本文刊登在2026年3月28日出刊的《上财风险管理论坛》杂志2026年第1期（总第35期）“前沿”栏目，经过作者的授权在“风控博士沙龙”微信公众号发布。

声明：文章的版权属于作者，如需转发请事先征得作者本人及风控博士沙龙的同意。

作者简介

翁晓燕，女，厦门大学金融学硕士，获得CAMS、PMP、银行证券等金融证书。曾服务于世界500强企业（花旗银行、汇丰银行），从事票据管理、跨境结售汇、银行反洗钱等风险管理工作。现任职于某上市金融科技公司，专注研究证券公司全面风险管理、内部风险管控、合规反洗钱。

一、引言

数字化与智能化快速发展的时代，金融领域正经历着深刻的变革。证券行业作为金融体系重要组成部分，随着DeepSeek和阿里千问等大模型的快速演进，亟需顺应时代浪潮，积极探求应用场景，推动大模型技术落地。本文从大模型在金融领域的实践出发，梳理其在券商全场景中的应用现状，重点聚焦合规风控领域的典型痛点与智能化路径，结合具体场景剖析大模型的应用价值与挑战，为证券行业智能化合规风控体系建设提供参考。

二、金融市场对大模型

的实践与挑战

大模型在金融市场的渗透应用，具有天然优势。金融行业属于数据密集型领域，具备丰富的数据积累与较为完善的数字化基础设施。这一特征与大模型的技术需求高度契合——大模型依赖海量数据注入以实现模型迭代优化，并提炼出适配业务场景的应用输出。具体而言，金融机构需处理海量客户信息、市场数据和交易记录，借助OCR（光学字符识别）、NLP（自然语言处理）等技术，可快速提取关键信息，支持决策合理性。

但金融系统的复杂性和专业知识壁垒，对大模型场景适配提出更高要求：在“数据检索与文本分析”类任务中表现优异，如合规问答、财富营销推送等；而在“风险预判、策略生成”等高阶决策场景中，仍面临语义理解深度不足、因果推理能力弱等瓶颈。

三、大模型在证券公司

的全场景概览

总体来看，目前金融机构当前应用较成熟的场景主要集中在智能客服、内部运营、智能投顾、财富管理、智能营销方面。例如，通过大模型搜索与问答来完成智能客服工作；通过大模型整理知识库和内容题材库来支持公司内部运营工作。

根据国际数据公司（IDC）《2024年AI应用场景分析报告》，智能办公、智能客服因复杂程度较低，大模型适配度更高；而智能风控、智能投顾因情景复杂、投入成本高，部署进程相对滞后（见图1）。这一分化特征表明，技术成熟度与业务复杂度共同决定大模型的落地节奏。

图1： IDC《2024年AI应用场景分析报告》

基于2023-2024年大模型技术的发展与沉淀，2025年大模型应用在各证券公司呈现多元化探索态势。笔者调研市场情况，已有不少大型券商成为大模型落地应用先锋，在投研、投教、投资、财富营销、客户管理、合规风控、舆情预判等各个领域进行摸索试验。

以申万宏源为例：2023年，公司成功上线财富管理领域三大业务场景，打下推广基础。2024-2025年，公司细化业务应用场景，完成20多个大模型场景适配并上线，逐步完善大模型应用体系。

从基础设施架构来看，申万宏源从AI计算框架、分布式数据存储、华为昇腾910芯片处理器、容器化部署四个方面搭建技术底座。业务应用涵盖财富、机构、投资、投研、投行、期货、内控、合规风控等多个业务条线。据公开披露，其智能客服场景问题解决率提升至85%，合规审查效率提升40%。见图2。

图2：申万宏源大模型应用建设示意图

四、合规风控工作诉求

及大模型作用

尽管大模型在营销、客服等场景应用成熟，但合规风控作为券商核心能力，其智能化转型更具战略价值。下文将聚焦合规风控领域，剖析大模型的独特价值与应用路径。

1. 合规风控领域的工作痛点

首先，在监管规则方面，证券公司合规风控部通常面临三大痛点：一是法规变化快速，如何快捷高效解读转化，并分解至相关部门并外规内化；二是传统风险合规系统往往依赖监管规则转译，无法穷举监测情景造成监控遗漏。三是从规则发布到系统功能适配调整往往周期较长，期间存在的违规行为监控缺失，导致收到风险警示或监管处罚。

其次，在数据治理方面，证券公司面临多条业务线和多套不同系统搭配使用。虽然前期已有监管强推数据中台建设作为基石，但目前数据系统化归整基础尚未夯实。合规风控人员需要跨系统分散获取交易、账户、持仓、舆情资讯等信息，对接集中交易系统、两融柜台、投资交易系统、估值系统、资讯系统、TA系统、OA系统等，预警排查和问题跟踪负担较重，也不利于大模型在合规风控场景的渗透。

而在日常工作方面：合规总监需要整体概览平台，用于了解合规风险事件全貌；合规人员需要花费大量时间做法条查阅和合规问答等简易重复工作，人工整理预警报文并向上级汇报也占用较多时间；系统预警联动处置机制尚不完善，依赖人工发起和流程审核，处置方案的人为因素影响较高，合理合规性也有待验证。

2.大模型助力合规风控管理

面对以上工作痛点，大模型在证券行业的合规与风险管理领域，正推动传统以人工抽检与规则模型为主的模式，向智能化、全流程化模式进行根本性转变。其核心价值在于依托深层语义理解、多源异构数据融合与复杂关联分析能力，重构风险识别、动态监测与闭环处置。

在事前阶段，大模型可将监管规则与内部制度要求转化为标准化、可计算的数据资产，并对现有监控模型、业务流程与管控策略进行自动化合规校验与智能增强，实现合规管理与风险管理要求的深度嵌入。

在事中阶段，大模型通过构建多维、动态、可解释的智能监控模型，支持对交易行为、账户情况、业务操作等进行实时风险扫描与异常检测，提升预警的精准性与及时性。

在事后阶段，大模型可协助进行全量痕迹回溯，以应对监管检查；大模型注入学习监管报备文档，支持生成风险排查报告，减少报告书写难度并提效；同时，大模型基于深度复盘推动监控规则与系统能力的持续进化，从而构建覆盖“事前-事中-事后”的数字化智能合规生态。

自2023年195号文以来，监管对于金融员工从严管控、违规严惩，大模型也更好助力券商自查和管理。应用OCR等语义识别能力，大模型在人工通讯、申报信息等一系列非结构化数据中进行清洗提炼，形成“从业人员报备——从业人员行为监测——违规行为处置”的完整管控链路。

在其他合规风控工作领域：大模型辅助构建合规素材库，为合规问答、合规考试、合规培训提供基础养料，大大缩减重复性简易工作时间；大模型嵌入合规审核，一方面对于新业务、新产品的开展完成核验；另一方面对于合同等文件合规性进行审阅；快速生成合规简报或资讯专栏，加速传达新规解读到各个业务部门并执行落地；连接合规素材库和风险预警数据形成千人千面话术，助力投教工作。

五、大模型在券商合规

风控工作的情景剖析

情景1：规则解析与智能问答

其一，大模型能够自动解析监管部门发布的规则、指引、问答等复杂文本，超越关键词匹配，通过深度语义分析，自动从冗长的政策文件中识别并抽取出立法意图、核心义务、关键定义、适用主体、禁止性行为、量化标准、豁免条款及实施时间线等核心要素，并将其结构化清洗为“政策要素库”。即：将“政策原文”转化为可查询、可关联、可追溯的“合规知识单元”。借助大模型梳理出政策的核心要点，结合多个相关政策文件进行对比，避免出现政策解读的疏漏或偏差。增加识别不同文件中对同一事项规定的沿革关系、细化补充或潜在差异，高亮显示修订内容，通过对比视图更加清晰呈现，以确保现有管理手段和最新最严的监管要求保持一致。

其二，大模型可自动从海量的行政处罚决定书、监管警示函、自律处分案例及司法判例中，提取违规事实、适用法条、裁量案由与核心争议点。提炼案例要素，自动关联映射上文“政策要素库”与“系统规则因子”，形成“规则-案例”双向联动。

其三，模型基于监管规则梳理，不断丰富知识储备库，结合快速检索能力，为券商合规及业务人员在和其客户交互中提供快速智能解答。

情景2：风险监测与模拟迎检

大模型在风险监测系统的作用，可以根据法规条款的梳理对风险特征进行拆解，设计出单维度量化的简单风控指标，再根据监管处罚案例和风险管理行业经验对拆解后单维度的风控指标进行有效组合，以增加风险检测准确性。

大模型在合规自查和迎检材料准备的应用，意味着从传统“人工解读、被动响应”向“智能解析、主动预防”的模式转型。关键在于利用大模型的深度语义理解与逻辑推理能力，将文本型的监管政策转化为结构化、可执行、可监控的数字化资产，并贯穿于迎检工作的全流程。自动生成监管检查材料索引、内容摘要、合规情况说明初稿，将散落的证据编排成结构清晰的迎检材料包，极大提升效率与准确性。

同时，大模型可对已准备的材料进行一致性、完整性预审，基于历史检查问题和当前材料生成可能的质询清单及建议回答要点。模拟检查人员视角提出潜在问询点，辅助合规人员进行演练，助力券商提前查漏补缺。

情景3：智能填报与员工管理

传统的员工合规报备（如投资交易申报、利益冲突申报、合规承诺等）依赖员工自行阅读理解复杂规定，流程繁琐、填报门槛高、审核压力大，易导致信息遗漏或填报偏差。大模型驱动的智能填报系统，将这一被动、枯燥的行政任务，转化为智能化、引导式、强辅助的协同过程，极大提升员工填报体验与内容质量。

具体使用来看，搭建大模型的合规系统可化身24小时在线的“合规申报助手”，通过自然语言对话界面，以多轮问答的方式，理解员工的申报意图（如“我要申报一笔直系亲属的股票交易”或“我收到了一份外部授课邀请”），主动引导完成填报。支持展示每个填报字段的合规含义，实时解答填报人疑问，从根本上消除了因“不理解”而导致的填报错误。

系统集成OCR识别和图文解析能力，支持对多种凭证的结信息提取与语义理解。比如：员工上传一证通查截图或中登对账单等，系统自动识别图片信息，实现账户报备的自动覆盖与更新，有效防范员工操作风险，亦降低员工瞒报少报风险。系统对于填报内容进行实时、多维度核验，提示风险。例如，在识别到股票代码时，立即关联禁止交易股票池、静默期、重大信息窗口期等限制要求，当场给出明确提示。

情景4：报表生成与辅助决策

基于生成的检查指标，系统可利用大模型自动关联内部数据源（如交易系统、风控日志、历史检查问题、合同文档等），智能识别并提取满足每项检查要求所需的证据材料、数据报表及实例样本。

以生成一份“异常交易行为监控”报告为例：

第一步：系统借助大模型通过解读交易所异常交易监控指引，将“盘中拉抬打压”、“虚假申报”等定性描述，转化为可量化的监控指标模型（如：1分钟内订单撤销比例超过90%、大单驱动价格偏离度超过2%等）；

第二步：模型自动对接交易日志，运行这些指标模型，筛选出所有预警案例，并提取相关账户信息、交易时间序列、市场行情快照等底层数据。

第三步：自动生成《交易监控季度分析报告》，内容包括：监控指标执行情况、预警总数、经分析确认为异常交易的数量及处理结果、典型案例分析及系统优化建议。所有结论均附有可追溯的数据证据链。

六、人力替代还是人力聚焦

麦肯锡2025年预测报告，目前全球财富管理业务中约40%的标准化工作将在较短时间内被AI替代。这一预测在证券行业已初步得到验证：以山西证券联合恒生电子打造经纪业务智能运营助手“智营”为例。山西证券有100余家分支机构，“智营”上线两周即接管约50%的人工咨询、80%常规高频问题转由AI处理，问答准确度超93%，大幅提高运营人员办事效率并提升客户服务质量。

然而，效率提升是否等同于人力替代？笔者认为不尽然。

高阶的客户需求洞察、策略个性化定制，仍需依赖“人机协同”。数字时代的真假数据，需要大模型具备像人一样去伪辩证的能力。目前合规风控领域的大模型应用，更多可以借助其高数据检索能力，类同高级辅助员工帮正式员工更聚焦于创造性、战略思维建设等工作中。后续可以优化大模型从单纯分析型工具向预判型、规划型工作衍生。而证券从业人员亦需要“业务+技术”两手抓，成为复合型人才，在技术浪潮中实现从 “执行者”到“价值创造者”的跃迁。

七、实施路径与战略建议：

从工具应用到能力共生

1.人才能力重塑：从"执行者"到"价值创造者"     

证券公司等金融机构需要培养综合型人才，纳入技术渗透学习。发展路径一定是“人工经验——模型依赖——人机协作——数智共生”。

从企业层面来看，需要对岗位能力进行变革重塑，构建“技术+业务”共生体系。比如，证券公司投资顾问岗位后续可以细分AI训练师（主攻模型优化）、策略分析师（关注人机协作）、客户私人投顾（专注客户深挖和需求定制），形成新的分工协同生态。

从个体层面来看，需要打造T型综合人才。比如金融从业者，纵轴深耕业务专业度，深化学习股票、衍生品等最新规则，横轴拓展基础理解力，掌握基础算法和大模型原理。在没有明显技术短板的前提下，持续提升自身长板。      

2.数据基础夯实：统一标准与质量治理   

一方面，大模型依赖数据样本真实性和规整性，金融行业需要对自身数据上下游进行梳理，完成同一数据、同一客户在关联系统之间是同一定义，以便后续应用的准确性。

另一方面，合规风控工作，很多源自监管规则剖析和内部制度衍生。银行证券等金融机构需要统一构建集团的结构化监管数据库。调研行业普遍采用方式多为外采与自建相结合模式，即借助光学视觉识别(OCR)、自然语言学习(NLP)、人工智能(AI)翻译等技术工具，通过外部专业数据供应商解决监管数据库初始化及增量更新问题，通过存量数据与自建工作流程补充非公开数据以及外部供应商难以覆盖的内部数据。

3.应用场景深化：从单点突破到闭环管理

通过优化业务和数据流程，实现人工智能与业务场景的深度融合，提升效率、优化决策、激发创造力，为证券行业的智能化转型提供强劲动力。

DeepSeek等大模型可实现法规智能解读、规则系统联动、自助问答等多个智能应用。同时，通过智能函件处理、表单预处理、可视化数据分析及函件分析等功能，有效提升风险识别精度，加速提高风险处置效率，完善监控管理闭环处置。

4.平台化构建：打造“四位一体”数智合规平台

支持大模型应用全面铺开，也理解各应用领域的成熟度差异。基于大模型在智能营销的应用基础，将日常合规工作流程从“被动合规”向“主动智控”转变，形成“智能预判——精准处置——持续进化”的管控链路。拥抱AI大模型带来的工作冲击，借此构建数智化合规管理平台，逐步形成"数据-模型-流程-机制"四位一体数字化体系。

八、结束语

展望未来，随着多模态大模型与智能体（Agent）技术的成熟，合规风控有望实现从"智能辅助"到"自主决策"的跃迁。但技术边界与伦理约束决定了，"人机协同"将是长期主线——大模型负责广度与速度，人类负责深度与温度，共同守护金融市场的合规底线与风险防线。

（完）

征稿启事

荐书 

【荐书】基于Python的金融分析与风险管理（畅享版，共三本）

【荐书】基于Python的金融分析与风险管理（第2版）

【荐书】Python金融实战案例精粹（第2版）

云课程  

期权、期货及其他衍生产品（第九版，全部三百六十讲视频）