2025年数字孪生技术金融应用研究报告

北京金融科技产业联盟2025年3月 目录 （一）数字孪生的概念与发展.....................................1（二）数字孪生的金融政策指引...................................2（三）数字孪生体系架构.........................................2（四）数字孪生的关键技术.......................................4 二、金融应用发展..................................................9 （一）金融业业务场景痛点.......................................9（二）金融业数字孪生需求方向..................................12（三）金融业数字孪生建设进展..................................13 三、应用场景分析.................................................16 （一）虚拟厅堂服务............................................16（二）数字人..................................................18（三）仿真业务数据............................................20（四）智能运营................................................23（五）供应链金融..............................................25（六）绿色金融................................................27（七）普惠金融................................................29（八）养老金融................................................30 四、机遇与挑战....................................................33 （一）数字孪生带来的机遇.......................................33（二）数字孪生面临的挑战.......................................35 （一）数字孪生有望助力金融机构做好“五篇大文章”...............38（二）数字孪生与金融业务联系更加紧密...........................38（三）数字孪生与物联网、5G等技术的融合逐渐加深................39（四）数字孪生与虚拟现实的结合为金融带来了新机遇...............39（五）安全意识提升.............................................40 附录A：金融业数字孪生应用实践.....................................41 案例一：中电金信数据孪生实验室.................................41案例二：中电金信数字孪生智能运营驾驶舱.........................44案例三：交通银行数字人.........................................47 摘要：随着数字经济发展，数字孪生（DigitalTwin）技术成为连接物理世界与虚拟空间的重要力量。本课题围绕数字孪生技术在金融领域中虚拟厅堂服务、供应链金融、智能运营等场景的应用，探索了其在提升客户体验、优化流程、强化风控的潜力。通过具体案例实践，为金融行业数字孪生应用提供借鉴和指导。 一、数字孪生介绍 （一）数字孪生的概念与发展 数字孪生（DigitalTwins）概念于2003年提出，最初被定义为与物理产品对应的虚拟数字化模型。2010年，美国开始在航天与军事领域推广数字孪生，通过模拟和优化航空器和航天器的数字化模型以改进其性能。2014年后，如西门子、达索等世界知名的工业软件公司开始在各自擅长的工业领域提出数字孪生的衍生概念与应用方案。 2015年，国内航空工业领域吸收并应用了数字孪生概念，通过集成各类传感器采集的数据，使用机器学习等人工智能算法，建立可实时更新的“拟真”模型，以支撑各类航空工业产品的生命周期内的各项活动。 数字孪生是集成了多物理量、多尺度、多概率的系统，经过最初在航空航天领域的应用，逐渐扩展到电力、城市管理、建筑、制造、金融等多个行业；数字孪生在精确反映物理对象的虚拟模型中，会给研究对象（例如，风力涡轮机）配备与重要功能方面相关的各种传感器。这些传感器产生与物理对象性能各个方面有关的数据，例如，能量输出、温度和天气等等，然后将这些数据转发至处理系统并应用于数字副本。一旦获得此类数据，虚拟模型便可用于运行模拟、研究性能问题并生成可能的改进方案；所有这些都是为了获取富有价值的洞察成果，然后将之再应用于原始物理对象。 （二）数字孪生的金融政策指引 在金融行业，中国人民银行于2021年发布的《金融科技发展规划（2022-2025）》1中明确提出要运用数字孪生等技术手段，深化吸纳数据综合应用，为跨机构、跨市场、跨领域综合应用夯实多维度数据基础，建立面向用户、面向场景的大数据知识图谱和综合分析能力的业务要求。 2024年，中共北京市委金融委员会办公室联合人民银行北京市分行、国家金融监督管理总局北京监管局、北京证监局、市科委中关村管委会、市经济和信息化局印发实施了《北京市推动数字金融高质量发展的意见》2，提出搭建数据开放共享机制，通过数字孪生、联合建模、图计算等技术手段，对数据资源进行价值挖掘和关联分析。 （三）数字孪生体系架构 数字孪生体系架构需支撑数字孪生的核心目标，建立与物理空间等价的虚拟实现表达，并在全生命周期内支撑物理空间的运营与决策。从架构的视角来看，从上至下分为四层（见图1）。 应用层：包含数字孪生技术应用的各类业务应用，对内外部客户提供服务。金融行业内常有数字孪生财富管理类应用，数字孪生风险控制类应用，数字孪生零售应用类业务，数字孪生支付清算类应用等。 服务层：包含支撑数字孪生业务应用的各类技术服务，包括感知技术类服务，通常有IoT，5G等类型服务。建模服务，指通过技术手段对物理实际业务实体进行建模映射。渲染服务，指根据通过建模服务得到的模型进行渲染，从而得到一个与物理实体等价的虚拟实体。仿真服务，指在建立虚拟实体上进行各类运算，从而对实际物理实体的运行决策进行支撑。 数据层：包含支撑服务层各类服务的各类数据，包括从物理实体各处采集和监测的数据，以及对数据中间集和物理实体历史数据仿真的生成孪生数据。同时，数据层能够运用机器学习，大模型技术等AI技术对数据集进行各类预测及模拟生成，对数据进行虚拟化，实现数据智能孪生。 算力层：支撑以上各层服务的算力基础设施层，包括云计算、容器化、云原生等技术，通用计算、智能计算、存储、网络等资源，提供弹性高效的算力基础服务。 （四）数字孪生的关键技术 支撑数字孪生架构体系的关键技术如下。 1.渲染技术 渲染技术通常指通过计算机图形引擎，多层次实时渲染呈现数字孪生体实境的技术。通常支持包括宏大开阔地理信息如城市环境，精细细密局特征等，主要能力至少包括有三维实体的可视化渲染能力，数据可视化渲染能力，业务逻辑可视化渲染能力，应用逻辑可视化渲染能力等。 2.仿真技术 工程仿真传统上一直被用于新产品设计和虚拟测试。虚拟仿真技术（CAE）是实现工业产品及制造过程模拟仿真与优化的核心技术，是支持工程师进行产品创新设计最重要的工具和手段，在保证产品质量的同时能大幅度缩短产品研 发周期，节省产品研发成本。在数字化设计技术和虚拟仿真技术发展和集成应用的过程中，产生了DigitalMockup（DMU，数字原型）、DigitalPrototyping（数字样机）、VirtualPrototype（虚拟样机）、Functional Virtual Prototype（全功能虚拟样机）等技术，主要是用于实现复杂产品的运动仿真、装配仿真和性能仿真。仿真技术是创建和运行数字孪生模型、保证数字孪生模型与对应物理实体实现有效闭环的核心技术之一。 3.数据孪生技术 数据孪生作为金融领域数字孪生底层的关键技术，该技术通过机器学习模型对一组业务数据的分布进行学习，从中找到相应规律，进而生成与之相类似的数据，实现业务数据的仿真模拟。为实现数据的高质量仿真，需要使用机器学习领域的生成式模型，主流的生成模型包括生成式对抗网络（Generative adversarial net，GAN） 和 变 分 自 编 码（Variationalautoencoder，VAE）两大类。 （1）生成式对抗网络（GenerativeAdversarialNet，GAN） 生 成 式 对 抗 网 络 （GAN） 由 两 部 分 组 成 ： 生 成 器（Generator）和判别器（Discriminator）。GAN的工作原理基于一个零和游戏（zero-sum game），其中生成器试图生成足够真实的数据以“欺骗”判别器，而判别器则试图区分真实数据和生成器产生的假数据。 生成器：生成器的目标是捕捉训练数据的分布，以便能够生成新的、看似来自真实数据集的数据点。它通过接收一个随机噪声信号作为输入，并将其映射到数据空间中。 判别器：判别器的任务是识别输入数据是来自真实数据集还是生成器。通过这种方式，判别器指导生成器产生越来越逼真的数据。 GAN的训练过程涉及到不断调整生成器和判别器的参数，使得生成器能够产生越来越难以被判别器区分的数据，而判别器则变得越来越擅长识别真伪。这个过程最终导致生成器能够产生高质量的假数据。 （2）变分自编码（Variational AutoEncoder，VAE） 变分自编码器（VAE）是一种基于概率的生成模型，它通过学习输入数据的潜在表示来生成新的数据。VAE的核心组 成 包 括 两 个 主 要 部 分 ： 编 码 器 （Encoder） 和 解 码 器（Decoder）。 编码器：VAE的编码器负责将输入数据映射到一个潜在空间（latentspace）中的表示。这一过程涉及了概率分布的估计，通常是假设潜在空间遵循高斯分布。 解码器：解码器的任务是从潜在空间的表示中重构出输入数据。通过这种方式，VAE能够生成与训练数据类似的新数据。 VAE的训练涉及到最小化重构误差和潜在空间分布与先验分布（通常是标准正态分布）之间的Kullback-Leibler(KL)散度。这种方法不仅促使模型学习有效的数据表示，还保证 了潜在空间的平滑性，使得我们可以通过在潜在空间中采样来生成新的数据点。 4.建模技术 建模技术是将物理世界中的对象、过程或系统转化为数学模型或计算机模型，为数字孪生提供一个虚拟的“骨架”。几何建模是最基础的一环，通过CAD计算机辅助设计软件创建物体的几何形状及物体间行为框架，通过一系列可变参数控制模型。针对复杂场景，可基于点云的建模技术通过LiDAR（光检测和测距）或其他3D扫描设备获取大量空间坐标点，然后使用表面重建算法如Delaunay三角剖分或泊松重建。此外，动态建模技术，专注于捕捉和表示系统的动态行为，常见用于表达逻辑流程和状态转换的状态机建模，用来模拟并发事件和资源分配问题的Petri网建模等。建模技术为数字孪生提供了坚实的理论和技术支撑，正向着更加自动化、智能化的方向不断发展。 5.感知类技术 感知类技术包括常见的物联网Io