当前数字化与AI成为证券行业构建实现“新质生产力”的重要突破点，证券公司对大模型的应用由早期的对话、智能搜索、“数智人”等初级阶段，逐步向垂类应用、场景融合、生态构建等方向持续拓宽。2024年以来，大模型在证券行业的应用进入发展新阶段，多家金融机构相继推出金融垂直领域大模型，赋能机构业务各业务场景向智能化、规模化和个性化方向发展。
• 从大模型应用形式来看，当前证券行业应用的大模型主要分为外部接入型和自研型两类，部分证券经营机构采取混合模式，例如自研平台+外部模型适配。
• 从大模型应用场景来看，证券经营机构一方面致力于打造覆盖自动化客户服务、研究、量化交易、智能风控、融资融券等机构业务全链条应用场景的垂类大模型应用场景；另一方面逐步从前台业务赋能向算力基建、模型适配、数据闭环、深度应用等方向转型，推动大模型建设从“AI工具应用”迈向“AI生态构建”。
大模型研发形式
（一）自研大模型打造技术壁垒
国泰君安、中信证券等公司的自研模型能够根据自身的机构业务需求、数据特点和战略目标进行深度定制和优化，与公司内部的业务流程、数据架构和系统生态深度融合、无缝对接，实现更高效的协同工作，提升整体业务效率，同时构建技术壁垒。
（二）自研平台+外部模型适配
2024年以来，随着阿里通义千问、幻方DeepSeek等开源大模型的增多，以及行业机构对成本效益的重视，证券公司关注点转向大模型应用研发。
证券经营机构采取自研与合作相结合的方式，通过引入性能优异的开源大模型，并进一步采用提示工程、检索增强生成、智能体等技术对大模型进行优化，提升大模型生成内容的准确性、即时性和解决特定业务任务的能力，快速搭建业务场景应用。
在此过程中，证券经营机构通过精准定位并专注于那些能够带来最大业务价值的技术领域，开展特定领域或业务流程的技术创新，塑造差异化的竞争优势。
大模型应用方向
大模型在证券经营机构中的应用可覆盖底层算力、中台效率及前台服务全流程，目前已基本形成“底层算力与应用层建设并重，通用问答向垂直领域定制化模型转型”的发展格局。
（一）底层算力
在敏感数据不出域的要求下，证券公司在绝大部分业务场景中都需将大模型进行私有化部署，确保在公司私有环境中处理本地数据，这要求部署大模型应用的证券公司在算力资源方面进行必要投入。从证券经营机构大模型建设实践来看，主要有两种建设方向。
• 本地化部署与算力优化：多数证券经营机构未明确提及具体算力建设，但普遍强调对大模型的适配和优化。例如华西证券、国盛证券完成DeepSeek本地化部署，通过算法创新降低训练与推理成本，提升算力效率。
• 智能算力平台建设：通过自建大模型智能应用平台，实现从底层算力适配到应用部署的全流程支持。例如国元证券基于华为昇腾架构搭建智能算力 平台，总容量达20P（每秒20亿亿次计算）。该平台将成为公司AI技术应用的底层支撑，推动业务场景智能化升级支持大模型高效运行。
考虑到算力成本投入巨大，证券公司需对投入产出做综合考量，具体而言，一是短期的算力建设目标应以业务需求为导向，合理规划算力规模，避免盲目求大；二是对于制定了明确人工智能发展战略的证券公司，应基于大模型技术发展趋势研判中长期算力规模，在此基础上制定相应的建设目标，在机房容量、网络架构等基础设施方面预留好扩展空间；三是针对高性能AI算力供不应求的局面，做好基于异构算力设备的大模型技术栈规划，以利用市场机制保障设备供给；四是完善算力云化技术，实现算力的灵活弹性供给和提高算力资源的利用效率。
（二）中台管理
大模型可通过流程管理、合规风控、数据治理等场景深度赋能证券公司机构业务中台，实现机构业务中台效率的大幅度提升。
1.流程管理
证券经营机构通过引入大模型开发平台，可对现有的机构业务流程进行升级改造。
• 面向机构端服务人员，可以通过提示词工程敏捷打造通用解决方案，建设重复性工作，实现生产力提升；例如华福证券引入腾讯云TI-OCR大模型技术，将机构开户材料的上传准确率提升50%，并通过智能分拣减少人工干预，实现开户流程全自动化。
• 面向研发人员，基于底层大模型基础能力，融合其他技术能力，沉淀知识检索、代码生成、数据分析等标准化端到端解决方案；例如广发证券开发代码辅助生成工具，提升研发效能。
• 面对管理人员，打造大模型开发流水线，支持微调、分布式训练、计算资源调度等能力，为跨部门协作优化提供全链路工具支撑；例如国泰君安构建“1+N”大模型集群，覆盖投研、投行、财富管理等场景，通过统一中台实现机构业务数据共享与协同决策。
2.数据治理
数据是机构业务的重要生产要素，数据的规模和质量对机构业务服务效率及服务质量的提升至关重要。多数证券经营机构在数据管理方面应用大模型进行数据整合、清洗和分析，提升数据质量与价值。
一是利用大模型实现全量知识库构建，通过大模型整合公司内部文档、业务规则、市场数据等非结构化信息，构建动态更新的知识图谱，赋能机构客户投研服务。例如，西南证券通过大语言模型中台实现知识库的智能分类与检索，提升投研效率和合规审查能力；海通证券构建基于自适应检索路由的专家模型和行业金融知识库，实现内外部数据融合的智能问答。
二是提升数据治理水平，构建自动化数据处理流程，实现数据接入、清洗、标签、存储的流水线处理，提升数据集构建和维护的效率；完善面向大模型开发的数据质量评估方法，建立例行化评估机制，定期进行数据质量检测和监控。例如银河证券利用DeepSeek-R1的推理能力，结合自身研究资源库，实现客户数据挖掘与投研资源精准匹配；华西证券利用大模型技术与数据治理深度融合，实现数据高效整合、清洗与分析。
三是赋能机构客户智能分析服务，开展产业链智能挖掘。例如海通证券联合商汤科技开发多模态大模型，解析研报、财报中的图文信息，生成结构化数据支持投研决策；国金证券通过自研模型分析新闻、公告等非结构化数据，自动生成产业链关联图谱，辅助投研人员快速定位投资机会。
3.合规风控
在强监管合规环境下，证券经营机构需要降低合规风险并提升机构服务质量。随着大模型技术的创新，证券经营机构可利用大模型升级智能审核系统、开展智能合规审查、识别潜在风险、生成合规报告等，例如：中信证券开发的大模型风控合规助手，集成多种功能，覆盖多业务领域，通过自然语言处理自动识别合同条款漏洞和潜在风险，降低人工审核成本，实现从知识库构建到大模型数据服务的完整合规体系；广发证券构建企业财务风险预警模型，利用大模型识别潜在风险；国金证券利用大模型分析交易行为模式，结合多维度数据（如舆情、财务数据）构建风险预警系统，提升异常交易识别效率。
（三）前台服务
机构业务覆盖面广、操作复杂，通用大模型难以满足客户差异化、个性化需求，证券经营机构通过打造垂类大模型和外部技术引入，在机构业务中实现从基础服务到核心决策的全链条赋能，推动服务场景下沉，从通用问答转向投研交易、跨境结算等细分领域。
查看完整报告请订阅华锐研究所《机构及量化私募洞察》，具体请咨询华锐市场经理或研究所邮箱Huarui-yjs@archforce.cn
声 明
本报告由华锐研究所提供，所载内容反映的是截至报告发表日的判断，如所载内容出现变动，我们将及时补充、修订或更新内容及观点。本报告版权属于华锐研究所，如需引用本文，请明确注明引自华锐研究所。
