以下是关于如何用 AI 建立金融模型的相关内容：
金融服务公司拥有大量历史金融数据，可利用这些数据微调大型语言模型或从零开始训练模型，从而迅速回答各类金融问题。例如，经过特定数据训练的模型能回答产品相关问题或识别洗钱交易。金融服务行业准备借助生成式人工智能实现五个目标：个性化消费者体验、成本效益高的运营、更好的合规性、改进的风险管理以及动态的预测和报告。
在现有企业与初创公司的竞争中，现有企业因拥有专有金融数据访问权限在使用 AI 推出新产品和改进运营时有初始优势，但受准确性和隐私高标准限制；新进入者最初可能用公开金融数据训练模型，随后会生成自己的数据并以 AI 作为新产品分销突破口。
以摩根大通为例，其模型显示美联储鹰鸽派评分变化对加息可能性的影响。摩根大通通过与大学和国际合作培育生态系统，采用开源合作推动知识产权发展。政策制定者和主要国际机构可融合不同模型等投入制定预测，人工智能能处理大量数据集完善经济和货币预测，为政策决策提供信息。摩根大通已任命专人领导新的数据和分析部门，有众多数据管理人员、科学家和工程师专注于相关工作，人工智能已在多方面为公司增加巨大价值。
需要注意的是，生成式 AI 在金融领域的输出有局限性，尤其在需要判断或精确答案的领域，目前不能完全依赖其准确性，至少需要人工审查。新进入者和现有参与者在将生成式 AI 用于金融服务时面临两个主要挑战：一是使用金融数据训练模型，新进入者可能先使用公开数据再用自身收集的数据，现有参与者可利用专有数据但往往过于保守，新进入者可能有竞争优势；二是模型输出准确性，金融问题答案影响重大，不能产生错误，一开始人类常作为最终验证环节。生成式 AI 对金融服务公司是巨大变革，现有参与者和初创公司将争夺关键挑战的掌控权，最终受益的是未来金融服务的消费者。
金融服务公司拥有大量的历史金融数据；如果他们使用这些数据来微调大型语言模型（或者像[BloombergGPT](https://www.cnbc.com/2023/04/13/bloomberg-plans-to-integrate-gpt-style-ai-into-its-terminal.html)那样从零开始训练模型），他们将能够迅速地回答几乎任何金融问题。例如，一个经过公司客户聊天记录和一些额外产品规格数据训练的LLM，应该能够立即回答有关公司产品的所有问题，而一个经过公司十年可疑活动报告（SARs）训练的LLM，应该能够识别出一组表明存在洗钱计划的交易。我们相信金融服务行业已经准备好使用生成式人工智能来实现五个目标：个性化的消费者体验、成本效益高的运营、更好的合规性、改进的风险管理、以及动态的预测和报告。在[现有企业与初创公司之间的竞争](https://a16z.com/2015/11/05/distribution-v-innovation/)中，由于拥有对专有金融数据的访问权限，现有企业在使用AI推出新产品和改进运营时将拥有初始优势，但他们最终将受到对准确性和隐私的高标准的限制。另一方面，新进入者最初可能需要使用公开的金融数据来训练他们的模型，但他们将迅速开始生成自己的数据，并逐渐使用AI作为新产品分销的突破口。让我们深入了解这五个目标，看看现有企业和初创公司如何利用生成式AI。
按照摩根大通的模型，美联储鹰鸽派评分每上升10个百分点，现在就意味着美联储下一次政策会议上加息25个基点的可能性增加了大约10个百分点，反之亦然。为了让这类成果更加深入并取得更广泛的应用。摩根大通以及其他银行如第一资本、BBVA和ING等知名企业与大学的合作和国际合作来战略性地培育生态系统，采用开源合作来推动知识产权发展。研究者认为：政策制定者和主要国际机构通过融合不同模型、经济理论和务实观点的投入来制定预测。由此产生的共识为政策决策提供信息。这就是人工智能可以发挥更大作用的地方。通过处理大量数据集、检测模式并整合多个变量，人工智能可以完善经济和货币预测。中央银行和政府将从对通胀、国内生产总值增长和失业率等指标的更准确预测中受益。这些增强的模型可以为政策选择提供信息，改善利率、流动性管理和宏观审慎措施的决策。为了让这些伟大的构想一步步成为现实，摩根大通最近任命了在该公司已工作三十多年的Teresa Heitsenrether领导一个新成立的数据和分析部门，该部门将管理该公司在技术方面的工作。戴蒙表示：如今，我们已经有300多个人工智能用例投入生产，用于风险、勘探、营销、客户体验和欺诈预防，并且人工智能贯穿我们在全球的支付处理和资金流动系统。人工智能已经为我们公司增加了巨大的价值。人工智能帮助我们显着降低了零售业务的风险（通过减少欺诈和非法活动）并改善交易优化和投资组合构建（通过提供最佳执行策略、自动化预测和分析、目前，摩根大通有1000多名数据管理人员、900多名数据科学家（创建新模型的AI和机器学习（ML）专家）和600名ML工程师（编写将模型投入生产的代码）。他们专注于自然语言处理、时间序列分析和强化学习等方面的人工智能和机器学习。
也就是说，需要注意的是，生成式AI在这里的输出当前仍有局限性，特别是在需要判断或精确答案的领域，这常常是财务团队所需的。生成式AI模型在计算方面持续改进，但目前尚不能完全依赖于其准确性，或者至少需要人工审查。随着模型的快速改进、额外的训练数据和与数学模块的整合能力，它的使用将展现新的可能性。–Seema Amble挑战在这五个趋势中，新进入者和现有参与者在将生成式AI的未来变为现实时面临两个主要的挑战。1.使用金融数据训练LLMs：LLMs目前是在互联网上训练的。金融服务用例将需要使用特定于用例的金融数据来微调这些模型。新进入者可能会开始使用公开的公司财务数据、监管文件和其他易于获取的公开金融数据来优化他们的模型，然后最终在随着时间的推移使用他们自己收集的数据。现有的参与者，如银行或具有金融服务业务的大型平台（例如，Lyft），可以利用他们现有和专有的数据，这可能会给他们带来初步的优势。然而，现有的金融服务公司在接受大型平台转变时往往过于保守。在我们看来，这给了无拖累的新进入者竞争优势。2.模型输出准确性：考虑到金融问题的答案可能对个人、公司和社会产生的影响，这些新的AI模型需要尽可能准确。它们不能产生幻觉或编造错误但听起来自信的答案来回应关于个人税收或财务状况的关键问题，它们需要比流行文化查询或通用高中作文的大致答案更准确。一开始，人类经常会作为AI生成答案的最终验证环节。生成式AI的出现对金融服务公司来说是一个巨大的平台变革，有潜力催生个性化客户解决方案、更加成本高效的运营、更好的合规和改进的风险管理，以及更具动态的预测和报告。现有参与者和初创公司将争夺我们上面概述的两个关键挑战的掌控权。虽然我们还不知道谁将最终胜出，但我们已经知道有一个明确的赢家：未来金融服务的消费者。