金融应用案例
案例 6A：客户画像知识库系统
案例背景
某财富管理公司希望为 AI 理财顾问构建客户记忆系统。核心需求：
- 记住客户的风险偏好、投资目标、ESG 偏好
- 跨会话保持服务连贯性
- 追踪客户偏好的时间演化
- 满足合规审计要求
| 要素 | 说明 |
|---|---|
| 演示模式 | 长期记忆 + 情景记忆 + 三层架构 + 时间有效性 |
| 案例简述 | 设计客户偏好数据结构，实现跨会话记忆检索和风险偏好演化追踪 |
| 经济学映射 | 客户生命周期价值（CLV）—— 记忆能力提升客户留存 |
| 应用衔接 | 第 11 章舆情分析的用户画像模块采用类似设计 |
目录结构：
金融智能顾问/
├── AGENTS.md # 项目级规则
├── clients/
│ ├── index.yaml # 客户索引
│ ├── profiles/
│ │ └── C001_张三.md # 完整画像
│ └── history/
│ └── C001/ # 交互历史（JSONL）
│ └── 2026-01.jsonl # 按月归档
├── compliance/
│ ├── suitability.md # 适当性规则
│ └── audit_trail.jsonl # 审计日志（追加式）
└── knowledge/
└── market_events/ # 市场事件记忆客户画像分层：
| 层级 | 内容 | 更新频率 | 时间有效性 | 示例 |
|---|---|---|---|---|
| 静态层 | 风险画像、投资目标 | 年度 | valid_from/valid_until | R3 平衡型、退休规划 |
| 动态层 | 持仓、近期交易 | 实时 | 当前快照 | 当前组合、最近买卖 |
| 情景层 | 交互历史 | 每次会话 | 事件时间戳 | 历史建议、客户反应 |
JSONL 审计日志示例：
{"timestamp": "2026-01-27T14:30:00Z", "customer_id": "C001", "action": "profile_update", "field": "risk_level", "old_value": "R2", "new_value": "R3", "trigger": "年度复评", "advisor_id": "A001"}
{"timestamp": "2026-01-27T14:35:00Z", "customer_id": "C001", "action": "recommendation", "product": "沪深300ETF", "amount": 100000, "rationale": "风险等级上调，增加权益配置", "suitability_check": "passed"}JSONL（JSON Lines）格式的优势：追加式写入，无需读取-修改-写入整个文件；每行独立，便于按时间范围查询；符合审计日志的最佳实践。
时间有效性设计：
客户偏好具有时间属性。一年前的风险评估不应与当前等同看待。
# C001_张三.md 中的风险画像部分
risk_profile:
current:
level: R3
score: 7
valid_from: 2026-01-15
assessment_method: questionnaire
history:
- level: R2
score: 5
valid_from: 2024-03-20
valid_until: 2026-01-14
assessment_method: questionnaire
- level: R4
score: 8
valid_from: 2023-01-10
valid_until: 2024-03-19
assessment_method: initial_onboarding
note: "首次评估，客户过高估计自身风险承受能力"截至时点查询：
合规审计时经常需要回答”在 2024 年 6 月，该客户的风险偏好是什么？“这类问题。时间有效性设计让这种查询成为可能。
提示推荐
客户画像的更新应采用增量方式——每次对话结束后，仅更新发生变化的字段，而非重写整个画像。这既节省存储，又保留了演化历史，还便于合规审计。
案例 6B：市场事件记忆与模式识别
案例背景
投资分析师经常需要回顾历史上的类似市场情景，以辅助当前决策。本案例构建市场事件记忆库，支持基于历史类比的分析。
| 要素 | 说明 |
|---|---|
| 演示模式 | 情景记忆 + Agentic RAG + 时间有效性 |
| 案例简述 | 建立市场事件记忆库，实现基于相似度的情景检索和历史对比分析 |
| 经济学映射 | 历史类比法 |
| 应用衔接 | 第 12 章交易信号分析的市场情景识别功能 |
事件记录格式（YAML Front Matter）：
# market_events/2022_fed_hike.md
---
event_id: ME_2022_FED_HIKE
timestamp: 2022-03-16T00:00:00Z
time_range: 2022-03 至 2023-07
type: monetary_policy
headline: 美联储开启加息周期
impact_level: high
affected_sectors:
- 科技
- 房地产
- 金融
market_reaction:
sp500: "-0.3%（首日），-20%（全年）"
treasury_10y: "+180bps"
advisory_implications: "减持久期敏感资产"
tags:
- 加息
- 通胀
- 紧缩
similar_events:
- "@market_events/1994_rate_hike.md"
- "@market_events/2018_rate_hike.md"
lessons_learned:
- 高通胀环境下利率敏感资产首当其冲
- 美联储鸽转鹰通常超出预期
---
## 详细分析
### 背景
2022年3月，美联储为应对40年最高通胀...
### 市场影响
...
### 事后复盘
...相似事件检索逻辑：
当分析师询问当前市场环境与历史上哪个时期类似时，系统执行：
1. 提取当前市场特征
- 货币政策环境（如：加息暂停）
- 经济状态（如：软着陆预期）
- 估值水平（如：科技股 PE）
- 市场情绪（如：谨慎乐观）
2. 与历史事件匹配
- 基于 tags 字段匹配
- 基于 type 字段筛选
- 计算特征相似度
**匹配算法**（基于标签集合的 Jaccard 相似度 + 时间距离权重）：
```python
def calculate_event_similarity(current_event, historical_event):
# 1. 标签相似度（Jaccard）
common_tags = set(current_event.tags) & set(historical_event.tags)
all_tags = set(current_event.tags) | set(historical_event.tags)
tag_similarity = len(common_tags) / len(all_tags) if all_tags else 0
# 2. 时间距离惩罚
years_diff = abs(current_event.year - historical_event.year)
time_decay = 1 / (1 + years_diff * 0.1) # 每年衰减 10%
# 3. 综合得分
similarity = 0.7 * tag_similarity + 0.3 * time_decay
return similarity- 返回最相似事件
- 按相似度排序
- 展示关键差异
- 提供 lessons_learned ```
加息周期对比分析输出：
历史对比分析报告
一、当前市场与 1995-1996 年的相似性
| 维度 | 1995-1996 | 2025-2026（当前）|
|------|-----------|------------------|
| 货币政策 | 加息暂停，观望 | 加息暂停，等待数据 |
| 经济状态 | 软着陆成功 | 软着陆概率上升 |
| 通胀 | 受控 | 回落中 |
| 科技股估值 | 合理偏低 | 合理 |
二、关键差异
- AI 技术周期 vs 互联网早期
- 全球化程度不同
- 债务水平差异
三、历史启示
1995 年加息暂停确认后，标普 500 在随后 12 个月上涨约 20%。
四、风险提示
历史不会简单重演。需关注通胀反弹、地缘冲突、盈利兑现。
注记知识卡片
市场事件记忆库的核心价值是将历史经验结构化。与其依赖分析师的个人记忆，不如将历史事件系统化记录。这不仅提高检索效率，还能让新入职分析师快速获取团队的集体智慧。