kaiyun·开云(中国)官方网站
上月，一个名为 The GPT Portfolio 的账号在推特迅速走红。该账号此前宣布，将借助 ChatGPT 进行实盘投资。
src=根据他们的研究，ChatGPT 不仅能够预测股市价格走势，还能产生超过 500% 的回报！
而在 5 月 26 日，摩根大通也宣布正在研发名为 IndexGPT 的金融服务工具，利用云计算和人工智能进行证券的分析和选择，为客户提供智能化和个性化的投资建议。
今天，让我们不妨先将目光聚焦回国内，分析度小满最近发布的金融大模型——轩辕，看看是否能在该大模型身上，找到这些问题的答案。
上月月底，度小满正式发布基于 BLOOM-176B 研发的轩辕大模型，是一个通用 + 金融领域的千亿级参数大模型。其数据集不但包含了各种通用内容开云官方，还包含了诸如金融研报、股票、基金、银行、保险等方向的专业知识。
在金融场景中的任务评测中，效果相较于通用大模型大幅提升，表现出金融领域的独特优势。
在这里，我们就试着从金融数据、金融新闻理解、市场舆情分析这三个方面，对轩辕大模型在金融领域的表现，进行一番剖析。
众所周知，对于垂直领域来说，大模型所具有的专业数据越多、质量越高，其模型表现就越好。
一个不可否认的事实是：尽管百度这些年一直在尽力在金融领域布局，其麾下的度小满涵盖了消费金融、支付、互联网理财、互联网保险、互联网证券等多个板块，但从体量上来说，其掌握的金融数据，仍旧很难以与国内的一些庞大的金融集团，例如中投相比。
中投在国内控参股 10 多家金融机构，掌控万亿资产，其投资和涉及的行业包括了信息科技、金融、弹性消费品、医疗健康等领域，其中信息科技占比最高，为 22.76%。此外，在工业、通讯服务、非弹性消费品、原材料等领域也有一定分布。
既然没有数据方面的绝对优势，度小满又怎么有信心问鼎国内首个金融大模型呢？
原因就在于，在垂直领域，专有数据的运用，其实远比追求 绝对数据 的优势要重要。
ARK（方舟基金）创投联合负责人及分析师 Will Summerlin 在谈到这点时，曾说到： 对于想抓住这次 AI 革命的公司来说，运用好自身的专有数据集，能让他们快速针对自己的领域来训练或微调模型。
在此前百度搭建的金融生态中，出现了面向大众的消费信贷服务品牌 --- 有钱花、理财平台 -- 度小满理财，以及支付平台——度小满钱包。
这些 APP 中积累的信息，开云官方构成了百度用来训练或调整模型的大量数据，开云官方基于这些数据，百度可以形成一套自身专有的反馈循环系统，进而逐渐形成对产品的洞察力。从而使其能不断针对客户数据优化模型，让模型随着时间推移越来越好。
更重要的是，除了拥有数据之外，将数据与 AI 相结合的能力，也是构建金融大模型不可或缺的一步。
src=早在 2018 年，创立之初，度小满就看到了 NLP+ 金融 的潜力，开始进行相应的产业布局。
而当时不仅全世界专注做 NLP 公司很少，成立专门的金融科技 NLP 团队的更是鲜见。
经过数年的钻研，2021 年，在微软举办的 MS MARCO 比赛中的文档排序 Document Ranking（文档排序）任务中，度小满的 AI-NLP 团队排名第一并刷新纪录。
2022 年，轩辕 ( XuanYuan ) 预训练模型，也在中文语言理解领域最具权威性的测评基准之一 CLUE 分类任务中排名第一。
于是，放眼国内，在金融领域拥有庞大数据的，在 NLP 上却比不过度小满；而在 NPL 上有所建树的，却又很少能搭建出度小满那样专有的金融生态。
除了金融数据外，轩辕大模型的另一个重要的能力，就是其对金融事件、新闻的解读能力。
毕竟，索罗斯这样的金融大鳄，90 年代正是凭借对欧洲舆情、时局的准确判断，做出了做空英镑，做多马克的决定，并一举战胜了英格兰银行。
src=而这种阅读并理解时事，乃至解读市场舆情的能力，则主要是由大模型的自然语言处理能力（NLP）决定的。因为时事解读，舆情分析的主要任务，是对大量的文本数据进行语义分析和情感分析。
在 NPL 方面，轩辕大模型的一个最大特点，就是 化大为小 ， 化通为专 。
具体来说，轩辕通过将开放领域学到的知识迁移到下游任务，不仅改善了低资源任务数据相对不足的问题，也提高了自身的泛化能力和鲁棒性。从而更好地适应不同领域和场景的阅读和分析需求。
然而，这种用大量通用数据预训练一个基础模型，再用特定任务数据微调一个下游模型的做法，开云官方以往存在两个缺点：
一是预训练和微调的数据可能存在不一致或不匹配的问题，导致模型难以适应新任务；
二是微调的数据可能存在不足或不平衡的问题，导致模型难以学习到有效的特征。
对此，轩辕大模型在引入金融任务数据训练的同时，还融合了不同粒度不同层级的交互信息，从而改进了传统训练模式。
src=具体来说，轩辕采用了多阶段的训练策略，先从通用大规模的数据逐渐迁移到小规模的特定业务以及特定任务，然后通过不同的阶段逐渐训练，直到满足目标任务。
这样可以缓解预训练和微调之间的数据不一致或不匹配的问题，提高模型的迁移能力和泛化能力。
同时，在预训练阶段，轩辕还使用了多种自监督学习任务，如掩码语言模型、语句顺序预测、语句内部结构预测，这样可以从不同角度和层次学习语言知识和语义信息，提高模型的表达能力和理解能力。
基于这样的能力，我们也不难理解，为何轩辕大模型曾在 2022 年，在中文语言理解领域的 CLUE 分类任务中排名第一。并且距离人类 表现 仅差 3.38 分。
实际上，金融行业因其与数据的高度相关性，成为了 NLP 最早赋能的行业之一。
src=通过 NLP，人们可以在证券投资中为量化投资贡献因子，如热点挖掘开云官方、舆情分析、事件驱动分析，或是在大数据风控中，用 Tag 抽取技术为构建用户画像提供技术支持。
例如事件驱动分析这一功能，在应用 NLP 技术前，很多金融从业人员真的是靠人盯新闻、公告金融投资，来获取相关信息，然而，从一篇长篇累牍的新闻或公告中，找出一些风险信号或营销机会真的是费时费力。
那么，在具备了准确识别和分析金融事件、市场舆情的能力后，金融大模型是否真的能带众多投资者一飞冲天，成为 AI 加持下的新一批 索罗斯 呢？
还记得开头提到的那个借助 ChatGPT 进行实盘投资，并声称收益率超过 500% 的例子吗？
截至 5 月底，已有 2.5 万名投资者被吸引，总共约押注 1000 多万美元的资金在 ChatGPT 选出的投资组合上。
然而，经过近两周的实践后，人们发现这个 AI 分析师 似乎并没有像传说中的那么 神 。
人工智能选出的股票组合涨幅约为 2%，基本与大盘持平，且按百分比计算，该组合中后五名股票的下跌幅度超过了前五名的涨幅。
src=针对这种情况，有文章分析称，这是因为 Autopilot 实验项目中的投资组合，是命令 ChatGPT 分析 1 万条以上的新闻，并得到得分最高的前 100 只股票，再结合公司财报数据得到综合打分，最终买入的前 20 只股票。
在失去空头部分收益的情况下，实际的投资表现自然会与论文中的回测结果产生较大差异。
等一下，不是说 AI 已经可以通过 NLP，准确地识别并分析金融事件、市场舆情了吗？那为什么在结合了 1 万条以上的新闻 + 公司财报的情况下，AI 分析师 的表现仍然不佳呢？
在人类构筑的媒体世界里，虽然各类的网站、平台或社交媒体数不胜数，但在信息的传播过程中，大部分普通人，却往往会受到少数几家头部权威媒体的影响。
于是在处理某些类型的金融产品或市场时，大模型的数据源，可能会更偏向某些特定的网站或平台，而忽略了其他来源的信息，进而产生了 数据偏见 。
src=此外，在处理自然语言时，大模型可能会遇到一些语义歧义的情况，如果某些词汇有多种含义，AI 在处理时可能会选择错误的含义，导致信息的偏差和误导。
不过，如果因为 AI 不能让人实现梦想中的 投资神话 ，就认为金融大模型的存在，是一种锦上添花的技术，也未免太浅薄了。
因为在可预见的未来，传统风控模式面临效率低下、容易出错、难以面对大规模数据处理等挑战开云官方。
类似度小满在内的企业，通过大模型技术探索，让企业可以自动化地处理大量数据，快速、精准、全面地分析和识别贷款潜在风险，进而优化风险模型，提高风险控制的准确性和效率。
此外，轩辕大模型不仅能够解释授信额度、计算收益率、决策参考等金融专业问题，还能够结合资产状况、收益目标和风险偏好，以及外部的市场动态，给出更符合用户需求的答案和建议。
由此可见，在抛下了 通过 AI 投资暴富 的狂想后，金融大模型仍旧可以在风险防范、金融知识普及方面，让更多群体受益。
