jiangdan@zts.com.cn | 证 券 研 究 报 告 | 2 0 2 5 . 03 . 1 3 专 业 ｜ 领 先 ｜ 深 度 ｜ 诚 信 中 泰 证 券 研 究 所 n DeepSeek 开源使金融机构能够轻松获得前沿模型能力，且大幅降低部署成本。其通过对训练方式、算法架构和推理方 法 的工程化优化大幅降低了部署成本。近期采用大规模 降本增效，价值创造与决策赋能。在实际银行落地应用 中，可能包括： 1 ）降本增效：智能客服、信贷审批、合同质检； 2 ）价值创造： AI 编程、智能风控、智能营销等； 3 ） 决 策赋能： 深度分析和决策辅助。 n 从实际落地应用情况看， 大行发力更早， 中小银行正在快速追赶。如工商银行、建设银行、招商银行等大行布局更早， 邮 储银行、浦发银行、江苏银行等也有较为领先布局应用。

人工智能技术在智能投顾中癿应用 神州泰岳 张瑞飞 金融资讯大数据服务 用智慧发现信息价值 Discover information 用智慧发现信息价值 Discover information 金融资讯大数据 利用人工智能分析挖掘技术，针对金融市场信息获取和分类需求，实现金融资讯大数据癿采集、检索、 某互联网理财平台产品智能推荐 对用户开放问题测试，分类和产品特征提取，准确率达到 95% 用智慧发现信息价值 Discover information 案例 - 某互联网理财平台产品智能推 荐 小富机器人智能推荐 泰岳融合通信平台 钱大掌柜理财管家 用智慧发现信息价值 Discover information 案例 - 某国有银行客服数据潜客获 取 贵金属潜客信息 基金理财潜客信息 出国金融潜客信息 定制化、个性化癿资讯推送服务 用智慧发现信息价值 Discover information 1. 2. 3. 神州泰岳 让企业运营更智慧 Discover information 用智慧发现信息价值 Discover information 神州泰岳人工智能创新推动新一轮高增长！

服务管理 暂行办法》，则为中国大模型技术的健康发展提供了坚实的政策保障和合规框架。 在保险行业，这一技术革命同样引发了深刻的变革。国内外众多保险公司和保险科技 公司，如阳光、人保、平安、国寿、泰康、瑞再、安盛、安联等，纷纷投身于大模型技术的研发 与应用，积极探索其在保险业务中的无限可能。阳光保险集团作为行业的先行者和探索 者，于2023年初率先启动了“阳光正言GPT大模型战略工程”，旨在通过大模型技术的深度 · · · · 82 5.1.4 平安保险· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 93 5.1.5 泰康养老· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · 97 5.1.6 中国太保· · · · · · · · 创新与产品迭代。例如，高通、微软推出的基于骁龙X Elite芯片的“Copilot+PC”以及英特 尔的下一代酷睿Ultra 200V系列Lunar Lake处理器，都是针对AI PC市场的产品。此外，国 内上市公司如春秋电子和泰嘉股份等也参与到AI PC产业链中，为AI PC的研发和生产提供 支持。 1.1.3 模型：多模态崛起，端侧模型影响未来终端应用 �� 与人类反应时间类似；能理解情感，并能以不同的情感风格生成语音。除了语音交互外，还

方 法. 当用户想要干预机器人行为时, 可以通过口头 指令, 如“停止”让机器人暂停行动, 然后提供口头 纠正指导, 并记录用户提供的所有口头纠正及对应 的观察数据. 这些数据随后用于进一步微调高级策 略, 系统每隔固定时间间隔查询高级策略生成语 言指令. 通过这个过程, YAY Robot 不仅能在执行 任务时根据用户的口头反馈即时调整行为, 而且能 不断吸取经验教训, 通过反复微调逐渐改善自身 His main research interest is embodied AI based on large models.) 谭 宁 中山大学计算机学院副教 授. 2013 年获法国弗朗什−孔泰大学 博士学位. 主要研究方向为各类机器 人系统的建模、设计、仿真、优化、规 划与控制, 内容涵盖基础研究和应用 开发. 本文通信作者. E-mail: tann5@mail.sysu.edu.cn

包括数据预处理、特征工程、模型训练与优化、策略回测及风险控 制等关键环节，为金融机构和投资者提供一套切实可行的应用方 案。 1.1 股票量化交易概述 股票量化交易是一种通过数学模型和计算机技术来执行交易策 略的方法，旨在通过系统化的方式实现收益的最大化和风险的最小 化。量化交易的核心在于利用历史数据和统计分析方法，构建能够 预测市场变化的模型，并基于这些模型自动生成交易信号。与传统 的主观交易 高效处理大规模、多维度的金融数据，并通过深度学习模型提取出 复杂的市场模式和趋势。DeepSeek 采用了分布式计算架构，能够 实时处理海量交易数据，确保在低延迟的环境下进行高速分析和决 策。此外，其内置的算法库支持多种机器学习方法，包括卷积神经 网络（CNN）、循环神经网络（RNN）以及最新的 Transformer 架构，能够灵活应对不同的市场场景和需求。 在股票量化交易中，DeepSeek - 响应速度：系统响应 时间不超过 100 毫秒，确保交易决策的及时性。 - 风险控制：引入 多层次的 2.2 项目范围界定 本项目旨在通过引入 DeepSeek 技术，优化股票量化交易策 略，提升交易效率和收益率。项目范围涵盖从数据采集、模型构建 到策略执行的全流程，具体包括以下几个方面： 首先，数据采集部分将涵盖多源数据的整合，包括但不限于历 史股价、成交量、财务数据、宏观经济指标以及社交媒体情绪数

emergency management system 龚晶等：基于大语言模型技术的智慧应急应用：知识管理与应急大脑 219 www.jc2.org.cn 11卷 指 挥 与 控 制 学 报 机 决 策（improvisational decision-making） [19]，需 要 随 事件不断发生、发展的态势，针对具体问题情境作 出决策时，系统通常以数据统计分析、智能计算模 型算法等形式提供辅助决策功能，对于决策者来说， Decision-making when science is ambiguous[J]. Nature, 2002, 295: 1839. [19] 薛耀文, 黄欢, 张国凤, 等 . 基于重大突发事件的即兴决 策 [J]. 系统管理学报, 2013, 22（5）: 708-714. XUE Y W, HUANG H, ZHANG G F, et al. Improvisational decision-making Journal of Command and Control, 2024, 10（3）: 276-283.（in Chinese） [27] 吴昊，董福安，王雪飞，等 . 基于大模型的应急指挥辅助决 策系统设计 [J]. 指挥与控制学报, 2024, 10（6）: 752-759. WU H，DONG F A，WANG X F，et al. Design of emergency command aided

on new logs, using the context from the sample logs. LogPrompt 探索 : 其他可以在日志分析任务中应 用的 Prompt 策 略 • In our primary experiments, the underlying LLM is accessed via APIs provided by external open-source, privacy-protected, and smaller-scale LLMs. Beyond LogPrompt: 应用 Prompt application 策 略到 可部署的小型 LLM 存在领域知识 Gap Online Log Parsing with smaller-scaled LLMs using LogPrompt Generation

实现自主智能供应链 我们已经步入技术能够支持自主系统的新时代。 供应链本身具备流程驱动和数据驱动的特性，使 其成为自主化AI等技术的理想应用场景。这些技 术能够以前所未有的速度和效率协调复杂的决 策，众多供应链与技术领域的领导者对此深表 认同。 我们对1000名来自10个行业的首席级高管的 调研显示，未来十年内，近66%的企业将致力于全 面提升其供应链的自主化水平。其中更有约40%的 进行决策制定。正如供应链经理会响应突发事 件，指导团队成员完成特定任务一样，机器也 能够规划、执行、纠正并改进各项活动，以达成 既定的绩效标准。 即便自主智能供应链具备任务自动化与决 策自主化能力，但至少在目前阶段，仍离不开人 的参与。人与技术各有所长，协同合作方能取 长补短。在双方能力领域的交汇处，便形成了 “人机协作”的劳动力形态，现场及远程员工与 自主智能体、智能机器人实现无缝集成。3 场支持”等集群，在这些领域，物流企业正部署 自主无人机和数字助理，以加快响应速度并提 升服务质量。 总的来说，大多数受访企业计划在其供 应链中稳步实施转型，伴随新技术的涌现与 成熟，逐步实现更高水平的任务自动化与决 策自主化。 实现自主智能供应链 15 图6 最先进的工业多集中在离散制造领域 • 未来五年内，所有行业的供应链自主化 水平预计都将实现显著提升。大多数行 业从当前到未来的自主化发展均呈现持 续增长态势，反映出向自动化与自主化

标的数据 l SupXmind 基础平台： 充分融合大模型 + 知识图谱的前沿技术 ， 贯穿从“大数据 ”到 “ 大知识”到“大模型”全流程 ，构建人机共生认知决策链路 ，帮助用户打造智能决 策 系统。 四链融合知识计算引擎 是以通用大模型为基座 ，面向产业创新咨询服务场景， 数百个产业链知识图谱 结合工具集 知识库和指令微调训练得到产业垂域大模型 提供 的智能体 框架 ， 面向产业 创新业务场景 ， 提供了包括产业知识问答 、 产业报告生成 、 产业技术分析 、 产业文档理解等能力 ， 向上为企业 、 园 区 、 政 府 等 产 业 认 知 决 策 需 求 机 构 提 供 专 业 产 业 知 识 服 务 。 客 户 可 私 有 化 部 署 ， 也 可 根 据 需 求 替 换 模 型 基 座 和 场景数据 ， 快速输出定制化模型能力

训练数据经过严格的清洗和标注，确保其准确性与一致性。训练过 程中，采用了混合精度计算技术，显著提高了训练效率，同时降低 了硬件资源消耗。 模型的优化主要基于梯度下降算法，结合自适应学习率调整策 略，如 Adam 优化器，确保在训练初期快速收敛，并在后期进行精 细调优。为了防止过拟合，引入了 L2 正则化以及 Dropout 技术， 增强了模型的鲁棒性。此外，通过交叉验证方法对模型性能进行了 本。 最后，DeepSeek-R1 的成本预测与估算模块还具备可视化功 能，通过图表和报告的形式展示预测结果，使得复杂的数据分析结 果一目了然。项目管理团队可以基于这些直观的展示，快速做出决 策，确保项目在预算范围内顺利推进。 综上所述，DeepSeek-R1 在成本预测与估算中的应用，不仅 提升了预测的准确性和效率，还通过情景分析和成本分解等功能， 增强了项目预算的灵活性和可控性。这为工程造价领域的专业人士 超支预警等。 例如，当某个月的材料采购成本超出预算时，系统会立即发出预警， 并通过数据分析指出超支的原因，如供应商价格波动或采购量增加 等。项目管理团队可以根据预警信息及时采取措施，如调整采购策 略或重新评估项目计划。 以下是一个典型的实时成本监控数据示例： 成本项目 预算成本（万元） 实际成本（万元） 成本偏差率（%） 材料采购 500 520 +4.0 人工费用 300 290