《計算機行業專題研究：加大重視金融AI-230617（24頁）.pdf》由會員分享，可在線閱讀，更多相關《計算機行業專題研究：加大重視金融AI-230617（24頁）.pdf（24頁珍藏版）》請在三個皮匠報告上搜索。

1、 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲明 證券研究報告|行業專題研究 2023 年 06 月 17 日 計算機計算機 加大重視金融加大重視金融 AI AI+金融的四個層次：傳統機器學習、大模型金融的四個層次：傳統機器學習、大模型+微調、大模型預訓練、智能投研。微調、大模型預訓練、智能投研。1）傳統機器學習問答：2017-2021 年，金融科技快速發展，傳統機器學習逐步運用于金融領域，包括自動化呼叫中心功能、安全領域、優化面向客戶的聊天機器人的文書工作，以及改進員工培訓。2）通用大模型+finetune：各大模型廠商緊跟 Openai布局基礎大模型，首先通過預訓練形成基礎模型，然后針對

2、特定領域做微調。原則上來說只要有細分領域數據，通用大模型就可以針對垂直領域做優化，賦能各行各業。3）垂類大模型預訓練：盡管大模型在通用行業中應用良好，但針對特定領域的垂類大模型仍有其存在意義和不可替代性。2023 年 3 月 30 日，BloombergGPT 正式官宣，一方面構建具備 3630 億個標簽、迄今為止最大的特定領域訓練數據集，另一方面訓練 BLOOM 風格、擁有 500 億參數的金融領域的大型語言模型（LLM）。4）智能投研：未來隨著 AI 技術的進步，一級投研業務降本增效需求不斷加強，智能投研將成為重要方向，為行業帶來更加廣闊的發展前景。垂類領域數據預訓練垂類領域數據預訓練+大

3、模型效果優于通用大模型大模型效果優于通用大模型+微調。微調。除了基礎大模型，許多大模型廠商都致力于推出各類行業大模型。實際應用并不一定需要大模型具有非常全面的能力，而更需要對行業知識的理解和對行業需求的適配，垂類領域預訓練模型可以學習到特定領域的術語、上下文信息和任務模式，提高對該領域的語義理解和生成能力，效果上優于通用大模型微調。國外廠商金融垂類領域大模型紛紛問世。國外廠商金融垂類領域大模型紛紛問世。1)彭博社構建具備 3630 億個標簽、迄今為止最大的特定領域訓練數據集，訓練出 BLOOM 風格、擁有 500 億參數的金融領域的大型語言模型 BloombergGPT，在金融專用任務和通用任

4、務上表現出色。2)stratosphere.io 發布 Finchat，可為投資者提供 750 多家公司和 100 多家超級投資學家的書籍。AI 賦能，相關公司智能投研加速落地。賦能，相關公司智能投研加速落地。1）金證股份：）金證股份：深耕金融科技多年，研發技術平臺生態鏈完整，在首席人工智能官詹毅的帶隊下，AI 能力快速發展，子公司麗海弘金（智能投資）和優品科技（智能投顧）領銜智能投研，企業級 RPA 軟件金智維等 AI 相關產品構筑完整生態鏈。2）同花順：）同花順：AI 能力及智能投顧投入較高，在 AI開放平臺的底座支撐下，基礎版本的智能投顧“i 問財”和進階智能投資助理陸續落地，解析 PD

5、F、自動寫研報等子產品模塊預計于 6 月初上線。3）恒生電子：）恒生電子：金融IT 供應商龍頭企業，子公司恒生聚源積累豐富金融數據及資訊，高研發投入下金融科技實力顯著攀升，為首批文心一言生態合作伙伴，申萬宏源證券聯合打造“智能投研一體化平臺”。4）達觀數據：）達觀數據：作為提供各類場景文本機器人的 AI 企業，公司研發垂直領域模型“曹植”，打造智能投研知識圖譜中臺，智能投研機器人在關鍵投研信息抽取和熱點詞分析上表現出色。AI-ALPHA 與市場與市場 BETA 形成形成共振。共振。1）ALPHA：金融 IT 公司 AI 產品持續落地，結合數據端布局、研發投入和變現能力，同花順、恒生電子、金證股

6、份、達觀數據等公司，具備海量、豐富、高質的金融領域垂類數據，并致力 AI 技術研發+相應場景產品落地的領軍企業，在大模型時代競爭力優勢將進一步強化。2）BETA：5 月以來，國內算力層激勵政策頻出，以北上深為代表，全國各地加快制定人工智能規劃；國內以光模塊、AI 服務器等為代表的核心算力環節，已在訂單、產能規劃上展現出高景氣，落地放量可期；在美股算力巨頭業績與落地持續超預期的催化下，算力需求兌現的預期正持續加強，中美共振初步顯現，市場 BETA 增長強勁。推薦關注推薦關注：結合數據端布局、研發投入和變現能力，推薦同花順、金證股份、恒生電子、東方財富、財富趨勢、指南針。風險提示風險提示：金融監管

7、風險；AI 產品線推進不及預期。增持增持（維持維持）行業行業走勢走勢 作者作者 分析師分析師 劉高暢劉高暢 執業證書編號：S0680518090001 郵箱： 分析師分析師 楊然楊然 執業證書編號：S0680518050002 郵箱： 相關研究相關研究 1、計算機：AI 培訓產業鏈2023-06-12 2、計算機：算力持續短缺2023-06-11 3、計算機：具身智能軟件體系正在完善2023-06-04 -32%-16%0%16%32%48%2022-062022-102023-022023-06計算機滬深300 2023 年 06 月 17 日 P.2 請仔細閱讀本報告末頁聲明請仔細閱讀本報

8、告末頁聲明 內容目錄內容目錄 一、AI+金融的四個層次：傳統機器學習、通用大模型+微調、垂類大模型預訓練、智能投研.3 二、垂類領域效果：大模型+預訓練大模型+微調.4 三、垂類領域預訓練大模型具有不可替代性.7 四、智能投研產業落地進行時.12 五、AI-ALPHA 與市場 BETA 的共振.21 推薦關注.23 風險提示.23 圖表目錄圖表目錄 圖表 1：預訓練模型架構差異.4 圖表 2：BERT 的整體預訓練和微調程序.5 圖表 3：百度文心行業大模型.6 圖表 4：華為云盤古大模型.6 圖表 5：BloombergGPT 訓練層數、參數匯總.7 圖表 6：FINPILE 數據集涵蓋特定

9、領域文本和通用文本.8 圖表 7：金融專用領域外部任務模型表現.9 圖表 8：金融專用領域內部任務模型表現.9 圖表 9：知識評估任務中各模型表現.9 圖表 10：對應場景下下知識評估任務中各模型表現.9 圖表 11：閱讀理解任務中各模型表現.10 圖表 12：語言學任務中各模型表現.10 圖表 13：Finchat.10 圖表 14：向 Finchat 詢問微軟(MSFT)過去 5 年的經營自由現金流.11 圖表 15：向 Finchat 詢問分析師對亞馬遜股票的公認價格.11 圖表 16：金證股份數字化協同能力.12 圖表 17：金證優智金融 AI 體系較通用大模型優勢.13 圖表 18：

10、首席人工智能官詹毅先生 AI 管理及研發經驗豐富.13 圖表 19：AI 賦能的投研相關解決方案.14 圖表 20：同花順 AI 開放平臺相關能力.14 圖表 21：同花順智能投研功能矩陣.15 圖表 22：同花順 i 問財系統.16 圖表 23：恒生電子子公司恒生聚源下數據集.16 圖表 24：恒生電子 WarrenQ 實現買賣方知識對接.17 圖表 25：恒生電子買賣對接數據傳輸方案.18 圖表 26：達觀數據 AI/文本智能處理技術領先.18 圖表 27：達觀數據助力知名投資機構.18 圖表 28：達觀數據“曹植”垂直領域大語言模型.19 圖表 29：達觀數據與廣發資產管理實現智能投研知

11、識中臺.19 圖表 30：達觀數據智能投研實現突破圖譜構建.19 圖表 31：達觀數據智能投研從 2022 年半年報提取高頻關鍵詞.20 圖表 32：達觀數據智能投研實現近年年報對“全球經濟”的熱點詞分析.20 圖表 33：國內算力層相關政策.22 圖表 34：AMD MI300 示意圖.23 BX9YrVpXwVlVhUrNrM9PcM8OpNnNnPpMlOrRrPlOmNvM8OqQyRvPrQrMxNmPyR 2023 年 06 月 17 日 P.3 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲明 一、一、AI+金融的四個層次金融的四個層次：傳統機器學習、通用大模型：傳統機器學習、通

12、用大模型+微調、微調、垂類大模型預訓練、智能投研垂類大模型預訓練、智能投研 四階段：傳統機器學習、大模型四階段：傳統機器學習、大模型+finetune、大模型預訓練、智能投研。大模型預訓練、智能投研。智能投研是利用計算機技術和人工智能算法，對金融市場進行分析和預測的一種新型研究方法。傳統的投研方法主要依靠人工分析和預測，具有時間成本高、人力物力投入大、信息不對稱等問題。隨著技術進步，傳統投研也逐步與機器學習、大模型微調、大模型預訓練結合，向智能投研方向邁進。傳統機器學習問答：傳統機器學習問答：2021 年以前，傳統機器學習逐步運用于在金融科技領域，包括自動化呼叫中心功能、安全領域、優化面向客戶

13、的聊天機器人的文書工作，以及改進員工培訓。大模型大模型+finetune：隨著 Openai 的技術進展，各大模型廠商針對性開始布局基礎大模型，所有大模型的訓練都分為兩步：首先通過預訓練形成基礎模型，然后針對特定領域做微調。原則上來說只要金融領域細分領域數據，通用大模型就可以針對垂直領域做優化，賦能金融領域 大模型預訓練：大模型預訓練：盡管大模型在通用行業中應用良好，但針對特定領域的大模型仍有其存在意義和不可替代性。為應對金融專業名詞解讀、市場情緒理解等復雜問題，同樣具備少樣本學習、文本生成、對話能力的金融領域專用 LLM 應運而生，以完成情感分析、命名實體識別、新聞分類以及問答等金融 NLP

14、 問題。2023 年 3 月 30 日，BloombergGPT 正式官宣，一方面構建具備 3630 億個標簽、迄今為止最大的特定領域訓練數據集，另一方面訓練 BLOOM 風格、擁有 500 億參數的金融領域的大型語言模型（LLM）。智能投研：智能投研：未來隨著 AI 技術的進步，具備細分領域高質量數據的公司，在大模型應用上具備先發優勢，將拉動投研業務進一步向著智能投研的方向發展。未來智能投研將不斷完善數據和算法模型、加強對人工智能算法的監管和規范，這將為金融行業帶來新的商業模式和發展機遇。同時，智能投研也將推動金融行業的數字化轉型和創新，為行業帶來更加廣闊的發展前景。2023 年 06 月

15、17 日 P.4 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲明 二、垂類領域效果：大模型二、垂類領域效果：大模型+預訓練大模型預訓練大模型+微調微調 行業預訓練大模型：比微調通用性更優。行業預訓練大模型：比微調通用性更優。除了基礎大模型，許多大模型廠商都致力于推出各類行業大模型。百度文心大模型與各行業企業聯手，在通用大模型的基礎上打造能源、金融、航天、制造、傳媒等具體行業大模型。華為將大模型體系分為了基礎大模型L0、行業大模型 L1、細分場景模型 L2 三層?？拼笥嶏w也提出“1+N”戰略，“1”是通用大模型算法研發及高效訓練底座平臺，“N”是教育、醫療、人機交互、辦公等行業大模型。實際應用

16、并不一定需要大模型具有非常全面的能力，而更需要對行業知識的理解和對行業需求的適配，在具體行業上，行業大模型的泛化等能力往往要優于基礎大模型+微調。大模型大模型+預訓練：預訓練：預訓練是指在大規模無標注數據上進行的模型訓練，使得模型能夠學習到語言的普遍特征和語義知識。預訓練模型可以通過遮蔽任務、下一句預測任務等方式進行，例如 BERT、GPT 等模型。預訓練的優勢在于能夠從大規模數據中學習語言的上下文信息，提高模型的語義理解和生成能力。垂類領域預訓練使用特定領域的數據集進行模型訓練，使得模型能夠更好地理解和處理該領域的文本。垂類領域預訓練模型可以學習到特定領域的術語、上下文信息和任務模式，提高對

17、該領域的語義理解和生成能力。圖表 1：預訓練模型架構差異 資料來源：BERT:Pre-training of Deep Bidirectional Transformers for Language Understanding、國盛證券研究所 大模型大模型+微調：微調：在用場景數據深度微調模型時，需要豐富的行業經驗 Knowhow 進行評價和指導。在通過場景數據對大模型進行微調后，前期得到的模型輸出可能還并不夠完美，此時就需要有行業經驗的專家對模型的輸出進行評價，給出修改意見，再重新結合場景數據進行深度微調。比如對工業場景進行改造，可能涉及到模型具體需要和工廠內的哪些設備進行交互，還要考慮具體

18、的作業流程。2023 年 06 月 17 日 P.5 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲明 圖表 2：BERT 的整體預訓練和微調程序 資料來源：BERT:Pre-training of Deep Bidirectional Transformers for Language Understanding、國盛證券研究所 垂類領域數據預訓練垂類領域數據預訓練+大模型效果優于通用大模型大模型效果優于通用大模型+微調。微調。因為具體到實際應用上，并不一定需要大模型具有非常全面的能力，而更需要對行業知識的理解和對行業需求的適配，在行業里的具體場景上，行業大模型往往比直接用基礎大模型去微調具

19、有更好的泛化能力。因此基于基礎大模型和行業數據預訓練大模型，一方面可以更精準匹配行業需求，一方面也能降低成本。1）針對特定領域的語義理解：針對特定領域的語義理解：專業垂類領域預訓練利用該領域的相關數據進行訓練，使得模型對特定領域的語義理解更為準確。模型能夠學習到該領域的術語、上下文和特定任務的語言模式，從而提高針對該領域的處理效果。通用大模型缺乏對特定領域的深入了解，無法準確捕捉特定領域的語義信息。2）垂類領域知識的遷移能力：垂類領域知識的遷移能力：專業垂類領域預訓練模型具有良好的領域知識遷移能力。在預訓練階段，模型通過學習大規模的無標注數據，掌握了通用的語言模式和語義關系。這些通用的語言知識

20、能夠幫助模型更好地理解專業領域的文本，并遷移應用到特定領域的任務中，通用大模型特定領域上的表現不如專業垂類領域預訓練大模型。3）垂類領域預訓練和微調的銜接：垂類領域預訓練和微調的銜接：大模型+專業垂類領域預訓練方法可以通過在特定領域的數據上進行微調，進一步提升模型的性能。微調是指在預訓練模型的基礎上，使用有標簽的領域數據進行有監督的訓練。專業垂類領域預訓練為微調提供了更好的初始狀態，使得模型在領域數據上更容易收斂和優化。微調過程中，模型能夠更快速地適應特定領域的數據分布和任務要求，提高模型的泛化能力。百度文心大模型與各行業企業聯手，在通用大模型的基礎上學習行業特色數據與知識，百度文心大模型與各

21、行業企業聯手，在通用大模型的基礎上學習行業特色數據與知識，建設行業建設行業 AI 基礎設施?；A設施。目前包括能源、金融、航天、制造、傳媒等行業。如國家電網與百度聯合發布知識增強的電力行業大模型，建設更適配電力行業場景的 AI 基礎設施，降低數據標注成本，提升細分場景模型效果；人民網與百度在傳媒行業、大數據和 AI算法上結合，引入人民網輿情數據中心積淀的行業知識，順應內容與技術發展，聯合研發知識增強的傳媒行業大模型，打造全媒體時代內容科技創新引擎，加速傳媒行業的智能化升級等。2023 年 06 月 17 日 P.6 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲明 圖表 3：百度文心行業大模型

22、 資料來源：百度文心官網、國盛證券研究所 4月月 8日，人工智能大模型技術高峰論壇上，華為云人工智能首席科學家田奇表示日，人工智能大模型技術高峰論壇上，華為云人工智能首席科學家田奇表示 AI for Industries 是人工智能新的爆發點，華為將大模型劃分為是人工智能新的爆發點，華為將大模型劃分為 3 個層級，分別為基礎大模個層級，分別為基礎大模型型 L0、行業大模型、行業大模型 L1、細分場景模型、細分場景模型 L2。將基礎大模型 L0 與行業數據結合訓練得到行業大模型 L1，再將行業大模型 L1 應用于下游細分場景，進行微調和部署，得到細分場景模型 L2。華為云于 2021 年 4 月

23、發布三個基礎大模型，包括 NLP 大模型、CV 大模型和科學計算大模型，之后又陸續發布了各種行業大模型包括氣象大模型、藥物分子大模型、礦山大模型、海浪預測大模型等。圖表 4：華為云盤古大模型 資料來源：央廣網、國盛證券研究所 2023 年 06 月 17 日 P.7 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲明 三、垂類領域預訓練大模型具有不可替代性三、垂類領域預訓練大模型具有不可替代性 行業數據預訓練大模型有其不可替代性，金融行業數據預訓練大模型有其不可替代性，金融 LLM 應運而生。應運而生。隨著 GPT 大模型的推出，大模型以少量學習、文本生成、對話系統的特點在通用行業中得以應用。金

24、融 NLP 任務主要聚焦情感分析、命名實體識別、新聞分類、問題回答等，雖然與一般 NLP 基準任務相似，但是由于金融專業術語眾多、行業復雜性高，通用 NLP 模型會出現無法理解財經新聞背后的市場“情緒”等問題，因此專用于金融領域的 LLM 具備獨特價值和不可替代性?；诤Ａ拷鹑跀祿e累，彭博社構建最大特定領域數據集和基于海量金融數據積累，彭博社構建最大特定領域數據集和 BloombergGPT。彭博社作為金融數據公司，在從業 40 年間收集整理大量金融語言文件，具備海量、廣泛、高質、來源可靠的金融數據積累?；诤Ａ康奶囟I域數據優勢，2023 年 3 月 30 日，彭博社構建具備 3630 億

25、個標簽的金融領域數據集，是迄今為止最大的特定領域數據集；并發布專門針對金融領域打造的大型語言模型（LLM）BloombergGPT，該模型根據Hoffmann 等人（2022）和 Le Scao 等人（2022）的指導方針設計，沿襲 BLOOM 風格，擁有 500 億參數。圖表 5：BloombergGPT 訓練層數、參數匯總 資料來源：BloombergGPT:A Large Language Model for Finance，國盛證券研究所 數據來源可靠，涵蓋特定領域文本和通用文本。數據來源可靠，涵蓋特定領域文本和通用文本。彭博社的數據集優勢在于，不通過傳統網絡爬取獲得數據，彭博社的數據

26、集數據來源可靠。Bloomberg 構建 FINPILE，涵蓋新聞、文件、新聞稿、網絡抓取的金融文件以及提取到的社交媒體消息，其中 51.27%的數據來自公司（特定領域的文本），包括彭博從金融相關信息的網站獲取的信息、與金融界相關的有信譽的新聞來源、彭博規范化的公司財務報表、公司發布的與財務有關的新聞稿、彭博新聞以及彭博第一消息撰寫的新聞和分析；48.73%來自公眾（通用文本），包括 3 個廣為人知且可用的公共數據集，分別為 The Pile、C4 和維基百科。2023 年 06 月 17 日 P.8 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲明 圖表 6：FINPILE 數據集涵蓋特定領

27、域文本和通用文本 資料來源：BloombergGPT:A Large Language Model for Finance，國盛證券研究所 BloombergGPT 模型是基于通用和金融垂類場景混合訓練的模型。模型是基于通用和金融垂類場景混合訓練的模型。橫向比較BloombergGPT、BLOOM176B、GPT-NeoX 和 OPT6 五個模型在不同場景下的表現性能：1）金融專用任務：表現優于現有類似規模的公開模型）金融專用任務：表現優于現有類似規模的公開模型 外部任務：外部任務：BloombergGPT 在五項任務中有四項（ConvFinQA、FiQA SA、FPB、Headline）表現

28、最佳，NER（Named Entity Recognition）排名第二。其中 ConvFinQA 差距尤為顯著，BloombergGPT 在對話式輸入、表格推理生成答案上具備顯著優勢。內部任務：內部任務：在五個內部任務中，BloombergGPT 在 4 個任務中的表現顯著優于其他測試模型，最高領先可達 60 分。僅 Equity Social Media 任務中 BloombergGPT 得分領先較少。2023 年 06 月 17 日 P.9 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲明 圖表 7：金融專用領域外部任務模型表現 圖表 8：金融專用領域內部任務模型表現 資料來源：Bloo

29、mbergGPT:A Large Language Model for Finance，國盛證券研究所 資料來源：BloombergGPT:A Large Language Model for Finance，國盛證券研究所 2）通用任務：整體落后于通用任務：整體落后于 GPT-3 而優于其他模型而優于其他模型 BIGbench：BloombergGPT 得分低于 PaLMsaoe（10 倍參數）和 BLOOM176B（3.5倍參數），但優于類似規模的模型，且在日期理解、形容詞排序和跟蹤洗牌對象方面，位列模型榜首。知識評估：知識評估：在 PiQA 取得了最高的性能，其他性能中位居第二，性能優于

30、類似規模的模型而幾乎與更大的模型持平。在劃分為人文科學、STEM、社會科學、其他的垂類模型中，BloombergGPT 在包含金融、會計學科知識的人文科學領域，得分與 GPT-3最接近，整體得分高于 BLOOM176B。閱讀理解：閱讀理解：GPT-3 性能最高，BloombergGPT 緊隨其后。語言學任務：語言學任務：BloombergGPT 略微落后于 GPT-3 而優于其他模型。圖表 9：知識評估任務中各模型表現 圖表 10：對應場景下下知識評估任務中各模型表現 資料來源：BloombergGPT:A Large Language Model for Finance，國盛證券研究所 資料

31、來源：BloombergGPT:A Large Language Model for Finance，國盛證券研究所 2023 年 06 月 17 日 P.10 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲明 圖表 11：閱讀理解任務中各模型表現 圖表 12：語言學任務中各模型表現 資料來源：BloombergGPT:A Large Language Model for Finance，國盛證券研究所 資料來源：BloombergGPT:A Large Language Model for Finance，國盛證券研究所 我們認為，BloombergGPT 在金融 NLP 任務上的表現優于現

32、有類似規模的公開模型，在通用 LLM 基準上也表現出不遜色于通用大模型的成效。金融垂類領域預訓練使得模型在特定領域的任務之前已經學習到了一定的領域知識。這些知識可以幫助模型更好地理解和處理領域相關的問題，從而提供更準確和專業的答案。stratosphere.io 發布發布 Finchat，可為投資者提供，可為投資者提供 750 多家公司和多家公司和 100 多家超級投資多家超級投資學家的書籍。學家的書籍。投資者用于股票分析的許多信息可能分散在多個資源中。通過使用 Finchat，投資者可以立即調用來自 750 多家上市公司的財務數據來支持其分析，Finchat 工具還繼續提供 100 多本著名

33、投資者的投資書籍和信件，它是非常有用的學習材料。圖表 13：Finchat 資料來源：Finchat、國盛證券研究所 Finchat 可為投資者提供 750 多家公司的財務信息，投資者詢問公司財務信息后，Finchat可給出其直觀的圖表。例如我們向 Finchat 詢問微軟過去 5 年的經營自由現金流，盡管運營自由現金流量并不容易獲得，但 Finchat 工具給出了另一種解決方案，可以為我們提供合適的替代方案（自由現金流），并向我們解釋了這兩種衡量方式之間的主要區別。2023 年 06 月 17 日 P.11 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲明 圖表 14：向 Finchat 詢

34、問微軟(MSFT)過去 5 年的經營自由現金流 資料來源：Finchat、國盛證券研究所 Finchat 還可以給出投資分析師對股價的共識價格，幫助投資者更好地進行投資決策，提高用戶體驗，增強投資者粘性，幫助投資者更便捷地獲得消息，進行投資分析。圖表 15：向 Finchat 詢問分析師對亞馬遜股票的公認價格 資料來源：Finchat、國盛證券研究所 2023 年 06 月 17 日 P.12 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲明 四、智能投研產業落四、智能投研產業落地地進行時進行時 1）金證股份）金證股份 金融科技全領域服務商，金融交易金融科技全領域服務商，金融交易+智慧城市數據

35、根深本固。智慧城市數據根深本固。金證股份是中國證券監督管理委員會備案的信息技術系統服務機構，公司服務于金融行業近 30 年，通過多年為券商、大資管提供交易結算系統、投資管理系統、TA 系統、投決系統方案，積累豐富金融數據。在業務方面，公司一方面為證券和資管提供 IT 服務，另一方面發展 RPA、AI、大數據等創新業務。圖表 16：金證股份數字化協同能力 資料來源：金證股份官網，國盛證券研究所 結合多年積累強化金融結合多年積累強化金融 AI 體系，為產品去做全面升級賦能。體系，為產品去做全面升級賦能。公司用金融領域內的數據去做預訓練得到相應的大模型，業務系統通過語義檢索引擎發布用戶指令，觸發系統

36、業務系統中的按鈕，語義檢索引擎會去優化所有的提示，到金融知識庫里面去找到最相關的上下文，用上下文去做推理，形成完整形態。2023 年 06 月 17 日 P.13 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲明 圖表 17：金證優智金融 AI 體系較通用大模型優勢 資料來源：金證股份投資者交流會，國盛證券研究所 AI 人物領軍，智能投研快速發展。人物領軍，智能投研快速發展。1）公司首席人工智能官詹毅，具備 12 年 AI 從業經驗，對國內 AI 見解深厚。2018 年成立子公司金證優智，國內領先金融 AI 平臺與技術服務提供商，AI 技術能力出眾。2）金證股份智能投研的相關應用有智能投資（麗

37、海弘金）和智能投顧（優品科技），其中麗海弘金通過與人工智能技術結合，來實現更加自動化和智能化的交易決策和執行過程；優品科技依托 AI+大數測中臺，為投資者提供金融數據智能分析工具。圖表 18：首席人工智能官詹毅先生 AI 管理及研發經驗豐富 資料來源：金證優智官網，國盛證券研究所 AI 技術攻堅，研發技術平臺生態鏈完整。技術攻堅，研發技術平臺生態鏈完整。金證股份重視科技研發，2018 年開始做 AI相關技術部署，在智能風控、智能投行、智能投顧、RPA、智能客服、智能投資等金融領域實現了多個業務方向的突破。公司擁有主攻機構服務、金融 AI、RPA 等方向的多家參控股子公司，并在國內率先推出具有自

38、主知識產權的企業級 RPA+AI 軟件金智維，引入 ChatGPT 智能助手的、專注于智慧運維領域的金微藍，在金融全行業均有豐富的落地場景。2023 年 06 月 17 日 P.14 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲明 圖表 19：AI 賦能的投研相關解決方案 產品 功能 應用 金智維 以“RPA+AI+大數據”為核心技術，在國內率先推出具有自主知識產權的企業級 RPA 軟件。金智維已簽約客戶達500余家，其中金融機構客戶超300家，銀行業客戶己達金融行業保持領先。金智維順利通過軟件能力CMMI5級評估，覆蓋全行業應用場景。金微藍 金微藍作為公司開展云業務的主體，其主業為面向證券

39、行業的運營數字化轉型解決方案和金融云服務，上半年在客戶數量、業務規模上均有新的增長。在云業務合作上，公司上半年與上交所、深證通、騰訊云、華為云均有新的商務合作。FICC量化投研一體化平臺 全面支持 FICC 債券、資金、利率衍生品等全市場、全品類的智能化投資。于2022年推出，目前已有5家頭部券商采用。公司同時成立算法事業部，在FICC投研量化上研究AI在算法優化、股東減持，另類交易等方面的應用。資料來源：公司財報，國盛證券研究所 2）同花順：）同花順：同花順領軍金融科技，同花順領軍金融科技，AI 開放平臺夯實底層實力。開放平臺夯實底層實力。同花順是國內領先的互聯網金融信息服務提供商，深耕金融

40、信息服務行業近三十年。目前公司已具備數字虛擬人、智能金融問答、智能語音、智能客服機器人、智能質檢機器人、會議轉寫系統、智慧政務平臺、智能醫療輔助系統等 40 余項人工智能產品及服務，應用于銀行、證券、保險、基金、私募、高校、運營商、政府等多個行業。圖表 20：同花順 AI 開放平臺相關能力 項目名稱項目名稱 實現功能實現功能 詳細模塊詳細模塊 AI 理財師 依托大數據、人工智能等金融科技技術，融合專業投研能力，專注打造覆蓋財富管理全流程的理財師智能營銷工具，為銀行、券商等金融機構提供線上基金、保險、理財等產品銷售一體化解決方案。覆蓋定制早報、名片微店、工具管理、基金工具、資產配置、模擬炒基、客

41、戶管理、考試培訓、自選管理、員工管理等功能。證券預警系統 針對金融市場的網絡輿情進行監測，為金融機構提供相更為全面、及時、準確的輿情監控服務。該證券預警系統可為銀行信貸風控，金融產品監控預警，企業自身風控管理提供有效信息和建議。覆蓋輿情監控、風險追蹤、企業云、誠信庫、法律法規、社交媒體、系統設置功能。資料來源：同花順 AI 開放平臺官網，國盛證券研究所 智能投顧重視度高，智能投顧重視度高，AI 已有產品變現潛力充足。已有產品變現潛力充足。1）產品側來看，智能回答助理、投資對話機器人、投資目標管理、個性化投資者教育、研報寫作和翻譯、金融事理圖譜自動構建等 AI 功能陸續推出，在公司的高重視度下，

42、智能投顧品類豐富。2）變現能力來看，公司基于智能投資能力，推出多款付費產品，變現潛力充足。其中，金融大師至尊版每 2023 年 06 月 17 日 P.15 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲明 年付費 80000 元，主要結合智能深度學習，對市場活躍資金進行大數據演算，揭示市場活躍機構動向，洞察強勢個股活躍資金主力操盤手法；AI 價投至尊版，每年付費 80000元，基于 AI 大數據提供市場海量核心數據，成為價值投資者簡單實用的選股工具。圖表 21：同花順智能投研功能矩陣 資料來源：同花順智能科技官網，國盛證券研究所 智能投顧相關產品：智能投顧相關產品：智能問答助理：愛問財，財經

43、領域落地較成功的對話交互問答系統。智能問答助理：愛問財，財經領域落地較成功的對話交互問答系統。該產品利用大數據、自然語言處理能力技術及專業的金融研究團隊為投資者提供投資助手服務，新平臺融入智能投資助手（chatGPT 智能回答）、智能盯盤、自選監控、智能劃詞等特色功能，投資者可以輸入自然語言問句，搜索對應的數據和信息。i 問財的優勢在于數據和技術；一方面具備中國財經領域數據，覆蓋股票、基金、債券等海量數據；另一方面基于 AI 大模型、小樣本學習等技術，實現有效過濾信息、信息收集效率和準確度提升、智能化&個性化的投資策略和指標建議的三大服務。2023 年 06 月 17 日 P.16 請仔細閱讀

44、本報告末頁聲明請仔細閱讀本報告末頁聲明 圖表 22：同花順 i 問財系統 資料來源：公司官網，國盛證券研究所 投資目標管理：識別風險承受底線，標簽匹配用戶畫像（投資目標管理：識別風險承受底線，標簽匹配用戶畫像（KYC）和產品（）和產品（KYP）。）。為了幫助大眾投資者進行合理的理財規劃，公司借助數據積淀和 AI 能力匹配用戶和產品的特質標簽。用戶側，同花順具備豐富的投資者畫像維度，構建起事實層、概念層、理念層、屬性層的標簽體系，通過 AI 和大數據分析預測出一些標簽，為投資者提供豐富智能營銷、智能投教、智能投顧問答服務。產品側，基金畫像標簽體系可以將產品劃分為不同風險和預期收益，并匹配給相應風

45、險承受能力的用戶。金融事理圖譜：訓練語言模型完成智能投研。金融事理圖譜：訓練語言模型完成智能投研。智能投研板塊對語言模型進行數據增強和對抗訓練，通過對數據的采集、處理、分析，借助 AI 技術完成觀點的收集和輸出，基于該語言模型，公司一方面提取投資者感興趣的觀點完成研報寫作；另一方面，自動生產 170 萬+節點，構建起金融事理圖譜 Schema。3）恒生電子）恒生電子 金融金融 IT 供應商龍頭企業，子公司恒生聚源數供應商龍頭企業，子公司恒生聚源數據源質量高。據源質量高。恒生電子是金融 IT 核心供應商，2022 年經營韌性不減，并且持續完善洞見、智眸、小梵等終端數據服務產品功能，提升投研產業鏈

46、分析框架、云投研搜讀算寫的能力。在數據方面，恒生電子子公司恒生聚源具備基礎數據庫、應用數據庫、聚源金融資訊終端等解決方案，具備豐富、準確、及時的金融數據源。AI 能力方面，公司致力深度學習、數據科學、知識圖譜、NLP、計算機視覺、AIGC 等技術的研究，研究其在投顧、投研、營銷、客服、風險、運營等金融領域的落地可能。2023 年 2 月 24 日，公司及子公司恒生聚源成為首批百度文心一言生態合作伙伴，探索 AIGC 在金融業務場景的落地實現。圖表 23：恒生電子子公司恒生聚源下數據集 資料來源：公司官網，國盛證券研究所 2023 年 06 月 17 日 P.17 請仔細閱讀本報告末頁聲明請仔細

47、閱讀本報告末頁聲明 WarrenQ 實現投研內容輸出，對接買賣方投研數據服務。實現投研內容輸出，對接買賣方投研數據服務。該平臺于 2022 年 6 月發布，標志著買賣方通過內容分發通道，成功完成首次知識對接。面對買賣方的數據割裂、分發機制不完備，流程較為繁瑣且存在數據泄露可能性的痛點，華福證券研究員通過WarrenQ 底層豐富的數據、研報、公告、資訊數據查詢素材，完成高質量的研究報告。WarrenQ 做出以下解決方案：1）創設工程管理平臺，使得使用者可以按照自己研究的領域命名，添加股票范圍，同時選擇相應的公司內部協同人員以及公司外部的目標客戶；2）AI 標簽分類，平臺通過云盤上傳的生產投研內容

48、，生成 AI 識別智能標簽，滿足分辨投研內容屬性的需求；3）定點跟蹤，買方在對應工程內部，可直接查看賣方整理的各類研報內容，并對感興趣的內容進行標記跟蹤，系統會實時通知；4）思維導圖編輯并協同相關人員共同管理。圖表 24：恒生電子 WarrenQ 實現買賣方知識對接 資料來源：公司公眾號，國盛證券研究所 攜手申萬宏源，“智能投研一體化平臺”加速投研服務數智化轉型。攜手申萬宏源，“智能投研一體化平臺”加速投研服務數智化轉型。智能投研作為資管科技的核心要素，恒生聚源和申萬宏源證券聯合打造“智能投研一體化平臺”。一方面，通過集團數據中心獲取更廣泛的數據來源，構建申萬宏源的知識沉淀庫。另一方面，平臺基

49、于金融知識圖譜等技術打造產業鏈圖譜平臺，兼具動態研報和行業精確數據庫的職能，支持分析師從數據瀏覽、研究框架建設、研究報告撰寫、估值定價模型的一站式功能。2023 年 06 月 17 日 P.18 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲明 圖表 25：恒生電子買賣對接數據傳輸方案 資料來源：公司公眾號，國盛證券研究所 4）達觀數據）達觀數據 AI+文本智能處理能力領銜，廣泛助力知名投資機構。文本智能處理能力領銜，廣泛助力知名投資機構。達觀數據成立于 2015 年，定位是為企業提供各類場景文本機器人的人工智能企業，通過 NLP、OCR、RPA、IDP、知識圖譜等技術，為大型企業和政府機構提

50、供文檔智能審閱、辦公流程自動化、文字識別、企業級垂直搜索、智能推薦等智能文本機器人產品，大幅度提高企業效率與智能化水平。1）AI 綜合能力方面，公司曾作為上海唯一入選的 AI 企業，榮獲中國智能科學技術最高獎吳文俊人工智能獎。2）文本智能處理方面，公司實力出眾，曾成為國家級專精特新“小巨人”企業文本智能處理領域唯一入圍的公司，助力多個知名投資機構。圖表 26：達觀數據 AI/文本智能處理技術領先 圖表 27：達觀數據助力知名投資機構 資料來源：公司官網，國盛證券研究所 資料來源：公司官網，國盛證券研究所 趕乘時代浪潮，垂類大模型落地進行中。趕乘時代浪潮，垂類大模型落地進行中。2023 年 3

51、月以來，達觀宣布正在研發垂直領域模型“曹植”，作為垂直、專用、國產的 GPT 模型，未來在各行各業里落地應用。2023 年 06 月 17 日 P.19 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲明 圖表 28：達觀數據“曹植”垂直領域大語言模型 資料來源：公司官網，國盛證券研究所 智能投研需求明確，知識圖譜為基打造知識中臺。智能投研需求明確，知識圖譜為基打造知識中臺。由于金融投研面對海量上市公司公告、研發、資訊熱點，因此智能投研能力可以有效提升從業人員的投研能力和學習速度。2021年，達觀數據為廣發資管打造智能知識圖譜系統，給客戶提供有價值的可視化投研情報。知識圖譜平臺通過數據結合邏輯，

52、在最新的圖譜技術框架上構建公司及行業圖譜，并通過特定數值權重和算法實現各關系節點的關系量化，最后根據公司關注度對搜索結果進行排序?；诤Ａ繑祿蛯＜疫壿?，達觀數據建出了一整套系統，將投資分析的研究體系沉淀于知識圖譜系統中，為投研量化研究提供了良好的基礎設施。圖表 29：達觀數據與廣發資產管理實現智能投研知識中臺 圖表 30：達觀數據智能投研實現突破圖譜構建 資料來源：達觀數據公眾號，國盛證券研究所 資料來源：達觀數據公眾號，國盛證券研究所 關鍵投研信息抽取關鍵投研信息抽取+熱點詞分析，智能投研機器人表現出彩。熱點詞分析，智能投研機器人表現出彩。智能投研機器人可以基于自研的領先 NLP 技術，閱

53、讀并理解年報、研報、招股書等金融文檔中的宏觀政策、行業信息、經營情況、財務指標等信息，從而進行數據處理和信息挖掘，實現具體的投研應用。其中有兩個核心功能：關鍵投研信息抽取和熱點詞分析，在 2022 年貴州茅臺的投研輔助中，該產品識別出白酒行業呈現“馬太效應”和“高通脹”的情況，且通過 2022年和 2021 年的滬深 300 半年報，發現 2022 年供給端壓力增大、上市公司更加關注宏觀貨幣政策、對碳達峰和環保的關注度也有所提升。2023 年 06 月 17 日 P.20 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲明 圖表 31：達觀數據智能投研從 2022 年半年報提取高頻關鍵詞 圖表

54、32：達觀數據智能投研實現近年年報對“全球經濟”的熱點詞分析 資料來源：達觀數據公眾號，國盛證券研究所 資料來源：達觀數據公眾號，國盛證券研究所 2023 年 06 月 17 日 P.21 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲明 五、五、AI-ALPHA 與市場與市場 BETA 的共振的共振 1）金融）金融 it AI-ALPHA 未來可期未來可期 金融金融 it AI 進展持續催化，進展持續催化，ALPHA 未來可期。未來可期。結合數據端布局、研發投入和變現能力，同花順、恒生電子、金證股份、達觀數據等公司，具備海量、豐富、高質的金融領域垂類數據，并致力 AI 技術研發+相應場景產品

55、落地的領軍企業，在大模型時代競爭力優勢將進一步強化。同花順：積累輿情、企業、誠信相關的海量數據，且具備較強的技術研發和 AI 落地能力，已有 i 問財、AI 開發平臺等多項 AI 產品推出。金證股份：深耕金融科技多年，具備金融交易及智慧城市數據積累，研發技術平臺生態鏈完整，已推出企業級 RPA 軟件金智維等 AI 相關產品。恒生電子：金融 IT 供應商龍頭企業，子公司恒生聚源積累豐富金融數據及資訊，高研發投入下金融科技實力顯著攀升，為首批文心一言生態合作伙伴。達觀數據：作為提供各類場景文本機器人的 AI 企業，公司研發垂直領域模型“曹植”，打造智能投研知識圖譜中臺，智能投研機器人在關鍵投研信息

56、抽取和熱點詞分析上表現出色。2）市場）市場 BETA 漸入佳境漸入佳境 5 月以來，月以來，以北上深為代表，全國各地加快制定人工智能規劃以北上深為代表，全國各地加快制定人工智能規劃。1）5 月 19 日，北京市通用人工智能產業創新伙伴計劃成員名單（第一批）出爐，第一批伙伴成員共有 39 家，其中，算力伙伴 2 家，數據伙伴 9 家，模型伙伴 7 家，應用伙伴 13 家，投資伙伴 8 家。2）5 月 31 日，深圳市發布加快推動人工智能高質量發展高水平應用行動方案（20232024 年），強化智能算力集群供給，整合深圳市算力資源，建設城市級算力統籌調度平臺；打造大灣區智能算力樞紐，積極有序集聚政

57、府、企業、科研機構、高校等的智能算力資源，與周邊城市加強智能算力合作，謀劃共建粵港澳大灣區智能算力統籌調度平臺；聯合香港企業、科研機構、高校等，打造深港人工智能算力賦能中心。3）6 月 2 日，上海自貿區臨港新片區在智算大會上發布了 臨港新片區加快構建算力產業生態行動方案，提出 2025 年，臨港新片區將形成以智算算力為主，基礎算力和超算算力協同的多元算力供給體系，總算力將超過 5EFLOPS（EFLOPS 是指每秒百億億次浮點運算次數），人工智能算力占比達到 80%，算力產業總體規模突破 100 億元。2023 年 06 月 17 日 P.22 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲

58、明 圖表33：國內算力層相關政策 事件事件 日期日期 詳情詳情 上海自貿區臨港新片區在智算大會上發布了臨港新片區加快構建算力產業生態行動方案 2023年6月2日 提出2025年，臨港新片區將形成以智算算力為主，基礎算力和超算算力協同的多元算力供給體系，總算力將超過5EFLOPS（EFLOPS是指每秒百億億次浮點運算次數），人工智能算力占比達到80%，算力產業總體規模突破100億元。深圳市加快推動人工智能高質量發展高水平應用行動方案（2023-2024年）2023年5月31日 強化智能算力集群供給，整合深圳市算力資源，建設城市級算力統籌調度平臺；打造大灣區智能算力樞紐，積極有序集聚政府、企業、科

59、研機構、高校等的智能算力資源，與周邊城市加強智能算力合作，謀劃共建粵港澳大灣區智能算力統籌調度平臺；聯合香港企業、科研機構、高校等，打造深港人工智能算力賦能中心。北京市通用人工智能產業創新伙伴計劃成員名單（第一批）2023年5月19日 第一批伙伴成員共有39家，其中，算力伙伴2家，數據伙伴9家，模型伙伴7家，應用伙伴13家，投資伙伴8家。中國電子董事長曾毅發言，算力底座是下一階段最需要解決的問題 2023年5月18日 人工智能離不開算力、算法、模型。如今，算法和模型的問題都能夠解決，最卡脖子的是算力底座的問題，這可能是下一階段最需要解決的重大問題。人民網介紹習近平總書記有關人工智能重要論述 2

60、023年5月18日 新一代人工智能是推動科技跨越發展、產業優化升級、生產力整體躍升的驅動力量。習近平總書記高度重視人工智能技術發展，多次在大會強調發展人工智能的重要性?？萍疾坎块L王志剛：打造一批人工智能區域高地和技術平臺 2023年5月18日 第七屆世界智能大會在天津開幕?？茖W技術部部長王志剛在會上表示，將緊緊把握全球人工智能發展的新機遇，尊重科技創新和人工智能發展的規律，加大人工智能基礎理論和前沿技術研發布局，打造一批人工智能區域高地和技術平臺，深化企業牽頭的產學研用融合，推動人工智能賦能經濟社會發展。北京市促進通用人工智能創 新 發 展 的 若 干 措 施（2023-2025年）（征求意見

61、稿）2023年5月16日 北京打響大模型地方戰第一槍，從算力、數據、算法、應用、監管五大方向，對北京大模型發展提出了21項措施。這是國內首個地方政府緊貼AI大模型產業化發展提出的專項措施。資料來源：北京市經濟和信息化局，北京市人民政府，人民網，財聯社，新浪財經，國盛證券研究所 海外海外龍頭指引超預期，龍頭指引超預期，中美共振中美共振有望持續有望持續加速加速。1）隨著 ChatGPT 發布，轟動的人工智能領域對芯片算力產生較大需求，英偉達因可以提供訓練大量文本、圖像、視頻訓練的AI 芯片，數據中心（Data Center AI GPUs）收入貢獻顯著營收同比漲 14%至 42.8 億美元，環比增

62、長 18%，主要原因系基于 Hopper 和 Ampere 架構 GPU 的生成式 AI 和大語言模型的需求不斷增長。根據 21 世紀經濟報，公司在業績說明會上表示，由于互聯網公司、云計算提供商和企業客戶都迫切希望將生成式 AI 應用到自身業務中，下一季度數據中心客戶的銷售額或將翻番，計劃在下半年大幅增加整個數據中心產品系列（包括InfiniBand 和 BlueField-3DPU）的供應，以滿足激增的需求。2）業績指引方面，根據華爾街見聞，英偉達預計，本財年第二財季營收為 110 億美元，正負浮動 2%，指引范圍在 107.8 億到 112.2 億美元之間，同比增長約 32.7%。分析師預

63、計二季度營收只有 71.8億美元，同比下降 13.4%。110 億美元的營收較分析師預期高 53.2%，二季度將扭轉收入連續三個季度同比下滑的勢頭。順應時代浪潮，順應時代浪潮，AMD 對對 MI300 寄予厚望寄予厚望。根據財聯社，在 AMD 即將發布的產品，MI300性能強大，或將成為能夠與英偉達一決高下的“終極武器”。蘇姿豐坦言，Instinct MI300 2023 年 06 月 17 日 P.23 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲明 加速器能幫助公司占領市場，其滿足了 AI 和 HPC/超級計算生態系統的所有要求。圖表 34：AMD MI300 示意圖 資料來源：財聯社，

64、國盛證券研究所 推薦關注推薦關注 結合數據端布局、研發投入和變現能力，推薦同花順、金證股份、恒生電子、東方財富、財富趨勢、指南針。1）同花順：積累輿情、企業、誠信相關的海量數據，且具備較強的技術研發和 AI 落地能力，已有 i 問財、AI 開發平臺等多項 AI 產品推出。2）金證股份：深耕金融科技多年，具備金融交易及智慧城市數據積累，研發技術平臺生態鏈完整，推出企業級 RPA 軟件金智維等 AI 相關產品。3）恒生電子：金融 IT 供應商龍頭企業，恒生聚源積累豐富金融數據及資訊。4）東方財富：金融資訊及數據積淀多，數據+AI 建設速度陸續加快，逐步布局 AI 智能化生產平臺和智能資訊互動平臺。

65、5）財富趨勢：多家券商行情交易系統提供商，交易數據積淀深厚，智能金融問答、公司圖譜等 AI 功能研發進行中。6）指南針：立足 C 端金融信息服務，金融信息服務為基石，布局證券業務助增長。風險提示風險提示 金融監管風險：金融監管風險：展業進度與金融政策息息相關，相關政策限制可能影響業務發展。AI 產品線推進不及預期：產品線推進不及預期：AI 技術攻堅和產品研發難度大，出現卡點可能影響 AI 產品線推進進度。2023 年 06 月 17 日 P.24 請仔細閱讀本報告末頁聲明請仔細閱讀本報告末頁聲明 免責聲明免責聲明 國盛證券有限責任公司（以下簡稱“本公司”）具有中國證監會許可的證券投資咨詢業務資

66、格。本報告僅供本公司的客戶使用。本公司不會因接收人收到本報告而視其為客戶。在任何情況下，本公司不對任何人因使用本報告中的任何內容所引致的任何損失負任何責任。本報告的信息均來源于本公司認為可信的公開資料，但本公司及其研究人員對該等信息的準確性及完整性不作任何保證。本報告中的資料、意見及預測僅反映本公司于發布本報告當日的判斷，可能會隨時調整。在不同時期，本公司可發出與本報告所載資料、意見及推測不一致的報告。本公司不保證本報告所含信息及資料保持在最新狀態，對本報告所含信息可在不發出通知的情形下做出修改，投資者應當自行關注相應的更新或修改。本公司力求報告內容客觀、公正，但本報告所載的資料、工具、意見、

67、信息及推測只提供給客戶作參考之用，不構成任何投資、法律、會計或稅務的最終操作建議,本公司不就報告中的內容對最終操作建議做出任何擔保。本報告中所指的投資及服務可能不適合個別客戶，不構成客戶私人咨詢建議。投資者應當充分考慮自身特定狀況，并完整理解和使用本報告內容，不應視本報告為做出投資決策的唯一因素。投資者應注意，在法律許可的情況下，本公司及其本公司的關聯機構可能會持有本報告中涉及的公司所發行的證券并進行交易，也可能為這些公司正在提供或爭取提供投資銀行、財務顧問和金融產品等各種金融服務。本報告版權歸“國盛證券有限責任公司”所有。未經事先本公司書面授權，任何機構或個人不得對本報告進行任何形式的發布、

68、復制。任何機構或個人如引用、刊發本報告，需注明出處為“國盛證券研究所”，且不得對本報告進行有悖原意的刪節或修改。分析師聲明分析師聲明 本報告署名分析師在此聲明：我們具有中國證券業協會授予的證券投資咨詢執業資格或相當的專業勝任能力，本報告所表述的任何觀點均精準地反映了我們對標的證券和發行人的個人看法，結論不受任何第三方的授意或影響。我們所得報酬的任何部分無論是在過去、現在及將來均不會與本報告中的具體投資建議或觀點有直接或間接聯系。投資評級說明投資評級說明 投資建議的評級標準投資建議的評級標準 評級評級 說明說明 評級標準為報告發布日后的 6 個月內公司股價（或行業指數）相對同期基準指數的相對市場

69、表現。其中 A 股市場以滬深 300 指數為基準；新三板市場以三板成指（針對協議轉讓標的）或三板做市指數（針對做市轉讓標的）為基準；香港市場以摩根士丹利中國指數為基準，美股市場以標普 500 指數或納斯達克綜合指數為基準。股票評級 買入 相對同期基準指數漲幅在 15%以上 增持 相對同期基準指數漲幅在 5%15%之間 持有 相對同期基準指數漲幅在-5%+5%之間 減持 相對同期基準指數跌幅在 5%以上 行業評級 增持 相對同期基準指數漲幅在 10%以上 中性 相對同期基準指數漲幅在-10%+10%之間 減持 相對同期基準指數跌幅在 10%以上 國盛證券研究所國盛證券研究所 北京北京 上海上海 地址：北京市西城區平安里西大街 26 號樓 3 層 郵編：100032 傳真：010-57671718 郵箱： 地址：上海市浦明路 868 號保利 One56 1 號樓 10 層 郵編：200120 電話：021-38124100 郵箱： 南昌南昌 深圳深圳 地址：南昌市紅谷灘新區鳳凰中大道 1115 號北京銀行大廈 郵編：330038 傳真：0791-86281485 郵箱： 地址：深圳市福田區福華三路 100 號鼎和大廈 24 樓 郵編：518033 郵箱：