第 35 章 · AI 会怎样改变金融

从信息、研究、执行与监督成本出发，衡量 AI 的价值和新增风险。

现实故事

Intuition · 写得更快，还不等于完成得更好

一个虚构研究小组每天整理公开报告。AI 可以快速生成摘要，但分析师仍需打开来源、核对日期与单位，并修复漏项。另一个团队把同样技术用于交易指令，错误后果远高于一份未发布的摘要。

金融中的 AI 价值不能只看生成速度。要看完整流程节省了多少资源、质量是否保持，以及错误如何被发现和纠正。本章全部数量和成本均为课堂假设，不是某款模型或机构的实测表现。

一个冲突

如果摘要时间由 30 分钟降到 5 分钟，很容易宣布效率提升六倍。但每份摘要若还需要 15 分钟复核，且错误率增加，实际节省可能小得多。

同样，“准确率 99%”也可能掩盖低频高损失错误。金融任务要先定义误报、漏报、资金损失、客户影响和最终责任，再判断哪种能力值得使用。流畅的解释不能替代可验证的数据，也不能把一项权限自动扩展成另一项权限。

你来决定

给研究流程算一笔完整账

每天 100 份材料。纯人工每份整理 20 分钟，复核 10 分钟。AI 流程每份准备和整理耗费人工 5 分钟，人工复核 10 分钟，每天另需处理异常共 100 分钟。人工成本每小时 120，AI 与工具每天成本 200。暂不计固定接入成本，两个流程每天各花多少？

这些分钟都是人工投入时间，不等于机器响应延迟或整个任务的墙钟耗时。还需假设两种流程最终质量达到同一标准，否则成本比较没有可比性。

推演结果

纯人工需要 100×30=3000 分钟，即 50 小时，成本 6000。AI 流程需要 100×15+100=1600 分钟，即约 26.67 小时，人工成本 3200，加工具 200 后为 3400。

口径	纯人工	AI 辅助
人工分钟/日	3000	1600
人工成本/日	6000	3200
工具成本/日	0	200
合计/日	6000	3400

直接成本节省 2600，约 43.33%；人工时间减少约 46.67%。两种比例不同，因为工具成本进入了总账。人工时间释放也不一定变成现金工资减少，可能用于更深入研究；应区分成本模型与实际财务兑现。

如果 AI 流程复核变成每份 25 分钟，则需要 3100 分钟，人工成本 6200，加工具后 6400，反而比基准贵 400。只盯着摘要生成时间，会漏掉最大的返工来源。

建立金融模型

Model · 成本沿流程转移

总成本可以拆成数据与信息获取、研究分析、执行、监督复核、组合维护，以及工具接入和异常处理。AI 可能降低其中一些成本，也可能提高另外一些成本。先明确交付物与质量要求，再计算每份合格输出的成本。

信息成本：分类、搜索和抽取更快，但授权数据、更新频率与来源核验仍有成本。研究成本：可以比较文档、提出反例，却需要防止虚构事实和未经检验的因果解释。执行成本：可以准备订单或流程操作，但必须核对权限、额度、重复提交与失败恢复。

监督成本：异常筛查可帮助审查人员集中精力，但模型本身也需要检查。组合管理成本：持仓整理、约束检查与情景计算可自动化，但风险偏好、现金需求和责任边界仍需明确。降低分析成本不等于消除了不确定性，更不等于自动获得 Alpha。

Professional · 衡量错误，设置可撤回的边界

设每天 1000 笔虚构交易，其中真实欺诈 10 笔。模型识别出 8 笔欺诈，同时误报 20 笔正常交易；剩下 2 笔欺诈漏报。则召回率为 8÷10=80%，精确率为 8÷28≈28.57%，准确率为 (8+970)÷1000=97.8%。一个完全不报警的系统准确率反而为 99%，但没有抓住任何欺诈。

这些指标回答不同问题，不能仅凭最高准确率选择系统。误报可能增加人工复核或打扰客户，漏报可能造成损失；真实损失还取决于交易金额和后续处置。报警只是待检查信号，不代表已经判定某个人有欺诈行为。

研究助手可先输出草稿与来源，金额计算交给可复算的公式，重大操作由明确授权的流程执行。对接外部材料时，要把材料中的文字当作待分析数据，不让它改写任务权限。记录输入版本、来源、复核结论和操作结果，才能定位错误并恢复。

数据分布变化、模型升级或服务商中断都可能改变表现。评估应保留未参与开发的样本，按时间切分，避免未来数据泄漏，并检查不同群体的错误差异。不能把一次离线测试当作长期有效证明，也不能向未获授权的工具提交客户敏感资料。

学习专业术语

场景	可能降低的成本	关键核验
Research	检索、摘要和文档比较	引用、单位、时间与反证
Risk	敞口整理和情景分析	模型边界、尾部与数据质量
Trading	指令准备和执行分析	权限、限额、成交与重复操作
Fraud Detection	异常筛查	误报、漏报与人工复核
Portfolio Management	持仓与约束维护	目标、相关性和再平衡成本
Credit	材料处理与风险特征提取	数据适用性、公平性、可解释性
Customer Service	常见问题响应	身份、隐私、升级人工
Market Making	报价与库存分析	延迟、库存风险、市场冲击
Financial Planning	现金流整理与方案比较	真实约束、假设和用户决定

以上是潜在用途，不是声称所有场景都已达到可无人值守的可靠程度。尤其信用、交易和规划需要依据具体机构与地区规则设计，不能从模型技术能力直接推出业务许可。

连接真实市场案例

FSB 对 AI 金融稳定影响的报告说明同时讨论潜在收益与第三方依赖、市场相关性、网络和模型风险。发布日期：2024-11-14；查阅日期：2026-09-24。单家机构更快的处理能力，与整个系统对少数供应商的集中依赖，是不同层面的评价。

BIS 2024 年年度经济报告的 AI 章节分析 AI 对经济与央行工作的影响。查阅日期：2026-09-24。这里引用其讨论框架，不将报告中的潜力判断改写成对股票预测或本章效率数字的验证。

数据实验

输入：100 份/日、基准每份人工 30 分钟、AI 每份准备 5 分钟、复核 10 分钟、异常 100 分钟/日、时薪 120、工具 200/日。操作：分别汇总人工时间和工具费用，改变复核时间为 25 分钟。输出：成本、时间、差额和质量核验项。核验：6000 对 3400；复核变长后为 6400。

再输入欺诈表：真实欺诈 10、识别 8、正常误报 20、正常正确 970。操作：计算精确率、召回率、准确率，并与全部不报警基线比较。核验：28.57%、80%、97.8%；基线准确率 99%、召回率 0%。不可据此宣称基线对业务更好。

AI Lab

使用上述虚构输入比较两种研究流程和一个欺诈筛查系统。输出公式、混淆矩阵及遗漏成本，逐项标明哪些是输入假设、哪些是计算结果。给出低风险试运行和人工接管条件，不生成真实交易指令或客户信用决定。

你必须自己验证：来源是否真的支持引用结论；时间是否匹配模型版本和数据期；计算是否将人工投入与响应延迟混淆；假设是否省略复核、误报成本与敏感数据边界。不使用 AI 时用普通表格完成同样计算，比较结果是否一致。

基准流程每天人工时间和成本是多少？
原 AI 流程总成本与直接节省是多少？
复核改为每份 25 分钟后总成本是多少？
欺诈样本中精确率和召回率是多少？
为什么 99% 准确率的“不报警”基线仍可能毫无业务价值？
快速生成研究报告是否证明系统能获得投资 Alpha？

参考答案与解析

第 1 题：50 小时、6000，100×30 分钟换算。
第 2 题：3400，节省 2600，含工具费用。
第 3 题：6400，3100 分钟人工加工具 200。
第 4 题：8/28≈28.57% 与 8/10=80%。
第 5 题：真实欺诈只占 1%，基线全部漏报。
第 6 题：不能，还需质量、风险调整、成本与样本外证据。