AI + 金融是 AI 商业化变现最快的领域之一。金融行业天然是"数据密集型 + 决策密集型的数字业务"；同时金融业买单意愿强，合规要求严，是 AI 落地的"钻石赛道"。

量化交易是最早拥抱 AI 的金融领域。顶尖量化基金的投资流程已完全 AI 驱动：

量化投研流程：

数据源 ─┐
行情数据 ┼──→ 因子挖掘(ML/AI) → 因子组合(优化) → 策略生成(RL) → 回测 → 实盘
另类数据 ┘
(卫星图/舆情/供应链)

因子挖掘最新趋势：
• 传统：人工定义因子（PE、PB、动量等）
• 现在：AI 自动挖掘非线性因子（Transformer 提取特征）
• 前沿：另类数据（卫星图像分析停车场车辆数预测零售股）

代表机构：
• 文艺复兴科技（Medallion Fund）：30 年年化 66%，创始人西蒙斯是数学家
• Two Sigma：ML + NLP + 卫星数据
• 幻方量化 / 九坤投资：国内顶级量化

🔗 图神经网络在风控中的应用：
传统模型看的是单独个体的特征，但欺诈通常是团伙行为。GNN 可以建模资金流向、社交关系、设备关联，发现传统模型看不到的欺诈团伙。

账户A ──转账──→ 账户B ──转账──→ 账户C
  │                    │
  ├──同一设备─────────┘
  │
  └──同一手机号──→ 账户D（已标记欺诈）

传统模型：每个账户单独打分，很难发现
GNN 模型：看到整个网络结构，直接揪出"团伙"

大模型在金融领域的落地场景：

┌─────────────────────────────────────────────────────┐
│  📰 金融信息提取                                 │
│  • 财报关键数据自动抽取（营收/利润/现金流）            │
│  • 研报摘要生成（100 页 → 5 分钟读完）               │
│  • 新闻舆情情感分析 → 量化信号                       │
├─────────────────────────────────────────────────────┤
│  📊 智能投研                                     │
│  • RAG + 金融知识库 → 分析师提什么问题都能回答          │
│  • 公司对比分析、产业链上下游挖掘                      │
│  • 自动撰写投资建议书                                 │
├─────────────────────────────────────────────────────┤
│  💬 智能投顾                                     │
│  • "我 30 岁，月入 2 万，怎么理财？"                   │
│  • AI 根据个人情况生成资产配置方案                     │
│  • 实时跟踪 + 自动调仓建议                            │
├─────────────────────────────────────────────────────┤
│  📝 合规监管                                     │
│  • 自动审查交易是否符合监管规定                         │
│  • 反洗钱可疑交易报告自动生成                           │
│  • 监管政策变更自动解读 + 合规差距分析                  │
└─────────────────────────────────────────────────────┘

AI 智能投顾流程：

用户画像（风险偏好/投资目标/年龄/收入）      ← LLM对话 + 问卷
        ↓
大类资产配置（股票/债券/黄金/现金比例）       ← 运筹优化(均值方差/BL模型)
        ↓
子类选择（选哪只基金/股票）                    ← ML 基金评分模型
        ↓
动态调仓（何时买/卖）                          ← 市场信号 + RL
        ↓
投后报告（收益分析/风险归因）                  ← LLM 生成

1. 可解释性 — 监管要求模型决策可解释，不能用黑盒（尤其信贷/风控）
2. 数据孤岛 — 银行、券商、保险数据不互通，联邦学习是出路
3. 市场不可预测性 — 金融市场有反身性，历史规律可能失效
4. 过拟合风险 — 金融数据信噪比极低（< 5%），模型容易学到噪声
5. 监管合规 — 金融 AI 需通过监管认证，影响创新速度