北京金融科技产业联盟：2025年数字孪生技术金融应用研究报告

微信扫码，打开到小程序

数字孪生技术金融应用研究报告 北京金融科技产业联盟 2025 年 3 月 目 录 一、 数字孪生介绍 .................................................. 1 （一） 数字孪生的概念与发展 .....................................1 （二） 数字孪生的金融政策指引 ...................................2 （三） 数字孪生体系架构 .........................................2 （四） 数字孪生的关键技术 .......................................4 二、 金融应用发展 .................................................. 9 （一） 金融业业务场景痛点 .......................................9 （二） 金融业数字孪生需求方向 ..................................12 （三） 金融业数字孪生建设进展 ..................................13 三、 应用场景分析 ................................................. 16 （一） 虚拟厅堂服务 ............................................16 （二） 数字人 ..................................................18 （三） 仿真业务数据 ............................................20 （四） 智能运营 ................................................23 （五） 供应链金融 ..............................................25 （六） 绿色金融 ................................................27 （七） 普惠金融 ................................................29 （八） 养老金融 ................................................30 四、机遇与挑战 .................................................... 33 （一）数字孪生带来的机遇 .......................................33 （二）数字孪生面临的挑战 .......................................35 五、趋势与展望 .................................................... 38 （一）数字孪生有望助力金融机构做好“五篇大文章” ...............38 （二）数字孪生与金融业务联系更加紧密 ...........................38 （三）数字孪生与物联网、5G 等技术的融合逐渐加深 ................ 39 （四）数字孪生与虚拟现实的结合为金融带来了新机遇 ...............39 （五）安全意识提升 .............................................40 附录 A：金融业数字孪生应用实践 .....................................41 案例一：中电金信数据孪生实验室 .................................41 案例二：中电金信数字孪生智能运营驾驶舱 .........................44 案例三：交通银行数字人 .........................................47 摘要：随着数字经济发展，数字孪生（Digital Twin） 技术成为连接物理世界与虚拟空间的重要力量。本课题围绕 数字孪生技术在金融领域中虚拟厅堂服务、供应链金融、智 能运营等场景的应用，探索了其在提升客户体验、优化流程、 强化风控的潜力。通过具体案例实践，为金融行业数字孪生 应用提供借鉴和指导。 1 一、数字孪生介绍 （一）数字孪生的概念与发展 数字孪生（Digital Twins）概念于 2003 年提出，最初 被定义为与物理产品对应的虚拟数字化模型。2010 年，美国 开始在航天与军事领域推广数字孪生，通过模拟和优化航空 器和航天器的数字化模型以改进其性能。2014 年后，如西门 子、达索等世界知名的工业软件公司开始在各自擅长的工业 领域提出数字孪生的衍生概念与应用方案。 2015 年，国内航空工业领域吸收并应用了数字孪生概 念，通过集成各类传感器采集的数据，使用机器学习等人工 智能算法，建立可实时更新的“拟真”模型，以支撑各类航 空工业产品的生命周期内的各项活动。 数字孪生是集成了多物理量、多尺度、多概率的系统， 经过最初在航空航天领域的应用，逐渐扩展到电力、城市管 理、建筑、制造、金融等多个行业；数字孪生在精确反映物 理对象的虚拟模型中，会给研究对象（例如，风力涡轮机） 配备与重要功能方面相关的各种传感器。这些传感器产生与 物理对象性能各个方面有关的数据，例如，能量输出、温度 和天气等等，然后将这些数据转发至处理系统并应用于数字 副本。一旦获得此类数据，虚拟模型便可用于运行模拟、研 究性能问题并生成可能的改进方案；所有这些都是为了获取 富有价值的洞察成果，然后将之再应用于原始物理对象。 2 （二）数字孪生的金融政策指引 在金融行业，中国人民银行于 2021 年发布的《金融科 技发展规划（2022-2025）》 1中明确提出要运用数字孪生等 技术手段，深化吸纳数据综合应用，为跨机构、跨市场、跨 领域综合应用夯实多维度数据基础，建立面向用户、面向场 景的大数据知识图谱和综合分析能力的业务要求。 2024 年，中共北京市委金融委员会办公室联合人民银行 北京市分行、国家金融监督管理总局北京监管局、北京证监 局、市科委中关村管委会、市经济和信息化局印发实施了《北 京市推动数字金融高质量发展的意见》 2，提出搭建数据开放 共享机制，通过数字孪生、联合建模、图计算等技术手段， 对数据资源进行价值挖掘和关联分析。 （三）数字孪生体系架构 数字孪生体系架构需支撑数字孪生的核心目标，建立与 物理空间等价的虚拟实现表达，并在全生命周期内支撑物理 空间的运营与决策。从架构的视角来看，从上至下分为四层 （见图 1）。 应用层：包含数字孪生技术应用的各类业务应用，对内 外部客户提供服务。金融行业内常有数字孪生财富管理类应 用，数字孪生风险控制类应用，数字孪生零售应用类业务， 数字孪生支付清算类应用等。 1 《金融科技发展规划(2022-2025)》由中国人民银行于 2021 年 12 月 29 日发布，旨在推动金融 科技跨越式发展，实现数字化转型和核心竞争力提升。 2 《北京市推动数字金融高质量发展的意见》由中共北京市委金融委员会办公室于 2024 年 10 月 28 日发布，旨在通过数字技术推动金融业高质量发展，服务数字经济和数字中国建设。 3 服务层：包含支撑数字孪生业务应用的各类技术服务， 包括感知技术类服务，通常有 IoT，5G 等类型服务。建模服 务，指通过技术手段对物理实际业务实体进行建模映射。渲 染服务，指根据通过建模服务得到的模型进行渲染，从而得 到一个与物理实体等价的虚拟实体。仿真服务，指在建立虚 拟实体上进行各类运算，从而对实际物理实体的运行决策进 行支撑。 数据层：包含支撑服务层各类服务的各类数据，包括从 物理实体各处采集和监测的数据，以及对数据中间集和物理 实体历史数据仿真的生成孪生数据。同时，数据层能够运用 机器学习，大模型技术等 AI 技术对数据集进行各类预测及 模拟生成，对数据进行虚拟化，实现数据智能孪生。 算力层：支撑以上各层服务的算力基础设施层，包括云 计算、容器化、云原生等技术，通用计算、智能计算、存储、 网络等资源，提供弹性高效的算力基础服务。 4 图 1 数字孪生体系架构 （四）数字孪生的关键技术 支撑数字孪生架构体系的关键技术如下。 1.渲染技术 渲染技术通常指通过计算机图形引擎，多层次实时渲染 呈现数字孪生体实境的技术。通常支持包括宏大开阔地理信 息如城市环境，精细细密局特征等，主要能力至少包括有三 维实体的可视化渲染能力，数据可视化渲染能力，业务逻辑 可视化渲染能力，应用逻辑可视化渲染能力等。 2.仿真技术 工程仿真传统上一直被用于新产品设计和虚拟测试。 虚拟仿真技术（CAE）是实现工业产品及制造过程模拟仿真 与优化的核心技术，是支持工程师进行产品创新设计最重要 的工具和手段，在保证产品质量的同时能大幅度缩短产品研 5 发周期，节省产品研发成本。在数字化设计技术和虚拟仿真 技术发展和集成应用的过程中，产生了 Digital Mockup（DMU， 数字原型）、Digital Prototyping（数字样机）、Virtual Prototype（虚拟样机）、Functional Virtual Prototype （全功能虚拟样机）等技术，主要是用于实现复杂产品的运 动仿真、装配仿真和性能仿真。仿真技术是创建和运行数字 孪生模型、保证数字孪生模型与对应物理实体实现有效闭环 的核心技术之一。 3.数据孪生技术 数据孪生作为金融领域数字孪生底层的关键技术，该技 术通过机器学习模型对一组业务数据的分布进行学习，从中 找到相应规律，进而生成与之相类似的数据，实现业务数据 的仿真模拟。为实现数据的高质量仿真，需要使用机器学习 领域的生成式模型，主流的生成模型包括生成式对抗网络 （ Generative adversarial net ， GAN ） 和 变 分 自 编 码 （Variational autoencoder，VAE）两大类。 （1） 生成式对抗网络（Generative Adversarial Net， GAN） 生 成 式 对 抗 网 络 （ GAN ） 由 两 部 分 组 成 ： 生 成 器 （Generator）和判别器（Discriminator）。GAN 的工作原 理基于一个零和游戏（zero-sum game），其中生成器试图 生成足够真实的数据以“欺骗”判别器，而判别器则试图区 分真实数据和生成器产生的假数据。 6 生成器：生成器的目标是捕捉训练数据的分布，以便能 够生成新的、看似来自真实数据集的数据点。它通过接收一 个随机噪声信号作为输入，并将其映射到数据空间中。 判别器：判别器的任务是识别输入数据是来自真实数据 集还是生成器。通过这种方式，判别器指导生成器产生越来 越逼真的数据。 GAN 的训练过程涉及到不断调整生成器和判别器的参 数，使得生成器能够产生越来越难以被判别器区分的数据， 而判别器则变得越来越擅长识别真伪。这个过程最终导致生 成器能够产生高质量的假数据。 （2） 变分自编码（Variational AutoEncoder，VAE） 变分自编码器（VAE）是一种基于概率的生成模型，它 通过学习输入数据的潜在表示来生成新的数据。VAE 的核心 组成包括两个主要部分：编码器（Encoder）和解码器 （Decoder）。 编码器：VAE 的编码器负责将输入数据映射到一个潜在 空间（latent space）中的表示。这一过程涉及了概率分布 的估计，通常是假设潜在空间遵循高斯分布。 解码器：解码器的任务是从潜在空间的表示中重构出输 入数据。通过这种方式，VAE 能够生成与训练数据类似的新 数据。 VAE 的训练涉及到最小化重构误差和潜在空间分布与先 验分布（通常是标准正态分布）之间的 Kullback-Leibler (KL) 散度。这种方法不仅促使模型学习有效的数据表示，还保证 7 了潜在空间的平滑性，使得我们可以通过在潜在空间中采样 来生成新的数据点。 4.建模技术 建模技术是将物理世界中的对象、过程或系统转化为数 学模型或计算机模型，为数字孪生提供一个虚拟的“骨架”。 几何建模是最基础的一环，通过 CAD 计算机辅助设计软件创 建物体的几何形状及物体间行为框架，通过一系列可变参数 控制模型。针对复杂场景，可基于点云的建模技术通过 LiDAR （光检测和测距）或其他 3D 扫描设备获取大量空间坐标点， 然后使用表面重建算法如 Delaunay 三角剖分或泊松重建。 此外，动态建模技术，专注于捕捉和表示系统的动态行为， 常见用于表达逻辑流程和状态转换的状态机建模，用来模拟 并发事件和资源分配问题的 Petri 网建模等。建模技术为数 字孪生提供了坚实的理论和技术支撑，正向着更加自动化、 智能化的方向不断发展。 5.感知类技术 感知类技术包括常见的物联网 IoT、射频识别 RFID、计 算机视觉和声波雷达等。IoT（Internet of things，物联 网）本质上是互联网从人向物的延伸，物联网是将“物”和 互联网相互连接的技术，涉及对于“物”的感知、信息采集、 传输和控制，用于实现物与物、人与物之间的信息交互。具 体而讲，就是通过温度、湿度、压力、振动等传感器实时收 集 环 境 和 设 备 的 数 据 。 RFID （ Radio-Frequency Identification，射频识别）是一种利用无线电波进行自动 8 识别和跟踪标签附着物体的技术，对物品更主动、更精准地 感知和管理。计算机视觉，以摄像机为常见载体，能感知物 理世界并能获取丰富的信息，在日常生活中已得到普遍地使 用，即使恶劣环境，已有基于太阳能发电、无线网络回传、 自动补光的高端摄像机。声波雷达又是一种高效且普遍的感 知技术，特别适用于对移动、变化的事物通过声波的测量和 监测。感知技术作为构建数字孪生的源头，针对不同环境、 场景和诉求，综合运用各种不同感知技术更全面、更多层面 地获取数字信息是非常重要的。 6.云计算技术 云计算技术本质是按需灵活地提供各种类型的算力存 力运力服务给需求方，提供跨地域跨渠道接入的计算、存储、 网络服务并按用户使用量使用率计费，通常包括通用计算算 力服务，智算算力服务，通用存储服务，通用网络服务，数 据库服务，大数据计算服务，机器学习及人工智能大模型相 关服务等通用服务。时至今日，云计算技术已经广泛地运用 于全世界服务于各行各业。国外的知名厂商有亚马逊、微软 等云计算厂商，国内的主要厂商包括电信天翼云、移动云、 华为云、阿里云、腾讯云等云计算服务提供商。 9 二、金融应用发展 （一）金融业业务场景痛点 金融业务涵盖银行、投资、保险、外汇交易、信托等多 个领域。随着数字化转型的深入，金融科技逐渐成为重塑传 统金融业服务模式的重要力量 3。《2024中国金融科技企业首 席洞察报告》指出，当前金融科技主要集中于平台赋能科技、 普惠科技和财富科技三大领域 4。其中平台赋能科技以数据分 析技术为核心，占比36%，在支持机构优化运营和提升服务 效率的同时，对精准营销的有效性和交易风险的快速识别提 出了更高要求；普惠科技聚焦小微贷款、供应链金融等场景， 占比16%，尽管智能风控提升了融资效率，不过复杂场景中 的动态风险评估仍是重要挑战；财富科技专注于财富管理和 理财服务，占比11%，旨在通过智能投顾 5和个性化资产配置 满足客户的多样化需求，但在隐私保护和数据安全方面的要 求也愈发严格。 金融机构作为金融业务的载体，承担着为社会提供资金 配置、风险管理和服务支持的职能，也有义务应对数字化转 型过程中精准营销、风险管理以及安全合规要求带来的日益 复杂的挑战。 1.金融营销方面痛点介绍 金融营销领域存在的痛点包括客户获得的成本上升，对 客户需求的准确分析不足，以及日益激烈的同业竞争。根据 3 《金融科技发展规划(2022-2025)》由中国人民银行于 2021 年 12 月 29 日发布，旨在推动金融 科技跨越式发展，实现数字化转型和核心竞争力提升。 4 数据源自毕马威《2024 中国金融科技企业首席洞察报告》。 5 指金融信息投资咨询，主要业务包括市场调研、商业报告和技术咨询等。 10 国家金融监督管理总局数据，中国银行业金融机构法人数和 证券公司数近五年分别增加了30家和9家 6。金融业竞争存活 同业数的增加，导致了客户获得成本和企业营销成本的上 升。 同时，随着客户对金融产品个性化需求上升，传统市场 划分和客户画像可能因无法满足客户需求，导致金融机构获 客率下降。而客户需求分析准确度不足，也在对客产品设计 和营销策略上给金融机构带来了挑战。 数据分析工具普遍应用的当下，海量的客户数据仍是金 融业市场洞察的难题。日益精细化的客户需求，导致同类金 融机构间产品同质化严重，增加了产品开发压力，同类产品 的同业竞价也影响了机构整体的利润。日益精细化的客户需 求也导致非同类金融机构若无法共享与整合数据时，数据孤 岛现象的加剧，这可能降低营销策略制定和调整时的及时性 和有效性。 2.金融风控方面痛点介绍 金融风控领域方面的痛点包括风险识别滞后，合规压力 大，数据整合难度大。传统金融业风险管理方式一般基于历 史数据和静态模型，在客户对金融产品个性化需求提高的现 在，可能存在风险识别滞后的问题，表现为在市场变化、客 户行为和潜在欺诈方面反应速度较慢，不能迅速适应市场变 化。当突发市场波动时，若金融机构无法及时调整风险策略， 将导致客户投资损失，甚至客户流失。 6 国家金融监督管理总局官方公告，截至 2023 年底，中国银行业金融机构法人共 4608 家，中国 证券公司共 140 家；2019 年中国银行业金融机构法人共 4588 家，中国证券公司共 131 家。 11 合规压力来源于监管环境的变化，新的监管法规和标准 要求金融机构不断更新和完善自身风险管理框架，甚至构建 新的合规体系，例如衍生自金融监管的监督审计和衍生自金 融风险领域的反洗钱。这增加了机构的合规成本，也加大了 金融机构平衡合规性和业务灵活性的难度，以及管理难度。 客户个性化及监管法规和标准的增多，使得数据结构趋 于复杂增大了数据的整合难度。不同机构、系统之间的数据 孤岛也成了风险管理人员获取并整合准确数据的障碍，这种 情况不仅影响了风险的实时监测，也使得机构难以预测和应 对潜在的市场风险。 3.金融安全方面痛点介绍 金融安全领域的主要痛点包括数据泄露风险、合规成本 过高等。金融数据一般包含客户的个人身份信息以及资产信 息，如果这些敏感信息发生大规模泄露，金融机构将承担包 括巨额罚款、品牌形象损害等严重后果。 金融数据安全领域存在