大模型技术赋能反财务舞弊与风险控制大有可为

作为资管机构的从业人员，我们一直在探索科技在业务中的充分应用。在产品销售、智能投研、风险管控、后台运营、客户服务等场景，资管行业也一直在运用科技赋能。当前，如何有效利用大模型技术，更是我们的热点、焦点、困惑点、痛点。

上市公司财务的真实性，是资本市场的重要基石。3月15日，在国新办举行“强监管、防风险、推动资本市场高质量发展”有关政策新闻发布会上，证监会相关负责人表示，财务造假触碰的是资本市场的底线，必须坚决打击。未来将重点打击包括长期系统性造假和第三方配合造假、欺诈发行股票债券等在内的五类行为。

一是长期系统性造假和第三方配合造假，对于造假的策划者、协助者，都要严肃追责，坚决破除造假“生态圈”。二是欺诈发行股票债券行为。要坚决把造假者挡在资本市场门外，混进来的要坚决清除。三是滥用会计政策、会计估计，随意调节利润的财务“洗澡”行为。四是通过融资性贸易、“空转”“走单”进行造假的行为。五是在侵占上市公司利益、掏空上市公司过程中伴随的一系列造假行为。

这些监管措施，都是投资机构期盼已久且坚决支持的。因为在投资过程中， 无论一级市场上的股权、债权，还是二级市场上的股票、债券，我们都是将精力重点放在宏观、中观、企业的分析判断，以及投资策略的构造上。但前提是，这些资产披露的数据是真实可靠的，而不是人工粉饰伪造的。

识别风险点的工作量是巨大的，但AIGC大模型会提供相当多的帮助。当下，AIGC大模型成为人工智能创新发展的重要方向，基于大模型的AIGC应用如火如荼，大模型在风险识别、预警、处置等领域的优势作用进一步凸显。具体而言，大模型技术在应对不断升级的财务舞弊手段方面具有以下三大优势。

（一）数据分析，处理全面

大型语言模型显著提高了非结构化数据处理的效率，将原本需要硬编码或复杂管道才能完成的信息提取和结构化过程简化。例如，整合多源数据及信息，对财务附注、复杂表格、公告、合同的解析，整理交易数据，以及对舆情事件和故事脉络的分析，大幅扩展了可用的因子维度，更充分地挖掘了公开市场数据的价值；通过分析企业的收入、成本、利润等指标，可以发现是否存在虚增收入、隐瞒成本等造假行为。这有助于我们从多个角度分析问题，更全面地了解潜在的风险和舞弊行为。

（二）预警信号，实时性较强

大模型在反财务舞弊的实时性主要体现在两个方面。一方面是处理数据的实时性。大模型技术能够实时分析大量的数据，及时发现异常模式和趋势，这有助于我们快速识别潜在的财务舞弊行为，并采取相应的措施进行预防和管理。另一方面是规则应用的实时性。大模型技术可以建立智能识别和预警系统，通过低代码方式更快地将业务规则应用在系统上，从而实现对企业财务数据进行实时监控，一旦发现异常情况，立即发出预警信号。

（三）分析算法，准确性较高

通过应用机器学习和人工智能等技术，大模型技术可以从海量数据中提取有用的信息并进行准确的分析和预测，减少误判和漏判的情况；同时，通过对企业的财务数据进行交叉验证和核实，确保数据的真实性和准确性。例如，可通过对比企业财报和银行流水，甄别交易是否虚构、是否设立小金库挪用资金等。

以平安资管为例，目前已经建立了一套完善的大模型技术体系，包括数据挖掘与分析、专家规则引擎、泛化财务粉饰模型及信用风险预警等。比如在风控领域，嵌入企业风险预警系统，加强财务异动、舆情、关联风险传导的监控；在反财务舞弊模型上，创新性提出自动化的AI+HI的样本标注方法对样本进行扩建，减轻选择性偏差问题。

大语言模型的迅速发展，让我们看到了资管科技行业的“诗和远方”，但唯有脚踏实地，努力提升现有资管科技基础水平，方可行稳致远。

在这个大背景下，例如由大量优秀专业机构组成的上海资产管理协会，及其数字金融专业委员会这类组织，正充分发挥行业、机构及厂商多方力量，来切实推动行业科技水平的稳健提升。依托行业协会的作用，与相关机构一起共同探索数据交易、云计算平台、基础设施建设等相关方面的合作互动，促进行业创新的便利性，让更多的资管机构、中小服务商可以快速、低成本、合规地进行科技应用创新。

与此同时，还积极协同协会AI AM Lab、ITL等机构，探索建立行业大模型训练数据集，汇集行业大模型语料训练数据，为行业人工智能训练场建立模型训练语料资源库。后续将结合协会领先机构的实践情况，与ITL合作就技术框架、投研数据、模型因子等相关领域进行标准化技术性规范探索，更好推动行业数字化发展。我认为，相关工作会在不远的将来产生大量的积极成果。

资管行业对科技人才的能力要求较高， 既要懂业务又要懂技术；既要懂传统的科技应用系统，也要掌握大数据及AI大模型等新科技。我们在实际工作中也发现，各大资管机构普遍存在科技专业人才缺口，且资管科技人才培养体系尚未形成，优秀的资管科技人才供不应求。因而相关机构和行业组织应结合行业需要，更加关注金融科技人才的引进及培养，尤其是细分领域，例如财务、金融、科技的复合型人才的培养，助力资管机构和资管科技人才“双向奔赴”。

不过众所周知，大模型技术的应用依赖于高质量的数据，需要确保数据的完整性、准确性和可靠性。目前，我国已有多部法律法规对不同领域的“数据”作出规定，但是针对资产管理行业金融数据的获取、加工、处理以及使用机制仍未完全明确，资管行业通用的技术架构、数据架构、接口标准、数据模型等也尚未形成广泛共识。

由此，还有很多细致的工作等待全行业群策群力去完成，依然任重而道远。

（作者系平安资产管理公司总经理，上海资产管理协会副会长、数字金融专业委员会主任委员）