銀行業：ChatGPT如何改變銀行業？-230307（27頁）.pdf

《銀行業：ChatGPT如何改變銀行業？-230307（27頁）.pdf》由會員分享，可在線閱讀，更多相關《銀行業：ChatGPT如何改變銀行業？-230307（27頁）.pdf（27頁珍藏版）》請在三個皮匠報告上搜索。

1、分析師梁鳳潔分析師邱冠華郵箱郵箱電話021-80108037電話021-80105900證書編號S1230520100001證書編號S1230520010003研究助理趙洋證券研究報告行業評級：看好2023年3月7日ChatGPT如何改變銀行業？摘要21、什么是ChatGPT？ChatGPT是什么？是將神經網絡算法中的Transformer模型從理論變為現實的劃時代應用。ChatGPT強在哪？算力強數據多。近4年，GPT歷代模型的開發和訓練得到了微軟在資金（110億美元）和算力（打造世界第五超級計算機）上的強力支持，目前能夠處理千億級參數，訓練百TB級數據。訓練模式領先。前三代GPT均采取無人

2、參與的預訓練機制，ChatGPT新增人類反饋強化訓練。開生成式先河。以算力和訓練數據為支撐，ChatGPT能夠準確理解各類問題，給予具有一定邏輯的開放式回答；還能夠與提問者進行連續對話，不斷修正給出的答案，這是前所未有的語言理解和表達能力。潛在價值巨大，未來ChatGPT技術與其他人工智能技術耦合，徹底改變人工智能生態的可能性極大。ChatGPT缺陷是？語料來源：語料不夠充分或完全未覆蓋的空白領域，ChatGPT很可能會給出誤導性內容；與Bing搜索引擎耦合后，回答問題的準確性是否收到搜索引擎數據的干擾有待觀察。運營成本：ChatGPT運營及訓練成本高企，恐將制約未來發展。道德風險：無法避免C

3、hatGPT故意提供虛假或提供帶有攻擊性的答案。2、如何改變銀行業？機遇與挑戰：銀行客服，對于客服、催收等人工的替代，與ChatGPT關聯最直接，或將開啟深度智能化階段。業務前端：對于財富管理、小微客戶、個人消費貸款等標準化產品，客戶識別有望進一步細化，產品匹配有望更加精準。業務中端：諸如授信報告、審批報告、貸后管理報告等強格式性案頭工作，如能以ChatGPT替代，可有效提高運營效率?？萍蓟A：銀行投入人工智能相關研究需要持續投入資源，特別是要投入支持模型運轉及數據計算的算力資源。合規與成本：數據隱私：銀行數據的特殊性決定了應用第三方技術的審慎性，應用技術須考慮本地化、私有化部署模式。系統穩定

4、：銀行不掌握ChatGPT核心技術，很難控制內容輸出的正確性，也很難確保系統穩定運行，這在經營中存在很大風險。成本投入：無論是接入ChatGPT，還是自主開發類似功能，均須較大成本投入，是否能夠實現預期收益，存在不確定性。3、哪些銀行有機會？在金融科技持續投入資源的銀行?？萍既藛T：披露數據的21家上市銀行科技隊伍總人數11.6萬人，占從業總人數的5%；工行在絕對人數上一枝獨秀達3.5萬人以上，浦發、招行、工行科技人員占比最高?？萍纪度耄号稊祿?4家上市銀行中科技投入近1600億元，占營收的3%。四大行在科技投入絕對規模占有優勢；長沙、平安、招行科技投入營收占比最高。4、風險提示：ChatG

5、PT相關技術理念及技術路徑出現質變，或被新技術替代；銀行科技投入產出效能或不及預期。fY9WfVbZfYeZbZfVaQbP6MmOnNtRmPeRqQnOfQoPnN7NmMvMwMpMnPvPmQrQ目錄C O N T E N T S什么是ChatGPT？是什么？|強在哪？|缺陷是？0102如何改變銀行業？機遇與挑戰|合規與成本03哪些銀行有機會？科技人員|科技投入304風險提示什么是ChatGPT？01是什么？強在哪？缺陷是？41.15ChatGPT是具有劃時代意義的自然語言處理模型數據來源：浙商證券研究所整理。自然語言處理，是人工智能最基礎的領域?！皥D靈測試”作為人工智能的理論開端，其

6、所提出的驗證標準，即在人與機器的問答中，如果人無法判斷對方是人還是機器，則可判定機器具有人類智能。為了通過“圖靈測試”，人類的探索大致可分為三個階段：模式匹配：（1960s-90s）設置關鍵詞與答案之間的線性匹配關系，如果提問者觸發關鍵詞，則向其提供已經預設好的答案。機器學習：（2000s）不再預先設置關鍵詞與標準答案，而是向機器提供大量歷史資料，由機器自主總結規律、進行會話。神經網絡：（2010s至今）屬于機器學習的進化分支。原理上是通過建模來模擬人類大腦100億個神經元的結構。在2017年以前，主流模型為循環神經網絡模型（RNN），處理語言時需要嚴格遵循語言的先后順序，無法并行計算且容易出

7、現長句語義理解困難等問題；2017年，Transformer模型被提出，它是對句子中的所有單詞進行計算，算出詞與詞之間的相關度，可以同時學習大量文本。ChatGPT（結尾的“T”即指Transformer），就是將這一模型從理論變為現實的劃時代應用。模式匹配代表應用示例說明Eliza（1966）Alice（1995）機器學習SmartChild（2001）神經網絡RNN廣泛應用于翻譯軟件TransformerChatGPT某些網站客服仍適用這一模式。例如，將“退貨”設置為關鍵詞，綁定回答：問：請問退貨該如何辦理？答：如確認退貨，請點擊“退貨”鏈接。SmarterChild 是最早集成到即時通訊

8、平臺的聊天機器人之一（AOL、MSN等），并迅速引起轟動，體驗與早期Siri接近。RNN與Transformer模型的差別之一可以理解為：對于同樣一個英譯中任務，A magazine is stuck in the gunRNN模型需要遵循單詞出現的先后順序，逐詞理解和計算，當“gun”出現后，“magazine”才可以被準確理解為“彈夾”。如果句子太長，前后關聯可能會失敗。Transformer模型關注的是每個單詞與句子中其他單詞的關系，可以同步進行多詞、多篇學習。同時，模型根據重要性和相關性程度，為詞語賦予不同權重，使得重要詞語能夠獲得較高權重，如此則即使在長文本中，也不會將重要信息丟失。

9、ChatGPT是什么？1.26ChatGPT的強算力與大數據數據來源：浙商證券研究所根據新浪財經、IT技術精華、澎湃報道整理。ChatGPT最終爆火，離不開算力和數據量的持續升級。模型實質：所謂語言模型，實質是對詞語序列的概率相關性建模，即對方說完一句話或一段話后，判斷大概率繼續出現的內容是什么。既然是概率相關性，自然是“大力出奇跡”，樣本越大，結果就越準確。同時，樣本越大也自然就意味著對算力和資金的消耗，從初代GPT到最終爆火的ChatGPT，模型并未發生實質改變，改變的是持續增長的資源投入。算力支持：2019年，微軟為OpenAI（GPT開發公司）打造了一臺全球排名第五的超級計算機，擁有超

10、過28.5萬個CPU核心，1萬個GPU，每個GPU服務器的網絡連接能力為400Gb/s，支持GPT模型從初版的12個Transformer層進化到當下超過96個Transformer層，可以理解為有更多的Transformer層就能夠在語言與語言之間構建更復雜的邏輯聯系。數據規模：GPT模型處理的參數量從初代的億級成長到今天的千億級，預訓練數據量從GB級上升到百TB級。融資情況：如此規模的算力與數據必然需要巨額資金的支持，近4年，OpenAI從微軟總計獲得融資110億美元。ChatGPT強在哪？版本發布時間Transformer層數參數量預訓練數據量GPT-12018年6月121.17億約5G

11、BGPT-22019年2月4815億40GBGPT-32020年5月961750億45TBChatGPT2022年11月96+？千億級？百TB級？1.27ChatGPT自主+人類反饋強化訓練數據來源：浙商證券研究所整理。GPT通過自主訓練充分發揮模型在效率上的優勢，同時在ChatGPT版本中增加人類反饋強化機制，使其結果更貼近人類想法。自主訓練：GPT-1到GPT-3，采用的都是GPT自主訓練模式。所謂自主訓練，近似于人類考試中的“完形填空”題目，即把一個完整文本的一部分遮住，GPT基于已學習結果進行推測，再與正確答案進行擬合的過程。自主訓練過程，配合Transformer模型下強大的并行計算

12、能力，能夠高效完成超大數據量的學習和訓練，這也是GPT表現優于其他模型的原因。人類反饋：GPT-3版本上線時，已經頗受業內人士認可，但并未出圈。ChatGPT此次能夠破圈，與其采用對話聊天模式不無關系。相應地，在訓練中增加人類反饋強化機制，對真實性、無害性和有用性進行評估。ChatGPT強在哪？示例春眠不覺曉，（_）自主訓練人類反饋基于語料庫自主學習，可能會存在兩個或多個矛盾結果，模型無法自行判斷正誤：處處聞啼鳥處處蚊子咬對結果進行判斷和調整：訓練語料1.28ChatGPT將語言處理推向生成式時代，潛在價值巨大數據來源：浙商證券研究所整理。憑借超強算力，基于超大數據的學習和訓練，ChatGPT

13、首次展示了強大的綜合性語言材料生成能力。決策式AI：所謂決策式AI，即根據對歷史概率的歸納給出是或否的決策；而生成式AI則需要給人力提供綜合式的信息輸出。生成式AI：ChatGPT是第一個功能如此強大的綜合性文字生成式AI，它能夠準確理解提問者的問題，收集材料后轉化為具有一定邏輯的信息輸出，它還能夠與提問者進行連續對話，根據增量信息給出更準確回答，這是前所未有的語言理解和表達能力。ChatGPT強在哪？生成式AI決策式AI邏輯知識信息數據處理簡答題處理選擇題VS1.29ChatGPT將語言處理推向生成式時代，潛在價值巨大數據來源：浙商證券研究所整理。語言即為指令，ChatGPT與其他領域人工智

14、能技術的耦合，或將完全開啟人工智能的新時代。ChatGPT+Whisper：OpenAI已經通過提供ChatGPT和Whisper的收費API接口，Whisper是OpenAI開發的語音處理工具，如將ChatGPT和Whisper功能進行耦合，可以得到無障礙的語言交流工具。所謂的語言，就是指令體系。隨著指令體系的智能化，一切智能工具之間的邊界或將逐漸模糊，人類與智能工具的關系或將徹底改變，AIGC（AI生產內容）的時代將加速到來。ChatGPT強在哪？按技術場景劃分AIGC內容分為語言指令打破場景邊界文本音頻圖像視頻虛擬人游戲策略跨模態1.310ChatGPT有哪些潛在挑戰？數據來源：浙商證券

15、研究所整理。ChatGPT風頭一時無兩，其潛在挑戰在于語料庫的范圍及準確性、運營成本高及回答的道德風險等問題。語料來源：ChatGPT本質上仍是一個基于有限語料范圍的概率歸納模型，它并不能對未知的事情像人類那樣做常識性推演。與相關領域語料不夠充分或完全未覆蓋的領域，ChatGPT很可能會給出誤導性內容；另外，微軟計劃將GPT-4與Bing搜索引擎深度耦合，搜索引擎龐雜的數據是否會對GPT-4的學習和訓練帶來負面干擾，仍需觀察。運營成本：據報道，目前ChatGPT一次模型底座的訓練需要500萬美元的算力成本，在運營過程中需要大量的算力支持其訓練和部署。GPT-4與Bing耦合后，滿足來自搜索引擎

16、的搜索需求需要更大量的資源投入，如不解決成本問題恐將制約未來發展。道德風險：即使引入人類反饋，也不能100%避免ChatGPT故意提供虛假答案或回答帶有攻擊性的答案。ChatGPT缺陷是？如何改變銀行業？0211機遇與挑戰合規與成本2.112機遇與挑戰：主動革新？被顛覆？數據來源：浙商證券研究所整理。該如何理解ChatGPT可能會帶來的潛在變革？像很多人擔心的那樣，會有大量工作被替代掉嗎？ChatGPT的顛覆，本質上是人類生產力工具的再一次重大升級。就像過去三百年先后有蒸汽機和電被發明出來一樣，固然有被這些新的生產力工具替代掉的人，也有更多的人利用新的工具創造了更多的財富。駕馭或是被替代，只在

17、一念之間。銀行也是一樣，ChatGPT是一次機會，一次全面升級流程的機會；錯過則將是挑戰，看著其他機構提高效率的挑戰。從銀行客服開始，無論是業務前臺還是中后臺，各項流程都有用ChatGPT重做一遍的潛力。銀行客服：對于客服、催收等人工的替代，與ChatGPT關聯最直接，銀行應用最廣泛，或將開啟深度智能化階段。業務前端：對于財富管理、小微客戶、個人消費貸款等標準型產品，客戶識別有望進一步細化，產品匹配有望更加精準。業務中端：諸如授信報告、審批報告、貸后管理報告等強格式性案頭工作，如能以ChatGPT替代，可有效提高運營效率?？萍蓟A：銀行投入人工智能相關研究需要持續投入資源，特別是要投入支持模型

18、運轉及數據計算的算力資源。2.113銀行客服：與ChatGPT關聯最直接，或將開啟深度智能化階段數據來源：公司公告，浙商證券研究所整理。機遇與挑戰諸如銀行客服、不良催收等需要與客戶進行溝通的內容可預期、重復規律性強的客戶交流性工作，與ChatGPT的特點最為契合。適用范圍：銀行客戶、不良催收等?，F有實踐：工商銀行：2021年，利用數字人、智能問答、語音等交互技術，在客戶服務前臺、業務運營后臺等領域加大應用“機器換人”，落地 600+具有數字員工屬性的智能應用場景。平安銀行：2022年上半年，AI平臺新增模型1,080個，客服機器人場景每日對話量達60萬次，問題解決率超90%。招商銀行：2022

19、年上半年，AI智能客服、語音質檢、智能審錄、海螺RPA（機器人流程自動化）等共實現人力替代超過10,000人。未來前景：ChatGPT的成功為已經部署人工智能客服的銀行提供了優化模型、提高智能化水平的方向。預計這一類業務都將開啟深度使用更加成熟人工智能客戶工具的階段。智能客服新智能客服基于Transformer模型的架構、數據及訓練方式升級2.114業務前端：客戶識別及產品匹配有望進一步細化數據來源：公司公告，浙商證券研究所整理。機遇與挑戰諸如財富管理這類標準化程度較高的業務，可以利用ChatGPT的數據分析能力，細分客戶標簽，提高產品推薦匹配度。適用范圍：財富管理、小微客戶、個人消費貸款等標

20、準化程度較高的業務?，F有實踐：平安銀行：2022年上半年，AI 客戶經理累計上線超 1,400 個場景，上半年月均服務客戶較 2021 年月均水平增長 63.2%。招商銀行：2021年，招商銀行推出智能財富助理“AI小招”，基于大數據技術，通過知識沉淀與機器訓練，實現更懂客戶和產品，為客戶提供收益查詢、漲跌分析、市場熱點解讀、產品推薦、資產配置建議等財富管理綜合服務。未來前景：將客群更加細分，需求挖掘更加細化，產品需求匹配更加精準。財富管理客戶顧問端資產管理端用戶產品引流、獲客評估客戶的需求及風險偏好提出投資策略、資產配置建議交易執行再平衡風險管理前臺業務后臺業務用戶畫像智能推薦系統、個性化資

21、產配置智能投顧、機器人客服算法交易自動實現最有動態配置智能風控營銷推廣輔助生成營銷文案、宣傳稿件等中臺業務品牌業務ChatGPT賦能2.115業務中端：案頭工作AI替代，業務運轉效率有望提升數據來源：公司公告，浙商證券研究所整理。機遇與挑戰諸如授信報告、審批報告等業務中后段強格式性的案頭工作，ChatGPT潛在替代性較高。適用范圍：授信報告、審批報告、貸后管理報告等強格式性案頭工作?，F有實踐：基于語言生成技術的應用目前暫無先例，仍有待探索。未來前景：對于對公營銷、授信審批等崗位人員來說，工作中有很大一塊時間被消耗在諸如授信報告、審批報告、貸后管理報告這些格式性很強案頭材料的撰寫上，占用了本可產

22、生更大價值的客戶營銷、調研等工作時間。ChatGPT對于這一類主要可利用外部公開信息完成的強格式性報告具有天然的適配性，如果能夠實現替代，展業效率預計能夠實現較大幅度的提高。50%50%營銷案頭80%20%營銷案頭2.116科技基礎：基礎設施重構，算力需持續投入數據來源：浙商證券研究所根據公開新聞報道、公司公告整理。機遇與挑戰正如ChatGPT成功的基礎一樣，銀行投入相關研究需要持續投入資源，特別是要投入支持模型運轉及數據計算的算力資源。適用范圍：銀行科技基礎設施建設?，F有實踐：近幾年我國主流商業銀行大多推動了“系統上云”計劃，相應地將原本的主機架構轉為有若干服務器組成的云架構。在這一轉型中，

23、大多數銀行已經初步具備了算力基礎，但要在人工智能領域做出突破性創新，仍需要在看清方向后對算力資源的持續投入。比較具有代表性的銀行基礎設施轉型情況如下：建設銀行：率先實現“多專區多地域多技術棧多芯”布局，提供標準算力規模超 20 萬臺云服務器，整體規模和服務能力保持同業領先。招商銀行：上云后可支持的應用更多，單位算力成本大幅下降。以信用卡為例，招行信用卡業務上云后，業務成本約節省了60%，算力提升了10倍。未來前景：人工智能的突破需要強大基礎設施支撐，仍需持續投入及探索。機構科技基礎設施建設情況工商銀行強化云平臺推廣實施，規模持續保持同業領先，強化分布式技術體系的日均服務調用量超過 150 億次

24、農業銀行計算資源云化率達到91%郵儲銀行零售端已完成190個系統的私有云平臺部署中信銀行基礎設施云化率達到99.7%平安銀行基礎設施云化率和運維自動化率均超過90%光大銀行業務應用系統上云率接近90%2.217合規與成本：十字路口上的最大考驗數據來源：浙商證券研究所整理。在當前中美科技競爭大背景下，中國商業銀行想要直接適用諸如ChatGPT這樣高度依賴大數據支撐的技術，存在較大障礙和風險。從成本和收益的角度來看，無論是接入API還是自主開發類似功能，均存在成本與收益的不確定性。數據隱私：銀行數據的特殊性決定了應用第三方技術的審慎性，應用技術須考慮本地化、私有化部署模式。系統穩定：銀行不掌握Ch

25、atGPT核心技術，很難控制內容輸出的正確性，也很難確保系統穩定運行，這在經營中存在很大風險。成本投入：無論是接入ChatGPT，還是自主開發類似功能，均須較大成本投入，是否能夠實現預期收益，存在不確定性。2.218數據隱私：銀行數據的特殊性決定了應用第三方技術的審慎性數據來源：浙商證券研究所根據公開新聞報道整理。合規與成本銀行擁有的數據具有高度的隱私性和敏感性，直接應用開源第三方技術存在一定隱患。主要障礙：客戶隱私：使用ChatGPT可能會涉及個人信息的收集、使用和披露，需要遵守相關法律法規的規定并獲得客戶的授權。銀行隱私：銀行的數據不僅涉及客戶隱私，還涉及自身的商業秘密，在使用開源第三方技

26、術處理內部數據時，存在核心商業機密被泄露、釀成商業損失的隱患。地緣風險：中美之間在技術安全、數據安全領域的爭端愈演愈烈。今年2月，中方發布美國的霸權霸道霸凌及其危害報告，在此背景下，境內銀行直接應用ChatGPT前景并不樂觀。實踐案例：據報道，美國銀行、花旗集團、德意志銀行、高盛集團、富國銀行等銀行最近紛紛對使用ChatGPT發布了禁令。微軟和亞馬遜因擔心泄露機密信息，禁止公司員工向ChatGPT分享敏感數據。埃森哲也警告員工不要將客戶信息透露給ChatGPT。改進前景：同為人工智能技術服務商的科大訊飛，此前可以為客戶提供本地化、私有化部署的產品，以解決技術應用和數據隱私之間的矛盾，或可為解決

27、數據隱私與技術應用的矛盾提供思路，但地緣風險的影響仍有待觀察。本地化部署思路本地化、私有化服務器運行ChatGPT本地數據、私有數據訓練輸出2.219系統穩定：內容輸出正確性及系統運行穩定性受制于人數據來源：Bing，浙商證券研究所根據公開新聞報道整理。備注：Bing問答功能內核為GPT-3.5，與ChatGPT具有相同內核。合規與成本銀行不掌握ChatGPT核心技術，很難控制內容輸出的正確性，也很難確保系統穩定運行，這在經營中存在很大風險。主要障礙：由于在經濟金融活動中的關鍵地位，監管對銀行科技系統有著較高要求。諸如ChatGPT這一類外接應用，銀行不具備技術自主性，一方面無法保證其輸出內容

28、的準確性，另一方面也無法保證不對其他系統運行穩定性造成影響，存在較大風險。另外，ChatGPT本質仍是依賴語料庫的語言概率統計系統，對于語料庫不涵蓋的內容，極易給出錯誤答案。實踐案例：據報道，2021年7月15日，某行突發系統故障，業務中斷20多分鐘，引發故障的原因可能與系統更新有關。改進前景：投產前需要對內容和系統穩定性進行周密驗證。與ChatGPT具有相同內核的Bing問答功能，一本正經地給出了雞兔同籠問題的錯誤答案。正確答案應為：雞80只，兔20只。2.220成本投入：自主與合作，投入與收益之間的取舍數據來源：浙商證券研究所根據公開新聞報道、公司公告整理。備注：2021年，建行客服受理客

29、戶咨詢18.08億人次，推算平均單次受理時長為2分鐘、每分鐘產生中文字數約150字、每Token約等于4字節。ChatGPT API成本=180815018=488萬元；Whisper API成本=18.080.042=1.45億元。Whisper僅負責語音轉文字，還需要引入文字轉語音功能。合規與成本無論是接入ChatGPT，還是自主開發類似功能，均須較大成本投入，是否能夠實現預期收益，存在不確定性。接入成本：目前ChatGPT API接口收費標準為每百萬Tokens收費2.7美元（約18元人民幣）；同屬OpenAI公司開發的Whisper語音轉文本工具API每分鐘收費0.006美元（約人民幣

30、 4 分錢）。以建行為例，假設文本轉語音成本與語音轉文本成本相同，推算建行僅智能客服一項每年成本需要額外投入約3億元。（不含開發成本和對ChatGPT模型進行專屬訓練的成本。）建行2021年人均薪酬為33.71萬元，如智能客服實際可替代人力少于890人，則效能并不顯著。自主成本：ChatGPT初始投入成本在8億美元左右，每年電費約1825萬美元?？紤]到中美電費差異，國內開發與ChatGPT同等功能的資金投入約為人民幣初始投入56億+1.7億電費/年。（不含開發人員薪酬和維護成本。）但在開發環境、人才能力種種因素制約下，自主開發的類似工具能夠收獲與ChatGPT的同等效果，存在極大不確定性。20

31、23年3月5日，科技部王志剛部長在兩會部長通道表示，ChatGPT是個大模型、大計算、很好的計算方法，同一種原理，但做的質量還是不一樣的。未來前景：大多數銀行已有AI技術儲備，建議根據業界前沿修正技術方向，在既有成果上繼續探索，達成成本與收益的平衡。哪些銀行有機會？0321科技人員科技投入上市銀行：科技人才與科技投入決定科技進步潛力0322科技發展需要人力及財務資源的投入，綜合當前科技水平及科技投入情況看，平安、招行、工行、建行科技進步潛力較強?？萍既藛T：在披露科技人員數據的21家上市銀行中，科技隊伍總人數11.6萬人，占從業總人數的5%。工行在絕對人數上一枝獨秀達3.5萬人以上，浦發、招行、

32、工行科技人員占比最高?？萍纪度耄涸谂犊萍纪度霐祿?4家上市銀行中，科技投入總額近1600億元，占營收總額的3%。國有四大行在科技投入絕對規模占有優勢；長沙、平安、招行科技投入占營收比重最高。數據來源：wind，公司公告，浙商證券研究所。機構科技人員（人）占比科技投入（億元）占營收機構科技人員（人）占比科技投入（億元）占營收工行35,0008.06%2602.76%民生3,0625.08%452.67%農行9,0591.99%2052.85%北京1,2977.85%233.50%建行15,1214.30%2362.86%上海1,0557.99%193.30%中行12,8734.20%1863

33、.07%南京6344.66%133.27%交行4,5395.03%883.25%長沙-94.40%郵儲5,3002.97%1003.15%重慶-32.31%興業3,3035.28%642.88%貴陽2323.99%32.04%浦發6,42810.15%673.51%青島2204.83%00.36%招行10,0439.69%1334.01%蘇州-33.00%華夏-333.46%滬農4846.28%93.65%中信4,2867.23%753.68%無錫714.36%12.01%光大2,3615.11%583.79%港行1275.26%-平安-744.36%渝農4473.00%-合計115,9425

34、.06%1578.73.13%風險提示0423風險提示2404ChatGPT模型及相關人工智能技術仍處快速發展過程中，本文介紹的相關技術理念和技術路線有發生質變或被新技術替代的風險；銀行科技投入的產出效能或不及預期。點擊此處添加標題添加標題點擊此處添加標題點擊此處添加標題點擊此處添加標題點擊此處添加標題點擊此處添加標題添加標題點擊此處添加標題點擊此處添加標題添加標題點擊此處添加標題添加標題95%行業評級與免責聲明25行業的投資評級以報告日后的6個月內，行業指數相對于滬深300指數的漲跌幅為標準，定義如下：1、看好：行業指數相對于滬深300指數表現10%以上；2、中性：行業指數相對于滬深300指

35、數表現10%10%以上；3、看淡：行業指數相對于滬深300指數表現10%以下。我們在此提醒您，不同證券研究機構采用不同的評級術語及評級標準。我們采用的是相對評級體系，表示投資的相對比重。建議：投資者買入或者賣出證券的決定取決于個人的實際情況，比如當前的持倉結構以及其他需要考慮的因素。投資者不應僅僅依靠投資評級來推斷結論行業評級與免責聲明26法律聲明及風險提示本報告由浙商證券股份有限公司（已具備中國證監會批復的證券投資咨詢業務資格，經營許可證編號為：Z39833000）制作。本報告中的信息均來源于我們認為可靠的已公開資料，但浙商證券股份有限公司及其關聯機構（以下統稱“本公司”）對這些信息的真實性

36、、準確性及完整性不作任何保證，也不保證所包含的信息和建議不發生任何變更。本公司沒有將變更的信息和建議向報告所有接收者進行更新的義務。本報告僅供本公司的客戶作參考之用。本公司不會因接收人收到本報告而視其為本公司的當然客戶。本報告僅反映報告作者的出具日的觀點和判斷，在任何情況下，本報告中的信息或所表述的意見均不構成對任何人的投資建議，投資者應當對本報告中的信息和意見進行獨立評估，并應同時考量各自的投資目的、財務狀況和特定需求。對依據或者使用本報告所造成的一切后果，本公司及/或其關聯人員均不承擔任何法律責任。本公司的交易人員以及其他專業人士可能會依據不同假設和標準、采用不同的分析方法而口頭或書面發表

37、與本報告意見及建議不一致的市場評論和/或交易觀點。本公司沒有將此意見及建議向報告所有接收者進行更新的義務。本公司的資產管理公司、自營部門以及其他投資業務部門可能獨立做出與本報告中的意見或建議不一致的投資決策。本報告版權均歸本公司所有，未經本公司事先書面授權，任何機構或個人不得以任何形式復制、發布、傳播本報告的全部或部分內容。經授權刊載、轉發本報告或者摘要的，應當注明本報告發布人和發布日期，并提示使用本報告的風險。未經授權或未按要求刊載、轉發本報告的，應當承擔相應的法律責任。本公司將保留向其追究法律責任的權利。聯系方式27浙商證券研究所上?？偛康刂罚簵罡吣下?29號陸家嘴世紀金融廣場1號樓25層北京地址：北京市東城區朝陽門北大街8號富華大廈E座4層深圳地址：廣東省深圳市福田區廣電金融中心33層郵政編碼：200127 電話：(8621)80108518 傳真：(8621)80106010 浙商證券研究所：http:/