未来市场空间广阔预计到2025年有望达到215亿元112022年中国智能投顾市场空间预计为82亿元与海外发达市场有显著差距国际证监会组织IOSCO于2017年发布的金融科技研究报告将智能投顾定义为运用云计算大数据智能算法等技术根据客户不同的投资需求风险偏好为其提供自动化智能化定制化的投资组合管理服务在国内2011年起施行的证券投资顾问业务暂行规定规定投资顾问业务的服务行为仅限于提供投资建议和辅助投资决策不包括接受全权委托管理因此目前中国智能投顾行业的市场主体主要是通过提供金融信息和软件工具来辅助客户进行投资决策虽然国内市场主体不能直接提供自动化基于算法的投资管理服务但根据定义我们认为智能投顾的范畴也包括金融机构将数字技术应用在理财服务流程进而再为客户提供智能化自动化和个性化的资产配置账户咨询理财规划等与财富管理相关的各类线上服务图1智能投顾发展历程数据来源智能投顾国际经验与中国实践国泰君安证券研究预计2022年我国智能投顾空间为82亿元近年来迅速增长鉴于目前我国智能投顾市场主体更多是为投资者提供金融软件信息服务辅助其投资决策因此本文以C端金融软件信息服务收入来表征智能投顾的市场空间根据九方财富招股说明书中弗若斯特沙利文的调研2017-2022E我国金融软件信息服务市场规模从32亿元增长至82亿元CAGR接近21报告显示近年来驱动我国智能投顾市场较快增长的因素包括个人可投资金融资产增长带动需求上升信息技术创新提供技术支持有利的行业政策等请务必阅读正文之后的免责条款部分3of19行业专题研究图2中国C端金融信息软件服务市场规模亿元9082807470605450414032343020100201720182019202020212022E数据来源弗若斯特沙利文国泰君安证券研究我国智能投顾市场仍处于起步阶段与海外发达市场差距明显以美国为例据Statista统计2022年美国智能投顾roboadvisor行业收入达3634亿美元按照智能投顾市场空间居民个人金融资产规模智能投顾渗透率框架进行分析中美两国智能投顾市场规模的差异主要来自于渗透率2022年我国居民个人金融资产规模为243万亿人民币美国居民个人金融资产规模为1063万亿美元按照美元兑人民币173的汇率计算我国居民个人金融资产规模约为美国的3132对应中美智能投顾渗透率分别为0003400342美国智能投顾渗透率约为我国当前水平的10倍我们认为即使考虑到监管政策的差异性未来中国智能投顾渗透率还有较大的提升空间图3美国智能投顾收入规模亿美元400363435030025192502001516150968100552503060201720182019202020212022数据来源Statista国泰君安证券研究请务必阅读正文之后的免责条款部分4of19行业专题研究图4中国居民个人金融资产规模万亿元人民币图5美国居民个人金融资产规模万亿美元2431141250224120010631012200100090020017516680079214580015060010040050200000201720182019202020212022201720182019202020212022数据来源麦肯锡财富数据库国泰君安证券研究数据来源美联储理事会国泰君安证券研究图6中美智能投顾渗透率比较004000034200350003000025000221002000015000150001080010000070000380003300034000500002200020000230002700000201720182019202020212022智能投顾渗透率中国智能投顾渗透率美国数据来源Statista麦肯锡财富数据库美联储理事会等国泰君安证券研究12预计中国智能投顾市场空间将受益于客户付费意愿的提升实现快速增长目前的金融信息服务产品大多基于技术指标来辅助投资者选择投资标的但随着投资者认知程度提升我们认为未来仅提供基于归纳法的技术指标类智能投顾产品难以满足客户需求越来越多的投资者会倾向于基于信息与逻辑进行投资请务必阅读正文之后的免责条款部分5of19行业专题研究图7人是如何做投资决策的基于信息和逻辑以及对交易方式的理解数据来源国泰君安证券研究AIGC发展有望为客户提供更精准的信息和逻辑更好地满足客户需求1AIGC可以为投资者生成信息帮助投资者获取更多经验以GPT为例GPT模型基于自然语言处理的Transformer模型通过对数据进行深度学习算法的训练学习金融领域的专业术语市场趋势投资策略等知识为投资者提供更加准确有效的信息2AIGC可以为投资者提供逻辑帮助投资者更加理性思考Google在论文Chain-of-ThoughtPromptingElicitsReasoninginLargeLanguageModels中提出思维链ChainofThoughtCoT能显著提升大型语言模型LLM的推理表现思维链可以让投资者在投资决策时按照一定的逻辑顺序进行分析从而更加科学理性地做出决策GPT等模型可以根据已经生成的文本作为上下文逐步构建一个思维链从而形成投资逻辑例如在生成投资结论时ChatGPT会根据已经生成的文本和投资目标自动调整投资逻辑的结构和内容从而使得生成的投资结论更加符合实际情况和投资需求图8ChatGPT的工作原理图9ChatGPT为投资者提供信息与逻辑数据来源ChatGPT官网国泰君安证券研究数据来源ChatGPT官网国泰君安证券研究AIGC发展还有望全方位提升智能投顾的客户体验AIGC为智能投顾带来了更强大的数据处理和分析能力提供了更加个性化和智能化的投资建议1AIGC使得智能投顾更加便捷易用大语言模型具备出色的自然语言处理和生成能力可以进行自然流畅的对话投资者可请务必阅读正文之后的免责条款部分6of19行业专题研究以使用自然语言与大语言模型进行交互2AIGC使得智能投顾能够提供更加个性化和定制化的投资服务大语言模型可以通过分析投资者的投资偏好风险承受能力和时间周期生成针对每位投资者特定需求的投资组合建议和资产配置策略3AIGC使得智能投顾能够更全面准确地评估投资机会和风险大语言模型可以处理海量的金融数据和相关信息从各种数据源中提取关键信息分析市场趋势并基于这些分析结果提供投资建议和决策支持4AIGC使得智能投顾能够更灵活地应对市场波动和变化大语言模型具备高速的数据处理和分析能力可实时监测市场数据和投资组合状况捕捉市场机会和风险警示并快速响应市场变化AIGC发展有望驱动智能投顾渗透率较快提升预计2025E行业市场规模达215亿元AIGC赋能下的智能投顾更具交互性可靠性和透明度提高了投资者的投资决策效果有望驱使更多客户对于智能投顾的需求和付费意愿增长进而带动我国智能投顾渗透率提升根据麦肯锡金融业白皮书2023年3月后疫情时代财富管理重启增长到2025年中国居民个人金融资产规模有望达到315万亿在渗透率预计上至2025E我国渗透率提升至美国当前水平的20对应渗透率为00068则2025E行业市场规模有望达21521亿元22-25CAGR为382AIGC在智能投顾领域有望以2B2C模式落地先行间接服务C端客户21当前AIGC直接应用在智能投顾C端场景有较高的安全合规风险2023年7月国家网信办等部门发布生成式人工智能服务管理暂行办法对AIGC服务实行包容审慎和分类分级监管坚持发展和安全并重对AIGC的合规性与安全性提出了更高要求该办法指出提供和使用生成式人工智能服务不得侵害个人信息权益应当提高生成内容的准确性和可靠性提升生成式人工智能服务的透明度基于办法规定智能投顾C端场景更加应当谨慎使用AIGC技术在当前技术条件的限制下将AIGC技术直接应用在智能投顾的C端场景具有较高的安全合规风险首先AIGC在智能投顾C端场景的数据使用量大信息泄露风险高智能投顾C端场景强调AIGC功能的多样性以满足客户多元而分散的需求因此需要AI大模型涵盖不同金融领域的大量多样化且高质量的数据并进行广泛训练在数据使用量过大的情况下数据的审核难度较高容易产生数据安全风险包括但不限于敏感数据泄露违规采集数据等在使用智能投顾服务的过程中如果客户提供给AI大模型的数据被用作进一步迭代的训练数据那么私人数据将作为模型权重记录在模型中在与其他客户交互的过程中AI大模型可能会泄露客户涉及个人隐私财务安全等敏感问题的隐私数据因而存在一定的请务必阅读正文之后的免责条款部分7of19行业专题研究安全风险同时AI大模型本身也可能受到恶意用户的攻击恶意用户可以通过查询大语言模型来获取其他用户的隐私信息从而产生严重的安全合规问题图10AI大模型数据泄露的潜在路径数据来源ChallengesandRemediestoPrivacyandSecurityinAIGC其次AIGC生成内容的随机性可能会威胁C端客户的财产安全AIGC的训练机制决定了模型输出的内容是一个概率问题具有一定的随机性输出错误答案的概率仍然存在当前技术仍无法完全控制大模型生成的内容其中可能包含虚假和欺骗性的内容此类内容会影响信息的准确性并可能对用户的决策产生负面影响在智能投顾C端领域AIGC生成内容的不可控性可能会造成巨大风险客户进行资产配置需要基于准确的信息如果AIGC生成的投资建议与事实不符将可能给用户带来错误的指导造成无法弥补的经济损失使得客户的财产安全暴露在极大的风险之中最后AIGC可能存在技术黑箱问题C端客户难以自行判断并充分信任其生成内容智能投顾C端客户在使用模型时可能无法获得AI决策所使用的信息且难以充分了解其投资逻辑部分客户由于缺少专业知识和相关经验很难自行判断AIGC生成结果的可信度这将可能导致客户做出高风险决策威胁客户的财产安全具有很高的安全合规与监管风险与此同时AIGC缺乏透明度也可能导致客户对智能投顾的不信任和不安感据Statista统计2021年超过70的全球零售投资者对人工顾问的信任度高于机器顾问这种由不透明造成的不确定性和不信任将持续到整个用户体验中并影响随后的交互大大降低智能投顾的服务效能请务必阅读正文之后的免责条款部分8of19行业专题研究图11当前绝大部分零售投资者更加信任人工顾问数据来源Statista国泰君安证券研究22AIGC有望先以2B2C模式帮助投顾提高服务效能AIGC技术以2B2C模式赋能智能投顾是一种比较安全有效的落地方式AIGC在智能投顾B端环境下所关注的功能是特定且有限的场景相对比较狭小数据和训练结果相对可控加之B端场景的使用者即机构专业投顾人员有足够的知识与经验对AIGC的生成内容作出判断可以对缺乏准确性的内容进行人工把关和修改监管难度和安全合规风险都相对较小因此AIGC有望面向B端财富管理机构落地先行赋能机构或投顾等渠道方进而间接服务C端客户我们认为AIGC技术面向财富管理机构落地的路径将可能有以下四种1将大模型的能力直接应用于机构的客户端APP完全面向用户2在应用层下的API层提供类似于OpenAI模型的API调用服务以适应不同场景并降低交易成本3本地化部署针对金融领域开发小型模型考虑到机构的本地化需求和成本控制帮助解决内部问题4联合训练模式与券商合作客户提供数据用于模型训练AIGC技术提供方提供算法和计算资源训练出包含客户专业知识的模型以适配客户内部环境这些方案各有利弊但是我们认为在当前的环境下采取后三种路径落地的可能性更高目前财富管理机构也亟需借助AI能力来提升服务效能1扩大客户服务覆盖面我国现有专业投顾数量不足再加上长尾市场爆发许多客户仍在专业服务范围之外我国2022年市场投资者数量共计2121362万而投资顾问人员仅有74570位理论上计算每位投资顾问需要服务2943位A股投资者才能覆盖庞大的客户群体长期以来机构和高净值个人投资者是重点服务对象海量长尾客户得到的产品和服务较为单一其财富管理需求长期未能得到满足AIGC有望助力投顾服务覆盖长尾客户扩大客户服务面2提升客户服务深度2022财富管理业务发展报告显示过去一年证券公司对投顾方向进行细分的改革需求大幅增加但在投顾人员超负荷覆盖客户群体的情况下很难满足碎片化个性化的理财需求如果对客户的了解无法深请务必阅读正文之后的免责条款部分9of19行业专题研究入精细化服务也无从谈起AIGC有望助力投顾服务实现需求的精准匹配提升客户服务深度3降低投顾成本传统投顾服务以线下一对一人工服务为主其管理费用和运营成本较高而AIGC技术与人工服务结合的方式将具有一对多的特性在一定的规模效应下投顾服务成本可以被大幅降低AIGC有望助力财富管理机构降低投顾成本实现降本增效图12我国市场投资者数量持续增长图13AIGC赋能智能投顾满足长尾用户需求2500021214210001974117777159751700014650133981300090005000201720182019202020212022数据来源中国结算国泰君安证券研究单位万人数据来源国泰君安证券研究图14证券公司对投顾方向进行细分的改革需求大幅增加数据来源新财富未来AIGC赋能下的智能投顾或施行以投顾从业人员为主智能投顾为辅的模式AIGC赋能下的智能投顾将侧重顾的角色帮助投顾从业人员进行基础信息收集初步方案设计投资收益检测等事务性工作由金融信息服务厂商充当AIGC技术提供方券商等财富管理机构作为技术应用方并且将自身数据与AI大模型进行有效结合以此来提升投顾的工作效率和客户的服务体验让投资者获取更多专业投资建议和投资陪伴从长期看金融信息服务厂商有望在2B2C的业务基础上在合规管理的前提下逐步完善自身的智能投顾AIGC模型为直接面向C端客户提供服务做必要的准备请务必阅读正文之后的免责条款部分10of19行业专题研究3具备更多数据积累和算法优势的企业有望获得更多智能投顾市场份额31借助AI大模型打造智能投顾产品的关键在于数据和算法当前算力算法和数据是人工智能产业发展的三个核心要素在这里数据是指训练算法和实现算法所需的信息可以是事实图像声音文本等是人工智能发展的前提算法主要指用系统的方法描述解决问题的策略机制包括机器学习深度学习自然语言处理等能够决定AI大模型的效率和准确性算力主要指的是计算机硬件资源包括处理器内存存储等其通过提供强大的计算资源支持人工智能算法的训练推理和预测处理大规模的数据集优化和调参模型图15当前做好AI大模型的必备三要素数据算法和算力数据来源国泰君安证券研究目前市场上主流观点认为AI大模型在垂直领域落地时算力算法和数据三者缺一不可但是我们认为当前数据和算法的重要性远远大于算力而并非相反主要原因有三1伴随数据规模的增长和数据质量的提升AI大模型所需的算力就越少2020年1月OpenAI在论文ScalingLawsforNeuralLanguageModels中提出了大型语言模型LLM的缩放定律OpenAI指出随着数据规模的指数增长模型在测试集上验证的损失是线性下降的即模型的性能是线性提升的请务必阅读正文之后的免责条款部分11of19行业专题研究图16随着数据规模指数增长模型在测试集上验证的损失线性下降数据来源ScalingLawsforNeuralLanguageModels国泰君安证券研究高质量的训练数据是大模型训练与调优的关键因素以GPT家族的进化史为例从GPT-1到GPT-4模型的整体架构相似而训练数据的规模与质量有很大不同GPT-1使用的训练数据是48GB未经过滤的数据GPT-2使用了40GB经人类过滤的数据GPT-3更是从45TB的原始数据中清洗出了570GB的高质量海量训练数据ChatGPTGPT-4也是使用了高质量人工标注数据与人类对齐图17GPT进化的模型架构相似而数据的规模与质量不断提高数据来源Data-centricArtificialIntelligenceASurvey国泰君安证券研究AI大模型在垂直领域落地时高质量的精品数据同样重要MetaAI发布的论文LIMALessIsMoreforAlignment指出基于GPT的生成式大语言模型在预训练阶段对海量数据的无监督学习以学习通用表示最终得到通用大模型在垂直领域落地时需要在预训练后进行微调和对齐来挖掘和激活语言模型能力MetaAI在LLaMA-65B的基础上只用了1000个精心准备的样本数据进行微调就足以让模型产生高质量的内容2随着算法增强与创新AI大模型所需的算力就越少2020年麻省理工学院计算机科学与人工智能实验室CSAIL的科学家证明了改进算法在提高计算硬件性能方面的重要性对于大型计算问题43的算法系列的同比改进等于或大于备受推崇的摩尔定律带来的收益对于大数据问题算法改进带来的收益尤其大因此近几十年来算法进请务必阅读正文之后的免责条款部分12of19行业专题研究步的重要性不断增加随着问题增加到数十亿或数万亿个数据点算法改进变得更加重要AIGC技术方将越来越需要转向算法等领域来提高性能OpenAI2020年的一篇报告指出2012年到2019年神经网络架构从头开始训练到AlexNet级别性能所需的算力下降了44倍结果表明随着算法改进算法效率提高AI模型使用相同的计算能力可以完成更多任务带来更多收益人工智能的算法效率可以定义为减少训练算法完成某项任务所需的算力如果算法需要尽可能少的资源即几乎不需要任何计算时间和内存来解决特定问题则该算法是高效的算法越高效软件要做的工作就越少所需的算力越少图187年后达到AlexNet性能所需的计算量减少了44倍数据来源OpenAI国泰君安证券研究注任意给定时间的最低计算点以蓝色显示所有测量点以灰色显示3获得算力资源较为容易但是较难获得最前沿的算法和大规模高质量的训练数据在算力领域虽然2022年8月起美国政府限制英伟达向中国出口A100和H100芯片但是国内公司仍然可以选择购买性能略逊的A800和H800芯片进行训练或者购买华为昇腾芯片等国产替代品再或者可以从阿里云等第三方租借算力资源在资金允许的范围内公司基本可以得到需要的算力补充算力资源的相对稀缺性较低不成为训练AI金融大模型的核心障碍在算法领域目前AI技术的论文与代码开源程度较高可以基于Transformer模型进行算法研究国内公司可以采用相似的模型架构但真正在全球领先的公司OpenAI的关键模型并不开源API接口也不向中国地区开放国内短期内也无法有公司能够达到OpenAI的水准因此虽然国内正在进行千模大战实际上国内公司在算法领域的竞争较为同质化并且是在较低维度开展竞争所研发的算法离真正的好用解决实际问题还有相当长的距离这可能会对最终请务必阅读正文之后的免责条款部分13of19行业专题研究AI大模型的商业产品化落地造成阻碍在数据领域AI大模型落地时往往会遇到数据量较少特定领域数据稀缺的情况而形成中文的优质数据库语料库需要公司长期的积累沉淀大规模高质量的数据是助力Al模型训练与调优的关键也是厂商借助AIGC打造优秀智能投顾产品的关键32数据积累优势往往来自于丰富的业务场景和数据治理能力数据优势主要有两个构成因素1丰富的业务场景2数据的治理能力前者决定了初始语料的多寡后者决定了多少语料可以被提取成可供模型训练的高质量数据要做好金融大模型借助AIGC打造优秀智能投顾产品就需要积累涵盖多个业务场景的丰富语料数据包括金融市场数据金融会话数据交易数据用户行为数据金融新闻和评论经济报告和研究金融法规和政策文件等场景的语料数据表1金融大模型需要不同场景的语料积累数据类别应用包括股票市场外汇市场基金市场债券市金融市场数据场宏观经济等数据有助于模型理解市场状况预测市场走势包括在金融终端上投资者之间投资者与智能投顾机器人顾问等进行的会话数据金融会金融会话数据话数据通常是海量且实时产生的有助于模型保持时效性包括在金融终端上进行金融交易活动的数据交易数据有助于模型的风险管理以及对市场情绪的分析包括用户在金融终端的交互行为数据可以用用户行为数据于分析用户需求和偏好从而优化产品和服务包括金融新闻市场评论专家分析等文章金融新闻和评论这些文本可以帮助模型了解金融市场的事件趋势和影响因素包括经济学家研究机构和金融分析师发布的报告和研究涵盖宏观经济行业分析公司经济报告和研究财报等内容这些文本可以给模型提供更深入的金融知识和洞察力包括金融监管机构发布的法规政策文件以金融法规和政策及与金融合规相关的规定这有助于模型理解文件金融市场的法律框架和合规要求数据来源国泰君安证券研究将上述初始语料数据转换为可供训练的数据通常分为以下几步1数请务必阅读正文之后的免责条款部分14of19行业专题研究据清洗初始语料可能包含噪声错误或不一致的数据数据清洗是指对数据进行预处理包括去除重复项处理缺失数据纠正错误等以确保数据的质量和一致性2标注和标准化对于自然语言文本需要对语料进行标注和标准化标注是指对文本进行语义和结构的标记例如词性标注命名实体识别等标准化是指对文本进行规范化如拼写纠正词形还原句法分析等以便模型能够更好地理解和处理文本3分词和词向量化对于文本数据需要将句子或段落进行分词将其划分成词语的序列然后将词语转换为向量表示通常使用词嵌入技术将词语映射到高维向量空间以便于模型处理和学习语义关系4数据增强数据增强是指对训练数据进行扩充以增加数据样本的多样性和数量常用的数据增强技术包括通过同义词替换句子重组等对文本数据进行变换5数据划分为了训练和评估模型需要将数据划分为训练集验证集和测试集训练集用于模型的参数训练验证集用于调整模型的超参数测试集用于评估模型的性能6数据索引和读取为了高效地访问和读取数据在构建大模型时通常需要建立数据索引或使用数据加载器以便于从存储中快速读取和获取数据2023年3月30日彭博社发表BloombergGPTALargeLanguageModelforFinance正式推出为金融界打造的大型语言模型LLMBloombergGPT在金融任务上的表现远超过现有模型彭博社构建了FinPile金融领域数据集一半是金融领域的文本一半是通用文本其中金融领域的文本包含了金融相关网页金融知名新闻源公司财报金融相关公司的出版物等金融数据共包含了3630亿个数据标签作者在论文最后表明BloombergGPT取得良好效果最重要的因素就是高质量的金融数据语料集图19FinPile金融领域数据集数据来源BloombergGPTALargeLanguageModelforFinance国泰君安证券研究表2FinPile数据积累与提取方式数据类别提取方式彭博社通过网络爬虫识别包含财务相关信息的网站并收集网络内容爬虫时侧重于具有财务金融相关网页相关信息的高质量网站而不是通用的网络爬虫数据来源为所有媒体报道的财经新闻并从中财经新闻筛选出与金融界相关的信誉良好的新闻来源以保持真实性并减少偏见请务必阅读正文之后的免责条款部分15of19行业专题研究大多数来自美国证券交易委员会的在线数据库EDGAR提交的文件通常是长PDF文档其公司财报中包含财务信息密集的表格和图表并在模型中对这些数据进行处理和规范化公司公告包含公司发布的公告涵盖公司的公共信息彭博社数据包括彭博社新闻意见和分析数据来源BloombergGPTALargeLanguageModelforFinance国泰君安证券研究33算法优势往往来自于优秀的人才团队及其管理机制算法优势往往来自于优秀的人才团队人才是人工智能产业的核心竞争力算法的领先离不开优秀人才团队的贡献需要庞大的队伍投入不断突破算法的极限优秀的人才团队往往拥有高层次的人员构成需要大量高端人才进行高价值产出由AMiner和智谱研究发布的ChatGPT团队背景研究报告显示ChatGPT研发团队中本科硕士和博士的占比分别为333037其中博士学历占比最高且各学历的人数占比相对均衡图20ChatGPT团队学历分布博士研究生37硕士研究生30本科学士33010203040数据来源智谱研究国泰君安证券研究优秀的管理机制是吸引高端人才建设优秀人才团队的关键优秀的管理机制能够充分调动人才的积极性和创造性为人才实现自身价值提供高效平台AI行业具有强烈的马太效应如果公司自身没有人性化的管理制度创造性的激励机制强大的实力背景于人才而言便是巧妇难为无米之炊中国信息通信研究院发布的中国人工智能产业创新人才竞争力报告2023年显示百度腾讯华为三家大厂占据产业人才竞争力前3这意味着拥有优秀管理机制人才聚集度高的公司能够在AI人才的争夺和储备中占据优势请务必阅读正文之后的免责条款部分16of19行业专题研究图21中国AI产业人才排名分数情况9085580719705826050348345150424404400387403020100数据来源中国人工智能产业创新人才竞争力报告2023年国泰君安证券研究4投资建议推荐在金融相关语料获取和技术人才团队上具备优势的同花顺300033SZ和东方财富300059SZ未来其有望通过将垂直大模型能力整合到自身的智能投顾产品中预计客户对其产品的付费意愿将有快速提升表3推荐公司估值表股票价格EPSPE证券代码证券简称评级20239252022A2023E2024E2022A2023E2024E300033SZ同花顺14640315358422464831973470增持300059SZ东方财富1520064059063237525762413增持数据来源Wind国泰君安证券研究首先两家公司在C端金融信息服务领域具有广泛的活跃用户在金融语料的获取能力方面遥遥领先于同行并且各自深耕数据业务领域有较长时间具备较强的数据治理能力图22同花顺与东方财富APP的MAU分别名列市场一二且大幅领先于同业40000035000030000025000020000015000010000050000000202201202202202203202204202205202206202207202208202209202210202211202212同花顺东方财富大智慧泓乐财富通国泰君安君弘平安证券e海通财小方广发证券易淘金蜻蜓点金数据来源易观千帆国泰君安证券研究单位万人请务必阅读正文之后的免责条款部分17of19行业专题研究其次算法研发和更新迭代主要依靠高端人才目前同花顺和东方财富分别拥有40名和4名博士学历及以上人才在高端人才积累上也大幅领先于同业图23同花顺和东方财富拥有的博士人才数量行业排名前列454040353025201510104511000同花顺恒生电子东方财富大智慧指南针财富趋势顶点软件数据来源各家公司2022年报国泰君安证券研究另外目前两家公司也在人才的招募上具有优势除固定薪酬外两家公司会对高端人才发放期权或者股票作为额外激励提高人才进行成果产出的动力同花顺在人才招募上的优势更为突出其与杭州市余杭区合作共建了同花顺人工智能研究院博士后科研工作站主要招募从事人工智能前沿理论及算法研究信息科学与金融领域的交叉研究等方向的人才根据2022年7月公布的杭州市余杭区服务保障高层次人才创新创业政策实施细则全职博士后在站期间与设站单位签订事业单位聘用合同或企业劳动合同可享受两年最高30万元的生活补贴以及最高50万元的出站留余杭来余杭补助这意味着地方政府在很大程度上解决了高端人才安家落户的顾虑提升了公司招聘高端人才的吸引力5风险提示AIGC技术发展不及预期行业竞争持续加剧风险科技领域政策监管持续收紧风险AI引发各种法律与伦理问题请务必阅读正文之后的免责条款部分18of19行业专题研究本公司具有中国证监会核准的证券投资咨询业务资格分析师声明作者具有中国证券业协会授予的证券投资咨询执业资格或相当的专业胜任能力保证报告所采用的数据均来自合规渠道分析逻辑基于作者的职业理解本报告清晰准确地反映了作者的研究观点力求独立客观和公正结论不受任何第三方的授意或影响特此声明免责声明本报告仅供国泰君安证券股份有限公司以下简称本公司的客户使用本公司不会因接收人收到本报告而视其为本公司的当然客户本报告仅在相关法律许可的情况下发放并仅为提供信息而发放概不构成任何广告本报告的信息来源于已公开的资料本公司对该等信息的准确性完整性或可靠性不作任何保证本报告所载的资料意见及推测仅反映本公司于发布本报告当日的判断本报告所指的证券或投资标的的价格价值及投资收入可升可跌过往表现不应作为日后的表现依据在不同时期本公司可发出与本报告所载资料意见及推测不一致的报告本公司不保证本报告所含信息保持在最新状态同时本公司对本报告所含信息可在不发出通知的情形下做出修改投资者应当自行关注相应的更新或修改本报告中所指的投资及服务可能不适合个别客户不构成客户私人咨询建议在任何情况下本报告中的信息或所表述的意见均不构成对任何人的投资建议在任何情况下本公司本公司员工或者关联机构不承诺投资者一定获利不与投资者分享投资收益也不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任投资者务必注意其据此做出的任何投资决策与本公司本公司员工或者关联机构无关本公司利用信息隔离墙控制内部一个或多个领域部门或关联机构之间的信息流动因此投资者应注意在法律许可的情况下本公司及其所属关联机构可能会持有报告中提到的公司所发行的证券或期权并进行证券或期权交易也可能为这些公司提供或者争取提供投资银行财务顾问或者金融产品等相关服务在法律许可的情况下本公司的员工可能担任本报告所提到的公司的董事市场有风险投资需谨慎投资者不应将本报告作为作出投资决策的唯一参考因素亦不应认为本报告可以取代自己的判断在决定投资前如有需要投资者务必向专业人士咨询并谨慎决策本报告版权仅为本公司所有未经书面许可任何机构和个人不得以任何形式翻版复制发表或引用如征得本公司同意进行引用刊发的需在允许的范围内使用并注明出处为国泰君安证券研究且不得对本报告进行任何有悖原意的引用删节和修改若本公司以外的其他机构以下简称该机构发送本报告则由该机构独自为此发送行为负责通过此途径获得本报告的投资者应自行联系该机构以要求获悉更详细信息或进而交易本报告中提及的证券本报告不构成本公司向该机构之客户提供的投资建议本公司本公司员工或者关联机构亦不为该机构之客户因使用本报告或报告所载内容引起的任何损失承担任何责任评级说明评级说明1投资建议的比较标准增持相对沪深300指数涨幅15以上投资评级分为股票评级和行业评级以报告发布后的12个月内的市场表现为谨慎增持相对沪深300指数涨幅介于515之间比较标准报告发布日后的12个月内的股票投资评级中性相对沪深300指数涨幅介于-55公司股价或行业指数的涨跌幅相对同期的沪深300指数涨跌幅为基准减持相对沪深300指数下跌5以上2投资建议的评级标准增持明显强于沪深300指数报告发布日后的12个月内的公司股价或行业指数的涨跌幅相对同期的沪行业投资评级中性基本与沪深300指数持平深300指数的涨跌幅减持明显弱于沪深300指数国泰君安证券研究所上海深圳北京地址上海市静安区新闸路669号博华广深圳市福田区益田路6003号荣超商北京市西城区金融大街甲9号金融场20层务中心B栋27层街中心南楼18层邮编200041518026100032电话0213867666607552397688801083939888E-mailgtjaresearchgtjascom请务必阅读正文之后的免责条款部分19of19