【国君非银刘欣琦团队】AIGC时代来临,智能投顾空间广阔——AIGC在中国财富管理行业的应用前瞻

（以下内容从国泰君安《【国君非银刘欣琦团队】AIGC时代来临,智能投顾空间广阔——AIGC在中国财富管理行业的应用前瞻》研报附件原文摘录）
　　AIGC时代来临，智能投顾空间广阔 ——AIGC在中国财富管理行业的应用前瞻 本报告导读 在AI大模型的赋能下，中国智能投顾市场有望受益于客户付费意愿提升而快速增长，具备数据和算法优势的厂商有望获得更多市场份额，推荐同花顺和东方财富。 摘要 中国智能投顾未来市场空间广阔，预计到2025年将达到215亿元人民币。我们认为通过借助AI大模型的能力，未来智能投顾能够为客户提供更多的精准信息以及更深层次的逻辑分析内容，并且AI大模型的应用有望大幅提升智能投顾产品的用户体验，预计客户未来对于智能投顾产品的付费率将有较大提升，进而推动我国智能投顾市场空间的增长。假设到2025年，中国的智能投顾渗透率提升至美国当前20%的水平，对应渗透率为0.0068%，中国智能投顾市场空间有望达到215亿人民币。 AI版智能投顾有望面向B端财富管理机构落地先行，赋能机构或投顾等渠道方，进而间接服务C端客户。在当前技术条件的限制下，将AIGC技术直接应用在智能投顾的C端场景具有较高的安全合规风险，如信息泄露风险高、部分C端客户缺乏专业判断可能导致高风险决策等。AIGC技术以2B2C模式赋能智能投顾是一种比较安全有效的落地方式。AIGC技术在智能投顾B端场景中的风险较低，能有效提升投顾服务效能，解决当前投顾人员缺口大、精细化投顾服务难、投顾成本高的痛点。预计未来由金融信息服务商充当AI大模型技术提供方，券商等财富管理机构作为技术应用方，并且将自身数据与AI大模型进行有效结合，以此来提升投顾的工作效率和客户的服务体验。 我们认为具备数据和算法优势的厂商有望打造出使用价值更高的智能投顾产品，进而获得更多市场份额。目前我们认为在金融AI大模型领域起到关键性作用的是数据和算法，而并非算力，因为高质量的数据和算法的迭代调优将大幅降低对算力的需求，能够在很大程度上抵消相关国家对于算力设备出口限制带来的负面影响。从海内外的实践经验看，高质量的数据往往来自丰富的业务场景和数据治理能力，算法上的优势则主要来自于人才团队及其管理机制。 投资建议：推荐在金融相关语料获取和技术人才团队上具备优势的同花顺（300033.SZ）和东方财富（300059.SZ），未来其有望通过将垂直大模型能力整合到自身的智能投顾产品中，预计客户对其产品的付费意愿将有快速提升，相比将获得更多市场份额。 风险提示：AIGC技术发展不及预期；行业竞争持续加剧风险；科技领域政策监管持续收紧风险；AI引发各种法律与伦理问题。 01 中国智能投顾未来市场空间广阔，预计到2025年有望达到215亿元 1.1.2022年中国智能投顾市场空间预计为82亿元，与海外发达市场有显著差距 国际证监会组织（IOSCO）于2017年发布的《金融科技研究报告》将智能投顾定义为运用云计算、大数据、智能算法等技术，根据客户不同的投资需求、风险偏好，为其提供自动化、智能化、定制化的投资组合管理服务。在国内，2011年起施行的《证券投资顾问业务暂行规定》规定投资顾问业务的服务行为仅限于提供投资建议和辅助投资决策，不包括接受全权委托管理，因此目前中国智能投顾行业的市场主体主要是通过提供金融信息和软件工具来辅助客户进行投资决策。虽然国内市场主体不能直接提供自动化、基于算法的投资管理服务，但根据定义我们认为智能投顾的范畴也包括金融机构将数字技术应用在理财服务流程，进而再为客户提供智能化、自动化和个性化的资产配置、账户咨询、理财规划等与财富管理相关的各类线上服务。 预计2022年我国智能投顾空间为82亿元，近年来迅速增长。鉴于目前我国智能投顾市场主体更多是为投资者提供金融软件信息服务，辅助其投资决策，因此本文以C端金融软件信息服务收入来表征智能投顾的市场空间。根据《九方财富招股说明书》中弗若斯特沙利文的调研，2017-2022E我国金融软件信息服务市场规模从32亿元增长至82亿元，CAGR接近21%。报告显示，近年来驱动我国智能投顾市场较快增长的因素包括个人可投资金融资产增长带动需求上升、信息技术创新提供技术支持、有利的行业政策等。 我国智能投顾市场仍处于起步阶段，与海外发达市场差距明显。以美国为例，据Statista统计，2022年美国智能投顾（robo advisor）行业收入达363.4亿美元。按照“智能投顾市场空间=居民个人金融资产规模×智能投顾渗透率”框架进行分析，中美两国智能投顾市场规模的差异主要来自于渗透率。2022年，我国居民个人金融资产规模为243万亿人民币，美国居民个人金融资产规模为106.3万亿美元，按照美元兑人民币1:7.3的汇率计算，我国居民个人金融资产规模约为美国的31.32%，对应中美智能投顾渗透率分别为0.0034%、0.0342%，美国智能投顾渗透率约为我国当前水平的10倍。我们认为即使考虑到监管政策的差异性，未来中国智能投顾渗透率还有较大的提升空间。 1.2.预计中国智能投顾市场空间将受益于客户付费意愿的提升实现快速增长 目前的金融信息服务产品大多基于技术指标来辅助投资者选择投资标的，但随着投资者认知程度提升，我们认为未来仅提供基于归纳法的技术指标类智能投顾产品难以满足客户需求，越来越多的投资者会倾向于基于信息与逻辑进行投资。 AIGC发展有望为客户提供更精准的信息和逻辑，更好地满足客户需求。1）AIGC可以为投资者生成信息，帮助投资者获取更多经验。以GPT为例，GPT模型基于自然语言处理的Transformer模型，通过对数据进行深度学习算法的训练，学习金融领域的专业术语、市场趋势、投资策略等知识，为投资者提供更加准确、有效的信息。2）AIGC可以为投资者提供逻辑，帮助投资者更加理性思考。Google 在论文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》中提出思维链（Chain of Thought，CoT）能显著提升大型语言模型（LLM）的推理表现。思维链可以让投资者在投资决策时，按照一定的逻辑顺序进行分析，从而更加科学、理性地做出决策。GPT等模型可以根据已经生成的文本作为上下文，逐步构建一个思维链，从而形成投资逻辑。例如，在生成投资结论时，ChatGPT会根据已经生成的文本和投资目标，自动调整投资逻辑的结构和内容，从而使得生成的投资结论更加符合实际情况和投资需求。 AIGC发展还有望全方位提升智能投顾的客户体验。AIGC为智能投顾带来了更强大的数据处理和分析能力，提供了更加个性化和智能化的投资建议。1）AIGC使得智能投顾更加便捷易用。大语言模型具备出色的自然语言处理和生成能力，可以进行自然流畅的对话，投资者可以使用自然语言与大语言模型进行交互。2）AIGC使得智能投顾能够提供更加个性化和定制化的投资服务。大语言模型可以通过分析投资者的投资偏好、风险承受能力和时间周期，生成针对每位投资者特定需求的投资组合建议和资产配置策略。3）AIGC使得智能投顾能够更全面、准确地评估投资机会和风险。大语言模型可以处理海量的金融数据和相关信息，从各种数据源中提取关键信息、分析市场趋势，并基于这些分析结果提供投资建议和决策支持。4）AIGC使得智能投顾能够更灵活地应对市场波动和变化。大语言模型具备高速的数据处理和分析能力，可实时监测市场数据和投资组合状况，捕捉市场机会和风险警示，并快速响应市场变化。 AIGC发展有望驱动智能投顾渗透率较快提升，预计2025E行业市场规模达215亿元。AIGC赋能下的智能投顾更具交互性、可靠性和透明度，提高了投资者的投资决策效果，有望驱使更多客户对于智能投顾的需求和付费意愿增长，进而带动我国智能投顾渗透率提升。根据麦肯锡《金融业白皮书：2023年3月后疫情时代财富管理重启增长》，到2025 年中国居民个人金融资产规模有望达到315万亿。在渗透率预计上，至2025E，我国渗透率提升至美国当前水平的20%，对应渗透率为0.0068%。则2025E行业市场规模有望达215.21亿元，22-25CAGR为38%。 02 AIGC在智能投顾领域有望以2B2C模式落地先行，间接服务C端客户 2.1.当前AIGC直接应用在智能投顾C端场景有较高的安全合规风险 2023年7月，国家网信办等部门发布《生成式人工智能服务管理暂行办法》，对AIGC服务实行包容审慎和分类分级监管，坚持发展和安全并重，对AIGC的合规性与安全性提出了更高要求。该《办法》指出：提供和使用生成式人工智能服务不得侵害个人信息权益，应当提高生成内容的准确性和可靠性，提升生成式人工智能服务的透明度。基于《办法》规定，智能投顾C端场景更加应当谨慎使用AIGC技术，在当前技术条件的限制下，将AIGC技术直接应用在智能投顾的C端场景具有较高的安全合规风险。 首先，AIGC在智能投顾C端场景的数据使用量大，信息泄露风险高。智能投顾C端场景强调AIGC功能的多样性，以满足客户多元而分散的需求，因此需要AI大模型涵盖不同金融领域的大量多样化且高质量的数据并进行广泛训练。在数据使用量过大的情况下，数据的审核难度较高，容易产生数据安全风险，包括但不限于敏感数据泄露、违规采集数据等。在使用智能投顾服务的过程中，如果客户提供给AI大模型的数据被用作进一步迭代的训练数据，那么私人数据将作为模型权重记录在模型中，在与其他客户交互的过程中，AI大模型可能会泄露客户涉及个人隐私、财务安全等敏感问题的隐私数据，因而存在一定的安全风险。同时，AI大模型本身也可能受到恶意用户的攻击，恶意用户可以通过查询大语言模型来获取其他用户的隐私信息，从而产生严重的安全合规问题。 其次，AIGC生成内容的随机性可能会威胁C端客户的财产安全。AIGC的训练机制决定了模型输出的内容是一个概率问题，具有一定的随机性，输出错误答案的概率仍然存在。当前技术仍无法完全控制大模型生成的内容，其中可能包含虚假和欺骗性的内容，此类内容会影响信息的准确性，并可能对用户的决策产生负面影响。在智能投顾C端领域，AIGC生成内容的不可控性可能会造成巨大风险。客户进行资产配置需要基于准确的信息，如果AIGC生成的投资建议与事实不符，将可能给用户带来错误的指导，造成无法弥补的经济损失，使得客户的财产安全暴露在极大的风险之中。 最后，AIGC可能存在“技术黑箱”问题，C端客户难以自行判断并充分信任其生成内容。智能投顾C端客户在使用模型时可能无法获得AI决策所使用的信息且难以充分了解其投资逻辑，部分客户由于缺少专业知识和相关经验，很难自行判断AIGC生成结果的可信度。这将可能导致客户做出高风险决策，威胁客户的财产安全，具有很高的安全合规与监管风险。与此同时，AIGC缺乏透明度也可能导致客户对智能投顾的不信任和不安感。据Statista统计，2021年超过 70% 的全球零售投资者对人工顾问的信任度高于机器顾问。这种由不透明造成的不确定性和不信任将持续到整个用户体验中，并影响随后的交互，大大降低智能投顾的服务效能。 2.2.AIGC有望先以2B2C模式帮助投顾提高服务效能 AIGC技术以2B2C模式赋能智能投顾是一种比较安全有效的落地方式。AIGC在智能投顾B端环境下所关注的功能是特定且有限的，场景相对比较狭小，数据和训练结果相对可控。加之B端场景的使用者，即机构专业投顾人员，有足够的知识与经验对AIGC的生成内容作出判断，可以对缺乏准确性的内容进行人工把关和修改，监管难度和安全合规风险都相对较小。因此，AIGC有望面向B端财富管理机构落地先行，赋能机构或投顾等渠道方，进而间接服务C端客户。 我们认为AIGC技术面向财富管理机构落地的路径将可能有以下四种：1）将大模型的能力直接应用于机构的客户端APP，完全面向用户。2）在应用层下的API层提供类似于Open AI模型的API调用服务，以适应不同场景并降低交易成本。3）本地化部署，针对金融领域开发小型模型，考虑到机构的本地化需求和成本控制，帮助解决内部问题。4）联合训练模式与券商合作，客户提供数据用于模型训练，AIGC技术提供方提供算法和计算资源，训练出包含客户专业知识的模型，以适配客户内部环境。这些方案各有利弊，但是我们认为在当前的环境下，采取后三种路径落地的可能性更高。 目前财富管理机构也亟需借助AI能力来提升服务效能：1）扩大客户服务覆盖面。我国现有专业投顾数量不足，再加上长尾市场爆发，许多客户仍在专业服务范围之外。我国2022年市场投资者数量共计21213.62万，而投资顾问人员仅有74570位。理论上计算，每位投资顾问需要服务2943位A股投资者，才能覆盖庞大的客户群体。长期以来，机构和高净值个人投资者是重点服务对象，海量长尾客户得到的产品和服务较为单一，其财富管理需求长期未能得到满足。AIGC有望助力投顾服务覆盖长尾客户，扩大客户服务面。2）提升客户服务深度。2022财富管理业务发展报告显示，过去一年证券公司对投顾方向进行细分的改革需求大幅增加。但在投顾人员超负荷覆盖客户群体的情况下，很难满足碎片化、个性化的理财需求，如果对客户的了解无法深入，精细化服务也无从谈起。AIGC有望助力投顾服务实现需求的精准匹配，提升客户服务深度。3）降低投顾成本。传统投顾服务以线下一对一人工服务为主，其管理费用和运营成本较高。而AIGC技术与人工服务结合的方式将具有“一对多”的特性，在一定的规模效应下投顾服务成本可以被大幅降低。AIGC有望助力财富管理机构降低投顾成本，实现降本增效。 未来AIGC赋能下的智能投顾或施行以投顾从业人员为主，智能投顾为辅的模式。AIGC赋能下的智能投顾将侧重“顾”的角色，帮助投顾从业人员进行基础信息收集、初步方案设计、投资收益检测等事务性工作。由金融信息服务厂商充当AIGC技术提供方，券商等财富管理机构作为技术应用方，并且将自身数据与AI大模型进行有效结合，以此来提升投顾的工作效率和客户的服务体验，让投资者获取更多专业投资建议和投资陪伴。从长期看，金融信息服务厂商有望在2B2C的业务基础上，在合规管理的前提下，逐步完善自身的智能投顾AIGC模型，为直接面向C端客户提供服务做必要的准备。 03 具备更多数据积累和算法优势的企业有望获得更多智能投顾市场份额 3.1.借助AI大模型打造智能投顾产品的关键在于数据和算法 当前算力、算法和数据是人工智能产业发展的三个核心要素。在这里，数据是指训练算法和实现算法所需的信息，可以是事实、图像、声音、文本等，是人工智能发展的前提；算法主要指用系统的方法描述解决问题的策略机制，包括机器学习、深度学习、自然语言处理等，能够决定AI大模型的效率和准确性；算力主要指的是计算机硬件资源，包括处理器、内存、存储等，其通过提供强大的计算资源，支持人工智能算法的训练、推理和预测，处理大规模的数据集，优化和调参模型。 目前市场上主流观点认为，AI大模型在垂直领域落地时，算力、算法和数据三者缺一不可，但是我们认为当前数据和算法的重要性远远大于算力，而并非相反，主要原因有三： 1）伴随数据规模的增长和数据质量的提升，AI大模型所需的算力就越少。2020 年 1 月 OpenAI 在论文《Scaling Laws for Neural Language Models》中提出了大型语言模型（LLM）的缩放定律，OpenAI 指出，随着数据规模的指数增长，模型在测试集上验证的损失是线性下降的，即模型的性能是线性提升的。 高质量的训练数据是大模型训练与调优的关键因素。以GPT家族的进化史为例，从GPT-1到GPT-4，模型的整体架构相似，而训练数据的规模与质量有很大不同。GPT-1使用的训练数据是4.8GB未经过滤的数据，GPT-2使用了40GB经人类过滤的数据，GPT-3更是从45TB的原始数据中清洗出了570GB的高质量海量训练数据，ChatGPT/GPT-4也是使用了高质量人工标注数据与人类对齐。 AI大模型在垂直领域落地时，高质量的精品数据同样重要。Meta AI发布的论文《LIMA: Less Is More for Alignment》指出，基于GPT的生成式大语言模型，在预训练阶段对海量数据的无监督学习以学习通用表示，最终得到通用大模型。在垂直领域落地时，需要在预训练后进行微调和对齐来挖掘和激活语言模型能力。Meta AI在LLaMA-65B的基础上，只用了1000个精心准备的样本数据进行微调就足以让模型产生高质量的内容。 2）随着算法增强与创新，AI大模型所需的算力就越少。2020 年，麻省理工学院计算机科学与人工智能实验室 (CSAIL) 的科学家证明了改进算法在提高计算硬件性能方面的重要性。对于大型计算问题，43% 的算法系列的同比改进等于或大于备受推崇的摩尔定律带来的收益。对于大数据问题，算法改进带来的收益尤其大，因此近几十年来算法进步的重要性不断增加。随着问题增加到数十亿或数万亿个数据点，算法改进变得更加重要，AIGC技术方将越来越需要转向算法等领域来提高性能。 OpenAI 2020 年的一篇报告指出， 2012 年到 2019 年，神经网络架构从头开始训练到 AlexNet 级别性能所需的算力下降了 44 倍。结果表明，随着算法改进，算法效率提高，AI模型使用相同的计算能力可以完成更多任务，带来更多收益。人工智能的算法效率可以定义为减少训练算法完成某项任务所需的算力，如果算法需要尽可能少的资源（即几乎不需要任何计算时间和内存）来解决特定问题，则该算法是高效的。算法越高效，软件要做的工作就越少，所需的算力越少。 3）获得算力资源较为容易，但是较难获得最前沿的算法和大规模高质量的训练数据。 在算力领域，虽然2022年8月起，美国政府限制英伟达向中国出口A100和H100芯片，但是国内公司仍然可以选择购买性能略逊的A800和H800芯片进行训练，或者购买华为昇腾芯片等国产替代品，再或者可以从阿里云等第三方租借算力资源。在资金允许的范围内，公司基本可以得到需要的算力补充，算力资源的相对稀缺性较低，不成为训练AI金融大模型的核心障碍。 在算法领域，目前AI技术的论文与代码开源程度较高，可以基于Transformer 模型进行算法研究，国内公司可以采用相似的模型架构，但真正在全球领先的公司 OpenAI 的关键模型并不开源，API接口也不向中国地区开放，国内短期内也无法有公司能够达到OpenAI的水准。因此虽然国内正在进行“千模大战”，实际上国内公司在算法领域的竞争较为同质化，并且是在较低维度开展竞争，所研发的算法离真正的“好用”、“解决实际问题”还有相当长的距离，这可能会对最终AI大模型的商业产品化落地造成阻碍。 在数据领域，AI大模型落地时，往往会遇到数据量较少、特定领域数据稀缺的情况，而形成中文的优质数据库、语料库需要公司长期的积累沉淀，大规模高质量的数据是助力Al模型训练与调优的关键，也是厂商借助AIGC打造优秀智能投顾产品的关键。 3.2.数据积累优势往往来自于丰富的业务场景和数据治理能力 数据优势主要有两个构成因素：1）丰富的业务场景 2）数据的治理能力，前者决定了初始语料的多寡，后者决定了多少语料可以被提取成可供模型训练的高质量数据。 要做好金融大模型，借助AIGC打造优秀智能投顾产品，就需要积累涵盖多个业务场景的丰富语料数据，包括金融市场数据、金融会话数据、交易数据、用户行为数据、金融新闻和评论、经济报告和研究、金融法规和政策文件等场景的语料数据。 将上述初始语料数据转换为可供训练的数据通常分为以下几步：1、数据清洗：初始语料可能包含噪声、错误或不一致的数据。数据清洗是指对数据进行预处理，包括去除重复项、处理缺失数据、纠正错误等，以确保数据的质量和一致性。2、标注和标准化：对于自然语言文本，需要对语料进行标注和标准化。标注是指对文本进行语义和结构的标记，例如词性标注、命名实体识别等。标准化是指对文本进行规范化，如拼写纠正、词形还原、句法分析等，以便模型能够更好地理解和处理文本。3、分词和词向量化：对于文本数据，需要将句子或段落进行分词，将其划分成词语的序列。然后，将词语转换为向量表示，通常使用词嵌入技术，将词语映射到高维向量空间，以便于模型处理和学习语义关系。4、数据增强：数据增强是指对训练数据进行扩充，以增加数据样本的多样性和数量。常用的数据增强技术包括通过同义词替换、句子重组等对文本数据进行变换。5、数据划分：为了训练和评估模型，需要将数据划分为训练集、验证集和测试集。训练集用于模型的参数训练，验证集用于调整模型的超参数，测试集用于评估模型的性能。6、数据索引和读取：为了高效地访问和读取数据，在构建大模型时通常需要建立数据索引或使用数据加载器，以便于从存储中快速读取和获取数据。 2023年3月30日，彭博社发表《BloombergGPT: A Large Language Model for Finance》，正式推出为金融界打造的大型语言模型（LLM）——BloombergGPT，在金融任务上的表现远超过现有模型。彭博社构建了FinPile金融领域数据集，一半是金融领域的文本，一半是通用文本，其中金融领域的文本包含了金融相关网页、金融知名新闻源、公司财报、金融相关公司的出版物等金融数据，共包含了3630亿个数据标签。作者在论文最后表明，BloombergGPT取得良好效果最重要的因素就是高质量的金融数据语料集。 3.3.算法优势往往来自于优秀的人才团队及其管理机制 算法优势往往来自于优秀的人才团队。人才是人工智能产业的核心竞争力，算法的领先离不开优秀人才团队的贡献，需要庞大的队伍投入不断突破算法的极限。优秀的人才团队往往拥有高层次的人员构成，需要大量高端人才进行高价值产出。由AMiner和智谱研究发布的《ChatGPT团队背景研究报告》显示，ChatGPT研发团队中，本科、硕士和博士的占比分别为33%、30%、37%，其中博士学历占比最高，且各学历的人数占比相对均衡。 优秀的管理机制是吸引高端人才、建设优秀人才团队的关键。优秀的管理机制能够充分调动人才的积极性和创造性，为人才实现自身价值提供高效平台。AI行业具有强烈的马太效应，如果公司自身没有人性化的管理制度、创造性的激励机制、强大的实力背景，于人才而言便是“巧妇难为无米之炊”。中国信息通信研究院发布的《中国人工智能产业创新人才竞争力报告（2023年）》显示，百度、腾讯、华为三家大厂占据产业人才竞争力前3， 这意味着拥有优秀管理机制、人才聚集度高的公司能够在AI人才的争夺和储备中占据优势。 04 投资建议 推荐在金融相关语料获取和技术人才团队上具备优势的同花顺（300033.SZ）和东方财富（300059.SZ），未来其有望通过将垂直大模型能力整合到自身的智能投顾产品中，预计客户对其产品的付费意愿将有快速提升。 首先，两家公司在C端金融信息服务领域具有广泛的活跃用户，在金融语料的获取能力方面遥遥领先于同行，并且各自深耕数据业务领域有较长时间，具备较强的数据治理能力。 其次，算法研发和更新迭代主要依靠高端人才，目前同花顺和东方财富分别拥有40名和4名博士学历及以上人才，在高端人才积累上也大幅领先于同业。 另外，目前两家公司也在人才的招募上具有优势。除固定薪酬外，两家公司会对高端人才发放期权或者股票作为额外激励，提高人才进行成果产出的动力。同花顺在人才招募上的优势更为突出，其与杭州市余杭区合作共建了同花顺人工智能研究院博士后科研工作站，主要招募从事人工智能前沿理论及算法研究、信息科学与金融领域的交叉研究等方向的人才。根据2022年7月公布的《杭州市余杭区服务保障高层次人才创新创业政策实施细则》，全职博士后在站期间与设站单位签订事业单位聘用合同或企业劳动合同可享受两年最高30万元的生活补贴以及最高50万元的出站留余杭（来余杭）补助，这意味着地方政府在很大程度上解决了高端人才安家落户的顾虑，提升了公司招聘高端人才的吸引力。 05 风险提示 AIGC技术发展不及预期；行业竞争持续加剧风险；科技领域政策监管持续收紧风险；AI引发各种法律与伦理问题。 法律声明： 本公众订阅号(微信号:欣琦看金融)为国泰君安证券研究所非银金融研究团队依法设立并运营的微信公众订阅号。本团队负责人刘欣琦具备证券投资咨询（分析师）执业资格，资格证书编号为S0880515050001。 本订阅号不是国泰君安证券研究报告发布平台。本订阅号所载内容均来自于国泰君安证券研究所已正式发布的研究报告，如需了解详细的证券研究信息，请具体参见国泰君安证券研究所发布的完整报告。本订阅号推送的信息仅限完整报告发布当日有效，发布日后推送的信息受限于相关因素的更新而不再准确或者失效的，本订阅号不承担更新推送信息或另行通知义务，后续更新信息以国泰君安证券研究所正式发布的研究报告为准。 本订阅号所载内容仅面向国泰君安证券研究服务签约客户。因本资料暂时无法设置访问限制，根据《证券期货投资者适当性管理办法》的要求，若您并非国泰君安证券研究服务签约客户，为控制投资风险，还请取消关注，请勿订阅、接收或使用本订阅号中的任何信息。如有不便，敬请谅解。 市场有风险，投资需谨慎。在任何情况下，本订阅号中信息或所表述的意见均不构成对任何人的投资建议。在决定投资前，如有需要，投资者务必向专业人士咨询并谨慎决策。国泰君安证券及本订阅号运营团队不对任何人因使用本订阅号所载任何内容所引致的任何损失负任何责任。 本订阅号所载内容版权仅为国泰君安证券所有。任何机构和个人未经书面许可不得以任何形式翻版、复制、转载、刊登、发表、篡改或者引用，如因侵权行为给国泰君安证券研究所造成任何直接或间接的损失，国泰君安证券研究所保留追究一切法律责任的权利。 （感谢宋昕钰和高艺桐对本文的贡献）

点此查看微信公众号原文全部内容>>

大部分微信公众号研报本站已有pdf详细完整版：https://www.wkzk.com/report/（可搜索研报标题关键词或机构名称查询原报告）