當前數字化與AI成為證券行業構建實現“新質生產力”的重要突破點，證券公司對大模型的應用由早期的對話、智慧搜尋、“數智人”等初級階段，逐步向垂類應用、場景融合、生態構建等方向持續拓寬。2024年以來，大模型在證券行業的應用進入發展新階段，多家金融機構相繼推出金融垂直領域大模型，賦能機構業務各業務場景向智慧化、規模化和個性化方向發展。
• 從大模型應用形式來看，當前證券行業應用的大模型主要分為外部接入型和自研型兩類，部分證券經營機構採取混合模式，例如自研平臺+外部模型適配。
• 從大模型應用場景來看，證券經營機構一方面致力於打造覆蓋自動化客戶服務、研究、量化交易、智慧風控、融資融券等機構業務全鏈條應用場景的垂類大模型應用場景；另一方面逐步從前臺業務賦能向算力基建、模型適配、資料閉環、深度應用等方向轉型，推動大模型建設從“AI工具應用”邁向“AI生態構建”。
大模型研發形式
（一）自研大模型打造技術壁壘
國泰君安、中信證券等公司的自研模型能夠根據自身的機構業務需求、資料特點和戰略目標進行深度定製和最佳化，與公司內部的業務流程、資料架構和系統生態深度融合、無縫對接，實現更高效的協同工作，提升整體業務效率，同時構建技術壁壘。
（二）自研平臺+外部模型適配
2024年以來，隨著阿里通義千問、幻方DeepSeek等開源大模型的增多，以及行業機構對成本效益的重視，證券公司關注點轉向大模型應用研發。
證券經營機構採取自研與合作相結合的方式，透過引入效能優異的開源大模型，並進一步採用提示工程、檢索增強生成、智慧體等技術對大模型進行最佳化，提升大模型生成內容的準確性、即時性和解決特定業務任務的能力，快速搭建業務場景應用。
在此過程中，證券經營機構透過精準定位並專注於那些能夠帶來最大業務價值的技術領域，開展特定領域或業務流程的技術創新，塑造差異化的競爭優勢。
大模型應用方向
大模型在證券經營機構中的應用可覆蓋底層算力、中臺效率及前臺服務全流程，目前已基本形成“底層算力與應用層建設並重，通用問答向垂直領域定製化模型轉型”的發展格局。
（一）底層算力
在敏感資料不出域的要求下，證券公司在絕大部分業務場景中都需將大模型進行私有化部署，確保在公司私有環境中處理本地資料，這要求部署大模型應用的證券公司在算力資源方面進行必要投入。從證券經營機構大模型建設實踐來看，主要有兩種建設方向。
• 本地化部署與算力最佳化：多數證券經營機構未明確提及具體算力建設，但普遍強調對大模型的適配和最佳化。例如華西證券、國盛證券完成DeepSeek本地化部署，透過演算法創新降低訓練與推理成本，提升算力效率。
• 智慧算力平臺建設：透過自建大模型智慧應用平臺，實現從底層算力適配到應用部署的全流程支援。例如國元證券基於華為昇騰架構搭建智慧算力 平臺，總容量達20P（每秒20億億次計算）。該平臺將成為公司AI技術應用的底層支撐，推動業務場景智慧化升級支援大模型高效執行。
考慮到算力成本投入巨大，證券公司需對投入產出做綜合考量，具體而言，一是短期的算力建設目標應以業務需求為導向，合理規劃算力規模，避免盲目求大；二是對於制定了明確人工智慧發展戰略的證券公司，應基於大模型技術發展趨勢研判中長期算力規模，在此基礎上制定相應的建設目標，在機房容量、網路架構等基礎設施方面預留好擴充套件空間；三是針對高效能AI算力供不應求的局面，做好基於異構算力裝置的大模型技術棧規劃，以利用市場機制保障裝置供給；四是完善算力雲化技術，實現算力的靈活彈性供給和提高算力資源的利用效率。
（二）中臺管理
大模型可透過流程管理、合規風控、資料治理等場景深度賦能證券公司機構業務中臺，實現機構業務中臺效率的大幅度提升。
1.流程管理
證券經營機構透過引入大模型開發平臺，可對現有的機構業務流程進行升級改造。
• 面向機構端服務人員，可以透過提示詞工程敏捷打造通用解決方案，建設重複性工作，實現生產力提升；例如華福證券引入騰訊雲TI-OCR大模型技術，將機構開戶材料的上傳準確率提升50%，並透過智慧分揀減少人工干預，實現開戶流程全自動化。
• 面向研發人員，基於底層大模型基礎能力，融合其他技術能力，沉澱知識檢索、程式碼生成、資料分析等標準化端到端解決方案；例如廣發證券開發程式碼輔助生成工具，提升研發效能。
• 面對管理人員，打造大模型開發流水線，支援微調、分散式訓練、計算資源排程等能力，為跨部門協作最佳化提供全鏈路工具支撐；例如國泰君安構建“1+N”大模型叢集，覆蓋投研、投行、財富管理等場景，透過統一中臺實現機構業務資料共享與協同決策。
2.資料治理
資料是機構業務的重要生產要素，資料的規模和質量對機構業務服務效率及服務質量的提升至關重要。多數證券經營機構在資料管理方面應用大模型進行資料整合、清洗和分析，提升資料質量與價值。
一是利用大模型實現全量知識庫構建，透過大模型整合公司內部文件、業務規則、市場資料等非結構化資訊，構建動態更新的知識圖譜，賦能機構客戶投研服務。例如，西南證券透過大語言模型中臺實現知識庫的智慧分類與檢索，提升投研效率和合規審查能力；海通證券構建基於自適應檢索路由的專家模型和行業金融知識庫，實現內外部資料融合的智慧問答。
二是提升資料治理水平，構建自動化資料處理流程，實現資料接入、清洗、標籤、儲存的流水線處理，提升資料集構建和維護的效率；完善面向大模型開發的資料質量評估方法，建立例行化評估機制，定期進行資料質量檢測和監控。例如銀河證券利用DeepSeek-R1的推理能力，結合自身研究資源庫，實現客戶資料探勘與投研資源精準匹配；華西證券利用大模型技術與資料治理深度融合，實現資料高效整合、清洗與分析。
三是賦能機構客戶智慧分析服務，開展產業鏈智慧挖掘。例如海通證券聯合商湯科技開發多模態大模型，解析研報、財報中的圖文資訊，生成結構化資料支援投研決策；國金證券透過自研模型分析新聞、公告等非結構化資料，自動生成產業鏈關聯圖譜，輔助投研人員快速定位投資機會。
3.合規風控
在強監管合規環境下，證券經營機構需要降低合規風險並提升機構服務質量。隨著大模型技術的創新，證券經營機構可利用大模型升級智慧稽核系統、開展智慧合規審查、識別潛在風險、生成合規報告等，例如：中信證券開發的大模型風控合規助手，整合多種功能，覆蓋多業務領域，透過自然語言處理自動識別合同條款漏洞和潛在風險，降低人工稽核成本，實現從知識庫構建到大模型資料服務的完整合規體系；廣發證券構建企業財務風險預警模型，利用大模型識別潛在風險；國金證券利用大模型分析交易行為模式，結合多維度資料（如輿情、財務資料）構建風險預警系統，提升異常交易識別效率。
（三）前臺服務
機構業務覆蓋面廣、操作複雜，通用大模型難以滿足客戶差異化、個性化需求，證券經營機構透過打造垂類大模型和外部技術引入，在機構業務中實現從基礎服務到核心決策的全鏈條賦能，推動服務場景下沉，從通用問答轉向投研交易、跨境結算等細分領域。
檢視完整報告請訂閱華銳研究所《機構及量化私募洞察》，具體請諮詢華銳市場經理或研究所郵箱[email protected]
聲 明
本報告由華銳研究所提供，所載內容反映的是截至報告發表日的判斷，如所載內容出現變動，我們將及時補充、修訂或更新內容及觀點。本報告版權屬於華銳研究所，如需引用本文，請明確註明引自華銳研究所。