AI在中国证券行业使用现状分析

近年来，证券行业正在经历从数字化向智能化的转型。伴随大数据、云计算、人工智能技术的成熟，券商的业务流程、决策模式和合规风险管理方式都在被重塑。本文根据可获得的公开资料收集整理了目前证券行业大模型应用场景，并梳理相关技术路径，供大家参考。

一、智能投顾/研报业务

1.中信证券——Wealth Copilot

功能：通过大模型技术对海量知识、服务经验、历史决策的检索与总结，为公司内部投顾人员提供高水平的展业辅助。

技术路径：大模型训练，积累的问答资料作为大模型的数据集输入，通过设置合理的参数构建平台。

     2.广发证券——金钥匙智能犇犇助手

     3.国泰君安——君弘灵犀

     4.中信建投——信谛听AI智数平台

功能：可以根据用户投资逻辑自动生成策略及回测；可以根据市场信号进行预判；

技术路径：构建了“数据专家+编程专家+建模专家”的AI协作模式，分工完成数据查询、代码生成和策略建模；平台内置了金融知识库、量化知识图谱等约束框架。

     5.中信证券——投研图谱

功能：非结构化文本信息的自动化解析，进而对数据关系进行解析、匹配，形成关联网络，节省人工阅读时间。

技术路径：通过NLP驱动流程，对信息进行解析、抽取；利用基于预训练模型的序列标注模型对文本进行实体、主题词及既有实体相关实体的抽取；由行业研究员对机器抽取的实体与关系进行校验。

   6.长江证券——灵曦投研智能平台

   7.招商证券——招商智研平台

在梳理的众多案例中，智能投顾与智能研报无疑是目前AI在证券行业最亮眼的两大应用。它们同属面向客户的“卖方研究”范畴，都以NLP为核心驱动力，但在应用侧重点上又各有侧重。智能投顾的核心在于交互，它利用NLP技术深度理解客户的口语化提问，精准识别其投资意图与风险偏好，分析客户情绪，并用客户能理解的表达进行输出。有些公司还有专门的对内智能投顾，来为内部客户经理提供对外话术建议。而智能研报的核心在于处理，它综合运用NLP与OCR等技术，将研报、公告、财报等非结构化资料进行自动化解析与结构化处理，并进一步编织成知识图谱，提高研究院工作效率。

二、交易

1.中信证券——Bond Copilot

    功能：通过智能推荐和多模态大模型，自动识别并推送潜在融资需    求，实现投融资两端的高效匹配，辅助业务人员发现项目机会。

    技术路径：基于自研的行业大模型，深度适配债券业务，在投行业务数据上进行训练与微调，确保对专业术语和业务流程的精准理解。融合文本、公告、图表等多模态信息，利用智能推荐算法自动挖掘投融资商机，实现个性化推送。依托“仓颉”等大模型能力服务平台，实现模型训练、部署与监控的全流程管理。

2.中金——多因子 + 机器学习混合模型

功能：在传统多因子框架难以捕捉因子与收益间非线性、交互式关系的背景下，引入机器学习提升策略对复杂市场环境的适应能力，形成模型信赖型（完全依模型重要性选因子，追求高收益潜力）与模型微调型（保留线性多因子可解释性，进行权重微调）两类策略，兼顾高收益与透明稳健。可延伸至CTA、套利等策略，构建更全面的量化决策体系。

 技术路径：【特征工程】使用分钟级价量数据构建细粒度特征，扩充因子维度；【XGBoost树模型】将收益预测转化为高/低收益组判别任务，降低连续值预测的过拟合风险；同时，利用XGBoost的特征重要性评估自动识别并加权重要因子，缓解因子冗余与相关性的不利影响。

3.广发证券——基于CNN的AI复盘与量化选股

功能：将传统价量数据模型难以识别的价格与成交量走势形态，通过CNN转化为二维图像进行自动识别，捕捉图形技术形态及其非线性。

技术路径：低层卷积关注全局价量信息，高层卷积聚焦特定形态要素，实现复杂形态结构的自动识别，将时间序列转换为图像，捕捉头肩顶、双底等形态。

 AI的应用在固收、权益交易中均有涉及，尤其是在量化交易方面，今年以来不少私募机构凭借先进的量化技术取得了亮眼的业绩，众所周知DeepSeek（DS）是幻方孵化的通用大语言模型项目，最初目标是探索AI在投研、交易、风控等环节的通用能力，而幻方是国内头部量化私募，以高频量化+AI模型著称，这其实对券商、公募都有启发意义。这一块可以深挖的内容很多。这里就先蜻蜓点水了。

三、合规风控

1.山西证券——合规问答助手

         功能：为公司内部员工提供日常合规咨询，用于制度学习和法规解答。

     技术路径：LLM+本地化部署知识库+RAG检索匹配，依靠语义相似性关联，但是深度逻辑推理不足。

2.西南证券——合规聊天机器人 

功能：类似山西证券。

技术路径：大模型+向量数据库+知识图谱，以实体—关系—实体成网络知识结构，逻辑推导能力强，能回答复杂问题，但是维护成本高。

3.中信证券——iCare

 功能：舆情资讯识别分析、内外规知识库问答、合规展业等功能，支持多标签数据应用、风控数据问答及风险事件脉络分析等服务，全面覆盖风控、合规、投行和财富管理等业务。

技术路径：清洗结构化及非结构化数据，抽取实体和关系，搭建知识图谱，并通过图计算识别复杂风险关联网络，同时结合RAG+知识库提高大模型回答准确率

4.东方证券——综合性证券风险预警平台

 功能：市场舆情资讯监测、实时债券交易异常监测（含城投利差、房地产经营指标等）、生成风险报告、智能问答。

技术路径：【NLP实体识别】区别于BERT+Softmax等从通用文本识别关键字的技术，该平台采用Global Pointer技术，精准识别嵌套金融实体。

【NLP情感分析】区别于BERT+分类头的传统方法一篇新闻许多次调用大模型分析，通过Prompt该平台可实现在单次推理中对多实体并行分析，结合交叉注意力让模型聚焦于与特定公司相关的文本片段，避免其他公司信息干扰，提升准确率；

【RAG】区别于标准RAG检索->阅读->生成的简单模式，该平台利用Set-based提高对材料精准解析的能力；

【实时数据处理】通常使用定时批处理或Kafka做消息队列可以实现处理历史数据或非实时请求，但是该平台通过流式计算 (Flink) + 事件驱动架构 (EDA) + 4D模型（发现-衍生-决策-执行），可以做到对毫秒级的行情数据进行实时关联与分析。

综上，AI在证券公司合规风控领域的应用集中在问答、舆情分析和监测等方面，公司在权衡准确率、效率以及成本投入后，各家公司的运用各有所侧重。对于一家中小型券商来说，在数据积累、算力投入和运维人力上相对有限，难以承担大型图谱或实时流计算系统的高维护成本，更重要的应该是优先建设轻量化、见效快的问答与舆情监测能力。例如可以先从LLM + 本地化知识库 + RAG入手，可迅速搭建内部合规咨询助手，解决员工日常制度查询与法规答疑；在问答系统稳定运行、积累一定数据与经验后，再逐步引入轻量级舆情监测，用于跟踪客户、标的公司的重大风险信号，提升事前预警能力。（来源：风入四蹄）

Fintecdaily认为，美国券商如摩根斯坦利和高盛在智能投顾领域领先，采用成熟的robo-advisors系统，如Vanguard的Personal Advisor Services，利用NLP和知识图谱实时优化客户投资组合，强调可解释性和SEC披露要求，避免“AI洗白”风险。相比之下，中国中信证券的Wealth Copilot更侧重内部展业辅助，训练数据依赖本土问答集，效率高但解释性不足。在交易环节，高盛的多因子ML混合模型融入XGBoost树，捕捉非线性关系，提升量化策略，而中国中信的Bond Copilot聚焦多模态推荐，适配债券业务，但数据训练局限于本土，规模化逊于美国 hyperscalers。合规风控方面，欧盟AI Act自2025年起强制GPAI模型合规，FINRA要求量子计算和生成AI监督，摩根大通强调数据溯源；中国东方证券的NLP情感分析创新Global Pointer技术，高效但维护成本高，需借鉴欧盟风险评估框架。中国AI应用迭代迅猛，得益国家驱动，但在隐私和伦理上落后美国，2026年或通过中美合作缩小差距，推动全球标准化。