金融投研的 AI 应用现状
金融行业的 AI 落地比客服、制造业慢一截——监管合规、隐私要求、数据敏感性都让节奏更保守。但 2025-2026 年出现了三个已经形成生产力的方向:财报摘要、研报写作辅助、风险信号监控。整体上,头部券商和买方机构已经在用,中小机构还在 PoC 阶段。本文基于公开案例和访谈,梳理这三条线的真实落地情况。
三个真实落地方向
1. 财报摘要与同业对比
一份 200 页的上市公司年报,传统分析师需要 4-6 小时阅读。LLM 把第一步压缩到 5-10 分钟:把 PDF 解析后用 Sonnet 4.5 跑”营收/利润/现金流/风险事项”四段式摘要,准确率约 92%(基于 2025 年头部券商内部评测)。关键不是替代分析师,而是让分析师不用再读 200 页,把时间花在”判断”和”决策”上。
进阶玩法是”同业对比”:一次给模型 3-5 家同行业公司的年报摘要,让它生成对比表,标注”哪家在压费用、哪家在扩产能、哪家在出海”。这个任务 LLM 表现明显优于人工,因为人脑很难同时记 5 份 200 页文档的细节,而 LLM 在跨文档检索上的优势天然适合这种”对比阅读”。
工程上常见的坑:PDF 里的表格 OCR 错误率(尤其扫描件),会导致”营业总收入”和”营业收入”被识别成不同科目。务必用专门的财务 PDF 解析器(如 AWS Textract、腾讯云结构化 OCR),不要直接喂给 LLM 原始文字。
2. 研报写作辅助
卖方研报的结构高度同质化——行业回顾、公司分析、盈利预测、风险提示。LLM 适合做”骨架填充”:给出行业关键数据(销量、价格、政策),自动生成前三段文字,分析师在结果上调语气和结论。某中型券商 2025 年的实测:写一份行业研报从 8 小时压缩到 2.5 小时,质量评分仅下降 3%(10 位买方 PM 双盲评分)。
真正难的是盈利预测:数字必须准确且逻辑自洽,LLM 容易编造数字或忽略时滞数据(比如用 Q1 数据推 Q4)。目前主流做法是”LLM 写解释,Python 算数字”,LLM 只负责把数字变成一段可读的预测逻辑,数字本身用代码从数据库里取。
更细的场景是”事件点评”——上市公司发布公告后 30 分钟内,AI 拉历史相似事件(过去 3 年同行业类似公告的股价反应),生成一段 500 字点评。买方 PM 的反馈是:这个速度的”事件响应”以前完全做不到,现在能稳定产出初稿。
3. 风险信号监控
实时监控新闻、监管公告、社交媒体,提前识别持仓公司的负面信号。这块是 AI 投入产出比最高的场景——一个人类风控员只能盯 30 家公司,LLM 可以盯 3000 家,且不会疲劳。
典型实现:RSS 抓新闻 + LLM 分类”利好/利空/中性” + 触发阈值告警。某公募基金 2025 年用这套系统提前 1-3 天捕捉到 7 起上市公司重大负面事件,平均带来 0.8% 的净值避险收益,年化贡献约 4%。
进阶场景是”对手方监控”:对交易对手的舆情、公告、信用评级做实时跟踪,触发风险限额调整。LLM 的价值不在于”看到新闻”(RSS 也能),而在于”判断这条新闻对持仓的真实影响有多大”——同样的”延迟发货”新闻,对零售公司可能是小问题,对芯片公司可能是供应链危机信号,LLM 能做这种”语境化判断”。
合规边界与责任分担
金融行业的 AI 落地绕不开合规。三个常见误区分清楚:
- “AI 写的研报可以直接发”:错。监管要求研报作者署名,LLM 是工具不是作者,必须人工审核、签名、留档。某券商 2025 年因为”AI 生成的研报未人工核对数字”被监管警示,影响全年评级。
- “AI 信号可以直接用来交易”:错。模型输出仅作为辅助,所有交易动作必须由持牌投顾或基金经理执行,模型决策本身不构成投资建议。算法交易的合规要求更严,任何”AI 自动下单”必须经过算法备案。
- “客户数据可以喂给通用 LLM”:错。客户持仓、交易记录属于敏感数据,必须走私有部署或 BAA 合规的云服务,否则违反《证券期货业网络和信息安全管理办法》和个人信息保护法。
给中小机构的建议
不要从 0 自建 LLM 服务,直接用头部券商走过的路径:采购合规的私有化部署方案(国内主流是豆包、Qwen、DeepSeek 的私有版本),先做财报摘要一个场景跑通,再扩到研报、风险监控。AI 在金融不是”用不用”的问题,而是”谁能用得合规”的问题——先把数据流和审计链理清,再谈模型选型,顺序不能反。
另一点容易被忽略:内部”AI 素养”培训。一个不懂 LLM 局限性的分析师,会把模型幻觉当事实写进报告。务必让业务团队知道”模型可能自信地编造数字”,所有关键数字必须人工核对源头。这是技术问题,更是流程问题。
