AI赋能资产配置（六）海内外资管机构AI大模型应用探索

总量策略·资产配置 证券分析师：王开021-60933132wangkai8@guosen.com.cnS09805210030001 证券分析师：陈凯畅021-60375429chenkaichang@guosen.com.cnS0980523090002 核心观点 ◼AI大模型技术日新月异，赋能金融资产管理行业。在技术供给端方面，近几年AI大模型大规模集中发布，对改变当下社会生产生活具有强大的潜力；在业务需求端方面，全球资产管理规模发展趋势乐观，但利润下行等压力并存，亟需寻求降本增效创新方案。而资产管理行业需要处理庞大复杂、获取门槛低的数据信息，极其适合在业务端发挥AI大模型的优势促进提效降本，增添强大的发展新动力，因而许多资管机构都重视AI大模型的战略意义并且推进投资布局。 ◼国外资产机构依托三大优势迅速推进AI大模型应用。国外依托数据生态成熟、金融科技基建完善、技术起步早等优势，加速开展在资产管理领域的AI大模型实践应用。贝莱德（BlackRock）和摩根资管（J.P.MorganAsset Management）等全球知名的资产管理机构将大模型应用到已有的AI集成平台或系统当中，在自研平台中确保数据安全，并定制行业专属的数据集训练方案。Vanguard提出大模型应用的创新解决方案，在实践方案与应用方法论层面实现突破。 ◼DeepSeek助推国内资管机构加速智能化转型。DeepSeek在发布后，因其高效、安全和开源等特点，与国内各行业各机构快速实现合作部署，其中包括金融资管领域。易方达基金、富国基金等国内资管机构已经部署了DeepSeek大模型，推进应用于多个业务场景。DeepSeek短时间内能实现大规模部署，强力推动了国内资管机构积极探索大语言模型应用，加速智能化转型。 ◼“AI+HI”的人机协同模式是资产管理行业应用AI大模型的趋势，明确AI大模型的“协助者”本位。AI大模型在技术上存在“幻觉”问题，存在提供虚假或误导性信息的可能，要凭HI（HumanIntelligence）辅以人工的信息筛选以及决策把关，明确资管主体的“主驾驶”定位和AI大模型工具的“副驾驶”定位，规避数据泄露等风险的同时，将AI大模型工具应用于资管业务价值链各个环节，提高AI大模型应用广度和深度以实现降本增效，增强资管机构的行业竞争力。 ◼风险提示：(1)AI大模型落地进程出现波折；(2)技术算法模型存在偏差；(3)文中所提及公司仅做客观事件汇总，不涉及主观投资建议。 目录 AI大模型赋能金融资管行业01国外资管机构的AI大模型应用案例02国内资管机构的AI大模型应用案例03资管领域应用AI大模型的场景04挑战与启示总结05 技术供给端：AI大语言模型的技术爆发 ◼大语言模型是信息时代AI技术发展的产物。大语言模型（LLM）是基于人工智能（AI）系统构建的复杂算法模型,核心特点是规模庞大，体现在参数规模大、训练数据量大和计算资源消耗高，能够处理、理解和生成自然语言（如人类使用的文字或语音）。能够应用于社会生产生活的各个领域当中。 ◼AI大语言模型在近几年开始了大规模的集中发布。从2017年发布的Transformer到2025年的DeepSeekR1,诸如OpenAI、Google、Microsoft等全球知名科技公司和国内幻方量化公司，都发布了自研的大语言模型。其演变掀开了人工智能技术爆发的序章，尤其是在大语言模型领域，其崛起由三个里程碑式的成就凸显：（1）Transformer：该模型为构建精确灵活处理复杂任务的大规模高效模型奠定基础；（2）ChatGPT：通过对话式AI，连接了高级AI与普通用户的桥梁，增强大语言模型的互动性和可访问性，产生广泛的社会影响；（3）DeepSeek-R1：大幅降低算法成本，且开源性质加速了顶尖AI的普及应用，在对AI发展方向产生深远影响。 业务需求端：大语言模型对资管行业的适配性 ◼全球财富市场与资管行业的需求与压力并在。根据BCG公司的《2024年全球资产管理报告》，2023年全球资产管理规模同比增长12%，达到118.7万亿美元，各地区管理资产规模均实现正增长,资管行业在呈现乐观发展趋势的同时，也面临着利润下降等多重压力。全球资产管理行业面临着全球资产规模增长的需求和自身利润下降的压力，能寻求能实现降本增效、提高服务质量的方案。 ◼依托AI大语言模型的自然语言处理能力，能高效解决资产管理中的数据困境。在资产管理活动中会面临着繁多复杂的数据信息，包括市场数据、公司数据、客户数据等，AI大语言模型能够在庞大的信息网络当中展开搜集、整理、分析、预测等工作，进行覆盖全过程的精细化的数据处理。与其比较，通过纯人工的方式去应对海量数据的效率十分低，在搜寻和整理所需要的信息时容易陷入“信息迷宫”，在分析和预测环节又容易因为信息掌握不完全或失真而降低产出质量。 供需结合：资管机构对AI的重视程度 ◼随着大模型及生成式AI的快速发展，资管机构纷纷将AI视为战略重点。根据BCG的调查，多数资管机构认为GenAI将对业务产生显著影响，并积极投入资源进行应用探索。调查数据显示，54%的资管机构预期GenAI在未来三至五年内将对业务产生重大影响，仅有2%的机构认为其影响微乎其微。这表明大多数资管机构已经认识到GenAI在提升投资决策效率、优化风险管理以及改善客户服务体验等方面的巨大潜力。同时，55%的资管机构已将GenAI视为战略优先级，并开始试点应用，显示出其在行业战略规划中的重要地位。 ◼国内方面，金融行业在AI领域的投资规模正以惊人的速度增长。根据中电金信与IDC联合发布的《中国金融大模型发展白皮书》，2024年，中国金融行业AI和生成式AI投资规模达到196.94亿元，预计到2027年将飙升至415.48亿元，增幅高达111%。而资管机构作为金融市场的核心参与者，也正积极拥抱这一技术变革，大力投资AI和大模型研发与应用。 目录 AI大模型赋能金融资管行业01国外资管机构的AI大模型应用案例02国内资管机构的AI大模型应用案例03资管领域应用AI大模型的场景04挑战与启示总结05 国外：国外资管机构迅速推进AI大语言模型应用 ◼国外资管机构依托“技术先发+基建完善+数据成熟”三大优势，加速推动AI大模型的应用：第一，成熟的金融市场与数据生态。美国上市公司信息披露的制度较为完善，信息披露的标准化程度高，为大模型训练提供了高质量、低噪声的数据训练集，而国内机构常受数据碎片化与标注成本制约。第二，金融科技基础设施建设的早期建设与未来扩建。早期的金融科技基建（如标准化API接口、云原生架构）能大幅降低模型部署门槛，避免重复造轮子，而基建投资规模还在扩大，贝莱德投资研究院估计到2030年数据中心和AI芯片的投资每年可能超过7000亿美元，相当于美国GDP的2%以上。第三，技术先发优势。国外头部资管机构早在AI大模型爆发式发布前就已构建了专属AI平台与系统，如贝莱德（BlackRock）的Aladdin平台，不断迭代和集成AI，天然适配AI大模型，而2024年初该公司称正在开发AladdinAICopilot（“副驾驶”），将大模型进一步应用到Aladdin平台，加速AI创新迭代。 贝莱德：阿拉丁智能投资平台与AICopilot ◼贝莱德阿拉丁平台(Aladdin)是由全球最大的资产管理公司贝莱德(BlackRock)开发的一体化投资管理和风险管理技术平台。Aladdin的命名取自“Asset,Liability,andDebtandDerivativeInvestmentNetwork”几个单词的首字母缩写，体现了其整合所有业务线，为客户提供综合解决方案的目标。 ◼通过引入大模型技术和生成式AI，阿拉丁平台进一步提升了其AI智能化水平。贝莱德已经利用生成式AI为阿拉丁平台构建AladdinAICopilot。AladdinAICopilot有助于加强整个阿拉丁平台的连接组织，立即提供答案以支持关键业务决策，从而提高效率并更快地发现可操作的信息。其让客户能够使用贝莱德的大型语言模型技术从阿拉丁中提取信息。 图7：贝莱德公的阿拉丁平台功能 贝莱德：系统化主动权益投资（SAE）策略 ◼贝莱德系统化主动权益投资（Systematic ActiveEquity）其在主动管理领域的重要创新，融合了系统性投资策略与AI大模型等先进技术。其运用机器学习，自然语言处理等大数据分析方法，来捕捉对投资有指导价值的投资信号，已有超35年的研究经验和投资实践。如今，SAE团队拥有超100名投资专家、数据科学家和科技精英，投资范围覆盖全球权益市场，资产管理规模达2110亿美元。 ◼贝莱德SAE策略在投资理念、风险管理、交易成本管理等方面形成了全面且严谨的投资方法论：（1）在投资理念方面，策略模型通过多维度分析，例如个股基本面和投资情绪，寻找具有超额潜力的标的；（2）在风险管理方面，始终全仓投资、不集中头寸，践行分散性投资，在个股、行业、风格等方面严格控制风险；（3）在交易成本管理方面，SAE策略会在投资组合最优化的时候在预期超额收益、风险贡献相类似的标的中选择交易成本更有性价比的。 贝莱德：SAE策略与自研大模型 ◼贝莱德SAE团队自成立以来不断引入前沿技术，在大模型和机器学习等AI领域持续迭代深耕。从1985年利用计算机分析财务报表进行基本面选股，到2008年在硅谷组建专注于大数据和机器学习的数据科学团队，SAE不断推动AI领域的创新。随着ChatGPT等通用AI大模型的出现，SAE自主研发的大语言模型已发展至第六代，在预测财报发布后的股价变动等金融应用中，其精确度超越了通用模型。 ◼相较于通用的ChatGPT模型，贝莱德的专有大型语言模型（LLM）在投资领域的应用展现出更高的精确度。贝莱德集团董事总经理赵睿透露，公司自主研发的大型语言模型（LLM）采用了类似于ChatGPT的Transformer技术，应用于系统化主动投资。但是与ChatGPT侧重于人机交互不同，贝莱德的LLM专注于与投资相关的任务，如预测上市公司财报会议后的股价表现。因此，贝莱德的LLM模型是依托更具针对性的数据库进行训练，对投资研究中的特定任务能表现出更高的准确性。 资料来源：贝莱德官网、官方微信，国信证券经济研究所整理*截至2024年5月。该分析采用500个盈利电话会议记录作为样本，计算了每个模型预测的股票回报，并将其与40日远期回报进行比较。准确性是每个模型预测正确的比例。分析所用模型为GPT-3.5(2023年3月)、GPT-4(2023年6月)、GPT-4Turbo(2024年1月)、GPT-40(2024年5月)和贝莱德系统化投资模型(2023年12月)。 贝莱德：SAE策略与主题机器人 ◼贝莱德推出的“主题机器人”是一种结合了大型语言模型优势和专有数据的创新工具，旨在快速、灵活地构建股票篮子，以应对市场关注的议题。凭借这一快速、灵活构建股票篮子的流程，能够更加高效透明地构建长仓/短仓或仅长仓股票篮子，而传统方法(机器耗时的人工构建或利用现有券商篮子)可能存在缺乏透明度和覆盖范围有限的局限性。 ◼重要的是，投资组合经理的专业知识贯穿整个流程：确定具体主题或情景、利用人为确定的先验知识自定义分析、在大型语言模型的逻辑中完全透明地迭代输出、精炼投资组合所表达的见解。虽然需要最少的人为干预就能帮助识别出主题交易中不太容易被识别的内容，但在某些情况下，投资组合经理的见解对于纠正大型语言模型所犯的错误或提供更多背景以提高输出质量至关重要。 摩根资管：LLM Suite ◼摩根大通（J.P.Morgan）为资产和财富管理部门的员工提供了一款名为LLM Suite的生成式人工智能平台，其旨在通过人工智能技术提升业务生产力和决策效率。该平台被称为“研究分析师”，具备三项关键功能：生成和完善书面文件、提供创造性解决方案、总结大量文档。LLMSuite协助约5万名员工（占总员工数的15%）完成各种任务