财富管理作为金融服务的重要组成部分，也是当前坚定不移走好中国特色金融发展之路，推动我国金融高质量发展的必经之路。财富管理作为金融服务的重要组成部分，也是当前坚定不移走好中国特色金融发展之路，推动我国金融高质量发展的必经之路。

从宏观层面看，连接着资金供给端的居民资产和资金需求端的实体经济，在服务实体经济、满足企业融资发展需求、促进产业创新升级的同时，也肩负着服务投资者、实现资源有效配置的作用。从微观层面看，财富管理贯穿于人的整个生命周期，在财富的创造、保有和传承过程中，通过一系列金融与非金融的规划与服务，构建个人、家庭、家族与企业的系统性安排，实现财富创造、保护、传承、再创造的良性循环。

全方位的财富管理包括财富管理产品、保险规划、资产配置、退休规划、法律风险规划、税务筹划、不动产投资规划、收藏品规划以及家族财富传承等，其中财富管理产品主要包括投资产品和保险产品，涉及行业机构大致可分为银行、券商、公募基金公司、保险公司、互联网及第三方财富管理机构等。

财富管理行业格局

各类财富管理机构构成了财富管理行业生态链的主体，在发展财富管理业务上各有优劣势。我们对业内机构公募财富管理产品（非现金类）保有规模情况进行观察分析，从2023年年末业内机构公募财富管理产品（非现金类）保有规模指数（以下简称“财富管理规模指数”）100强机构来看，由于不同类型机构的战略定位、经营文化、资源条件和所处的发展阶段与市场环境的不同，各机构在开展财富管理业务时会各有侧重。

对于银行而言，银行是财富管理行业的中流砥柱，优势地位稳固。从财富管理规模指数100强机构来看，前20名中有18家为银行，前10名中有9家为银行。招商银行财富管理优势显著，几家国有大行的财富管理也都位于前列。由于银行在财富管理方面天然具有良好的品牌认知和心理认同，且具有高覆盖面的经营网络和丰富的合作伙伴，也拥有着相对完善的管理制度体系和风险防范能力，因此适合作为财富管理开放平台的建设方。由银行打造的财富管理开放平台可最大程度获取客户真实的财务情况，尽可能多地涵盖各类资管产品，更为有效地实现资金端到资产端的闭环。

对于券商而言，排名前十的券商指数值明显低于银行，但互相之间差异较小，均是行业龙头。2023年券商的权益类基金保有规模首次超越第三方基金销售机构，成为仅次于银行的第二大销售渠道，其保有规模和市占率均实现逆势增长。随着市场环境的改善与经济的复苏，二级市场活跃度及市场整体风险偏好逐渐提高，权益类资产在投资者资产配置中的重要性不断提升。同时，由于券商具有场内交易型开放式指数基金(ETF)产品的差异化优势以及投顾等多种专业化服务，客户黏性较大，财富管理具备优势的券商将继续加速发展。当前资本市场深化改革持续发力，基础制度的不断完善为券商发展带来了新的市场机遇，券商代销份额预计将持续提升。

对于公募机构而言，100强机构中只有7家头部公募基金公司。2023年在高质量发展公募基金行业的政策支持下，ETF、公募不动产投资信托基金(REITs)等创新类产品业务成为公募基金公司的重要发展方向，受到众多投资者的青睐。同时，个人养老金产品成为公募基金公司重点布局的新型产品，其规模迅速提升，未来有望成为我国养老体系的重要组成部分，也将成为公募基金行业的全新增长点。监管机构出台的一系列政策保障了市场和行业的优良生态，有力支持了公募基金行业高质量发展。外商独资公募基金公司加速布局中国市场，为我国投资者提供具有全球投资视角的专业方案，也为国内公募基金风控管理和科技创新形成借鉴。此外，公募基金是大资管领域发展最为良好的品类之一，其工具化属性、大容量特征和风险分散性质有望承担起经济体直接融资的需求。未来，公募基金的发展势头将得以延续，在大资管领域仍有较大发展潜力。

对于第三方财富管理机构而言，相比于银行、证券公司，第三方财富管理机构发展历史较短，客户对其信任度不及传统的财富管理机构。但由于第三方财富管理机构多为互联网企业，依托数字金融的技术优势、平台优势和大数据优势等，其在线上触达与便捷程度上更胜一筹，能为用户提供更优质的体验和个性化的服务。互联网企业拥有的移动终端应用程序（App）与券商类软件相比体现出高频、高黏性的使用特点，具有更大的客户流量优势，有利于第三方机构在发展起步阶段转化为较高的财富管理规模和市场占有率。

财富管理的数字化趋势

（一）我国财富管理行业数字化转型特点。财富管理数字化是指综合运用人工智能、大数据、云计算、机器人流程等多项技术，推动产品、营销、运营、管理和服务实现全面数字化、精准化、智能化，从而更好地满足客户的综合需求，提升客户的财富管理服务体验。其特点体现在以下五个关键方面：

第一，线上化、自动化。以客户端到端流程为核心，意在通过业务流程的线上化和自动化，在保证合规、时效性基础上，提高运营效率并优化客户体验。多数财富管理机构正在积极摒弃低效的手动流程，转而采用自动化技术来提升服务质量和响应速度。

第二，专业化投顾体系的构建。借助人工智能和机器学习等前沿技术，搭建涵盖客户交互、专业赋能、过程管理的一站式财富管理平台，打造智能投顾及混合投顾，推进投顾专业能力升级和服务模式变革。

第三，智能化客群经营。大数据驱动“客层经营”走向精细化、精准化、千人千面的“客群经营”，从单纯的财富能级的分层向生态化、立体化的客群经营进行升级。通过大数据深度挖掘客户的需求，匹配差异化的交互平台和精准营销，利用大数据实现客户体验的闭环管理。

第四，开放化与生态化。搭建开放式产品服务及内容平台，打造“开放合作伙伴生态”。从业机构在数字化财富管理的进程中找准自身的生态站位，通过打造开放生态、构建和链接场景，实现数据驱动、规模化的财富管理。

第五，端到端的新一代科技与数据架构。面对传统“烟囱式”系统架构存在内部割裂协同差和数据孤岛，以及响应慢、专业性不足的局限性，领先机构正朝着云化、分布式的新一代科技和数据架构转型。这将有助于提高响应速度，优化数据管理，并支持技术的敏捷迭代。

（二）我国财富管理行业数字化转型趋势。财富管理数字化的全流程包括了解客户背景、发掘客户需求、确定客户目标、拟订方案、选择方案、执行方案、监督与再平衡方案以及维持客户关系等。当前，各类机构正基于自身禀赋进行数字化转型。

银行：科技赋能精准营销，构建开放生态体系。未来金融行业不仅仅是将服务数字化，更是将服务场景化、生态化，让财富管理服务不再局限于银行柜台，而是通过各种线上平台和应用，随时随地为客户提供全方位的财富管理解决方案。国有大型商业银行在财富管理的数字化转型过程中，充分发挥其在金融技术方面的深厚积累，通过持续的技术创新和应用，提升了财富管理服务的效率和质量，在财富管理条线下组建了较为完整的市场投研、资产筛选、投顾建模、风控建模等团队，逐步摆脱了核心业务委外的业务模式；股份制商业银行在获客方面尤其注重运用数字化能力，以此来实现精准触达和服务提供。在客户分层策略上，股份制银行展现出其对市场细分的深刻理解，能够根据不同客户群体的财富阶段、风险偏好及职业画像，提供定制化的财富管理服务；城市商业银行更加注重如何通过开放合作的模式，引入外部财富管理伙伴优质的产品和服务，补齐数字化财富管理服务能力的短板，从而构建以客户需求为核心的财富管理服务体系。

券商：传统的交易通道转型为全方位的服务通道。这种转型不仅是对原有业务架构的重塑，更是一场深入到每一环节的革新。在数字化财富管理的新时代，券商的服务对象已经扩展到了全类别的零售客户，无论是长尾的零售客户、富裕群体，还是高净值人士，都能享受到券商提供的定制化服务。这标志着财富管理领域正在向一个更为开放和互联的生态系统过渡，其中券商、客户、投顾和平台之间的交互更加流畅，促进了更广泛的合作共赢，有效地解决了潜在的利益冲突。

公募基金：投研领域专业立基，渠道拓展挑战待解。随着行业竞争加剧，头部公募基金公司正在不断加强自身业务国际化水平和全球化资产配置的能力，注重价值型投资，大力加大智能投研、智能投顾、精准营销等金融科技的投入。公募基金加速拥抱数字化转型，主要体现在三方面：运营、投研、营销。特别是在线上渠道的建设和投顾服务方面，公募基金正从依赖传统的线下代销模式转变为强化线上客户获取，通过与第三方机构及互联网平台的合作，构建基于数字化能力的买方投顾服务体系，实现更高效的一对多的“直接面对”基金持有人服务。同时，公募基金在营销传播中采用了超越传统图文形式的多媒体内容，提供更加立体和丰富的投资信息。尽管在信息化建设方面取得了显著成就，公募基金在构建和优化生态系统方面仍面临挑战，需要克服行业发展不均衡和IT治理水平不一的困境，解决长期依赖外部平台如银行、券商等机构的局限，以促进规模增长和影响力的提升。

第三方机构：营运效率驱动，数字化转型具备技术优势。当前，第三方机构的数字化转型主要存在三种路径：一是搭建稳定可靠的核心服务平台，全面提升业务支撑效率，并依托数字化技术和人才优势自主构建面向“长尾用户”的产品体系，以充分满足用户递进的、多样化的、个性化的理财需求，扩大净值型业务的用户基础，不断向全生命周期理财平台升级。而数字化技术的运用进一步增强了第三方机构的用户触达优势，有利于稳定存量客群和加快提升增量客群。二是与资质良好、经验丰富的大型IT服务商进行合作，依托合作伙伴的技术优势搭建数字化、智能化的运营中台，实现线下业务线上化，简化既往的业务流程，促进业务流程更加规范化、透明化、便捷化，如此既能更好地符合监管要求，又能大幅提升业务操作效率与客户服务满意度。三是联手大型数据服务商，借助人工智能（AI）算法、大数据建立智能化信息管理平台，对底层资产进行数字化智能管理，不断完善数字化资产体检、数字化交易监测、数字化风险甄别和风控、数字化资产估值与评测等功能，实现投前项目评审规范、投中全方位监测、投后整体化管理等目标，并提升底层资产管理的效率和透明度。

大模型的应用

（一）大模型赋能财富管理的路径。目前，伴随着大模型的普及，财富管理行业数字化转型正在迎来一个新阶段。大模型在当前机构数字化转型基础之上，进一步实现财富管理能力升级，通过对前台、中台、后台三个环节进行渗透，覆盖财富管理机构全业务流程。

前台是客户对接的门户和客户交互的平台，既需要链接和了解客户，也需要为客户创造良好体验。相较于传统人工智能，大模型在智能营销、智能运营等环节展现出更为显著的优势：

智能营销：营销活动的开展需要大量内容作为媒介，例如宣发海报、营销文案、电话语音等。传统人工智能不具备内容生成能力，因此需要人工承担内容生成工作，人工智能仅依据用户行为进行判断并对既有内容进行分发。在上述流程中，依靠人工进行内容生成效率较为低下，也导致营销资源较为有限，尽管人工智能算法能够识别用户需求并对营销资源进行匹配，但仍难做到“千人千面”。而大模型出色的生成能力可以充分释放人力资源，可以独立完成用户触达、交互以及营销资源匹配，大模型可以根据用户的个人信息、投资偏好、风险承受能力等因素，为客户量身定制个性化的营销方案。此外，传统人工智能客服对语义的理解能力不足，难以正确把握客户所表达的核心诉求，同时由于传统人工智能客服的答案通常基于语料库筛选，答案内容较为生硬，难以为客户提供良好的服务体验。而大模型具备强大的自然语言理解和生成能力，能够准确理解语义并基于知识储备生成贴切的答复，使得客户与智能客服间的交互更加流畅和自然，降低了客户转接人工客服的成本。

智能运营：客户运营的首要目标是提高客户的留存率和活跃度，以便财富管理机构持续进行用户转化。大模型可以更为精准地把握客户特征，同时逐步积累客户的历史交互数据、并通过数据分析掌握客户行为习惯，逐步成为最了解客户的私人经理，从客户侧出发加速客户与财富管理生态的融合。同时大模型更有助于客户运营生态的建立，例如，大模型可以生成投教视频以丰富投资者教育专栏、参与社区运营打造社交圈、辅助活动策划以提升用户黏性等，从机构侧出发加速客户与财富管理生态的融合。

中台是前端应用的能力支持，是驱动前后台的引擎和链接前后台的联动机制。通过对海量数据进行采集、计算、储存、加工和统一后，储存标准数据，形成大数据资产层，并基于数据资产进行二次加工，产出智力资本。让来自业务的数据反哺业务，并不断循环迭代，在智能投研、智能投顾、智能风控等领域为客户提供高效服务。

智能投研：在财富管理数字化转型的大背景下，投研环节目前存在信息类型繁杂、大量数据噪音、数据高度分散、生成效率较低、数据复用困难等主要痛点，而传统人工智能并不擅长对大量的语言信息做收集整理的工作，仅能利用知识图谱等技术在个别场景中为投研工作提供辅助，处于工程化初期阶段。而大模型的语言理解与生成能力可以快速将繁杂、琐碎、分散的信息进行处理，内化成自有知识体系并对外输出，成为覆盖投研工作全流程的辅助工具。除此之外，若能通过进一步学习财富管理行业基础知识、理清逻辑链条、参与工作实践，大模型或有望在投研领域模仿人类实现自主思考，并生成相应投资观点、丰富财富管理机构投研资源库。

智能投顾：投顾活动需要将投研资源库中的内容与客户需求进行匹配，传统人工智能类似图书管理员的角色，在获取客户需求后，按照知识图谱路径在投研资源库中进行搜索、并选择现有的离散投研内容进行呈现，这一过程的本质是决策和搜索；而大模型则可以内化投研资源库中的所有内容，根据客户需求有机结合相关资源，输出的内容更为连续、更为切合客户的投顾需求。现在已有部分领先的财富管理机构将自有投研资源库作为底座，外接第三方大模型服务商应用程序编程接口（API），打造出财富管理大模型，赋能投顾人员的对客服务过程。

智能风控：风险管理是财富管理业务的重要环节，也是保障客户资金安全、提升机构信誉度的重要抓手。传统风控人工智能最为关键的问题在于其训练过程中所涉及的风险样本大多为历史数据，仅能基于历史模型框架来识别潜在风险，缺乏防患新兴风险的能力。基于此，传统人工智能多依赖于专家规则和特征工程，构建起一套基于经验主义的风控系统。而大模型则可以生成数量众多的全新风险案例数据，并且能够进行新特征规则的发现，帮助完善财富管理机构的风险管理体系。

财富管理机构积极拥抱大模型技术的过程中，无法避免机构后台系统的更新升级，而大模型出色的代码生成能力能够帮助财富管理机构减少系统开发和对接成本，加速大模型和现有业务的融合。

（二）在财富管理领域应用大模型的实践探索。可以看到，在前中后台各环节中，均已有财富管理机构完成大模型的应用落地。通用大模型+财管数据微调的模式在泛用性、灵活性、迁移性上更具优势，在智能营销、后台支持等非核心领域应用较为广泛；垂类大模型更具专业性、合规性、针对性，更有助于财管机构实现核心应用落地。

整体上讲，由于行业具有知识密度高、时效性强、严谨性高等特点，大模型目前在财管业务流程中主要应用于业务场景简单的非决策类环节，而较难直接应用于对金融领域专业能力要求较高、涉及提供强投资建议、涉及核心分析决策任务的业务环节。但事实上，目前已经出现基于经验主义进行自适应学习的人工智能，在通用领域和投资决策领域均表现出色，预计未来随着大模型学习能力逐步加强，大模型有望进一步理解财管业务的底层逻辑，从理论主义出发提升专业能力，降低不可控性，提升决策的可解释性、进而在资产配置和投资决策上形成一定的突破。