项目入选与背景 - 恒生电子联合浙商证券及子公司恒生聚源申报的“面向金融行业大模型的多模态高质量数据集建设”项目成功入选国家数据局2025年高质量数据集建设先行先试名单 [2] - 先行先试工作旨在落实“人工智能+”行动 围绕试技术、试支撑、试标准、试机制四项重点任务 建设产业亟需、规模庞大、模态丰富、质量过硬的行业高质量数据集 [2] 项目内容与目标 - 项目聚焦解决金融垂类大模型在数据质量参差、可解释性不足、场景落地困难等方面的核心难题 [3] - 构建“数据融合—标准化处理—知识建模—场景应用—生态赋能”的建设路径 深度融合新闻、财报、研报、公告、会议等多模态信息 [3] - 数据集全面覆盖股票、债券、基金等全品类金融数据以及宏观经济与行业研究指标 通过系统化处理构建高准确性、高时效性、高覆盖的金融高质量数据集 [3] - 后续数据集将落地数据服务平台 可广泛应用于智能投研、智能投顾、风控合规等场景 推动金融大模型在真实业务场景中落地 [3] 公司技术与经验积累 - 恒生电子深耕资本市场信息化建设三十余年 为证券、基金、信托、银行、交易所等金融机构提供技术产品服务 [3] - 公司自2023年起积极开展大模型技术研发与应用 成功发布金融大模型中间件平台“光子”及系列应用 并与多家金融机构开展项目共建 [4] - 恒生聚源作为专业金融数据服务商 在金融数据收集、清洗、结构化处理等方面具有丰富经验 已为近千家机构提供金融数据服务 [4] - 恒生聚源已推出面向大模型深度优化的“AI友好型金融数据库AIDB” 旨在为大模型应用提供高可靠性、高精准的底层数据 [4] 未来规划与行业影响 - 恒生电子和恒生聚源将以本次试点为契机 在国家数据局和证监会指导下 全面践行“人工智能+”行动 [5] - 公司将持续聚焦金融行业高质量数据集建设 为大模型技术在金融业务场景中的融合应用创新打造坚实数据底座 [5] - 项目旨在为金融行业的数智化转型升级和高质量发展注入数据力量 [5]

合并交易的法律挑战 - 自然人股东王功伟向上海市浦东新区人民法院提起诉讼，要求撤销大智慧2025年第二次临时股东大会决议 [1][3] - 诉讼核心主张为大智慧未就重大关联交易履行关键程序，即未聘请专业机构对交易标的进行审计或评估，该程序在交易金额超3000万元且占净资产5%以上时为必需 [3] - 大智慧及独立财务顾问粤开证券、国浩律师（上海）事务所、北京国枫律师事务所均声明股东大会审议程序合法合规，决议合法有效 [5] 合并方案与战略意图 - 交易方案为湘财股份通过向大智慧全体股东发行A股股票进行换股吸收合并，交易完成后大智慧终止上市 [18] - 配套募资不超过80亿元，将投向金融大模型与证券数字化、大数据工程、财富管理一体化、国际化金融科技项目及补充流动资金 [18] - 整合目标为强化产品体系、客户资源、技术储备和渠道的协同效应，提升综合金融服务能力，特别是在证券业务国际化布局上实现突破 [18] 双方经营与股东背景 - 大智慧营业收入从2021年8.19亿元持续下滑至2024年7.71亿元，2024年归母净利润亏损2.01亿元 [9] - 湘财股份营业总收入从2021年45.71亿元降至2024年21.92亿元，2024年净利润勉强突破1亿元，其控股股东新湖控股已将所持99.99%股权质押 [9][10] - 湘财股份在2020年成为大智慧第二大股东后，曾从2023年开始减持，累计套现超4亿元，持股比例从15%降至12.66%，但在筹划重组后终止了减持计划 [11][12][16][19] 交易历史背景 - 双方合并计划延续十年，早在2015年大智慧就曾计划以85亿元收购湘财证券100%股权，但因大智慧被证监会立案调查而终止 [6] - 湘财证券于2020年借壳哈高科上市并更名为湘财股份，随后通过持股大智慧为再次合作埋下伏笔 [9]

核心观点 - Kronos模型是首个专为金融K线数据设计的基础模型，通过将金融时序分析从数值回归范式转向语言建模范式，解决了通用时间序列模型在金融市场中的适应性难题[1] - 该模型在价格预测任务中的RankIC较领先的通用时序模型提升93%，波动率预测的平均绝对误差降低9%，其信号驱动的投资组合实现了21.9%的年化超额收益和1.42的信息比率[2] - 模型的成功标志着从"通用智能"到"领域智能"转型的必要性，为金融大模型的发展指明了方向[2] 通用时间序列模型在金融市场的困境 - 通用时间序列基础模型在金融市场价格预测、波动率估算等核心任务中的表现不及针对单一金融任务设计的传统模型[9] - 金融时间序列数据具有极低的信噪比和尖锐的非平稳性，其数据生成机制不断漂移甚至突变，导致通用模型学到的"归纳偏置"难以适应金融市场的动态本质[10] - 主流时间序列模型的训练语料中金融序列数据的占比普遍低于1%，存在对金融领域的"结构性歧视"，导致模型参数体系难以有效理解和建模金融市场特征[10][11] Kronos模型的技术架构创新 - 模型核心创新在于专有的"金融分词器"与"分层自回归建模"机制，分词器利用BSQ算法将连续K线数据离散化为离散的Token，如同将市场波动转化为"金融单词"[1][18][22] - 分层标记化机制采用"先粗后细"的两步法决策流程，先预测代表市场大势的"粗粒度"标记，再预测捕捉细节波动的"细粒度"标记，大幅降低了计算复杂度[24] - 通过设计复合损失函数训练分词器，强制模型学习符合金融逻辑的信息解耦，确保粗粒度标记承载核心战略信息，细粒度标记补充战术细节[25][26] 模型训练体系与配置 - Kronos构建了覆盖45家全球主流交易所的庞大数据体系，包含超过120亿条K线记录，时间粒度从1分钟到周线共7个频点[30] - 模型提供了多种规模的配置，参数规模从24.7M的Kronos-small到499.2M的Kronos-large，用户可根据实际需求在预测精度和计算成本之间取得平衡[31][32] - 在实战推理中引入了"多情景推演"机制，通过温度调节与核采样技术生成多样化的未来路径，并通过蒙特卡洛模拟提升预测稳定性[32] 实战应用性能与表现 - 在资产配置与组合优化中，由Kronos信号驱动的投资组合在所有基准模型中表现最为突出，实现了最高的年化超额回报率和最优的信息比率[36] - 在风险管理方面，模型波动率预测的MAE较最佳基线降低9%，R²指标提升至0.262，能有效识别市场风险突变点并为动态调整止损阈值或仓位规模提供支持[37][39] - 在交易策略与信号生成中，模型的多频率预测能力支持从高频交易到中长期投资，其价格预测的RankIC平均提升93%，且在不同资产类别中保持稳定[41] 未来展望 - 下一代模型有望突破单一价格序列的分析局限，构建融合K线数据、文本舆情、基本面指标和宏观因子的统一认知框架[43] - 模型未来可能与强化学习、自动决策技术深度结合，构建"感知-决策-执行-优化"的完整智能链路，形成具备持续进化能力的投资智能体[43] - Kronos所确立的"领域专用"路径为金融大模型的发展指明了方向，其突破性表现验证了专用化基础模型在复杂金融场景中的显著优势[2][43]

公司整体业绩 - 2025年前三季度公司实现营业总收入1159亿元，同比增长58.7% [1] - 2025年前三季度公司实现归母净利润910亿元，同比增长50.6% [1] - 2025年前三季度公司基本每股收益为0.58元，同比增长50.6%，加权平均ROE为10.74%，同比提升2.60个百分点 [1] 基金代销业务 - 2025年前三季度公司实现营业收入254亿元，同比增长13.4%，主要受益于权益市场上行带动基金新发及销售回暖 [1] - 截至2025年第三季度末，全部基金资产净值达367万亿元，同比增长115%，环比增长7% [1] - 股票型基金资产净值同比增长139%，环比增长26%，混合型基金资产净值同比增长115%，环比增长17% [1] 经纪与两融业务 - 2025年前三季度公司手续费及佣金净收入同比增长86.8%至664亿元，主要受益于市场交投活跃 [2] - 2025年前三季度公司利息净收入同比增长59.7%至241亿元，主要因融出资金利息收入增加 [2] 自营投资业务 - 2025年前三季度公司投资收益加公允价值变动收益合计为197亿元，同比下降18.2% [2] - 公允价值变动收益同比下降163.7%，主要受自营固收业务收益下降影响 [2] 成本与费用 - 2025年前三季度公司营业总成本为335亿元，同比增长8.6% [2] - 销售费用同比增长20.9%，管理费用同比增长11.5%，研发费用同比下降11.2% [2] 金融科技发展 - 公司依托自主研发的妙想大模型底座，在智能体构建、金融场景应用创新等关键领域取得突破 [2]

行业背景与挑战 - 城商行面临净息差收窄、营收增速放缓及同质化竞争加剧的挑战，区域优势减弱，大型银行持续挤压其生存空间 [1] - 在此背景下，越来越多的银行将AI技术视为实现“弯道超车”的关键路径 [1] - AI在金融行业已从“试试看”走向“必须做”，正从成本中心转变为服务、营销与价值创造的核心 [1] 技术应用与成效 - 蚂蚁数科为银行提供的AI应用已从早期的智能客服、知识问答等单点场景，扩展至覆盖营销、风控、投顾、理赔等核心业务的全栈智能体系统 [1] - 试点银行借助理财经理数字分身，人均服务客户数从200人提升至2000人，有效覆盖中长尾客户，带动收入增长约20% [1] - 上海银行通过AI手机银行实现“对话即服务”，用户可通过自然语言交互办理十余项高频业务，业务转化率提升10% [2] - 浙江一家头部城商行系统性构建“算力-平台-模型-应用”全栈AI能力，落地30多个智能体场景，覆盖客户服务与内部运营 [2] 公司战略与服务覆盖 - 蚂蚁数科致力于支持银行构建自主可控的金融大模型，助力江浙沪地区部分城商行在员工工作效率、营销转化率、营收规模等方面取得显著增长 [1] - 蚂蚁数科的金融数智化服务已覆盖100%的国有股份制银行、超60%的地方性商业银行及数百家金融机构 [3] 差异化实施路径 - 不同金融机构应根据自身资源禀赋与发展阶段选择适合的AI演进路径，例如预算有限的区域性银行可从场景应用入手，按效果付费 [3] - 部分银行优先将原有手机APP/小程序升级为AI手机银行以提升用户体验和活跃度，并分阶段累加智能体应用 [3] - 另有银行将AI作为一把手工程，打造全行知识库和数据集，构建自主“金融大脑”，推动端到端的业务流程重塑和组织升级 [3] - 金融AI升级需要科技与业务的深度融合，经由大规模数据治理、知识工程、模型训练驱动全面变革，实现真正的“AI原生”，而非传统软件开发模式 [3]

行业数智化升维趋势 - 全球金融机构数智化升维正当其时，需从局部试点向系统化布局转变，推动AI从战术工具升级为战略引擎 [2] - 金融机构的战略认知出现范式升级，从业务赋能到模式创新，从成本中心到价值中心，纷纷将人工智能+列为未来发展战略 [3] - AI正重构金融组织运作逻辑，通过智能辅助决策系统释放人力价值，驱动金融服务向高附加值领域进化 [6] 阿里云金融业务进展 - 阿里云2025年正式成为外滩年会战略合作伙伴，其金融行业业务增长翻倍 [3] - 阿里云推出通义点金平台，构建金融行业垂直模型工场，致力于让AI从通用能力转变为业务价值 [4] - 阿里云已构建从IaaS到MaaS的全栈AI技术，其通义大模型已被九成政策性银行及大型国有银行、全部12家股份制银行、国内规模前十的财险公司使用，支撑70%以上的AI应用场景 [4] 金融大模型技术演进 - 大模型成熟和算力普及驱动AI在金融场景大规模落地，AI正从能用跃升到好用 [3] - 基础模型能力持续扩展与私域适配范式深度演进，系统性打破AI在金融场景落地的技术桎梏 [5] - AI能力经历三重进化：从工具辅助到人机协作再到交付结果，技术发展方向是更专业、更聪明、更多模态 [5] AI应用成效与案例 - 在出口跟单信用证审单业务中，多智能体自动审单服务人工审核工作替代率达90% [5] - 智能办公助手可集成制度问答、会议纪要与文档生成提取等功能，使日常事务处理效率提升70%，新员工上岗培训周期缩短50% [5] - AI让金融从业者从重复性劳动转向战略型服务，精准解决风险定价、财富配置等核心领域实际问题 [5][6]

金融与AI融合发展的演进层次 - 金融与AI的融合发展经历了三个层次的演进 [2] - 第一层是数据治理与知识化，核心是云时代的数据平台建设 [2] - 第二层是垂直模型发展与风险控制，金融行业正朝着信贷、理财、养老等垂直领域模型发展 [3] - 第三层是安全体系与全栈AI协同，大模型的安全机制日益重要 [3] 数据治理与知识化 - 数据分层分类治理是AI大模型的基础，中国人民银行正积极推动此项工作 [2] - 公开市场数据如金融资讯与产品信息应开放给企业使用以提升服务效率 [2] - 涉及客户隐私的账户及交易记录等数据需由银行内部管理用于个性化产品设计 [2] - 部分数据平台正升级为知识平台以实现与模型的协同迭代 [2] 垂直模型发展与风险控制 - 模型训练需重点关注金融工具调用、多模态推理及个性化服务能力 [3] - 模型融入新数据与算法时可能产生幻觉率上升、能力下降或新的风险漏洞 [3] - 金融机构正将投资教育融入日常资产分析，结合用户情绪与偏好提供个性化服务 [3] - 需引入评测体系与强化学习手段并将监管规则嵌入模型以确保风险可控 [3] 安全体系与全栈AI协同 - 金融机构开始引入安全围栏等技术构建用户交互、数据供给与模型生产的安全体系 [3] - 底层算力与模型表现密切相关，金融机构需在自主可控前提下优化算力使用 [3] - 模型量化虽可节约算力但可能引发精度丢失问题需谨慎评估 [3] - 金融行业需进一步明确AI与人的责任边界并制定相关标准以应对AI伴生风险 [3]

实验概述 - 全球首次AI炒币实盘对决在Alpha Arena平台进行，六大中美顶级AI模型各获1万美元实盘资金，自由买卖BTC、ETH、SOL等主流加密货币[1] - 实验旨在测试AI模型在最真实、不可预测的金融市场中的表现，而非静态知识评估，模型需分析数据和市场情绪，如同真实交易员[2] - 实验提供了观察AI在真实市场中博弈的窗口，重点在于分析其买卖标的、持仓时长及止盈止损策略，而非仅关注收益结果[11] 参赛模型表现 - 开赛6天后，Qwen3 Max以20倍杠杆、近乎全仓的激进策略实现总收益13.41%，现金余额一度仅剩96.8美元，领先其他模型一天多[7] - DeepSeek Chat v3.1收益率曾接近40%，盈利超4000美元，后随大盘下跌回吐部分收益，收益率稳定在10%左右，位列前两名[3] - GPT-5亏损高达68.9%，表现持续下行；Grok-4因高频激进、涨跌均不割肉的策略，在实现超40%盈利后迅速跳水；Claude因理性保守、仓位轻、止损严，总收益为负17.46%[4] 模型能力背景分析 - DeepSeek由幻方量化团队训练，在金融和数学方面有积累，但此次大赛前的小规模测试中，GPT和Grok实现盈利，DeepSeek反而出现亏损[7] - 实验作为基准测试仍缺乏大样本、长时间、跨市场的数据积累，以及透明可复现的设置，存在较大随机性和不可靠性[9] AI在投资领域的应用现状 - 据路透社消息，至少十分之一的散户投资者已开始依赖ChatGPT或Gemini等聊天机器人筛选投资标的[12] - 券商eToro指出，使用AI选股要求使用者具备一定金融知识，否则试错成本高昂，且目前并无市场公允推荐的能高成功率预测市场的模型[12] - 多家券商已推出收费AI选股服务，如中国银河证券的“财富星AI投顾”包含AI选股、数据等功能；东方财富“妙想”模型分体验版、进阶版和专业版，季度费用从518元至818元不等[16][18] 金融大模型发展历程 - 2023年彭博社发布500亿参数的BloombergGPT，但其成本高昂、系统封闭，普通开发者无法触及，模型为黑箱运作，金融预测性提升感知不强[14] - 2025年8月清华大学发布开源项目Kronos，旨在利用时间序列大模型预测K线走势，但使用者反馈其观点判断过于平均市场化或臆造，预测结果难以信服[14] AI投资的局限性 - 大模型往往从市面挖掘有效因子，对矛盾之处缺乏深入推理，导致策略趋同，难以跑赢资金体量更大、信息调研更强的量化机构[15] - AI更擅长技术面分析，如趋势、成交量等；基本面分析多重复新闻和研报，仍需用户自行分析行业前景和盈利能力[21] - AI难以判断“黑天鹅”风险，对“灰犀牛”事件认知滞后，面对全新商业模式或颠覆性技术等“未知的未知”时可能犯灾难性错误[23][24] - 知名投资人段永平将AI投资定义为“高级的看图看线”，认为其是在优化“猜人心”的游戏，而非实践“估价值”的投资[23] 有效使用AI投资的要点 - 用户需比AI更懂投资，明确自身炒股目标和纪律，并注意AI数据的可靠性，具备被投资行业的常识[20][22][23] - AI输出质量高度取决于数据质量和提示词设计，用户需反复与AI解释强调以达成定义共识，例如对价值投资和“护城河”的理解[20][21] - 利用AI进行上市公司财报总结和行情基本分析是高效趋势，可将繁琐的文本图表任务交给AI，但选择模型不应以名气判断，而应根据自身目标考察完成度准确性，并保持频繁使用和调换[18][22]

行业综合实力 - 银行业总资产达467.3万亿元，同比增长7.9%，位居世界第一 [2] - 全球1000强银行榜单中，143家中资银行上榜，前10位占据6席 [2] - 大型商业银行总资产204.2万亿元，同比增长10.4% [2] 业务模式转型 - 行业从依赖“基建—房地产—金融”旧模式转向“科技—产业—金融”新模式 [1] - 行业淡化规模情结，主动调整业务结构，转向注重资本回报、资产质量和经营效率 [1][3] - 银行业逐步搭建起多层次、广覆盖、差异化的组织体系，形成特色化经营格局 [2] 机构定位与分工 - 国有大型银行定位于综合化、国际化经营，聚焦重大战略、项目和重点领域 [3] - 全国性股份制商业银行在零售金融、财富管理、投资银行等赛道突出特色化经营 [3] - 城商行、农商行等区域性银行坚守服务本地、小微和三农的定位，做深做透区域市场 [3] 资产质量与风险抵御 - 商业银行不良贷款余额3.4万亿元，不良贷款率1.49% [4] - 商业银行拨备覆盖率为211.97%，资本充足率为15.58% [4] - “十四五”时期处置不良资产较“十三五”时期增长超40% [4] 中小金融机构改革 - 高风险中小银行机构数量较峰值大幅下降，部分省份实现动态清零 [5] - 农信社改革探索出统一法人、联合银行等多种因地制宜模式 [5] - 中小金融机构风险得到有效化解，经营能力和服务水平显著提升 [5] 科技投入与数字化转型 - 2024年六大行金融科技投入共计1254.59亿元，较2023年增长2.15% [6] - 六大行科技人员总数首次突破10万人 [6] - 金融大模型落地加速，应用场景快速拓展 [6] 普惠金融发展 - 普惠型小微企业贷款余额达36万亿元，是“十三五”末的2.36倍，年均增幅约20% [7] - 2025年上半年新发放普惠型小微企业贷款平均利率较“十三五”末下降2个百分点 [7] - 数字技术有效破解重点领域和薄弱环节“融资难”“融资贵”问题 [6][7]

行业综合实力与格局 - 银行业总资产达467.3万亿元，同比增长7.9%，位居世界第一 [2] - 全球1000强银行榜单中，143家中资银行上榜，前10位占据6席 [1][3] - 行业从“基建—房地产—金融”旧模式转向“科技—产业—金融”新模式，淡化规模情结，主动调整业务结构 [1] - 形成错位发展、优势互补、各展所长的高质量发展新格局 [1] 资产规模与结构 - 大型商业银行总资产204.2万亿元，同比增长10.4% [2] - 贷款规模在总资产中占比稳步提升 [3] - 银行业资产规模随经济总量增加而增加，以匹配全球第二大经济体的金融服务需求 [3] 机构定位与服务体系 - 国有大型银行定位于综合化、国际化经营，发挥“领头雁”作用 [4] - 全国性股份制商业银行在零售金融、财富管理等特定领域突出特色化经营 [4] - 城商行、农商行等区域性银行坚守服务本地、小微、三农的定位，做深做透区域市场 [4] - 搭建起多层次、广覆盖、差异化的组织体系，金融服务深度下沉 [3][4] 资产质量与风险抵补 - 商业银行不良贷款余额3.4万亿元，不良贷款率1.49% [5] - 商业银行拨备覆盖率为211.97% [5] - 商业银行资本充足率为15.58%，一级资本充足率为12.46%，核心一级资本充足率为10.93% [5] - “十四五”时期处置不良资产较“十三五”时期增长超40% [5] 风险化解与改革 - 高风险中小银行机构数量较峰值大幅下降，部分省份实现“动态清零” [6] - 采取“一省一策”、“一行一策”的精准化险工作方法 [6] - 农信社改革探索出统一法人、联合银行等多种因地制宜模式 [6] - 中小金融机构风险得到有效化解，经营能力明显提升 [6] 科技投入与数字化转型 - 2024年六大行金融科技投入共计1254.59亿元，较2023年增长2.15% [7] - 六大行科技人员总数首次突破10万人 [7] - 银行推动业务从数字化向数智化转型，金融大模型落地加速，应用场景快速拓展 [7] 普惠金融发展 - 截至2025年6月末，全国普惠型小微企业贷款余额达36万亿元，是“十三五”末的2.36倍，年均增幅约20% [8] - 2025年上半年新发放普惠型小微企业贷款平均利率较“十三五”末下降2个百分点 [8] - 数字技术助力破解重点领域和薄弱环节“融资难”、“融资贵”问题 [7][8]