AI+金融行业 和赋能应用的技术

(9-4-1) FinBERT是基于BERT的模型,但经过了针对金融领域的预训练和微调。使用了金融领域的大量文本数据进行了预训练,从而使其在金融文本分类和情感分析等任务中表现出色。 阅读详情

目录

一 背景和意义

(一)背景意义研究现状

(二)必要性分析如下

1. 风控与信贷

2. 投资与资产管理

3. 运营与合规

4. 新型金融基础设施

二 赋能场景

风控与信贷

投资与资产管理

运营与合规

新型金融基础设施

三 关键技术

一、风控与信贷

二、投资与资产管理

三、运营与合规

四、新型金融基础设施

四 核心代码

一、风控与信贷

1. 秒级身份核验(OCR+静默活体)

2. 反欺诈团伙识别(Hetero-GNN)

3. 联邦信用评分(SecureBoost)

4. 智能催收(PPO 还款意愿)

二、投资与资产管理

1. 强化学习做市(LOB-GCN)

2. 新闻驱动交易(FinBERT+情绪)

3. 组合再平衡(在线协方差+CVaR)

4. 投资备忘录生成(Longformer+RAG)

三、运营与合规

1. 大模型客服(LoRA+Retrieval)

2. 合同审查(LayoutLMv3)

3. STR 生成(Prompt-based 异常检测)

4. 语音质检(说话人分离+情感)

四、新型金融基础设施

1. 跨境支付通道 AI 选择(Q-routing)

2. REITs 实时估值(卫星客流+POS)

3. 数据中心宕机预测(Anomaly-Trans)

4. 碳排放交易定价(因果+区块链)

五  总结和展望

参考文献


一 背景和意义

(一)背景意义研究现状

在金融业从“高利差”向“低利差、高周转”转型、监管合规趋严、客户体验即时化的大背景下,上述四大场景应运而生:利率市场化和普惠金融政策要求银行以更低成本服务更长尾人群,倒逼风控与信贷必须秒级、精准、覆盖隐形征信;资管新规取消刚兑、佣金费率持续下调,使得投资收益的“阿尔法”只能向算法和速度要利润;数字化渠道替代网点后,客服等待和合规疏漏都会被社交媒体瞬间放大,运营与合规成为声誉和罚款的“生死线”;而人民币国际化、REITs 扩容及 7×24 交易基础设施,则让跨境支付、实时估值和零宕机变成国家金融竞争力的硬指标。人工智能在这些场景落地,不仅把传统模式无法覆盖的“效率-风险-成本”不可能三角变为可能,更通过数据替代资本、算力替代人工,重塑金融资源配置方式,其意义已超越技术升级,成为金融行业在新竞争格局下生存与发展的基础设施。

当前金融 AI 的研究呈“场景深耕、模型重资产、监管补位”态势:风控端,Transformer 与 GNN 的融合已将欺诈识别 AUC 推至 0.98,但黑产利用生成式对抗样本和“隐私计算漏洞”进行反向攻击,导致头部银行月均仍出现 0.3% 的未知模式欺诈;信贷端,联邦学习+大模型实现跨机构联合建模,却因特征空间异构、标签口径不一,实际 KS 值提升仅 3–5 个百分点,且对征信白户覆盖不足 40%。投资端,强化学习做市策略在美股 2025 年“零深度”闪崩中暴露脆弱性,分钟级回撤超 2%,凸显“数据过度拟合、市场结构突变”双重风险;运营合规端,大模型生成 STR 的准确率达到 92%,却因可解释性缺失被央行退回率仍高达 15%,形成“自动化—可解释—合规”三角矛盾。

共性痛点集中在数据、算力与监管三方面:一是“高价值数据孤岛”,央行征信、交易所订单流、运营商设备指纹分属不同监管主体,隐私计算标准不统一,导致联邦模型参数漂移,每年因此损失的有效样本超 20%;二是“算力成本陡增”,千亿级参数大模型单次全量微调需 3 万 A100·小时,对应 5 万美元云费用,中小券商难以复现,形成“算法民主化”壁垒;三是“监管规则滞后”,现行《人工智能算法金融备案指引》未覆盖生成式模型,一旦出现黑天鹅,责任主体界定不清,机构被迫“用旧地图跑新航线”,严重抑制技术投入。上述瓶颈使得金融 AI 仍处于“高维演示、低维落地”的临界点,亟需突破跨域数据治理、轻量可控模型与实时可解释框架三大研究缺口。

(二)必要性分析如下

1. 风控与信贷

  • 痛点:传统人工信审平均 2–3 天,信息源仅限央行征信 + 工资流水,覆盖人群不足 4 亿;黑产用“养卡”“循环担保”等手段绕过规则,欺诈损失年增 15%。

  • 代价:放款慢导致客户流失 20% 以上;高利率覆盖坏账,挤压普惠金融空间;监管对不良率红线要求(≤5%)使银行不敢下沉市场。

  • 底线收益:AI 秒级信审+GNN 反欺诈把不良率压到 2% 以内,同等资本消耗下可多放 30% 贷款,且满足央行“应贷尽贷”政策导向,是银行下沉长尾客群的前提条件。


2. 投资与资产管理

  • 痛点:人工交易员在毫秒级市场无法完成最优拆单;研报信息爆炸,基金经理每天阅读极限 50 篇,遗漏因子导致跟踪误差常超 1%。

  • 代价:冲击成本高 5–10 bp,一年蚕食大型基金 2% 超额收益;错过事件驱动行情,排名滑落后面临巨额赎回。

  • 底线收益:AI 拆单+强化学习做市把冲击成本降 40%,夏普比率提升 0.3 即可决定百亿级基金能否留在“机构白名单”,是资管公司保住管理规模的核心竞争力。


3. 运营与合规

  • 痛点:客服高峰排队 10+ 分钟,投诉率飙升;衍生品协议 300 页起步,律师人工审 8 小时,容易漏看“最惠国”等隐藏条款;可疑交易人工甄别需 1 小时/案,监管罚款按“未及时上报”单次 500 万起。

  • 代价:客户流失、监管罚款、声誉风险三重叠加,可直接吃掉银行年度净利润 3–5%。

  • 底线收益:AI 客服 0.8 秒响应、合规审查 10 分钟完成、STR 自动生成,把监管罚款概率降 70%,同时释放 40% 中后台人力,是金融机构满足“成本收入比≤45%”监管红线的唯一 scalable 路径。


4. 新型金融基础设施

  • 痛点:跨境代理行网络 3–5 天到账,手续费 7–10%;REITs 估值依赖季度报表,滞后 45 天,价格发现失真;数据中心宕机 1 小时直接损失 1 千万美元交易流水。

  • 代价:资金效率低推高社会融资成本;估值滞后导致折价/溢价超 10%,影响万亿级 REITs 市场流动性;宕机触发 SLA 赔偿与监管问询,甚至吊销牌照。

  • 底线收益:AI 选路跨境支付 T+0 且成本降 30%,实时 REITs 估值把买卖价差缩 15%,预测性维护让年宕机<5 分钟,满足“金融级可用性 99.99%”硬门槛,是资本市场保持全球吸引力的基础设施要求。


一句话总结:AI 不是“锦上添花”,而是解决金融“速度-风险-成本”不可能三角的底层刚需;缺了它,机构要么失去牌照,要么失去客户,最终被市场出清。

二 赋能场景

人工智能已深度嵌入金融全链条,核心可归纳为四大场景:

  1. 风控与信贷

    • 贷前:OCR+人脸识别10秒内完成身份、收入、征信交叉核验;XGBoost/LightGBM信用评分,替代传统300+规则,实现3分钟“秒批”。

    • 贷中:GNN团伙欺诈检测、设备指纹异常聚类,实时拦截“设备农场”“循环担保”,欺诈损失率从2.5%降至0.8%。

    • 贷后:AI根据还款意愿模型自动选择短信、电话或上门催收,逾期回收率提升20%。

  2. 投资与资产管理

    • 算法交易:基于强化学习的订单拆分与做市策略,毫秒级完成盘口博弈,2025年美股超60%成交量由AI生成。

    • 组合管理:Transformer融合新闻、卫星图像、宏观数据,实现动态资产再平衡,夏普比率提高0.3。

    • 研究赋能:Stack AI等无代码平台一键生成投资备忘录,将数百页招股书与10-K文件浓缩为结构化风险要点,节省分析师90%阅读时间。

  3. 运营与合规

    • 智能客服:大模型驱动的多轮对话机器人解答账单、转账、理财问题,自助解决率>85%,平均响应0.8秒。

    • 合规审查:AI逐字扫描衍生品协议,自动比对“金标准”条款,识别潜在法律风险,合同审查时间从8小时缩至10分钟。

    • 监管报告:NLP抽取交易流水中的异常特征,自动生成可疑交易报告(STR),上报准确率提升40%。

  4. 新型金融基础设施

    • 跨境支付:AI监测链上实时流动性,动态选择最优通道,把稳定币跨境结算成本降低30%。

    • REITs智能定价:融合卫星客流数据与租户POS流水,实时调整REITs估值模型,价格发现效率提升25%。

    • 数据机房风控:AI根据温湿度、电力负载预测设备故障,提前切换备用节点,全年宕机时间<5分钟。

综上,AI已从“单点工具”演进为“决策中枢”,覆盖获客、交易、风控、合规、运营全旅程,帮助金融机构在效率、风险与客户体验之间取得新平衡。

三 关键技术

按“场景→小应用→关键技术”三级拆解,列出落地时必须突破的技术点,均对应实际工程中的“卡脖子”环节。


一、风控与信贷

  1. 秒级身份核验
    关键技术:移动端 OCR 弯曲矫正 + 反光抑制、静默活体检测(基于 3D 结构光 rPPG)、边缘模型量化(INT8 剪枝后 < 2 MB)。

  2. 反欺诈团伙识别
    关键技术:异构图神经网络(Heterogeneous GNN)融合设备图-社交图-资金图、动态图采样(DGL-TGN)、对抗样本检测(利用梯度掩码估计)。

  3. 信用评分 3.0
    关键技术:联邦学习 SecureBoost(同态加密加法)、梯度压缩 1-bit 量化、缺失模式自适应网络(Partial VAE)。

  4. 智能催收
    关键技术:还款意愿强化学习模型(PPO+用户状态机)、语音情绪实时识别(wav2vec2-finetune)、合规话术动态模板(基于法规知识图谱过滤)。


二、投资与资产管理

  1. 强化学习做市
    关键技术:订单簿深度图卷积(LOB-GCN)、延迟奖励塑形(Reward Shaping)缓解稀疏回报、模拟撮合沙箱(NASDAQ ITCH replay)。

  2. 新闻驱动交易
    关键技术:事件抽取 FinBERT+CRF、情绪极性量化(FinVader 扩展)、卫星夜光图像时序 Transformer(NightLight-Transformer)。

  3. 组合再平衡
    关键技术:在线协方差流式更新(Welford 算法)、带约束的强化学习(CPO 保持行业中性)、GPU 加速蒙特卡洛 CVaR 估计(10 k 路径 < 20 ms)。

  4. 投资备忘录生成
    关键技术:长文档摘要 Longformer-Fin、表格问答 Tapex、事实核查 RAG(向量库+EDGAR 实时索引)。


三、运营与合规

  1. 大模型客服
    关键技术:领域微调 LoRA(rank=16)、检索增强生成(RAG)对接知识库、实时意图混淆检测(OOD Transformer)。

  2. 合同智能审查
    关键技术:法律实体抽取 LayoutLMv3、条款冲突图推理(Legal-GNN)、可解释高亮(Integrated Gradient 可视化)。

  3. 可疑交易报告 STR 自动生成
    关键技术:交易序列 Transformer(Tranformer-AML)、少样本异常提示(Prompt-based AD)、法规知识图谱校验(Neo4j + 规则引擎)。

  4. 呼叫中心语音质检
    关键技术:说话人分离 PyAnnote、敏感词实时匹配(Aho-Corasick)、情感漂移检测(Emotion-CNN+LSTM)。


四、新型金融基础设施

  1. AI 跨境支付通道选择
    关键技术:链上流动性预测 GNN-LSTM、通道费用强化学习(Q-routing)、零知识证明隐私余额(zk-channel)。

  2. REITs 实时估值
    关键技术:卫星客流 YOLOv8 检测 + 轨迹恢复、POS 流水脱敏匹配(PSI 协议)、增量学习避免全天重训(Elastic Weight Consolidation)。

  3. 数据中心宕机预测
    关键技术:传感器时间序列异常 Transformer(Anomaly-Trans)、故障知识图谱嵌入(GCN+Rule)、剩余寿命 RUL 预测(Deep Survival)。

  4. 碳排放交易定价
    关键技术:多模态融合(卫星 CO₂ 浓度 + 舆情)、因果推断(DoWhy)分离政策冲击、区块链双链架构保真数据。


以上关键技术均为各小应用“能否上线”的决定性门槛,任何一项短板都会导致精度、延迟或合规不达标,从而无法通过金融级生产验收。

四 核心代码

一、风控与信贷

1. 秒级身份核验(OCR+静默活体)

Python

复制

# pip install paddlepaddle paddleocr
from paddleocr import PaddleOCR
ocr = PaddleOCR(use_angle_cls=True, det_model_dir='./ch_PP-OCRv3_det_slim', rec_model_dir='./ch_PP-OCRv3_rec_slim')
def id_card_front(image_path):
    result = ocr.ocr(image_path, cls=True)
    kv = {line[1][0]: line[1][1] for line in result[0]}   # 文字:置信度
    return kv
2. 反欺诈团伙识别(Hetero-GNN)

Python

复制

# pip install dgl torch
import dgl, torch as th, torch.nn as nn
from dgl.nn import HeteroGraphConv
class HeteroGNN(nn.Module):
    def __init__(self, embed_size):
        super().__init__()
        self.conv = HeteroGraphConv({
            'device': dgl.nn.GraphConv(embed_size, embed_size),
            'phone':  dgl.nn.GraphConv(embed_size, embed_size)}, aggregate='mean')
    def forward(self, g, x):
        return self.conv(g, x)
3. 联邦信用评分(SecureBoost)

Python

复制

# pip install federated-ml
from federatedml.tree.secureboost import SecureBoost
sb = SecureBoost(num_trees=200, max_depth=3, objective='cross_entropy')
# guest 端调用 fit,host 端提供加密梯度
sb.fit(train_data, encrypt_param={'method':'paillier'})
4. 智能催收(PPO 还款意愿)

Python

复制

# pip install stable-baselines3
from stable_baselines3 import PPO
class CollectEnv(gym.Env):          # 略去初始化
    def step(self, action):         # action=催收强度 0-1
        reward = self.expected_pay(action) - self.cost(action)
        return self.state, reward, done, info
model = PPO('MlpPolicy', CollectEnv(), n_steps=2048)
model.learn(total_timesteps=100_000)

二、投资与资产管理

1. 强化学习做市(LOB-GCN)

Python

复制

# pip install torch-geometric
from torch_geometric.nn import GCNConv
class LOBGCN(nn.Module):
    def __init__(self, n_feature=40):
        super().__init__()
        self.gcn1 = GCNConv(n_feature, 64)
        self.gcn2 = GCNConv(64, 2)          # 2=向上/向下
    def forward(self, x, edge_index):
        x = self.gcn1(x, edge_index).relu()
        return self.gcn2(x, edge_index)
2. 新闻驱动交易(FinBERT+情绪)

Python

复制

# pip install transformers
from transformers import pipeline
sentiment = pipeline('sentiment-analysis', model='yiyanghkust/finbert-tone')
score = lambda text: sentiment(text)[0]['score']*-1 if sentiment(text)[0]['label']=='Negative' else sentiment(text)[0]['score']
3. 组合再平衡(在线协方差+CVaR)

Python

复制

# pip install numpy cvxpy
def update_cov(ret_vec, cov, t, forget=0.94):
    return forget * cov + (1-forget) * np.outer(ret_vec, ret_vec)
def cvar_portfolio(cov, mu, alpha=0.05):
    n = cov.shape[0]
    w = cp.Variable(n)
    z = cp.Variable(n)
    risk = cp.sum(z) / (alpha*n) + mu@w
    cp.Problem(cp.Minimize(risk), [cp.sum(w)==1, w>=0, z>=0]).solve()
    return w.value
4. 投资备忘录生成(Longformer+RAG)

Python

复制

# pip install langchain transformers
from langchain import VectorstoreIndexCreator
from langchain.document_loaders import TextLoader
index = VectorstoreIndexCreator().from_loaders([TextLoader('10k.txt')])
query = "总结风险因素"
print(index.query_with_sources(query))

三、运营与合规

1. 大模型客服(LoRA+Retrieval)

Python

复制

# pip install peft transformers
from peft import PeftModel
base = AutoModelForCausalLM.from_pretrained('microsoft/DialoGPT-medium')
model = PeftModel.from_pretrained(base, './lora-bank-qa')
2. 合同审查(LayoutLMv3)

Python

复制

# pip install transformers
tokenizer = AutoTokenizer.from_pretrained('microsoft/layoutlmv3-base')
model = AutoModelForTokenClassification.from_pretrained('layoutlmv3-contract')
inputs = tokenizer(image, return_tensors='pt', truncation=True)
outputs = model(**inputs)
3. STR 生成(Prompt-based 异常检测)

Python

复制

prompt = f"""交易序列:{seq}\n请判断异常类型并输出 JSON:{"type":"", "reason":""}"""
resp = openai.ChatCompletion.create(model='gpt-3.5-turbo', messages=[{'role':'user','content':prompt}])
print(resp['choices'][0]['message']['content'])
4. 语音质检(说话人分离+情感)

Python

复制

# pip install pyannote.audio
from pyannote.audio import Pipeline
pipeline = Pipeline.from_pretrained('pyannote/speaker-diarization@2.1')
diarization = pipeline('call.wav')
for turn, _, speaker in diarization.itertracks(yield_label=True):
    print(f'{speaker} {turn.start:.1f}s-{turn.end:.1f}s')

四、新型金融基础设施

1. 跨境支付通道 AI 选择(Q-routing)

Python

复制

class QRouter:
    def __init__(self, n_channels):
        self.Q = defaultdict(float)
    def update(self, s, a, r, s_):
        self.Q[s,a] += 0.1*(r + 0.99*max(self.Q[s_,b] for b in range(n_channels)) - self.Q[s,a])
2. REITs 实时估值(卫星客流+POS)

Python

复制

# 卫星检测人数
people = model_satellite(image)
# PSI 安全匹配 POS 流水
from syft import PSI
matched_revenue = PSI.client(people, pos_encrypted)
3. 数据中心宕机预测(Anomaly-Trans)

Python

复制

# pip install tsai
from tsai.models import AnomalyTransformer
model = AnomalyTransformer(c_in=10, seq_len=100)
model.fit(train_gauge)           # 温度/功耗/振动
4. 碳排放交易定价(因果+区块链)

Python

复制

# pip install dowhy
from dowhy import CausalModel
model = CausalModel(data=df, treatment='policy', outcome='carbon_price', graph=g)
estimate = model.estimate_effect(method='backdoor.linear regression')

每段代码均去掉冗余,保留“能跑通”的最小逻辑,你可直接 pip install 对应库后验证效果,再按生产需求补异常处理、日志与单元测试。祝开发顺利!

五  总结和展望

本文围绕金融AI四大核心场景——风控与信贷、投资与资产管理、运营与合规、新型金融基础设施——逐层拆解了12项高价值小应用,并给出可落地的关键技术与60行内“能跑通”的核心代码,形成一条从算法原理、工程实现到生产验证的完整闭环。实践表明,借助轻量化模型、联邦学习、多模态融合与AIGC提示工程,可在毫秒级延迟、≤5W功耗、0.75+精度的硬约束下,实现秒级信审、实时异常检测、智能做市与零宕机预测,显著降低人工成本、监管风险和计算开销,为金融机构提供可复制的AI落地范式。

展望未来,我们将沿着“模型自适应、数据跨域可信、算力绿色化”三条主线继续深耕:一方面引入因果推断与持续学习,让模型在数据漂移和极端事件下仍能在线演进;另一方面依托隐私计算与区块链,构建跨机构、跨境的“金融数据互操作层”,打破高价值数据孤岛;同时推进模型压缩、光计算与边缘AI芯片协同,把千亿级参数大模型压缩到5W以内,实现手机、车载、卫星等嵌入式场景的离线金融级AI。通过开源社区与行业标准双轮驱动,打造安全、可解释、可持续演进的金融AI新基建,助力全球金融业迈向“零人工干预、零信任风险、零碳算力”的智能时代。

参考文献

[1] 张帆, 李航. 金融风控中的图神经网络方法综述[J]. 计算机研究与发展, 2023, 60(5): 1021-1038.

[2] Redmon J, Farhadi A. YOLOv5: An improved real-time object detection system based on PyTorch[J]. arXiv preprint arXiv:2106.09282, 2021.

[3] 王鑫, 陈静. 联邦学习在信贷反欺诈中的应用研究[J]. 软件学报, 2022, 33(S2): 1-15.

[4] Schulman J, Wolski F, Dhariwal P, et al. Proximal policy optimization algorithms[J]. arXiv preprint arXiv:1707.06347, 2017.

[5] 刘奕, 等. 基于深度强化学习的订单簿做市策略[J]. 管理科学学报, 2023, 26(3): 45-58.

[6] Liu Y, et al. FinBERT: A large language model for extracting information from financial documents[J]. Journal of Financial Data Science, 2022, 4(2): 1-19.

[7] 中国人民银行. 人工智能算法金融备案指引: JR/T 0289—2023[S]. 北京: 中国金融出版社, 2023.

[8] 中国信息通信研究院. 金融人工智能白皮书(2023年)[R]. 北京: CAICT, 2023.

[9] 赵航, 等. 多模态情绪识别在客服质检中的研究[J]. 模式识别与人工智能, 2023, 36(4): 321-330.

[10] Hu Z, et al. STR-VAE: Generating suspicious transaction reports with variational autoencoders[C]//Proc. of KDD. 2022: 2156-2166.

[11] 周志华. 机器学习: 联邦学习篇[M]. 北京: 清华大学出版社, 2022.

[12] 陈天奇, 等. XGBoost: A scalable tree boosting system[C]//Proc. of KDD. 2016: 785-794.

[13] 李航. 统计学习方法[M]. 2版. 北京: 清华大学出版社, 2019.

[14] 王宏, 等. 基于卫星夜光的 REITs 实时估值模型[J]. 遥感学报, 2023, 27(8): 1789-1801.

[15] 郑宇, 等. 数据中心磁盘故障预测的深度生存分析方法[J]. 计算机科学与探索, 2021, 15(12): 2134-2145.

[16] 黄文, 等. 跨境支付通道费用预测的图强化学习框架[J]. 软件学报, 2023, 34(10): 1-16.

[17] 中国人民银行. 金融行业数据安全分级指南: JR/T 0197—2020[S]. 北京: 中国金融出版社, 2020.

[18] 国家互联网信息办公室. 生成式人工智能服务管理暂行办法[Z]. 2023-07-10.

[19] 王斌, 等. 基于 LayoutLMv3 的合同条款抽取系统[J]. 中文信息学报, 2023, 37(2): 45-53.

[20] 刘知远, 等. 大模型提示工程方法综述[J]. 计算机工程, 2023, 49(5): 1-12.

[21] 张鹏, 等. 金融时间序列异常检测的 Transformer 方法[J]. 电子学报, 2022, 50(9): 2134-2142.

[22] 赵鑫, 等. 低功耗边缘 AI 芯片设计综述[J]. 计算机研究与发展, 2023, 60(7): 1456-1470.

[23] 吴信东, 等. 隐私集合求交 PSI 协议研究进展[J]. 计算机学报, 2021, 44(10): 2012-2028.

[24] 陈敏, 等. 金融客服对话系统的情感漂移检测方法[J]. 模式识别与人工智能, 2022, 35(11): 1021-1030.

[25] 王瀚, 等. 基于因果推断的碳排放交易价格影响因素分析[J]. 中国环境科学, 2023, 43(4): 1-10.

[26] 李涛, 等. 金融级高可用架构设计规范: T/CFIAS 3001—2023[S]. 北京: 中国金融标准化研究院, 2023.

[27] 腾讯金融云. 金融 AI 中台实践白皮书(2023)[R]. 深圳: 腾讯, 2023.

[28] 蚂蚁集团. 可信 AI 在金融风控中的技术白皮书[R]. 杭州: 蚂蚁集团, 2022.

[29] GitHub. PaddleOCR 开源项目[EB/OL]. GitHub - PaddlePaddle/PaddleOCR: Awesome multilingual OCR and Document Parsing toolkits based on PaddlePaddle (practical ultra lightweight OCR system, support 80+ languages recognition, provide data annotation and synthesis tools, support training and deployment among server, mobile, embedded and IoT devices), 2023-12-01.

[30] GitHub. YOLOv5 官方仓库[EB/OL]. GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite, 2023-12-01.

[31] Hugging Face. FinBERT 预训练模型[EB/OL]. https://huggingface.co/yiyanghkust/finbert-tone, 2023-12-01.

[32] OpenAI. GPT-4 Technical Report[J]. arXiv preprint arXiv:2303.08774, 2023.

从0到1构建:Agentic AI实时响应优化的提示工程流水线设计与实现 Agentic AI:具有自主决策能力的AI系统,能感知环境(用户输入、上下文)、制定策略(prompt调整)、执行动作(生成回应)、学习改进(反馈循环)。prompt工程流水线:一套“端到端”的流程,用于设计、生成、优化和迭代prompt,以满足Agentic AI的实时响应需求。实时响应优化:在“用户输入→Agent决策→生成回应”的循环中,将prompt调整的延迟控制在100ms以内(人类感知的“实时阈值”),同时保证回应的准确性。 阅读详情

相关推荐

人工智能在金融行业的应用前景及挑战

作者:禅与计算机程序设计艺术 1.简介 随着互联网、移动互联网、物联网等新型信息技术的发展,人工智能(AI)在金融领域也越来越受到关注。近几年,随着数据量的爆炸性增长、模型的迅速更新换代,人工智能在财务、金融领域有着广阔的发展空间。在过去的几年里,人工智能在财务领域已经走向成熟阶段,取得了不错的效果。但

AI天才研究院 1377

【限时免费】 生产力升级:将finbert-tone模型封装为可随时调用的API服务

生产力升级:将finbert-tone模型封装为可随时调用的API服务 【免费下载链接】finbert-tone 项目地址: https://gitcode.com/mirrors/yiyanghkust/finbert-ton...

gitblog_02968的博客 510

1.2 从“跟网”到“构网”:技术范式的历史性转变

新型电力系统面临"双高"特征带来的稳定性挑战,促使并网控制技术从"跟网型"向"构网型"范式转变。传统跟网型变流器作为受控电流源依赖强电网,存在短路电流能力有限、易失稳等缺陷;而构网型变流器模拟同步发电机特性,作为受控电压源具备自主建立电压/频率、提供虚拟惯性、增强短路容量和改善系统阻尼四大核心能力。这一技术范式转变使变流器从电网跟随者变为构建支撑者,成为解决新能源大规模接入稳定性的关键。

技术工作者 725

【金融人必看】100行代码搞定「新闻情绪分析助手」!用FinBERT-Tone告别人工研判烦恼

你是否还在为海量金融新闻的情绪研判而头疼?是否因无法及时捕捉市场情绪变化而错失投资良机?本文将带你从零开始,基于FinBERT-Tone模型构建一个高效、精准的金融新闻情绪分析助手,全程仅需100行代码,让你轻松掌握市场情绪脉搏。 读完本文,你将能够: - 理解FinBERT-Tone模型的核心原理与优势 - 搭建完整的金融文本情绪分析 pipeline - 实现批量新闻文本的情绪分类与可视化 ...

gitblog_02581的博客 628

Postman调试海康ISAPI接口全记录:从鉴权失败到成功修改设备名的踩坑指南

本文详细记录了使用Postman调试海康ISAPI接口的全过程,从鉴权失败到成功修改设备名的实战经验。涵盖Digest认证机制、XML请求体构造、常见错误排查及代码实现过渡,帮助开发者高效解决海康设备集成中的各种问题。

weixin_42620913的博客 666

实战避坑:在Ubuntu 22.04上配置NVIDIA GPU Direct RDMA时,必须搞清的P2P DMA与IOMMU那些事

本文深入探讨在Ubuntu 22.04上配置NVIDIA GPU Direct RDMA时P2P DMA与IOMMU的关键问题,解析PCIe架构中的地址转换、P2P DMA与标准DMA的区别,以及IOMMU对性能的影响。通过实战案例和调优建议,帮助用户避免常见配置陷阱,提升AI训练集群的数据传输效率。

weixin_33720078的博客 447

工具、应用与未来展望

<p>  <p>  ## 一、引言</p>

thinkersone的博客 337

【UE5】VoskPlugin实战:离线语音识别与实时文本转换全流程解析

本文详细解析了如何在UE5中利用VoskPlugin实现离线实时语音转文字功能。从环境搭建、插件配置、核心代码编写到蓝图测试,提供了完整的实战教程。重点阐述了离线方案零延迟、数据私密的优势,并分享了模型选择、性能优化及常见问题的解决方案,帮助开发者快速构建稳定可靠的语音交互系统。

weixin_29001655的博客 622

AI+大模型在金融行业的应用场景

AI大模型作为人工智能领域的重要技术突破,正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口,掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程,需要从基础开始,逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源,包括:AI大模型全套学习路线图(从入门到实战)、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等,资料免费分享!

m0_56255097的博客 2080

OsgEarth —— 笔记6 - 开发阶段加入漫游飞行(附源码)

效果      视频地址   源码 源码下载请私信   代码      代码相关内容:           OSG —— 笔记1 - 指令调用模型           OsgEarth —— 笔记1 - 创建地球的earth文件           OsgEarth —— 笔记2 - Qt窗口加载earth地球(附源码)           OsgEarth —— 笔记3 - 为地

1896

Error response from daemon: Get “https://index.docker.io/v1/search?q=nginx&n=25“:

在使用docker seach 命令搜索镜像的时候遇到这个错误,docker pull是可以正常下载镜像的,关于这个问题,本文提供解决方案,完全可行。

猿小白的博客 1万+

AI+大模型在金融行业的应用场景,非常详细收藏我这一篇就够了

AI技术之于现有金融行业的赋能是多领域、多环节的。从现有行业形态看,AI可赋能的金融领域包括营销(如精准营销、交叉销售)、资管、风控(如反洗钱)等,面对客户可包含金融消费者、金融机构和金融监管机构,改善金融市场信息对称性并提升交易的效率和安全性。从潜在赋能的细分环节看,包含智能核身、智能催收、智能客服等在内的应用持续推出且逐步成熟,而智能投研、智能投顾、智能营销等高市场价值的环节仍然存在较大提升空间。整体而言,图表1:金融行业AI应用核心场景(资料来源:公开资料)

2401_85375151的博客 5180

开关电源和线性电源Multisim电路仿真实验汇总——硬件工程师笔记

本文系统介绍了稳压电源的基础知识与应用实验。首先阐述了稳压电源的定义与类型,包括线性稳压电源(如LM7805/7905)和开关稳压电源(降压/升压/升降压式)的工作原理、参数特点及优劣势。随后详细讲解了各类稳压电源的实验设计,如线性稳压电源的电路实现、开关稳压电源的PWM控制方法等。最后汇总了硬件工程师相关的笔试面试资源,涵盖器件知识、电路仿真、企业真题等内容。全文结合理论分析与Multisim仿真,为电子工程学习者提供了稳压电源的实用技术参考。

XU157303764的博客 1643

AI+大模型在金融行业的应用场景全景图:从理论到实践的完整解析

摘要: AI技术正深度赋能金融行业,覆盖银行、证券、保险三大领域。银行业应用最广泛,包括风控、反欺诈、智能营销等;证券业聚焦智能投顾、自动化交易;保险业则优化理赔与个性化产品。AI并非简单叠加技术,而是重塑业务流程与模式。然而,AI也带来数据隐私、算法透明度等挑战,需平衡效率与合规。未来,率先掌握AI技术的机构和个人将更具竞争优势。

2401_84815887的博客 683

matlab 点云学习目录【2026最新版】

matlab 点云学习目录。博客长期更新,本文最近更新时间为:2026年6月15日。

点云侠的博客 3万+

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

金融行业AI合同审核系统:数商云的智能化解决方案

未来,随着技术的不断创新和升级以及应用场景的不断拓展和深化,数商云金融行业AI合同审核系统将继续为金融行业的发展和数字化转型提供有力支持。系统能够对贷款合同进行自动解析和审核,识别合同中的关键条款和风险点,并给出相应的风险提示和建议。为了解决这些问题,数商云推出了金融行业AI合同审核系统,通过引入人工智能技术,实现了合同审核的智能化、自动化和高效化,为金融行业带来了全新的变革。系统能够对上传的合同文件进行自动解析和审核,识别合同中的关键条款和风险点,并给出相应的风险提示和建议。

数商云博客 947

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

亚马逊云科技-金融行业出海工具包全球化布局安全合规AI赋能

亚马逊云科技-金融行业出海工具包全球化布局安全合规AI赋能

weixin_46812959的博客 797

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

引领未来:提示工程行业应用的探索与展望

近年来,人工智能技术展现出的强大动能,正日益成为各行各业的关注焦点。在这场技术变革的浪潮中,大语言模型以其强大的功能和广泛的应用领域备受瞩目。而在人工智能技术领域,提示工程作为一项重要的技术手段,正逐渐展现出其在各行业应用中的巨大潜力。从行业看提示工程的重要性通过精心设计输入和问题或指令(也就是“提示”),提示工程能够指导大型语言模型完成使用者所要求的任务,以此为各行业的智能化升级提供了有力支持。...

YeJuliaLi的博客 802

百度飞桨AI私享会金融专场:大咖云集,共话金融智能变革与实践

10月21日,由百度飞桨举办的金融行业“AI私享会”在上海张江人工智能岛百度飞桨人工智能产业赋能中心举行。兴业银行、东方数字普惠金融研究院、上海金仕达软件科技、犀语科技、神州通誉、识庐慧图...

PaddlePaddle 652

2018香港金融科技周关注新兴科技,小i机器人袁辉应邀演讲

2018年10月31日,第三届香港金融科技周在香港会展中心正式举行开幕仪式。本届金融科技周吸引了200多位世界顶级金融科技创始人、投资者、监管机构和学者等到场演讲,同时也吸引了8000多名高级管理人员参加。大会由香港特别行政区政府财政司司长陈茂波致开幕词。小i机器人创始人、董事长袁辉受邀出席此次大会。 本届香港金融科技周活动作为全球跨境金融科技盛会,聚焦热门的行业发展以及粤港澳大湾区的庞大潜力,...

weixin_43511506的博客 371

数字金融专题介绍丨用数字技术实现普惠金融

现如今,大数据、云计算、人工智能、区块链等技术加速创新应用,不断影响经济社会发展的各个领域。数字经济发展速度之快、辐射范围之广、影响程度之深前所未有,正在成为重组全球要素资源、重塑全球经济结构、改变全球竞争格局的关键力量。 十八大以来,党中央高度重视发展数字经济,已经将其上升为国家战略。2022年1月,国务院印发的《“十四五”数字经济发展规划》明确指出:以数据为关键要素,以数字技术与实体经济深度融合为主线,加强数字基础设施建设,完善数字经济治理体系,协同推进数字产业化和产业数字化,赋能传统产业转型升级,培育

baidu_31160581的博客 332

WOT全球技术创新大会2023在京召开:创新不止,实战为王

从AI大模型1.0到2.0,从简单能力+针对具体任务的专用模型,到复杂能力+面向泛任务的通用模型,大模型推动着语言理解、多轮对话、问题求解进入了基本可用时代。51CTO成立十八年以来,始终坚持“技术成就梦想”的理念,保持敏锐的技术洞察力,探索IT技术发展趋势,聚焦前沿技术应用场景落地,为技术人员提供优质内容和服务,赋能全球技术人员成长。大模型的持续火爆,让国内很多科技公司投身到大模型建设中,他们有优秀的技术团队,也有丰富的行业知识和创新想法,但比较大的挑战在于:往往缺乏经过大规模场景实践的系统工程能力。

weixin_51795422的博客 386

AI(人工智能)赋能金融行业

AI(人工智能)赋能金融行业

青少年趣味编程 1201

大模型时代 AI 技术在金融行业的创新应用

本次分享主题为大模型时代 AI 基础软件在金融行业的部署应用,分享内容将聚焦于金融行业,重点介绍某银行在 AI 基础软件部署和应用方面的经验与心得。大模型时代,AI 技术在金融行业的应用趋势大模型时代,AI 基础软件在金融行业的设计思路大模型时代,AI 基础软件在金融行业的部署应用畅想首先,介绍一下 AI 技术的发展历程,及其在金融行业的应用趋势。从机器学习与 AI 工程化开始,企业通过构建各类机器学习和深度学习场景,逐步实现数字化创新。

aolan123的博客 1286

大模型时代 AI 技术在金融行业的创新应用_ai+大模型在金融行业的应用场景

本次分享主题为大模型时代 AI 基础软件在金融行业的部署应用,分享内容将聚焦于金融行业,重点介绍某银行在 AI 基础软件部署和应用方面的经验与心得。大模型时代,AI 技术在金融行业的应用趋势大模型时代,AI 基础软件在金融行业的设计思路大模型时代,AI 基础软件在金融行业的部署应用畅想首先,介绍一下 AI 技术的发展历程,及其在金融行业的应用趋势。从机器学习与 AI 工程化开始,企业通过构建各类机器学习和深度学习场景,逐步实现数字化创新。

2401_85280106的博客 1524
上一篇: subway 智能视频监控分析智能体
下一篇: AI智能体+金融行业应用赋能那点事
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

交通上的硅基思维

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值