资本市场学院：资本市场金融科技发展白皮书2023

资本市场金融科技发展报告(2023)资本市场金融科技发展报告(2023)2023年12月 序I序党的二十大报告提出，加快发展数字经济，促进数字经济和实体经济深度融合，打造具有国际竞争力的数字产业集群。当前，我国数字经济发展态势良好，数字技术和实体经济日益深度融合。2022年我国数字经济规模达50.2万亿元，总量稳居世界第二位，数字经济成为稳增长促转型的重要引擎。作为数字经济高质量发展的重要动能，数字金融承担着防范风险、助力改革、深化服务、支持数字经济与实体经济融合发展的使命任务。2023中央金融工作会议首次提出“加快建设金融强国”的目标，做好科技金融、绿色金融、普惠金融、养老金融、数字金融五篇大文章，为新时代新征程推动资本市场数字化转型工作指明了方向。近年来，随着中国证监会证联网、监管云、监管大数据仓库、智慧监管平台等重点基础设施及监管系统的建成、投产和逐步完善，我们正在将金融科技运用于各个监管领域，整合、挖掘出海量数据背后有价值的信息和知识，支持资本市场监管更加智慧、更加高效、更加精准。同时，市场机构通过科技赋能、数字化转型，不断降低服务成本，扩大服务覆盖面，深化服务渗透率，提升自身的运营效率和服务能力，有效落实了金融支持实体经济高质量发展的国家重大战略。为推动资本市场金融科技融合发展，助力行业数字化转型实践，资本市场学院以资本市场金融科技联合创新中心为工作抓手，联合相关单位编写了《资本市场金融科技发展报告(2023)》。本报告致力于厘清资本市场金融科技发展相关的核心概念，梳理资本市场金融科资本市场金融科技发展报告(2023)Ⅱ技发展的典型案例，剖析资本市场金融科技的业技融合情况，提出资本市场金融科技的创新发展措施，促进行业金融科技发展成果共享，希望本报告的出版对行业机构开展数字化转型有所助益。中国证监会科技监管局局长前言为进一步贯彻《证券期货业科技发展“十四五”规划》,推动资本市场金融科技融合发展，助力行业数字化转型实践，按照资本市场金融科技联合创新中心(以下简称联合创新中心)建设方案，在证监会相关部门的指导和会系统单位的支持下，资本市场学院组织编写《资本市场金融科技发展报告(2023)》。一、编写背景党的二十大报告指出，要加快发展数字经济，促进数字经济和实体经济深度融合，打造具有国际竞争力的数字产业集群。中国证监会出台《证券期货业科技发展“十四五”规划》,阐明了“十四五”时期证券期货业科技监管工作和行业数字化转型的指导思想、工作原则，明确工作重点。同时各地政府积极出台支持数字经济发展的指导文件，进一步推动资本市场金融科技迎来新的发展机遇和高峰。2023年6月19日，资本市场学院正式获批设立“资本市场金融科技联合创新中心”,为系统总结资本市场行业金融科技发展经验、促进行业金融科技创新发展，在证监会相关部门的指导和会系统单位的支持下，资本市场学院以联合创新中心为工作载体，组织编制《资本市场金融科技发展报告(2023)》,进一步促进行业金融科技发展成果共享，积极推动资本市场数字化转型和高质量发展。二、编写目标(一)厘清资本市场金融科技发展相关的核心概念立足资本市场金融科技发展实践，进一步界定资本市场金融科技内涵、厘清金融科技的核心概念，结合行业具体应用场景，对云计算、大数据、资本市场金融科技发展报告(2023)人工智能、分布式、区块链等技术进行深入分析和探讨，准确把握金融科技发展现状及未来趋势，为行业金融科技发展打牢基础。(二)梳理资本市场金融科技发展典型案例从核心机构、市场经营机构、公共技术平台等视角，梳理概括代表性机构的数字化转型实践，总结提炼相关经验和路径，积极推动行业金融科技经验交流与共享，不断提升行业金融科技发展水平。(三)剖析资本市场金融科技业技融合情况围绕资本市场典型应用场景，深刻剖析现代信息技术在核心交易、财富管理、机构服务、投资银行、投研、全面风险管理等业务中的应用实践和发展趋势，积极推动技术与业务的融合创新发展。(四)提出资本市场金融科技创新发展措施立足资本市场实际，围绕资本市场业技融合情况和面临的挑战，结合《证券期货业科技发展“十四五”规划》重点建设任务，提出资本市场金融科技创新发展措施，积极推动行业数字化转型，助力金融科技服务实体经济、提升市场效能、强化合规风控、增强监管能力、保障金融安全，逐步实现技术与业务的深度融合、创新协作，促进金融科技创新生态良性健康发展。三、主要内容本报告共分7章，第一章为资本市场金融科技发展概述，第二章介绍行业金融科技使用的主要技术，第三章介绍资本市场相关业务和数字技术的融合情况，第四章介绍行业典型实践和公共技术平台，第五章分析行业金融科技发展面临的主要挑战，第六章提出推进行业金融科技发展的主要举措，最后为总结展望。主要内容如下：第一章为概述。系统梳理资本市场金融科技的主要概念，总结资本市场金融科技发展历程，详细介绍证券业、基金业、期货业和上市公司的数前言V字化发展现状。第二章介绍资本市场使用的数字技术。深入分析了云计算、大数据、人工智能、分布式、区块链、大模型等技术的最新发展情况、未来发展趋势，并介绍相关技术在资本市场的应用实践。第三章介绍业技融合发展情况。从资本市场典型应用场景出发，详细介绍核心交易、财富管理、机构服务、投行、投研、全面风险管理等资本市场关键业务与数字技术的融合情况，分析业务和技术融合发展的路径。第四章是介绍行业典型实践。从核心机构和市场经营机构两个维度，梳理资本市场典型主体的数字化转型实践路径，总结提炼相关经验，并详细介绍核心机构提供的公共技术平台，为行业相关主体提供经验支持。第五章是分析行业发展面临的主要挑战。分别从业技融合、监管、工具、数据、新技术、跨行业竞争等层面详细分析行业金融科技发展面临的主要挑战。第六章是推进金融科技发展的主要举措。在全面分析行业金融科技发展现状、业技融合情况以及面临的主要挑战基础上，提出推进行业金融科技发展的主要举措。最后为总结展望，顺应数字经济蓬勃发展的大趋势，紧密结合资本市场各主体的实践，提出开放生态的理念、路径和目标。资本市场学院2023年11月资本市场金融科技发展报告(2023)编写单位一、主编单位：资本市场学院(一)会系统单位：四川证监局、上海证券交易所、深圳证券交易所、上海期货交易所、郑州商品交易所、大连商品交易所、中国金融期货交易所、广州期货交易所、中国证券登记结算有限公司、中国期货市场监控中心、北京证券交易所、全国股转公司、中证数据有限公司、中证信息技术服务有限公司、中国证券业协会、中国证券投资基金业协会、中国期货业协会、中国上市公司协会。(二)经营机构(按首字母拼音排序):广发证券、国金证券、国泰君安证券、国信证券、海通证券、华泰证券、兴业证券、招商证券、中金财富证券、中信证券、中信建投证券。(三)科技企业(按首字母拼音排序):阿里云、百度公司、抖音集团、翰纬科技、恒生电子、华锐技术、华为公司、火山引擎、腾讯云、中电金信。(四)国家工业信息安全发展研究中心。三、统稿单位(按首字母拼音排序):广发证券、国泰君安证券、海通证券、华泰证券、招商证券、中信建投证券；阿里云、华为公司、华锐技术、翰纬科技。四、责任编辑：资本市场金融科技联合创新中心编写人员编写人员(按姓氏拼音排序)一、编委会：陈春艳、陈浩、陈细谦、邓曙光、高贵中、侯睿、贾飞、蒋剑飞、金昆、李福琴、李刚、李卫、李予涛、林琳、刘大海、刘军、鹿群、路一、梅继雄、潘文锋、潘妍、庞彦广、宿旭升、孙瑞超、唐兵、唐忆、王洪涛、王静涛、王姝赐、王立明、王玲、王曦、魏重远、文华、武力、辛治运、闫巧芝、杨子江、叶盛、俞枫、喻华丽、于三禄、张莉、张悦、支晓繁、周婵、左天祖。二、统稿组：卞洁辉、蔡佳苗、陈斌、符祥旭、高贵中、候扬扬、焦雨溪、赖征林、刘文威、唐菊香、田盼、温亚龙、曾凡林、张雷、周诗景、周星宝、周泽中。三、编写组：艾青、卞洁辉、蔡佳苗、柴春胜、陈斌、陈丹茹、陈祎激、陈明、陈友清、戴先宇、丁伯轩、丁兴麒、方峰、方吕亥、符祥旭、高贵中、耿进波、顾志敏、关添天、郭立帆、韩晓红、何巧媚、何志东、候扬扬、侯禹竹、胡冬伟、化戈、火雪挺、黄叶金、姜维兴、焦雨溪、景睿、匡艳妮、赖征林、劳静诗、冷冰、李彬、李璜灿、李静、李全玲、李双宏、李思成、李霞、李鑫、李珣、李园园、李甄、刘彬、刘芳、刘进、刘文威、刘秀芬、刘延亮、刘杨凡、龙泉、楼峰、娄彦宁、陆伟、陆志坚、罗荣焯、吕艾雨、吕国豪、马冰、马馨、梅亚雷、孟映彤、苗仲辰、欧阳胤彦、潘志勇、彭向明、齐国军、钱磊、邵兵、石奥东、石硒磊、石烨、司东华、宋鹏程、隋文东、孙艳松、唐钺、唐菊香、田盼、王超、王恩亮、王凤冬、王海、王建、王建军、王敏芝、王琴、卫飞跃、魏帅、温亚龙、武杰、吴自强、徐VI资本市场金融科技发展报告(2023)VIII广斌、许静远、徐小梅、许一骏、杨博、杨柳、杨梦琦、姚远、叶航辉、于飞龙、于媛媛、蔚赵春、袁博、袁梦、曾凡林、张雷、张敏芳、张鹏、张任飞、张如意、张廷利、张馨文、张毅翔、张扬、赵林娜、赵先颖、郑丹坤、周积光、周诗景、周星宝、周宇尘、周轶珅、周泽中、朱永健、邹小军。第一章概述 1一、主要概念 1二、发展历程 2 3第二章主要技术 一、云计算 三、人工智能 四、分布式 八、信息技术应用创新 一、核心交易 四、投行数字化 五、投研数字化 六、全面风险管理 第四章典型实践 一、核心机构 资本市场金融科技发展报告(2023)X二、公共技术平台 三、市场经营机构 第五章面临的主要挑战 一、业技融合层面 二、科技监管层面 三、工具层面 五、新技术层面(以大模型为例) 六、跨行业竞争层面 第六章推进发展的关键举措 一、稳步推进资本市场金融科技创新试点 二、积极推进行业大模型建设 三、塑造安全可控体系 四、提升标准化工作水平 五、加强行业公共技术平台建设 六、加强数字化人才队伍建设 总结展望 一、开放生态的主要目标 二、开放生态的实现路径 三、监管部门保驾护航 第一章概述随着信息技术高速发展，各类数字技术已经融入到金融市场各个方面，带动金融市场蓬勃发展，同时金融市场高度繁荣也为信息技术提供发展和创新的土壤。一、主要概念金融科技(FinTech)是FinancialTechnology的缩写，可以简单理解(科技)。2016年金融稳定理事会(FSB)首先对金融科技进行定义，特指技术驱动的金融创新。中国人民银行印发《金融科技(FinTech)发展规划(2019-2021年)》,其中明确定义金融科技是技术驱动的金融创新，旨在运用现代科技成果改造或创新金融产品、经营模式、业务流程等，推动金融发展提质增效。随着数字化时代的到来，金融科技给现代金融带来了巨大的变革，促进了金融市场的创新和进步。同样，资本市场也面临着数字化转型的重要任务，而金融科技正是推动资本市场实现数字化转型的重要驱动力之一。在资本市场中金融科技涉及的技术主要包括以下几类：一是云计算：可以帮助金融机构实现业务的灵活性、扩展性、可靠性和安全性，降低IT成本以及提高业务运营效率。二是大数据：利用大数据技术，金融机构可以收集、处理、分析海量数据，从而实现对市场趋势、用户需求、风险预警的了解，为决策提供支三是人工智能(AI):在金融场景中，人工智能技术可以用于识别模式、预测市场动向、评估信用风险、构建投资组合等方面。四是分布式：采用分布式架构，叠加低时延消息处理、内存计算等高资本市场金融科技发展报告(2023)2性能技术，可以满足金融机构核心系统对于高性能、低时延、高可靠、易扩展、松耦合的技术转型要求。五是区块链与分布式账本技术：这些技术为金融交易提供更高的安全性、透明度，如改进支付结算、融资等业务流程。六是大模型：大模型基于技术的现状及发展规律，在投资交易、客户服务、风控合规等核心场景，给资本市场带来深层次改变。另外低延时、信息技术应用创新等技术也在资本市场中发挥着不容忽视的作用。二、发展历程资本市场的变革与信息技术的快速发展密切相关，在互联网大生态环境的影响下，通过信息技术的快速迭代，逆推着业务提出需求向前快速发展。历程可分为三个阶段，这三个发展阶段不是线性的关系，而是一个叠加的关系，总体呈现出三浪叠加的形态。智能化网络化2000年·业务流程类、业务执行类信息化建设·业务初阶自动化(业务点)移动互联网分布式2018年·推动资本市场与金融科技深度融合·业务智能化(内外部业务链、业务体系)电子化1990年化、信息化人工智能大模型低延时信创…金融科技发展进程云计算大数据业务模式重塑业务创新业务流程互联网计算机图1-1资本市场金融科技发展历程一是资本市场的电子化。1990年，全国证券交易自动报价系统(STAQ系统)正式开始运行，标志着金融科技在我国资本市场的应用打开了新篇章。后续，随着信息技术的普及，金融科技也慢慢渗透到资本市场的各个第一章概述机构、业务和环节中，完成了内部管理和封闭式系统的电子化，取代了传统手工操作，大幅提高了业务自动化水平与服务效率。过去三十多年，我国资本市场一直在经历这个过程，到目前为止已经基本完成。二是资本市场的网络化。网络化包括内部局域网、互联网、移动互联网等金融科技的不同阶段。例如：通过数据大集中，实现所有有效网点集中联网、所有会计账务集中处理、所有客户基本信息集中管理等，并通过对数据深层次的挖掘，提高资本市场的管理水平；支付宝联手天弘基金上线余额宝服务，短短两周内吸引客户数超250万户，远远高于传统基金业获客量，显示了金融科技的市场魅力。《“十四五”国家信息化规划》,各金融监管机构也发布了一系列金融科技发展规划，如证监会推出《证券期货业金融科技发展“十四五”规划》,全面推进资本市场进行数字化转型。数字化的本质是对象数字化、规则数字化和过程数字化，但数字化只是第一步，后续需要实现智能化及数智化的三、发展现状随着资本市场开放程度的不断提高，国内金融机构需要在国际舞台上与顶级金融机构同台竞技，必须不断发展创新，才能在国际舞台上立于不败之地。同时，我国资本市场的发展，离不开金融科技的大发展。金融科技的发展，为我国资本市场的超常规发展提供了技术支撑。在数字经济蓬勃发展的时代背景下，资本市场各主体都借助金融科技开启了数智化转型(一)经营机构金融科技现状1、证券行业金融科技发展现状一是金融科技推动证券行业数字化转型。随着我国金融科技浪潮席卷资本市场金融科技发展报告(2023)资本市场、证券行业生态竞争加剧、监管政策积极引导支持，基于金融科技的数字化转型已成为券商未来发展的全新战略高地。各大机构充分借鉴国际证券行业的数字化转型实践，积极入场开启转型新征程，铺资源、拉队伍、打基础，初步取得阶段性进展。证券行业金融科技发展趋势主要体现在以下几个方面1:(1)资源投入增长快：近年来中资券商数字化投入幅度整体显著提升，部分中资券商追平外资领先机构的投入力度。根据中国证券业协会专项统计情况，2022年度，证券公司信息系统建设投入总体金额402.16亿元，同比增长18.19%,占2022年证券公司净利润的27.31%。前15家证券公司信息系统建设投入为225.68亿元，占全部证券公司投入的56.12%。证券公司信息系统建设投入最高为27.35亿元，最低为2778.69万元，中位数为1.64亿元，证券公司信息系统建设投入持续增加。(2)人才队伍补充快：科技人才队伍建设日益成为券商数字化转型不可或缺的战略储备。各机构积极围猎关键技术岗位的优质人才，持续加大力度招兵买马，为深化转型补充新鲜血液。2021年证券公司IT人员总数为30,952人，同比增长19.70%,较上年提升近7个百分点2。(3)基础短板补充快：在硬件基础方面，近年来绝大多数券商机构基本均已通过自建或外采的方式，积极投入各项数字基础设施建设工作，补齐底层科技能力短板。2021年证券公司硬件投入为47.84亿元，同比增长22.92%,较上年提升近9个百分点³。二是金融科技在证券行业发展趋势。(1)对内强化业务运营能力：通过加强内部业务流程的优化和创新，来提升业务运营的能力。通过重新设计和优化业务流程，提高业务处理的效率和质量。通过建立跨部门的协作[EB/OL]./s/sKbnqVSOq5Z-INVGM2aCJg,2022.2.2中国证券业协会.《中国证券业发展报告2022》.北京：中国财政经济出版社，2022年.272页3中国证券业协会.《中国证券业发展报告2022》.北京：中国财政经济出版社，2022年.276页第一章概述机制和信息共享平台，促进内部协同工作，提高业务运营的整体效能。(2)对外提升客户服务能力：以客户为中心，构建专业与服务兼备的数字化客(3)全面提升数字化认知：金融科技数字化转型不只是科技条线的使命，而是要通过组织机制调整，确保数字化创新工作与业务领域的创新融为一体，使科技与业务齐头并进。2、基金行业金融科技发展现状一是基金行业金融科技投入快速增长。根据中国证券投资基金业协会于2021及2022连续两年对于公募基金公司金融科技发展情况的调查问卷结果统计分析，在基金公司人员架构方面，2019年至2021年，基金公司对IT人员的总投入占比逐年上升，且存在分化情况。截至2022年，近四成基金公司金融科技团队人数在1-10人，人数在10-50人以及50人以上的基金公司分别有约38%和18%。在IT投入方面，目前主要依赖于外购，但自研的比例呈上升趋势。基金行业IT投入和基金公司管理规模成正相关，2019年至2021年，基金管理规模排名前30名的基金公司平均IT总投入逐年上升，与行业整体情况及大规模基金公司相比，中等规模的基金公司在IT投入上的分化程度较低。其中，投资研究、基础设施和运营是金融科技投入的主要部分，其他投入领域包括合规风控、云服务、办公协同等。二是金融科技与基金行业业务深度融合发展。金融科技赋能基金行业迈入创新整合阶段，打通全业务流程、全产业链环节。一方面是金融科技赋能业务流程，提升数字化运营能力，完善客户服务体系。基金公司可借助第三方平台、核心技术服务方、数据管理方、信息服务方构建数字化系统，整合多维销售渠道，拓展用户覆盖面，并基于海量数据形成对用户的深度洞察，通过个性化推荐和数字化工具有效触达潜在客户。此外，在产品端，可通过基金产品创新、服务模式创新进行场资本市场金融科技发展报告(2023)6景关联、流程优化，打造以客户为中心的公募基金数字化运营框架，实现客户服务体系的完善升级。另一方面是金融科技助力风险控制，借助金融科技建立风险控制系统。未来金融科技的应用能够提高风险识别和控制效率，目前风险管理效率有进一步提升空间，因此金融科技的发展力度有望逐步加大，以期帮助投资机构实现有效的风险管理、提高交易效率和扩大投资规模。随着资产管理规模快速增长、产品线不断拓展丰富、服务客户数量持续增加，头部的公募基金公司高度重视业务数智化转型，持续开展大数据、人工智能等金融科技的创新实践。部分公司经过多年持续大力投入，构建起了整体化的数智化架构，全力打造覆盖投研、市场、运营、管理一体化应用平台，不断推动数字化、智能化技术在公司业务的全方面应用，持续提高金融服务效果。3、期货行业金融科技发展现状一是金融科技推动期货行业数字化转型。近年来，伴随期货市场的飞速发展，和对外开放的深入，期货行业数字化转型不断加速，金融科技得到了行业的普遍认可和广泛应用。伴随金融科技在行业的应用，期货公司信息技术投入呈现逐年提升态势。根据2019-2022年期货公司信息技术建设专项评价数据，2022年全行业150家期货公司年度营业收入与信息技术投入总额分别为401.4亿元和40.75亿元。近三年行业信息技术投入总额占营业收入总额的比例均达到7%以上，且信息技术投入占比复合增长率接近每年18%,头部期货公司加大信息技术投入的趋势明显。二是推进金融科技遇到的挑战。金融科技对国内期货行业的发展起到了积极的推动作用，提升了交易效率、增强了交易安全性、改善了市场监管，并带来了新的业态和模式。随着技术的不断进步和创新，金融科技将第一章概述继续在期货行业发挥重要作用，但也存在一些问题，主要如下：(1)体制机制难以匹配转型目标期货公司大多采用传统组织架构，缺乏能够在公司层面自上而下统筹推进数字化转型的组织。同时，尚未建立成体系的数字化转型制度和流程、考核和激励机制，业务和技术协同推进数字化转型的合力不够等问题掣肘期货公司数字化转型。(2)资源投入相对不足期货公司的数字化转型投入普遍低于证券行业平均水平，只有头部几家期货公司信息投入在亿元以上，在投入资源比较有限的情况下，期货公司往往局限于运用数字化手段满足业务和管理基本的需求，难以系统性、前瞻性布局并全面铺开深度推进数字化转型。(3)数据基础需要进一步夯实由于期货公司大多采用外购模式为主开展信息化建设，外购信息系统的分散和割裂导致系统间数据互通和整合应用存在较高实施难度。同时，历史数据需要持续沉淀，内外部生态数据完整度需要完善，数据治理水平和数据质量需要提升，才能挖掘更深层次的数据资产价值。(4)复合型人才紧缺数字化转型需要具有IT专业背景，深入理解行业趋势、业务模式和技术运作，能够主导和推动数字化产品设计、研发、落地的复合型人才。这类人才在市场上较为紧缺，期货公司在“抢人”大战中不具备优势，亟需建立灵活的吸引人才、激励人才方面的政策。(二)上市公司数字化发展现状上市公司是国民经济的生力军，是推动我国经济增长的动力源，同样也是企业数字化转型和整个经济发展的主要推动者和先行者。近年来，在国家政策的鼓励和推动下，上市公司纷纷借助金融科技手段提高企业的生资本市场金融科技发展报告(2023)产效率和管理水平，推动企业实现创新发展，增强市场竞争力。以2023年上市公司数字化转型典型案例为例，上市公司在多个业务领域及分子公司均开展了数字化转型，不同类型公司数字化转型程度不尽相同。以企业所有制划分来看，中央国有企业数字化转型走在前面，并且占比最多，其次是地方国有企业；以企业所属行业划分来看，制造业上市公司数字化转型走在前面，占比最多，其次是金融业上市公司和信息技术服务业。同时上市公司数字化转型的领域和范围不断扩大，涵盖了制造业、金融业、信息传输、软件和信息技术服务业、批发和零售业等多个行业领虽然上市公司在技术场景创新、产业链共享共建，以及通过数字化转型，推动生产经营实现绿色低碳、友好生态发展等方面都取得了良好效果，但仍面临着诸多困难和挑战。一是上市公司数字化转型面临人才短缺问题。目前市场上缺少既具备创新思维又兼备实践能力的复合型人才，上市公司推动数字化转型推进速度受到影响。同时，缺乏既懂业务又懂数字化技术的数字化人才，导致企业在数字化转型过程中业务与技术融合难度较大，难以实现技术支持下的高增长。二是部分上市公司尚未建立较为完善的数字化转型组织机制，未形成上市公司之间或上市公司各部门对转型的认同水平和数字化认知能力参差不齐，直接影响了数字化转型的效果和质量，人员数字化转型认知待提升。三是数字化转型面临较大的资金挑战。数字化转型前期需要大量的资金投入，如引进先进的数字化设备和系统、培养数字化人才等，且需要一定的时期才能见效。而对于一些上市公司来说，大规模的投入数字化转型资金，对整体经营来说压力较大，需要在资金方面寻求更多的支持和解决第一章概述方案。四是数字化转型中还面临着文化方面的挑战。上市公司以往形成的文化理念和传统经营模式很难改变，数字化转型中对新技术和新模式的接受程度和认识水平有待改进提升。综上所述，上市公司在数字化转型中面临的困难和挑战很多，需要从多个方面加以解决和应对。通过加强人才培养和引进、提高组织建设和认同水平、寻求资金支持以及适当地调整文化理念和经营模式等方面来推动数字化转型的顺利进行，实现企业的高质量发展。资本市场金融科技发展报告(2023)第二章主要技术近年来，云计算、大数据、区块链、人工智能、大模型、分布式、低延时网络技术等数字技术蓬勃发展，在资本市场得到广泛应用，提升了市场的运行效率和信息透明度，同时也推动了市场的发展和变革。一、云计算云计算平台通过提供“一云多芯”的能力，多地多活架构的高可用能力，资源的弹性供给能力，基础的网络支撑能力和基础的安全防护能力，以及计算、存储、网络、安全功能模块、PaaS层数据库、大数据、云原生等产品，实现资源可扩展可弹性的服务。云计算平台一般采用“分层解耦，逐层建设”的架构，通常分为IaaS层(基础设施即服务)、PaaS层(平台即服务)、SaaS层(软件即服务)。云计算平台架构如下：在线会议在线会议即时通讯在线文档营销风控数据库中间件大数据区块链人工智能存储资源机房基础设施平台运维运营管理安全服务计算设备存储设备计算资源网络资源网络设备图2-1云计算平台通用架构图云计算平台除了IaaS层、PaaS层、SaaS层，还有平台管理和安全服务能力。平台管理对底层资源池进行调度管理，包括运营管理、运维管理、资源平台管理等。安全服务包括主机安全、Web应用防火墙、安全运营中第二章主要技术心、网络入侵防护、威胁情报平台、威胁检测等能力，有效保护用户的业务和数据安全。(一)最新发展以及资本市场应用通过云计算平台建设，全面推进资本市场应用上云：在IaaS层面，借助云平台进行硬件设备、网络等资源的统一管理和分配，实现计算、存储等基础设施弹性服务能力。同时，基于容器技术，进一步提高应用的可靠性和性能。在PaaS层面，基于微服务开发框架，提供统一的开发规范、各种分布式技术组件，支持服务治理、分布式调度、分布式事务等，实现传统业务现代化；基于云上金融级中间件、研发效能平台等，提供丰富的技术组件封装，减少开发人员的重复劳动，提升开发效率，DevOps与云平台集成，实现应用交付敏捷化；基于云上监控运维组件，提供智能运维服务，根据业务监控需要快速完成开发定制，实现生产运维智能化。近年来，云计算在资本市场得到了广泛的应用和发展。一是行情收发、交易处理和结算：云计算技术的应用使得资本市场在行情收发、交易处理和结算过程更加高效、安全和稳定。通过云计算平台，资本市场可以实时处理大量的交易数据，降低了系统延迟，提高了交易速二是风险管理：云计算为资本市场提供了强大的计算能力，有助于实时分析和监控市场风险。通过大数据分析和机器学习技术，券商和投资者可以更好地识别潜在的市场风险，制定相应的风险管理策略。云计算技术的应用使得资本市场可以为客户提供更加个性化和智能化的服务。例如，通过聊天机器人和智能投顾系统，资本市场可以为客户提供实时的投资建议和资讯服务，提高客户满意度。四是数据存储和分析：云计算平台为资本市场提供了大量的数据存储空间和强大的数据处理能力。券商和投资者可以利用云计算技术对海量的资本市场金融科技发展报告(2023)市场数据进行实时分析，挖掘潜在的投资机会。五是合规监管：云计算技术的应用有助于提高资本市场的合规性和透明度。通过实时监控和分析交易数据，监管机构可以更好地发现和预防市场操纵、内幕交易等违法行为，保障市场的公平和稳定。六是技术创新：云计算技术的发展为资本市场带来了新的技术创新机会。例如，区块链技术的应用可以提高证券交易的透明度和安全性，降低交易成本；人工智能技术的发展可以为投资者提供更加智能化的投资工具和服务。(二)未来趋势以及资本市场应用一是业务系统上云：随着云计算技术的成熟和安全性的提高，越来越多的资本市场企业将把业务系统迁移到云端(包括私有云、公有云和行业云等)。这将帮助资本市场企业降低运维成本、提高业务灵活性和可扩展性。例如，证券公司可以将交易系统、风控系统、客户关系管理系统等部署在云端，实现业务的快速创新和迭代。二是大数据分析和人工智能应用：云计算技术将推动资本市场大数据分析和人工智能应用的发展。资本市场可以利用云计算平台提供的大数据处理和分析能力，对海量的交易数据、市场数据、舆情数据等进行实时分析，为投资者提供更精准的投资建议。此外，人工智能技术也将在资本市场得到广泛应用，例如智能投顾、智能客服、智能风控等。三是云端合规监管：随着云计算在资本市场的应用逐渐深入，监管部门也将加强对云计算的监管。未来3年内，我们将看到更多的云端合规监管解决方案出现，帮助资本市场企业满足监管要求。例如，云服务提供商可以提供专门针对证券行业的合规云服务，确保客户数据的安全和合规性。四是云端资本市场科技创新：云计算将推动资本市场科技创新的发展。资本市场可以利用云计算平台提供的弹性计算、存储和网络资源，快速开发和部署新的金融科技产品和服务。例如，基于区块链技术的证券交易和结算系统、基于云计算的量化投资平台等创新应用将在未来3年内得到快速发展。五是云计算服务竞争加剧：随着资本市场对云计算的需求不断增长，云计算服务提供商之间的竞争将加剧。各大云服务提供商将加大在金融领域的投入，推出更多针对资本市场的云计算产品和服务，以满足客户的多样化需求。二、大数据大数据技术是指在处理、分析和管理海量和复杂数据时所用到的相关技术、方法和工具，主要具有以下四个方面的典型特征：规模性(Volume)、多样性(Varity)、高速性(Velocity)和价值性(Value)。此外，大数据还具有处理复杂、时效性要求高、技术多种多样等特点，这些特点决定了大数据在行业应用的时候，除了关注技术本身，更要关注业务场景和价值，追求成本和效益的最大化。(一)最新发展情况大数据技术体系整体分为三大方向，大数据平台、数据开发与治理和数据分析与应用。数据科学数据科学报表&BI集成ETL/ELT数据开发与管理Airfkowdbt业务库流处trino存储大数据平台loi数据源图2-2大数据技术体系资本市场金融科技发展报告(2023)一是大数据平台。大数据平台主要提供数据存储、计算和传输能力。(1)数据存储：大数据存储技术主要解决如何高效、安全地存储和管理海量数据。常见的大数据存储技术有分布式文件系统(如HDFS)、NoSQL数据库(如HBase、Cassandra、MongoDB等)和分布式列式存储(如Parquet、(2)分布式计算(流批处理):大数据处理需要在多台计算机上并行处理数据，分布式计算技术可以将大规模数据切分成小块，分配到不同的计算节点上进行处理。常见的分布式计算框架有Hadoop、Spark等。(3)实时数据传输：大数据传输技术主要解决数据在不同系统之间的高效传输问题，常见的数据传输技术有Kafka等。二是数据开发与治理。数据开发与治理主要关注数据的采集、清洗、整合和管理，包括以下几个方面：(1)数据集成：数据采集技术主要解决如何从各种数据源获取数据。常见的数据采集技术有爬虫、日志收集、API调用等。(2)数据整合处理：主要解决如何对采集到的原始数据进行预处理，包括去除重复数据、填充缺失值、数据格式转换等，从ETL到ELT。 (3)数据管理：数据管理技术主要解决如何对数据进行有效的组织、维护和访问。常见的数据管理技术有元数据管理，数据建模，数据安全，数据运营等。三是数据分析与应用。数据分析与应用主要关注如何从数据中提取有价值的信息并应用到实际业务中，包括以下几个方面：(1)数据挖掘：数据挖掘技术主要解决如何从大量数据中发现有价值的模式和关联。常见的数据挖掘技术有聚类、分类、关联规则挖掘等。(2)机器学习：机器学习技术主要解决如何让计算机通过数据自动学习和改进。常见的机器学习技术有监督学习、无监督学习、强化学习等。(3)数据可视化：数据可视化技术主要解决如何将数据以直观的形式展示给用户，包括用户自助用数。(二)未来发展趋势第二章主要技术未来大数据技术发展趋势是实现数据的实时、智能与共享，需要健全数据工作组织、建立数据治理体系、升级数据平台和深化数据运营模式。趋势一：实时实时保证了数据的及时采集、传输、处理和应用，实现了数据的动态更新和实时反馈。实时性使得数据能力体系能够快速响应市场变化，及时调整业务策略，提高风险防控能力，增强服务创新能力。趋势二：智能智能利用人工智能、大数据、云计算等先进技术，对数据进行深度挖掘、分析和应用，实现了数据的价值转化和智能化服务。趋势三：共享共享打破数据孤岛，实现数据的跨部门、跨机构、跨地域的共享和流通，构建数据生态圈。共享使得数据能力体系能够拓展业务合作渠道，拓展业务覆盖范围，拓展业务增长空间，提高市场竞争力，开放式数据合作平台和生态；打造开放式的数据合作平台和生态系统，实现数据的跨域跨行业跨组织的协同共享，推动数据的社会化和普惠化。(三)资本市场行业应用一是量化投资与风险管理：通过对海量金融数据的挖掘和分析，量化投资策略可以帮助投资者发现市场中的投资机会，提高投资收益。同时，大数据技术可以帮助投资者实时监控市场风险，提前预警潜在的风险，从而降低投资损失。二是客户画像与精准营销：通过对客户的交易数据、行为数据、社交数据等多维度信息进行分析，证券公司可以构建客户画像，了解客户的投资需求、风险偏好等特征。基于客户画像，证券公司可以实施精准营销策略，提供个性化的投资建议和服务，提高客户满意度和忠诚度。三是舆情监控与分析：大数据技术可以帮助证券公司实时监控网络舆资本市场金融科技发展报告(2023)情，发现可能影响股票价格的重要信息。通过对舆情数据的分析，证券公司可以预测市场趋势，为投资者提供有价值的投资建议。四是交易监控与反欺诈：大数据技术可以帮助证券公司实时监控交易数据，发现异常交易行为，如操纵市场、内幕交易等。通过对异常交易行为的及时发现和处理，证券公司可以维护市场秩序，保护投资者利益。五是证券研究与分析：大数据技术可以帮助证券公司对上市公司的财务数据、行业数据、宏观经济数据等进行深入分析，为投资者提供全面、准确的研究报告。此外，通过对历史数据的挖掘，证券公司还可以发现潜在的投资机会，为投资者提供有价值的投资建议。六是金融科技创新：大数据技术为证券行业带来了新的创新机遇，如智能投顾、区块链、人工智能等。通过引入金融科技创新，证券公司可以提高业务效率，降低运营成本，提升竞争力。三、人工智能人工智能在金融行业已有较广泛的应用，当前已成为金融机构不可缺少的基础技术。人工智能技术的发展，可以归纳为机器学习，深度学习，大模型三个阶段，当前处在深度学习广泛应用到大模型探索应用的阶段。人工智能应用整体解决方案(算法模型开发训练发布到应用)如下图：舆怙报告助手智船写作NLP特征标注日志分析开源模型第三方接口算法管理多卡训练分布式训练异常容错资源油管理资源池化管理任务管理外部数据X86GPUARM异构计算服务器市场报告助手工程化组装Al应用管理边缘推理批量推理对话模型推理风控集群管理异腾在线推理XX大模型在线推理视频推理硬件组装RPA执行人脸识别统存储投研投顾助手员工开发助手员工写作助手智艏客服对话Al型标注Al栉发台智能吝服平台管理风控预警数姆仓库标注模板人工训练平台开平型发模研共享图2-3人工智能整体解决方案示例图第二章主要技术整体包含：底层算力，AI一体化开发平台(资源统一管理),知识中台(数据标注与数据存储),模型开发和模型应用。随着资本市场的逐步成熟，人工智能等信息技术的迅猛发展为投资机构创新资产证券投资交易及分析模式提供了可能，许多投资机构开始尝试将人工智能技术应用到资产证券投资分析研究中。金融市场数据获取渠道的多元化及便利化，为证券投资机构运用基于大数据的人工智能技术奠定了良好基础。一是AI中台：帮助企业实现AI能力的高效率生产和集中化管理，支撑AI敏捷开发。通过与数据中台、业务中台协同，实现企业中台的智能化发展；支撑企业业务应用及管理应用升级，协助高效复制、建设及管理不同场景下的AI应用，如智能风控、智能营销等，助力业务降本增效，控制风险，提升企业的竞争力。知识中台是一个集知识管理、知识提炼、知识应用于一体的平台，它可以帮助企业实现知识的快速传播、共享和创新。知识中台对AI人工智能的作用主要体现在知识积累、知识提炼、知识应用和知识创新等方面，有助于提高AI系统的智能水平、实用性和价值。(一)资本市场应用一是量化交易策略：AI技术，尤其是机器学习和深度学习算法，已经被广泛应用于量化交易策略的开发。通过对大量历史数据的分析，AI可以发现潜在的交易机会，从而帮助投资者制定更有效的交易策略。此外，AI还可以实时调整策略，以适应市场的变化。在风险管理方面的应用也取得了显著的进展。通过对大量历史数据的分析，AI可以预测潜在的市场风险，从而帮助投资者及时调整投资组合。此外，AI还可以实时监控市场动态，以便在风险出现时立即采取措施。资本市场金融科技发展报告(2023)三是智能投顾：智能投顾是AI在资本市场的另一个重要应用。通过对投资者的风险承受能力、投资目标和投资期限等因素的分析，AI可以为投资者提供个性化的投资建议。此外，智能投顾还可以实时调整投资建议，以适应市场的变化。在舆情分析方面的应用也取得了显著的进展。通过对社交媒体、新闻和其他在线内容的实时分析，AI可以发现潜在的市场趋势和投资机会。此外，AI还可以预测舆情对股票价格的影响，从而帮助投资者制定更有效的交易策略。在投资研究方面的应用也取得了显著的进展。通过对大量历史数据的分析，AI可以发现潜在的投资机会。此外，AI还可以实时监控市场动态，以便在投资机会出现时立即采取措施。在合规监管方面的应用也取得了显著的进展。通过对大量交易数据的实时分析，AI可以发现潜在的违规行为，从而帮助监管机构及时采取措施。此外，AI还可以预测潜在的合规风险，从而帮助企业制定更有效的合规策略。(二)未来发展目标一是技术底座不断夯实。AI中台与知识中台从构建到优化，进一步发展，构筑坚实的产业智能化基座，会进一步加速产业智能化升级。数智融合，为技术底座的夯实提供了强大动力和广阔市场空间。进一步支撑AI的创新应用。二是AI跨领域融合更加扎实。AI技术的发展，为跨领域、跨学科融合创新带来巨大的价值空间。以AlforScience为代表的跨领域融合创新，正在发展出完善的工具体系，从理念设想转化为实际价值，推动科研范式的变革和新兴产业的发展。AI加持的机器人越来越多地应用于需要大量人力的工作场景，提高劳动生产率。基于坚实的智能化基座，一方面数字经第二章主要技术济与实体经济加速融合，促进产业体系升级；另一方面web3.0、元宇宙、自动驾驶、AIGC、量子科技等新方向、新领域，将加速发展并落地。随着大模型技术逐步成熟，训练能力、核心算子库和软件平台布局不断完善，在金融领域，行业大模型开始浮现，围绕各行业需求，搭建AI基础设施，推进“AI+行业”的应用创新。资本市场积累的丰富数据和多维场景为人工智能技术的应用提供了良好的环境。当前，人工智能技术在资本市场的应用已经从感知型智能，逐步向“应用+AI”的认知型智能转变，开始形成智能驱动业务的新动能模式。随着资本服务的普惠化与智能化趋势不断推进，资本市场主动拥抱AI来提升经营管理效率，资本金融服务智能生态逐渐显现。三是算力资源共享与信创算力补充。算力对于大模型的训练速度有决定性影响，也是制约大模型成果水平的关键因素，还处于GPU受限的情况之中。以下解决方案可以减少算力压力：(1)算力资源池化：企业内部三类异构芯片(CPU、GPU、NPU)资源池化：统一资源管控，提高资源利用率。(2)企业间算力资源共享共建：如下图所示：企业间算力共享，又能灵活隔离的形式节省算力资源。11、资源统一纳管，共享/独享合理2、提供金融大模型，同时，对公共模型可共建共享，比如：合规监管，减少重复建设3、开发与训练：统一的开发与训练流水线平台，降低使用门槛5、快速开租申请与资源分配5智能客服员工助手X2企业Al应用数字底座算力资源统一纳管资源合理分配：资源可共享，也可设置部分资源独享X3企业Al应用数字底座X1企业Al应用数字底座运维优化模型训练工作流开发全融大模型AI平台安全隔离租户/金融单位智能风控信用评分反收诈反洗钱2合规监管统管理自主开发舆情分析智能投顾GPUX86423图2-4企业间算力资源共享示例图资本市场金融科技发展报告(2023)(3)信创算力补充拥抱国产化算力资源，作为第二算力资源补充，优化软硬件协同，系统级优化AI集群，从而加速大模型训练开发。带动国产化软硬件产业和生态发展同时防范算力风险。四、分布式分布式系统是指将应用组件分布部署在不同的计算机集群上，彼此之间通过网络通讯来进行消息传递和协调处理的系统。分布式技术通过将大规模的数据和任务分发到多台计算机上进行计算和存储，以此提高系统的可扩展性和性能。结合集群中所实现的负载均衡、故障检测与容错等技术，可以确保系统在面对高负载或故障时保持稳定，具有扩展性好、容灾能力强、服务耦合低、经济性好的优势。低时延技术致力于减少数据传输和处理的时间延时，采用就近部署、高效通讯协议、优化算法等手段，基于低时延大带宽的基础设施设备，降低数据在系统中传输及处理的时间，满足金融交易类实时应用系统对高性能、低时延的运行要求。(一)架构特性金融证券行业下一代核心交易系统采用分布式低时延内存计算架构，通过分层设计，逐层支撑，综合使用高性能的基础设施层、消息中间件层和应用框架层设计来实现上层交易应用的高并发、低时延要求，具体所包含的技术架构特性如下：一是高可用性。高可用性是分布式系统的核心要素之一，在分布式计算场景中，提高高可用的唯一有效手段是同一个高可用集群内的服务副本实例对数据进行复制，多个服务副本之间保持状态同步，结合高可用集群中故障检测、自动切换等技术，支持当某一服务故障之后其角色和功能可以被其它在线的服务副本所替代，实现应用对于故障处理的无感切换。二是低时延。基于分布式低时延技术架构，下一代核心交易系统在应用框架层综合采用流水线处理、线程池、高性能序列化、无锁队列、高性能基础库、高性能内存管理等技术进行加速；结合在基础设施层采用低时延大带宽的交换机和网卡、高主频的服务器等，可以有效提升分布式系统的消息并发处理能力，降低并发冲突，提高系统的响应速度。三是高并发。分布式低时延架构通过分布式部署，结合负载均衡的访问技术，能够将用户请求分发到不同的实例或者节点当中，保证各个实例或者节点的负载均衡，提高分布式系统的并发处理能力。此外在分布式系统当中，通过使用分布式缓存来提供读写性能，将数据存储在内存当中，实现快速访问，大幅减少对于后端存储系统的访问依赖，在提供高并发处理能力的同时，降低系统延时。四是可扩展性。分布式低时延技术的水平扩展特性是指上层应用层面可以通过增加同一类型组件数量、交易节点数量，基础设施部署层面通过增加交换机、服务器，甚至数据中心的规模，来动态扩展分布式系统的处理能力和吞吐量，以此满足多样化的应用场景和业务需求。通过水平扩展特性，分布式低时延技术能够快速适应不断变化的负载需求，提供匹配于当前业务模型的高性能和可伸缩性的弹性解决方案。五是一致性。分布式系统架构在对消息进行分布式低时延传输时，通常采用一致性协议、分布式事务等机制来确保在传输过程中数据的一致性，当面对并发操作时，能够保证不同副本所组成的容错集群内部消息具备完整性、有序性。在这种情况下，一致性特性是确保分布式系统的各个副本都具有相同数据的关键特性。通过合理的设计以及选择合适的一致性模型、协议和算法，能够有效在分布式环境下进行数据的一致性复制和同步。六是松耦合。分布式系统通常由多层组成，每层都包含了一些原子服务，服务之间的协同交互采用消息传递方式。以基于分布式低时延架构所资本市场金融科技发展报告(2023)实现的证券核心交易系统为例，其各个子系统、各个模块之间通过统一的标准接口实现对接，上层业务系统可以根据业务和功能逻辑划分多个独立的子系统，有效地支持系统之间的松解耦，支持独立升级维护、部署运行。(二)应用场景近年来证券行业业务快速发展，证券公司核心系统承载的业务越来越多，系统功能日趋庞杂，运维管理难度越来越大。随着信用交易业务、个股期权业务、港股通、CDR、科创板、全面注册制等业务的推出，以及客户和交易业务量的不断攀升，对核心系统的可靠性、可用性、交易速度、吞吐量、可扩展性等提出了更高的要求。此外，核心系统的安全、稳定、高效对证券行业来讲至关重要。2007年以来公开的信息安全风险事件中因交易系统故障导致的风险占86.11%;2015年以来，股市交易量大幅增长，多家证券公司交易系统出现交易缓慢、卡顿等问题，中国资本市场并未解决好性能和可用性等关键基础问题。随着分布式技术的发展，全球领先投资银行和交易所的核心业务系统纷纷向分布式低时延系统转型。分布式架构、开放平台、高可靠低时延消息技术、高性能计算方向，在国外已经有了成熟的应用，势必将在未来的中国证券行业内得到更广泛的应用及推广。五、区块链技术区块链是一种由多方共同维护，使用密码学保证传输和访问安全，能够实现数据一致存储、难以篡改、防止抵赖的记账技术，于2008年由中本聪在《比特币：一种点对点电子现金系统》中首次提出，其开放、共享、去中心化的特点可以改善和解决各行各业中的信任问题。按照权限许可，区块链分为公有链(完全去中心化，节点自由加入退出)、私有链(仅限一个组织机构内的访问与交易)和联盟链(针对成员开放全部或部分功能，权限与规则由联盟成员约定)。第二章主要技术(一)关键技术网络也称对等网络，是一种在对等者(peer)之间分配任务和工作负载的分布式应用架构。P2P网络中的每一个节点既可以是服务器端也可以是客户端，网络中的节点之间可以直接进行数据传输和通信。P2P网络具有去中心化、可扩展、稳健、高性价比等特征，维护了区块链网络在底层通信信道上的平等特性与高效性。二是分布式账本与共识算法。分布式账本是在大型网络中由每个参与者独立保存和更新的数据库，发生故障的节点可以从其它节点读取存储的数据。由于区块链中各个节点权利义务平等，需要一套完善的制度以公平的方式保证系统中所有副本的一致性，即需要引入使节点之间对区块链账本内容达成共识的机制。共识算法决定了区块链中区块的生成规则、保证各个节点的诚实性、账本的容错性与系统的稳健性。三是密码学技术。区块链主要应用的密码学技术有哈希算法和非对称加密两种。哈希算法是将任意长度的输入以不可逆方式变换为固定长度的散列数据(即哈希值)的输出，是区块链中保证交易信息不被篡改的单向密码机制。其特点为输入的数据与输出的哈希值一一对应，对输入数据的任何细微改动都会导致输出哈希值的变化，并且无法通过哈希值推导出对应的输入数据。输入值计算结果00438fd85f7cff5ac8100438fd85f7cff5ac8103366da4a882c1c17f0abf1f1b808c71eec0914456f1c359fc363d572baa4c7ff158c43283f1水善利万物而不争，处众人之所恶，故几于道。水善利万物而不争，处众人之所恶，故几于道图2-5输入数据改动导致哈希值变化(以SHA256算法为例)非对称加密是指为满足安全性需求和所有权验证需求而集成到区块链中的加密技术，通常是在加密和解密过程中使用公钥(公开)和私钥(保资本市场金融科技发展报告(2023)密)两个非对称的密码。用其中一个密钥(公钥或私钥)加密信息后，只有另一个对应的密钥才能解开，并且无法通过公钥推算出相应的私钥。私钥加密、公钥解密被用于数字签名，公钥加密、私钥解密则用于数据加密。四是智能合约。智能合约的概念由尼克·萨博于1995年提出，是基于预定事件触发、自动执行的计算机程序。智能合约是区块链“去信任化”的重要基础，可以在没有第三方参与的情况下执行可追溯、不可逆转和安全的交易。(二)运作原理对区块链的理解可以拆分为“区块”与“链”两个部分。其中区块记录一段时间内发生的所有交易(对账本的操作)与状态结果，被称为“链”是因为区块链按照时间顺序连接数据区块，组成链式数据结构。哈希值前一区块哈希值交易列表哈希值前一区块哈希值交易列表哈希值前一区块哈希值交易列表图2-6区块链的链式数据结构一个新区块的生成可分为三个阶段。首先，某一节点提交信息或发出请求，将信息明文通过公开选定的哈希函数进行映射生成信息摘要，并通过该节点的私钥加密生成电子签名。之后，信息明文与电子签名被广播至相邻所有节点，收信节点对收到的明文与签名分别进行哈希与公钥解密，生成两份信息摘要(两份摘要完全相同则证明未被篡改)。最后，确认过的明文暂存本地池内，积累一定数量或经过一点时间后，通过共识算法指定生成新区块的节点。新区块在被广播与验证后将被添加至已有区块之后。通过跨链技术，价值可以跨过链与链之间的障碍进行直接交互，实现不同区块链之间的资产流通和价值转移。跨链的主要方法有哈希时间锁定合约、公证人机制、侧链/中继和分布式私钥控制。第二章主要技术(三)技术特征区块链具备以下特征：一是分布式记账，即区块链实现数据的分布式记录、存储与更新，所有节点保存全部的相同区块信息，不存在单点失效任意节点均可审查区块链系统的数据记录、更新操作与运行规则或通过公开接口开发相关应用；三是不可篡改，通过哈希加密与共识算法两套机制增加个体对链上数据篡改的难度；四是自治，通过协商一致的规范和协议进行区块链系统的数据交换、记录与更新操作，免除人工介入或干预；五是隐私，区块链中交易者的私有信息经过哈希加密且可以使用双方地址替代身份进行数据交互。(四)资本市场应用进展区块链技术由于数据透明、不可篡改等特征，可以帮助建设可信的资本市场。我国近年来不断推动区块链在资本市场各场景的应用，根据零壹智库数据，截至2023年4月77项资本市场金融科技创新试点项目中，有18项应用区块链技术。在我国的资本市场区块链应用主要包括存证与数据共享两类模式：一是区块链不可篡改的特点天然适合用于各类电子数据的保全与固定，这对于数字经济时代可信资本市场的建设尤为重要；二是区块链作为化解数据共享难题的关键技术，可以在保护数据隐私性的同时为数据确权，解决数据要素流通面临流程合规、隐私安全等痛点，这对于敏感程度较高的金融数据意义尤甚。证监会高度重视区块链在区域性股权市场建设中的应用，其于2020年重点工作中提出建设基于区块链的场外市场登记系统和交易报告库，并启动了区块链建设试点工作。2021年，国家网信办牵头组织了区块链创新应用试点申报工作，证监会牵头其中“区块链+股权市场”的特色领域试点工作，10家区域性股权市场纳入国家区块链创新应用试点名单。资本市场金融科技发展报告(2023)(五)资本市场应用趋势随着“数据二十条”以及数据入表等政策的公布，区块链将会在数据要素资产化与流通方面发挥更大的价值。与此同时，随着Web3在国内的蓬勃发展，数据主权将被更多人所重视。Web3注重数据的主权，它使个体能够掌握和管理自己的数据。这对于数据要素领域尤其重要，因为数据的所有者可以通过Web3技术明确授权数据的使用，保护数据隐私和权益。区块链在数据要素领域的作用和作为连接器的角色是非常重要的，区块链技术可确保数据的合法确权和授权。数据的所有者可以明确定义谁可以访问、使用和分享他们的数据，以保护数据的权益。具体来讲，区块链技术将扮演以下方面的角色：一是用户连接器：区块链作为用户连接器，有助于连接数据交易的各方，包括数据所有方、使用方和经营方。它提供了安全、去中心化的平台，使各方能够安全地交换数据，建立信任，并确保数据的合法使用。二是技术连接器：区块链可以链接各种技术和能力，如隐私计算、数据仓库等。这有助于确权、授权和管理数据的使用，确保数据的隐私和安全性。区块链的智能合约功能可以用于设定数据的使用规则和授权条件。三是流程连接器：区块链作为流程连接器可以串联数据流通的方方面面。它可以帮助管理数据质量评估，数据定价，数据商品确权与登记，数据授权等过程。这有助于提高数据的可用性、透明度和可追溯性。六、大语言模型大模型(LargeLanguageModel,LLM)是一种语言模型，由具有许多参数(通常数十亿个权重或更多)的人工神经网络组成，使用自监督学习或半监督学习对大量未标记文本进行训练。它通常指的是参数数量在数十亿或更多数量级的深度学习模型。大型语言模型在人工智能(AI)和自然语言处理(NLP)领域都有多种用途。基于海量数据集的信息，LLM可以识别、压缩、翻译、预测，甚至生成类似人类的文字以及照片和音频等其他内容。在各种NLP任务中，包括文本生成和完成、情感分析、文本分类、摘要、问答和语言翻译，LLM都表现出了卓越的表现。根据给定的提示(Prompt),LLM可以生成符合逻辑且与上下文相关的语言，为创意写作、社交媒体内容和其他用途提供新的机会。在聊天机器人、虚拟助理和其他对话式人工智能应用程序中，也可以使用LLM。LLM可以通过进一步的训练得到增强，以满足机构用户的特殊需求。(二)国内大语言模型现状(按收稿先后排序)1、华为盘古大模型华为从2019年投入AI大模型研发，2021年发布了基于Transformer架构的盘古NLP中文大模型和阿语大模型。目前的盘古大模型3.0版本包含三层模型：基础大模型、行业大模型和场景模型。分层解耦，可以快速适配，快速满足行业的多变需求。客户既可以为自己的大模型加载独立的数据集，也可以单独升级基础模型，也可以单独升级能力集。场景化模型工作流数据管理大模型开发套件大模型开发套件行业大模型大模型资产Al开发平台Al开发平台图2-7华为盘古大模型框架资本市场金融科技发展报告(2023)(1)L0基础大模型5个基础大模型，包括盘古自然语言大模型(PanguNLP古多模态大模型(Pangumulti-modalmodel)、盘古视觉大模型(PanguCVmodel)、盘古预测大模型(Pangupredictionmodel)和盘古科学计算大模提供100亿参数、380亿参数、710亿参数和1000亿参数的系列化基础大模型。(2)盘古金融大模型华为盘古金融大模型解决方案，包括场景层、模型层、底座层三层。以高质量的数据为基础，通过三层方案加速创新生产力、跃升智力、澎湃算力三力协同，逐步实现场景的价值落地、体系构建、能力固化。类10个应用场景，包括智能客服、信贷报告生成、智能数据分析、智能编程助手等。在软件开发领域，利用大模型代码生成等能力，逐步构建智能软开体系，编码助手的代码生成占比提升至40%。场景落地，除了模型本身能力，工程化能力和丰富的生态体系至关重要。华为还提供模型微调、数据工程、应用开发、安全工程等系列工程化套件，让客户和伙伴更便捷地调用大模型；联合数据标注、模型调优、应用开发等伙伴，构建丰富的大模型生态体系。在模型层，盘古大模型具备100多种模型能力；在此之上，通过五类金融数据注入千亿级的金融Tokens;与金融机构和伙伴共创，沉淀了上千个细分场景模板；融合了100多个行业标准、规范等行业知识库；构建了数据、模型、内容等全流程安全合规能力，打造面向金融行业的大模型。在底座层，打造“算网存云”协同的智能底座，从高性能集群训练、高可靠模型保护、高效绿色节能三个方面为大模型提供澎湃算力：通过高速集群互联架构，将token处理时延降低至100ms以内；通过存算协同，将训练中断时间从天缩短到分钟级，实现月级稳定训练；通过全液冷集群和多租户资源共享，将网络能效比从0.1提升到0.5PFLOPS/KW。2、恒生电子大模型LightGPT-金融行业专业大模型基于恒生技术和在金融行业积累的领域知识能力，恒生电子于2023年6月推出金融行业大模型LightGPT。LightGPT拥有专业的金融语料积累处理和高效稳定的大模型训练方式，使用了超4000亿tokens的金融领域数据(包括资讯、公告、研报、结构化数据等)和超过400亿tokens的语种强化数据(包括金融教材、金融百科、政府报告、法规条例等),并以之作为大模型的二次预训练语料，支持超过80+金融专属任务指令微调，使LightGPT具备金融领域的准确理解能力。在包括金融专业问答、逻辑推理、超长文本处理能力、多模态交互能力、代码能力等在内的金融大模型能力评测中均有不错表现，并保证内容和指令的合规安全。如针对生成内容的可控问题，LightGPT构建了包括语料安全、模型安全、模型评估等在内完善的安全机制，从八大评价维度确保大模型生成内容的安全合规，符合中国金融市场的监管要求。LightGPT可以为投顾、客服、投研、运营、风控、合规、研发等金融业务场景提供底层AI能力支持。如在投顾场景中，LightGPT通过增加1200多万tokens专业投顾语料，减少财经大V版权语料和日常语料以及12类任务指令微调，应对金融术语口语众多、知识幻觉、监管严格等挑战，在安抚话术生成、客户意图识别、实体识别、Json识别能力等方面平均超出国内通用大模型13%;在投研场景中，LightGPT通过使用基于位置编码改进的transformer模型，超200亿tokens的金融信息语料和8类任务指令微调，解决超长文本处理、图表文字混合排布、投研术语众多等问题，在研资本市场金融科技发展报告(2023)报观点抽取、舆情事件识别和抽取、资讯摘要、表格处理、公司实体识别等方面平均超出通用大模型12%。LightGPT拥有丰富、轻量化的部署方式，支持私有化/云部署以及灵活API调用，推理端仅需一机2卡部署。金融机构可以基于LightGPT通过私域任务数据定制化精调大模型，打造机构专属大模型，满足个性化需求。3、腾讯混元大模型(1)腾讯混元大模型2023年以来，国内科技企业陆续推出了自主创新的大语言模型，混元大模型是腾讯推出的一个超大规模的语言模型，混元大模型全链路技术自研，超千亿参数规模，预训练语料超2万亿tokens,具备强大的中文创作能力，复杂语境下的逻辑推理能力，以及可靠的任务执行能力。混元大模型优化了预训练算法及策略，让混元大模型的幻觉相比主流开源大模型降低了30%至50%;通过强化学习的方法让模型学会识别陷阱问题，对难以回答或不应回答的问题说“不”;通过位置编码优化，提高了超长文的处理效果和性能，提出思维链的新策略，能够像人一样结合实际的应用场景进行推理和决策。腾讯自研了机器学习框架Angel,使训练速度比业界主流框架提升1倍，推理速度比业界主流框架提升1.3倍。智能创作智能检索(跨模态)智能文档管理智能客服分析营销U客户专属大模型行业大模型精调解决方案细分领域模型训练平台TI-OCR训练平台TI-AOI训练平台应用平台媒体Al中台智能视频分析平台智能图像创作平台智能应用企点客服企点分析营销Al语音助手数智人Al绘面T平台平台8工具TI-DataTruth数据标注平台TI-ONE训练平台Tl-Matrix应用平台Angel机器学习框架技术底座行业大被剂金融大模型政务大模型文旅大模型传媒大模型教育大模型行业大模型开放生态模型底座腾讯混元大模型基础设施高性能计算集群HCC高性能网络，自研星脉计算网络架构向量数据库图2-8腾讯混元大模型架构第二章主要技术基于腾讯混元大模型，用户可以通过传入不同的参数控制生成内容的类型，并通过自然语言给模型以内容生成的指令，可以满足多种场景的文本生成需求，包括但不限于文章写作、营销文案、视频脚本、电商文案、纪要整理、翻译等。(2)腾讯金融大模型腾讯金融大模型以其低成本训练和推理，可以有效地降低用户的使用成本。海量的无监督和有监督的金融专业训练数据，融入大量从业务场景积累而得的行业Knowhow,提升垂类任务的性能；训练成本下降90%,训练性能提升10倍。同时，该模型采用了三重安全防护措施，在问题侧、模型侧、答案侧三个层面进行违规信息的过滤和规避，让最终的答案符合安全、规范的要求。确保了模型在可信、可靠和可用方面的稳定性，为用户提供了高效且安全的金融智能解决方案。基于腾讯云TI平台完整的平台工具链，支持大模型开发与管理。TI-ONE是基于腾讯云强大计算能力的一站式机器学习平台为用户提供从数据预处理、模型构建、模型训练、模型评估到模型服务的全流程支持。平台提供完善的平台工具、成熟的流程方法和全面的配套服务，可以运行腾讯高质量的行业大模型。金融行业大模型满足金融行业各个场景，包括但不限于知识问答、研报摘要、营销文案撰写、智能投顾、金融资讯摘要生成等。4、阿里云通义千问大模型(1)通义千问大模型阿里云开源了Qwen(通义千问)的系列工作，当前开源模型的参数规模为70亿(7B)和140亿(14B)。包括基础模型Qwen,即Qwen-7B资本市场金融科技发展报告(2023)Qwen-14B-Chat.当前基础模型已经稳定训练了大规模高质量且多样化的数据，覆盖多语言(当前以中文和英文为主),总量高达3万亿系列模型拿出非常有竞争力的表现，显著超出同规模模型并紧追一系列最强的闭源模型。此外，阿里利用SFT和RLHF技术实现对齐，从基座模型训练得到对具备聊天、文字创作、摘要、信息抽取、翻译等能力，同时还具备一定的代码生成和简单数学推理的能力。在此基础上，针对LLM对接外部系统等方面针对性地做了优化，具备较强的工具调用能力，以及最近备受关注的CodeInterpreter的能力和扮演Agent的能力。(2)阿里云金融行业大模型基于Qwen基础模型，经过海量金融行业语料的继续训练(ContinuousPre-Training),便得到了服务于金融行业的大语言模型。Qwen采用了更加高效的训练实现，128卡7B模型，40B/daytrainingtokens,一周即可完成行业模型增量训练。同时，更加科学的语料比例混合，包含通用中英文，行业中英文，覆盖财报、研报、新闻、政府公告、论坛、书籍论文、代码、表格等不同数据类别，调优数据混合比例，使模型更“懂”金融。通过指令金融大模型在指定的场景任务上的性能大幅提升。此外，阿里云还联合一些头部金融机构发布了金融行业大模型的评测集并开源，以帮助机构自行构建针对金融大模型的评测集、有监督的调优(SFT)以及代码化的评测流程。应用方面，阿里云金融