智慧金融發展機會
生成式AI之金融市場趨勢與技術剖析
生成式AI推動智慧金融變革
根據2024年台灣麥肯錫發表的銀行業生成式AI調查報告[1]，生成式AI將能顯著降低成本、提升業務收入及客戶體驗，每年將為台灣銀行業創造新台幣360億至600億元額外利潤。快速發展中的生成式AI為金融科技帶來革命性的應用機會，特別是在法遵管理、投資理財及智慧理財機器人領域中，展現出前所未有的價值。
生成式AI在法遵與稽核中的應用
針對法遵管理，生成式AI結合檢索增強生成（Retrieval-Augmented Generation，RAG）技術能即時從企業內部數據庫或外部法規文件中提取相關資訊，輔助解析複雜的金融規範、條款或是合約，快速抓取文件要件並評估其風險。此外，透過多模態模型，AI不僅能理解金融相關文本，還能處理包含表格與圖像的複雜資料結構，從而提供更精準的金融文件生成建議，並確保文件內文及格式遵循企業內外的稽核及法律規範，顯著提升金融文件品質與生產效率。延伸至稽核方面，生成式AI結合多模態數據處理與異常檢測技術，能在稽核過程中自動識別財務報表、交易記錄及相關影像資料中的潛在風險。
智慧理財機器人的發展與市場前景
智慧理財機器人作為生成式AI的另一關鍵應用，正改變傳統的投資理財服務模式。透過生成式AI的深度學習能力，理財機器人能分析用戶的財務狀況、投資目標及風險偏好，提供高度個性化的資產配置建議。結合多模態技術，理財機器人還能即時處理來自市場的結構化與非結構化數據，生成即時的投資策略及財務報告。這不僅提升了投資決策的準確性，也幫助金融機構為客戶提供更貼合需求的理財服務，大幅提升客戶滿意度及資產管理效率。
全球與台灣的理財機器人市場近年來增長迅速，顯示投資者對自動化理財服務的高度需求。如圖1所示，2023年全球理財機器人市場規模達約66.1億美元，預計至2030年將以年複合增長率約30.5％的速度增長[2]。尤其在亞太地區，消費者逐漸認識到自動化理財服務的優勢，加上企業積極推廣相關應用，推動了該地區的快速成長。
圖1 全球和台灣的理財機器人市場趨勢（資料來源：Robo Advisory Market Size）
本地部署模型的優勢與技術突破
在智慧金融的發展中，數據的安全性與隱私性是成功落地應用的關鍵因素。金融應用涉及大量機敏性數據，包括客戶個人資訊、交易記錄、企業財務報表等，這些數據若洩露不僅會對個人和企業造成重大損失，也會對金融機構的聲譽和信任基礎帶來嚴重威脅。因此使用雲端LLM服務（如：ChatGPT、Gemini、Claude）因需將數據上傳至遠端伺服器進行運算，無法滿足金融機構對數據安全性的高標準。為此採用地端部署的大型語言模型（LLM）成為應對此挑戰的重要策略。這種部署模式不僅解決了數據安全問題，還為金融機構帶來以下三大機會：
模型的高度客製化
落地LLM允許金融機構或部門根據自身業務需求對模型進行高度客製化，這表示模型可以融入企業內部專業知識和領域特定數據，實現更高準確度的結果。例如：針對保險公司的法遵管理，LLM可以專注於學習內部的法規、政策與合約文本，提供更加精準的合約分析與生成功能。這種基於公司內部專業知識的模型訓練，能夠顯著提升模型效能，實現客製化的生成式AI功能，例如自動合約生成、文本摘要和條款比對。
即時運算的優勢
由於落地LLM直接部署在企業內部伺服器或私有雲環境中，數據處理可以完全本地化，無需依賴網路傳輸至遠端伺服器進行計算。這不僅減少數據傳輸時間，也大幅降低了延遲時間，實現即時回應的高效運算能力。這對需要即時決策的應用情境，如：異常交易監控或即時風險評估，具有顯著的競爭優勢。
合規與風險的可控制性
落地LLM在本地化處理數據的同時，能符合更嚴格的數據保護、隱私強化與合規要求，特別是在面對不同國家或地區的金融法規時。這種部署模式還能幫助金融機構在稽核與風險管理方面，結合內部數據進行更精準的風險預測與合規性檢查，大幅降低因合規失誤或風險控制不足而引發的法律與財務風險。
生成式AI技術在法遵管理中的應用
在法遵管理的框架下，以法規進行稽核管理是確保金融機構及其供應鏈合作夥伴符合法規與內部政策的重要環節。生成式AI技術的發展，為稽核管理帶來革命性變革，不僅提升稽核效率，還顯著增強合規審閱的準確性與效率。
如圖2所示即時法規監控系統的運作流程，包括五個階段：第一階段進行法規與條文資料收集，彙整相關法規與條文內容。第二階段透過條款解析與要件提取，將法規進行解析並提取出關鍵條款與合規要求。第三階段進入合規性檢查階段，全面評估金融機構及合作夥伴的法規遵循程度。第四階段為系統接著執行風險識別與改進建議生成，提出針對性改進措施以降低潛在風險。第五階段透過持續監控與法規更新，即時掌握法規變化，確保合規作業的連續性與準確性。
圖2生成式AI在法遵管理中的應用流程
本章節探討生成式AI技術在稽核管理中的應用，結合多模態數據處理與大型語言模型（LLM）技術，構建自動化、智能化的稽核管理體系，提升法規遵循與風險管理能力，透過稽核審閱知識庫建置，整合法規與稽核標準，強化審閱的一致性。導入法規多模態檢索增強生成架構，提升法規資料檢索與分析效率。針對稽核領域LLM多模態模型訓練，優化生成結果以符合法規需求。運用知識檢索與匹配生成推論，提高稽核審閱的準確性與效率。最後以生成式AI在企業稽核的實踐成果，展示成功案例與應用成效，實現稽核流程的革新，推動更高效的法規管理與風險控制。
稽核審閱知識庫建置
稽核領域知識庫是智慧稽核系統的核心，負責儲存與管理所有稽核相關的規範與資料。金融機構稽核的範疇涵蓋財務報表、交易記錄、內部稽核自評表及佐證資料等多樣化文件。為確保這些資料能被有效地轉化為AI可理解的稽核知識，需進行全面的資料正規化與轉置（ETL）。所建立的稽核審閱知識庫包含以下關鍵元素：
1. 稽核規範條文及構成要件：用以判斷是否符合規範的要素。
2. 佐證資料填答樣本與範例：提供標準化參考以提升稽核準確性。
3. 歷史佐證資料及評分結果：供AI模型參考與學習，以強化其推論能力。
為進一步強化稽核審閱知識庫的推論能力，如圖3所示，法規圖譜分析模組（Regulatory Graph Analyzer，RGA）可以在這一框架中發揮重要作用。RGA利用語意網路（Semantic Web）技術，將法規資料與特徵處理模組（RDFP）所運算後的特徵實體關聯轉換為基於本體論（Ontology）的法規知識圖譜，並且透過LLM 與圖譜整合成 GraphRAG（Graph Retrieval-Augmented Generation）提供法規稽核知識推論應用。所建立法規知識圖譜檢索增強生成設計包含以下要點 :
1. 建立法規知識圖譜
利用本體論框架對法規條文、相關法規實體以及條文之間的關聯進行建模，構建出一個具有語意連結的法規知識網路。
2. 提升稽核推論能力
RGA透過結合大型語言模與知識圖譜的GraphRAG技術，可以自動識別和解析法規間的隱含關聯，並對不同法規場景進行智能推理，生成更準確的稽核審閱建議。這有助於系統靈活應對稽核規範的變化，並能在實時運作中提供有效的風險管理建議。
3. 合規性檢查與風險預測
結合GraphRAG技術進行的法規圖譜分析，系統可以更精確地判斷某一行為是否符合相應的法規要求，並預測潛在的風險和合規問題。
透過整合知識圖譜檢索增強生成技術，稽核系統不僅能提升稽核效率，還能強化法規遵循與風險控制，為金融機構提供更加全面且精準的稽核審閱支持。
圖3 法規多模態知識圖譜檢索架構圖
法規多模態檢索增強生成架構導入
稽核管理中的資料類型多樣化，涵蓋文字、表格、圖片及統計圖表等多模態內容。為此，如圖３所示，在稽核審閱引擎中引入了多模態檢索增強生成架構（Multimodal Retrieval-Augmented Generation，RAG），以實現對多模態資料的全面處理與高效應用。此架構包括以下核心模組：
1. 資料索引與檢索模組
系統首先利用索引模組為多模態資料建立高效索引，包括文字、圖像和表格的嵌入向量表示。檢索模組則負責根據查詢條件進行語意與關鍵字混合檢索（Hybrid Search），快速從多模態知識庫中提取相關內容。
2. 語意增強與排序模組
在檢索階段，語意增強模組透過查詢擴充（Query Expansion）與語意重新排序（Re-ranking），進一步優化檢索結果，確保最相關的多模態資料被優先處理，並針對不同稽核場景靈活調整數據優先順序。
3. 多模態生成模組
生成模組負責將檢索到的多模態資料整合並生成符合稽核要求的文本或報告，結合條文解釋、數據解讀與影像分析，提供詳細的合規建議。例如，在財務稽核中，生成模組能根據查詢生成精確的稽核報告與改善方案。
稽核領域LLM多模態模型訓練
在金融稽核領域，LLM模型的發展需要進行多模態模型訓練，將不同資料來源的資訊整合進行優化，以提升模型對專業領域的理解與推理能力。傳統的LLM模型在處理金融稽核特定的專有術語、規範條文及合規要求時，會面臨理解上的限制，如圖4所示，針對稽核領域的需求，進行以下多模態訓練和調整方法，以實現更高效的應用：
1. 持續性預訓練（Continual Pre-training）
多模態訓練的首要步驟是對LLM進行預訓練，特別是在稽核領域的專業知識上。 這個過程利用稽核審閱知識庫中的多種資料來源（例如：財務報表、交易記錄、法規條文、合規指引等）來強化模型對金融稽核規範的理解。預訓練會包括從結構化資料（如財報數據）到非結構化資料（如法律文書和稽核報告）的跨模態學習，幫助LLM更好地理解稽核領域中的語意與規範條文。
2. 持續性指令微調（Continual Instruction Tuning）
在稽核流程中，模型需要對具體的稽核需求和提示進行微調，以提高其生成正確稽核審閱內容的能力。這個過程包括了多模態指令的調整，即不僅基於文字資料進行微調，還需要結合數字資料（例如財務指標）和圖表資料（例如資本充足率趨勢圖）來調整模型。這樣可以讓模型在生成稽核建議和評估結果時，更加符合實際稽核需求，提供高效且專業的提示和建議。
3. 持續性偏好對齊（Continual Preference Alignment）
為了確保生成的內容符合合規標準，偏好對齊過程會涉及將LLM模型生成的稽核結果與實際稽核標準進行比對，並進行多模態校正。這不僅僅是對文字內容的比對，還需根據資料規則和風險預測模型進行調整，確保LLM的生成結果在語意、合規性及預測精度上都符合金融監管要求。例如，針對某些高風險領域（如資本充足率、洗錢防範等），會引入不同的風險分析模組，讓模型生成的合規性判斷結果更為準確。
經過這三項多模態的訓練和調整，LLM模型不僅能處理金融稽核領域中的專業術語和合規要求，還能根據具體的稽核場景，結合多維度的資料來源（包括文字、數據表格、圖表等），提供更為精準且具有洞察力的審閱與改進建議，實現智慧化稽核流程，大幅提升稽核效率與準確性。
圖4 稽核審閱模型訓練與推論流程
稽核審閱知識檢索與匹配生成推論
在一套完整的生成式AI稽核系統中，必須再包含合規知識塊萃取、混合式多重檢索、應用導向匹配排序、稽核審閱提示多代理模組管理等功能，用以強化Multimodal RAG在知識檢索時可以檢索出更具代表性知識以便提供LLM推論生成更好的結果。
1. 合規知識塊萃取功能負責將儲存在稽核知識庫之稽核審閱知識進行知識塊萃取與切割（chunking），以便透過稽核審閱知識Multimodal RAG的索引器儲存到向量資料庫（vector database）中作為檢索器，可以檢索比對的語意向量、以及生成器可以推論生成的知識來源。
2. 混合式多重檢索與應用導向匹配排序等功能，分別負責將上層應用系統的查詢條件（需請專用LLM回答的問題）與儲存在Multimodal RAG的稽核審閱知識塊進行檢索前置處理（pre-retrieval）以及檢索結果後置處理（post-retrieval），透過查詢條件改寫與擴充（query rewriting and expansion）、混合關鍵字與語意向量檢索（hybrid search）或者檢索結果重新排序（re-rank）等處理手段，讓Multimodal RAG的檢索器與匹配增強器可以將查詢條件與稽核知識做到完善的語意匹配。
3. 稽核審閱提示樣版管理功能則是以提示工程（prompt engineering）作法與多代理编排（Multi-Agent Orchestration）預先設計AI輔助自評、AI輔助稽核、AI輔助改善等所應用所需的提示樣版（prompting template），透過規範化、品質可控的提示樣版來引導LLM理解與推論生成符合稽核審閱知識。
生成式AI在企業稽核的實踐成果
在生成式AI稽核系統的運作框架下，具體應用可參考企業合約智慧管理的實績作為例證。以稽核流程為核心，建立E2E智慧合約管理系統解決方案，該系統有效縮短合約撰寫與審閱時程，減少至少50％的法務資源投入，並縮短40％以上的合約處理時程。如圖5所示，此創新系統榮獲 2022 Accelerator X創意競賽佳作，充分展現其在實務應用與創意設計上的突破性成果。此解決方案聚焦中文市場，針對大型企業提供客製化專案服務與訂閱制服務，目前已與多家知名品牌企業展開合作或進行洽談。
其中核心技術設計，以合規知識塊萃取功能可將關鍵稽核知識進行語意切割並儲存至向量資料庫，使檢索過程更具效率，也採用混合式多重檢索進一步確保查詢與知識語意間的精準匹配，應用導向匹配排序則讓稽核審閱知識更加符合使用情境。稽核審閱提示樣版管理則透過設計規範化的提示樣版，使LLM能生成具操作性的稽核改善建議。這些功能不僅強化了稽核知識檢索的效率，也優化了審閱流程，為企業大幅提升運營效率，成為創新實務應用的案例。
圖5 E2E合約智慧管理系統榮獲 2022 Accelerator X創意競賽佳作
理財機器人應用探討
AI智能投資工具優化投資理財流程
AI智能投資工具在投資理財流程中的應用，從投資者的目標設立和資產分配開始，AI工具根據市場分析、潛力基金推薦，為投資者提供智能決策支持。核心功能包括投資市場分析和潛力基金推薦。在應用層面上，如圖6所示，AI工具負責資產配置應用和投資組合再平衡。透過資產配置理論的支援，AI能動態調整投資組合，確保投資策略與市場變化保持一致，從而提升投資效率並實現長期投資目標。智能投資工具能有效降低投資決策中的人為偏誤，為投資者帶來更穩定的收益表現。
圖6 AI智能投資工具的投資理財流程
AI驅動的投資市場分析與決策模型優化
1. 市場方向預測分析
本分析構建了一個多模型融合（Ensemble）框架，結合技術指標分析和波形分析的多重視角。透過設計多個獨立模型，分別從不同面向捕捉市場的短、中、長期特徵，技術指標分析基於歷史報酬率、短期均線、黃金交叉等技術指標，利用支援向量機（support vector machine，SVM ）演算法的非線性分類優勢與極限梯度提升（eXtreme Gradient Boosting，XGBoost） 演算法的特徵重要度篩選機制捕捉短期市場短中期的潛在規律；波形分析單純依賴歷史收盤價，建立XGBoost模型分析價格波形變化，捕捉長期趨勢和市場結構性的特徵。基於不同模型分別關注技術面與價格模式的不同側重點，形成了多元化的預測視角。最終，透過 Ensemble 投票機制，綜合模型的預測結果，以多數決決定市場方向，能有效避免單一模型的偏誤，增強對市場的全面洞察。在實際應用中，短期（1～3 個月）側重技術指標驅動，中期（6 個月）平衡技術與波形分析，長期（12 個月）聚焦價格波形的結構性變化。透過這種動態調整，各模型能根據市場環境靈活適配，為不同投資時段的策略決策提供可靠支持。
2. 波動度預測
在金融市場中，波動度的預測是風險管理與投資策略設計的核心環節。股票報酬率的波動具有以下特徵：平方項展現強烈的序列相關性，反映波動性的持續性；波動度呈現明顯的群聚現象，即大的市場衝擊往往伴隨大的波動，而小的市場衝擊則伴隨小的波動；此外，市場分布具有厚尾特性，極端波動的出現機率高於常態分布的預期。儘管如此，波動在長期內傾向回歸到其均值水準（mean reversion）。為有效捕捉這些特徵，如圖7所示，本技術採用 GARCH-MIDAS（generalized autoregressive conditional heteroskedastic model - Mixed Data Sampling）模型進行波動度預測，透過對條件變異數的建模，能夠精確捕捉波動度的序列相關性與波動群聚特性，將條件變異數分解為短期波動（short-run component）和長期波動（long-run component），從而同時考量市場的短期動態與長期趨勢。
圖7 投資市場分析架構圖
3. 投資市場分析
透過深度學習演算法全面分析市場指數、經濟指標及相關數據，進行精準的投資方向和波動度預測。基於這些預測結果，採用深度強化學習（Deep Reinforcement Learning，DRL）構建決策模型，突破傳統的規則式投資方法，利用神經網路動態適應市場變化。在訓練過程中，模型以投資回報最大化為目標，透過歷史數據進行模擬，測試多種投資策略。該過程包括評估策略在不同市場情境下的表現，逐步優化投資決策的準確性和穩定性。深度強化學習能夠自適應市場的非線性和不確定性，透過不斷學習調整，發掘高回報機會並有效控制風險，最終實現自動化、智能化的投資管理。這種方法尤其適用於快速變化的市場環境，為投資者提供具有前瞻性的決策支持，助力實現長期穩定增長。。經過大數據回測驗證，在全球38個股債市場中，採用本技術篩選投資市場再進行資產配置，相較於直接配置，未來一個月表現較佳的機率為62.77％，次月之報酬率改善率為58.5％。
AI智能化的潛力基金推薦與動態資產管理
1. 潛力基金推薦
AI技術透過分析基金淨值、基準指數、基金經理資訊等多維數據，將其轉化為量化特徵，並引入 Alpha（1、3、6 、12 月）、Gamma（1、3 、6 、12 月）、Sharpe Ratio（1、3 、6、12 月）、Steady Winner 指標（3、6 、12 月） 以及 期望報酬（Expected Return） 等核心指標。基於這些特徵，AI運用機器學習和深度學習技術，構建三大預測模型：
- 基金是否打敗大盤
- 基金是否表現優於同類型基金
- 基金經理人的績效表現
經過大數據回測驗證，AI推薦的潛力基金在全球 38 個股債市場中，平均報酬率顯著高於市場基準，表現優秀的概率高達 83.6％，次月報酬率的平均改善幅度達 228％。此方法不僅提升了基金篩選的精確性，更大幅增強了未來表現的可預測性，為投資者提供科學且高效的基金選擇方案。
2. 資產配置應用
所有基金經過市場和基金篩選後，如圖8所示，會進一步依據客戶的風險承受度進行篩選。篩選出的候選基金再依據馬可維茲投資組合配置（Markowitz Portfolio Theory）進行配置，透過優化風險與回報的權衡，為投資者實現固定風險下的最佳報酬，從而達成其長期財務目標。該過程保證資產配置的科學性與穩健性，使投資者能更高效地應對市場波動。
3. 投資組合再平衡
透過市場篩選與基金篩選過程，確保資產配置符合當前市場狀況和投資者的需求。根據市場預測結果，檢查現有資產是否符合繼續持有的標準，對不符合條件的資產進行剔除。將篩選出的候選基金與可持有資產結合，基於投資者的風險承受度進行新的資產配置。再平衡結果能在固定風險水準下優化報酬，同時提升投資組合的適應性與穩定性，幫助投資者更好地實現其財務目標。
圖8 投資組合再平衡架構圖
AI理財推動穩定回報與長期價值
理財機器人市場的快速增長彰顯了投資者對自動化理財服務日益增長的需求。AI智能投資工具透過創新技術，如投資市場分析、潛力基金推薦、資產配置應用及投資組合再平衡，有效提升投資決策的科學性與精確性，同時降低人為偏誤的風險。這些工具幫助投資者在瞬息萬變的市場環境中實現風險與回報的最佳平衡。隨著北美和亞洲地區數位金融的快速發展，特別是亞太地區對自動化理財工具接受度的顯著提升，理財機器人在全球市場的影響力持續擴大。如圖9所示，該技術還因其創新性和市場價值榮獲 2020 WCIT Digital Innovation Award，不僅是AI人工智慧落地成果，更將為投資帶來創新思維，以多種模型預測市場方向，產生獨到的「機器人市場觀點」，並由AI深度增強式學習演算法整合機器人市場觀點，協助投資人在面對多變的資本市場，找出具未來性的投資市場與產品，並結合投資理論進行資產配置及動態調整投資組合，以降低投資風險。投資人只要設好「預期報酬率」或「期望配息率」，就可提供最小風險的投資組合或最佳的配息組合；當機器人預期市場趨勢或基金表現出現改變，便可動態進行資產配置調整，藉由理財機器人之透明化資訊也可避免人為操作弊端，為全球投資者帶來更加穩定且長期的財務回報，成為智能財務管理的重要支柱。
圖9 獲獎2020 WCIT Digital Innovation Award
