課 14.1.1 ｜生成式 AI 與大語言模型（LLM）概覽
Generative AI and Large Language Models (LLM) Overview 模組 14 ｜ 單元 14.1 AI 與金融 ｜ 建議先修：1.2 金融基礎
1. 學習目標
完成本課後，學員應能：
- 理解生成式 AI 與 LLM 的核心概念，掌握技術原理
- 掌握 LLM 在金融的落地場景，識別應用機會
- 闡述 LLM 的能力與局限，進行風險評估
- 進行 LLM 應用的風險評估，設計應用方案
- 設計 LLM 在金融場景的應用方案，提升業務效率
2. 課程重點
大語言模型（LLM）；生成式 AI；金融落地場景；能力與局限；風險評估；應用方案設計。
3. 講義內容
大語言模型（Large Language Models, LLMs）
在金融領域的落地正從概念走向實戰。投行正利用 LLMs 自動生成財報摘要、提取招股書風險因素、編寫量化交易代碼，以及進行海量新聞的情感分析（Sentiment Analysis）。LLM 的核心能力包括文本生成、信息提取、代碼生成、情感分析與分類。LLM 正在改變金融行業的工作方式，提升效率與質量。
生成式 AI 的核心能力
文本生成與摘要：自動生成財報摘要、研究報告、投資備忘錄。信息提取與結構化：從非結構化文本中提取關鍵信息，轉化為結構化數據。代碼生成：自動生成量化交易代碼、數據分析腳本。情感分析與分類：分析新聞、社交媒體情緒，輔助投資決策。生成式 AI 的核心能力正在不斷擴展。
LLM 在金融的落地場景
財報分析：自動摘要財報關鍵信息，提取財務指標。招股書處理：提取風險因素、業務描述、財務數據。新聞分析：實時分析新聞情緒，識別市場機會與風險。量化策略：生成量化交易代碼，回測交易策略。客戶服務：智能客服、投資諮詢、文檔處理。LLM 在金融的落地場景不斷擴展。
能力與局限
LLM 擅長語言類任務，但存在「幻覺」（生成不實內容）、缺乏實時數據、推理能力有限等局限。金融場景須人工把關，確保輸出準確性與合規性。了解 LLM 的能力與局限有助於合理應用。
LLM 應用風險評估
LLM 應用需評估：數據隱私風險、合規風險、操作風險、聲譽風險。金融機構應建立 LLM 應用的風險管理框架。風險評估是 LLM 應用的重要環節。
LLM 應用方案設計
LLM 應用方案設計需考慮：應用場景、數據需求、模型選擇、風險管理、合規要求。設計合理的應用方案能夠提升 LLM 應用的效果與安全性。
LLM 在金融的未來趨勢
LLM 在金融的未來趨勢包括：更廣泛的應用場景、更精準的輸出、更完善的風險管理。LLM 將持續改變金融行業的工作方式。
LLM 實務
LLM 實務需關注：應用場景、數據需求、模型選擇。了解 LLM 實務有助於提升業務效率。
LLM 的應用場景
LLM 在投行與 PE 行業有廣泛的應用場景：財報分析（自動摘要與信息提取）、招股書處理（風險因素提取與業務描述）、新聞分析（情緒分析與市場機會識別）、量化策略（代碼生成與回測）、客戶服務（智能客服與投資諮詢）。了解 LLM 的應用場景有助於提升業務效率。
LLM 的質量控制
LLM 的質量控制需建立明確標準：輸出準確性、數據隱私、合規性、人工把關。質量控制需通過輸出驗證、數據保護、合規檢查、人工審核來確保。高質量的 LLM 能夠提升業務效率。
LLM 的常見問題
LLM 常見問題包括：輸出不準確、數據隱私風險、合規風險、人工把關不足。解決方案包括：輸出驗證、數據保護、合規檢查、人工審核。了解常見問題與解決方案能夠提升 LLM 質量。
LLM 的未來趨勢
LLM 的未來趨勢包括：更廣泛的應用場景、更精準的輸出、更完善的風險管理、更智能的輔助。了解 LLM 的未來趨勢有助於提升業務能力，把握市場機會。
4. 核心概念與機制
LLM 金融應用： 文本（財報/新聞/招股書）→ LLM → 摘要/提取/情感 → 分析
核心能力： 文本生成、信息提取、代碼生成、情感分析
落地場景： 財報分析、招股書處理、新聞分析、量化策略、客戶服務
風險評估： 數據隱私、合規、操作、聲譽
應用方案設計： 應用場景、數據需求、模型選擇、風險管理、合規要求
5. 實例演算
LLM 金融應用場景（示意）：
| 場景 | 應用 |
|---|---|
| 財報 | 自動摘要 |
| 招股書 | 提取風險因素 |
| 新聞 | 情感分析 |
| 代碼 | 量化策略編寫 |
LLM 把「非結構化文本」轉為「結構化洞察」 ✅
6. Excel 建模步驟
- 建立 LLM 應用場景清單
- 評估各場景的適用性
- 標註需人工把關的環節
- 建立 LLM 輸出驗證流程
- 附數據隱私與合規
- 輸出 LLM 落地建議
檢查式： LLM 輸出須人工把關；敏感數據不入 LLM；場景適用性評估。
7. 案例研究
情境示範：投行用 LLM 自動摘要數百頁招股書，效率提升但摘要漏掉一條關鍵風險條款，被合規部門攔截。教訓：LLM 提升效率，但關鍵環節須人工驗證。
真實案例（歷史資料，教學用途，不構成投資建議）： LLM 在投行的財報摘要、風險提取已廣泛落地，示範「生成式 AI」作為金融效率工具。
8. 常見錯誤
- 把 LLM 當事實來源 —— 幻覺風險
- 忽略人工把關 —— 關鍵環節
- 敏感數據入 LLM —— 合規風險
- 忽略 LLM 的推理局限 —— 數理計算
- 過度依賴自動化 —— 失去判斷
9. 術語表
| 英文 | 中文 | 解釋 |
|---|---|---|
| LLM | 大語言模型 | 生成式 AI 核心 |
| Generative AI | 生成式 AI | 內容生成 |
| Sentiment Analysis | 情感分析 | 新聞情緒 |
| Hallucination | 幻覺 | 生成不實內容 |
| Prompt Engineering | 提示工程 | 引導 LLM 輸出 |
11. 延伸閱讀
- 下一課：14.1.2 AI 在投資研究與財務分析的應用
- 課 14.1.5 AI 的局限、偏見與監管
- 對應影片：EP「金融科技」相關集數（待錄製）