金融行业审计 AI 实操.
FINANCIAL AUDIT · ASSET MANAGEMENT × BANKING × INSURANCE

智审未来
金融行业审计 AI 实操训练营。

以金融行业审计工作为主线,把编程智能体(Code Agent)带进资产管理与基金估值、 银行 ECL、保险赔案与准备金等真实工作语境。课程先用四个通用案例建立数据处理与审计护栏, 再用三个行业综合案例练习如何让 AI 做整理、复算与报告,让审计师保留规则、判断和签认。

打开案例 → 前往下载
金融行业统一案例系列 · 2026 年 8 月 · 全部数据为虚构模拟数据
3–4 小时基础篇 + Group Study 综合篇
3 条业务线资产管理/基金、银行与保险
7 个案例4 个共通基础 + 3 个行业综合
100%模拟数据,可放心交给任何 AI 工具
模块 0 · 金融行业审计能力地图

同一套 AI 工作方法,落到三类金融审计场景

课程不把 AI 当作孤立工具,而是把它放进金融审计的完整工作链:先控制输入, 再执行规则与复算,随后形成异常清单和可追溯结果,最后由审计师完成专业判断。

COMMON FOUNDATION
共通能力层:拆分、勾稽、清洗、筛查

建立输出契约、控制总数、异常留痕与人工质量门,适用于各类金融机构审计。

案例 01–04
ASSET MANAGEMENT / FUND

资产管理与基金审计

围绕近期融资价格校准,生成公式可追溯的估值底稿、重点项目清单与离线 HTML 复核报告。

进入案例 05 →
BANKING

银行审计

围绕 IFRS 9 ECL,完成控制总数、分期信号扫描、简化拨备复算和资料缺口整理。

进入案例 06 →
INSURANCE

保险审计

围绕赔案与准备金,完成 RBNS 算术复算、一案多规则、准备金桥接和总账勾稽。

进入案例 07 →
模块 1 · 金融服务业 AI 趋势

六个数字,说明金融审计为什么现在就要学会 AI

开场用的宏观图景,全部来自德勤对金融服务业的调研——不是泛泛的科技问卷。 它讲的故事是:工具的可得性已经解决,能力还没有。

30% → 62%

合规 AI 工具的覆盖率一年翻倍

金融服务业员工获得机构许可 AI 工具的比例,一年内从三成升至逾六成——"没有工具"已不再是理由。

德勤《State of AI in the Financial Services Industry: The untapped edge》,2026 年 3 月,N=573 位金融服务业领导者
24%

只有约四分之一把试点推进到了生产

仅 24% 的机构将 40% 以上的 AI 实验投入生产——大多数试点停在终点线之前。

同上
53%

过半机构预计 3–6 个月内达到该水平

浪潮下个季度就到,准备好没有都会到。

同上
41%

仍停留在"表层使用"

四成从业者只在表面用 AI,底层流程几乎没变——用了,但没用上。

同上
84%

尚未围绕 AI 重塑工作

84% 的机构没有围绕 AI 重新设计工作方式,而"员工技能不足"被列为整合的第一大障碍——瓶颈是能力,不是牌照。

同上
31% / 66%

董事会的双重缺口

仅 31% 的董事会把 AI 列入议程,66% 的董事自认 AI 知识有限——能展示"受控使用 AI"的团队,正填上一个看得见的缺口。

德勤 Global Boardroom Program《Governance of AI》第 2 版,2025 年,n=695(56 个国家/地区)
模块 2 · 治理与监管

治理不是刹车,是规模化的许可证

德勤 2026 年 7 月发布《Banking on trust》——对 16 个国家/地区 135 家大型银行 AI 治理实况的指数化调研。结论不舒服但有用:政策写完了,问责、监测和人还没建起来。 银行是金融业 AI 治理的高密度样本,而留痕、复核、判断不外包同样适用于保险、资产管理与基金审计。

87%

的银行 AI 治理有实质提升空间

仅 13% 达到"优化"层级;与此同时银行员工的每周 AI 使用率一年翻倍至 63%——采用跑在了控制前面。

德勤《Banking on trust: AI governance for growth, resilience and scale》,2026 年 7 月,n=135
72%

看不见自己一半的 AI

72% 的银行有过半 AI 用例未进入中央登记册——没有台账的东西,既无法治理,也无法审计。

同上
15%

才对全员做常态化 AI 治理培训

德勤点名"人与技能"是最弱支柱之一——缺口在人,不在流程。你现在坐在这间教室里,就是在补这个缺口。

同上

"可信"必须意味着什么 —— Trustworthy AI™ 七维度

01透明可解释
02公平公正
03稳健可靠
04隐私
05安全
06负责任
07可问责
德勤 Trustworthy AI™ 框架 · Deloitte AI Institute。本培训教的工作规则,就是这七个维度在案头层面的翻译。

监管时钟——与审计相关的刻度

2024-10

IAASB:判断仍属于人

IAASB 技术立场与 ISA 540(修订)的挑战者逻辑指向同一件事:责任不可委托给机器。AI 可以准备估计与分析——签字的仍是审计师。(IAASB technology position statement · iaasb.org)

2025-01

财政部:会计走向机器可读

财会〔2024〕11 号/12 号自 2025 年起施行,会计核算与电子凭证走向机器可读——这是 AI 辅助结账与全量测试赖以运转的底层。(mof.gov.cn)

2025-02

欧盟 AI 法案:AI 素养义务生效

第 4 条要求部署方对员工采取 AI 素养措施——只要"使用"第三方 AI 系统即受约束,不限于开发者。(Regulation (EU) 2024/1689, Art. 4)

2025–26

英国 FRC:审计中的 AI 指引

按"功能 · 流程 · 治理"三层框定风险,把人工复核与独立验证列为核心缓释——同样适用于编制方。(frc.org.uk)

2026-06

金融监管总局:金发〔2026〕8 号

《关于银行业保险业人工智能安全开发应用的指导意见》:全生命周期管理、风险分类分级、点名高风险领域、强制人工监督与高风险用途的人工最终决策、定期算法审计。(nfra.gov.cn,2026-06-18)

2026-06

FSB:负责任采用 AI 的 12 条稳健实践(征求意见)

两大支柱:机构级治理 + 全生命周期管理;实践 10 要求人工监督随系统自主性同步升级。(fsb.org,2026-06-10)

把时钟连起来读,各法域正收敛于同三件事: 给风险分级、把人留在决策里、留下可审计的轨迹。一个本来就这样工作的审计团队,不是在应对监管——是已经走在监管要求的方向上。

本页所有数字均出自德勤出版物或监管一手文件;调研数字描述其样本,不指向任何单一机构。
模块 3 · 智能体工作方式

认识编程智能体(Code Agent)——你的新同事

今天全程使用的不是聊天机器人,而是能动手的智能体:授权它一个文件夹, 它自己读文件、写代码、跑出结果、向你汇报。三步心智模型:

1描述

用大白话说清你要的结果——"要什么",不是"怎么点"。

2它计划并执行

智能体列出步骤、写代码、在你的文件夹里跑出结果——过程你全程可见。

3你验证

读它的计划与回执、核关键数字。你的工作从"做"变成"定义与验收"。

国内 · 最易上手

WorkBuddy

腾讯云 CodeBuddy

桌面应用、中文界面;安装后授权一个本地文件夹即可开工。本次培训的默认工具。

国内 · 进阶

Trae

字节跳动

免费 AI IDE,国内版内置豆包 / DeepSeek 模型;适合想在开发环境里进一步折腾的学员。

国际 · 旗舰

Claude Code

Anthropic

命令行 / 桌面形态,能力上限最高;可把跑通的流程沉淀成可复用的 Skill——团队资产化的方向。

同类国际工具还有 Cursor、OpenAI Codex CLI、Gemini CLI 等——形态略异(IDE / 命令行),心智模型完全相同:学会一个,就学会了全部。

Cowork:把智能体当同事的办公方式

Cowork 不是某个软件,而是一种工作组织方式:给智能体一个工作目录,像给新同事布置任务一样下达目标与验收标准; 它交付结果和"做了什么"的回执,你验收、追问、改需求。团队的下一步,是让多个专业智能体协同—— 编排、证据、估值复核、银行减值、保险准备金和报告起草各司其职,审计师在关键节点复核签认。 今天的 7 个案例,就是金融行业审计团队与智能体的第一次结对办公。

开工前要知道的六件事

它动手,不只动嘴

智能体直接在你授权的文件夹里创建、修改文件——这是它和聊天机器人的本质区别。

授权即边界

它只能看到你授权的目录。课堂用模拟数据随便授权;真实数据先过所内政策。

你能看它思考

动手前列计划、做完后给回执。读计划,是你在错误发生前拦住它的机会。

报错会自愈

代码报错它自己改自己重跑;真卡住了,把任务拆成两半重发——拆解是技能,不是妥协。

每次运行不完全相同

同一句话两次产出可能略有差异——所以验收清单和自查数字才是你的锚。

聪明,但偶尔犯傻

难的它常做对,简单的(格式、符号)反而会翻车——这正是审计师必须在环上的原因。

模块 4 · 金融审计 AI 工作方法

三个学科,让 AI 产出在金融审计中站得住

拿到智能体不等于会用。技能拆成三门学科:把目标说准(Prompt)、把上下文喂对(Context)、 给产出装上护栏(Harness)——七个案例,每个都在练全部三门。

Prompt Engineering说清结果:背景 · 目标 · 约束 · 要复核(四原则)
Context Engineering控制它看什么:文件长相、列的含义、你已知的坑
Harness Engineering装上护栏:检查点、异常清单、回执、门槛规则
✗ 弱指令

"分析一下这个数据。"

得到的是它猜你想要什么。

✓ 强指令(案例 4 实例)

"按四条红旗规则对全部 42 个项目做全量扫描,输出红旗清单(编号、企业、红旗类型、一句话说明——写清差异金额或滞后月数)……最后用中文汇报关键发现。"

得到的是可以进底稿的工作成果。

  • 点名工作表、列名,说清口径与格式
  • 说明缺数据/异常时怎么办(诚实规则:暴露缺口,不许编造)
  • 每段指令以"做完告诉我你做了什么"收尾
  • 大任务卡住就拆成两问重发
  • 叙述点击路径("先点数据,再点筛选…")
  • 把格式、舍入、门槛留给它猜
  • 接受一个它没解释过的产出
R1
培训用模拟数据

本站全部数据虚构、固定种子可复现——可放心交给任何 AI 工具。

R2
真实数据走合规通道

客户数据只进所内合规许可的工具与环境;能脱敏则脱敏,不确定先问。

R3
两件交付物

每个 AI 产出都连同异常清单/回执一起交付——悄无声息的修复比脏数据更可怕。

R4
AI 起草,人负责

数字对回控制总数、判断逐句过目——与 IAASB/FRC 立场一致:责任不可委托给机器。

模块 5 · 金融行业审计案例

七个案例,从共通数据能力走向三类金融业务判断

案例 1–4 是金融审计共通基础:拆分、勾稽、清洗、筛查,每个案例明确一组可迁移的 Best Practice; 案例 5–7 是 Group Study 行业综合应用:资产管理/基金近期融资校准与 HTML 报告、银行 ECL、保险赔案与准备金。 案例正文即学员版原文;数据从“下载”区获取,做完对照“完成后自查”。所有阈值均为虚构教学参数, AI 负责整理与复算,方法、风险、错报/发现分类及签认仍由专业人员完成。

Group Study · 三个行业案例并行完成

每组领取案例 5、6、7 中的一个案例,先独立形成分析思路,再使用 AI 协助处理数据与验证结果。 小组需提交:分析路径、关键要点、AI 可以完成的工作、必须由人判断的事项,并用 5 分钟分享结论和一项人工验证。 学生材料不提供现成 Prompt;讲师会在各组形成初步思路后进行引导和点评。

案例 1 通用基础 · 数据拆分 先定义输出契约,再核对控制回执 Excel + 智能体 · 25′

一张投资组合总表"一键分家"——先看机器内部,再一句话搞定

项目 说明
业务场景 基金年审开工:投资组合明细分派
核心操作 数据拆分(一张大表 → 多张子表 / 多个文件)
难度 ⭐(热身)
预计时长 25 分钟(Part 1 ≈ 10′ · Part 2 ≈ 10′ · 对比 ≈ 5′)
原始数据 案例01_原始数据_投资组合明细表.xlsx(1 个工作表,45 行)

本案例及后续所有案例中的基金、企业与数字均为虚构的模拟教学数据,如有雷同纯属巧合。


本案例要学到的 Best Practice

  1. 先定义拆分键和输出契约:明确按哪一列拆、表头是否保留、输出到工作表还是独立文件。
  2. 结果和回执成对交付:除拆分文件外,同时回报每组行数、金额合计和总计勾稽结果。
  3. 显式处理文件名风险:特殊符号、重名和空值要有命名映射,不能静默丢记录。

一、业务背景

启衡三号基金的年审进场了。这支基金期末持有 45 个投资项目,横跨 8 个行业、9 种估值技术。开工第一件事是分工:按估值技术拆一套(同类方法集中做底稿),按项目负责人拆一套(每人一份分派清单)。

以前的做法:筛选 → 复制 → 新建表 → 粘贴 → 重命名,循环二十几遍,手一抖就漏一行。

今天这个问题你要解决两次,用两种方式——因为这一对比教给你的,比任何一种单独教都多:

  • Part 1 —— 看机器内部:让 AI 写一段 VBA 宏,你粘进 Excel 运行。你会亲眼看到"AI 操作办公软件"的真相:AI 写指令,机器执行指令。你一行代码都不用写,但每一行你都能读。
  • Part 2 —— 用成品:把同样的目标用一两句大白话告诉编程智能体(WorkBuddy / Trae / Claude Code),代码、运行、产出全部发生在幕后。

Part 1 的方法今天之后你可能再也不用。但看过一次机器内部,Part 2 在你眼里就不再是魔法——这会改变你敢把多重要的活交给它。本次培训从案例 2 起全部使用智能体。

二、数据说明

工作表 投资组合明细(45 行 × 11 列):

列 字段 说明
A–B 序号 / 项目编号 P001–P045,全基金唯一
C–F 企业名称 / 所属行业 / 投资日期 / 投资类型 8 个行业
G–H 期末成本(元) / 期末公允价值(元) 2025-12-31 口径
I 公允价值层次 第一/二/三层次
J 估值技术 拆分维度①(9 种)
K 项目负责人 拆分维度②(5 人)

数据本身是干净的——热身案例不埋坑。

三、任务要求

Part 1 —— 看机器内部(AI 写 VBA)

  • 任务 A(必做):把文件和列的情况用自己的话告诉任意对话 AI,让它写一个宏:按"估值技术"把数据拆到同一工作簿的多个工作表(每种一表、保留表头),并说明你用 Windows 还是 Mac。
  • 任务 B(必做):Excel 开发工具 → Visual Basic → 新建模块 → 粘贴 → 运行("开发工具"未激活见讲义附录 A)。看着工作表一张张出现——代码干了所有活,而你能读懂它。

Part 2 —— 同一件事,用智能体

  • 任务 C(必做):打开一份新的原始文件,让编程智能体:按"估值技术"拆成多个工作表并附一张汇总(每种技术的项目数、公允价值合计);再按"项目负责人"拆成 5 个独立文件。要求它做完报告每张表的行数。
  • 任务 D(选做):让智能体在汇总里加一列"占组合公允价值 %",超过 20% 的标出。

四、完成后自查(两种方式的结果应当一致!)

  • [ ] 按估值技术拆出 9 张工作表(8 类持有 + 1 类已处置),两种方式都是
  • [ ] 各子表行数加总 = 45 行,两种方式一致
  • [ ] 按负责人拆出 5 个文件,每人 9 个项目
  • [ ] 某种估值技术的名称里含特殊符号"/"——两种方式各自是怎么处理工作表命名的?
  • [ ] Part 1 里你能读到处理它的那行代码;Part 2 里你靠什么知道它被处理了?(提示:你要求了报告)

五、想一想

  1. Part 1 你能读每一行指令,Part 2 你读不到——但结果一样。Part 2 里什么替代了"读代码"成为你的控制手段?
  2. 哪种方式更快?如果是极敏感的数据、不能离开你这台电脑的 Excel,你会选哪种?为什么?
  3. 下个月表里多了一种估值技术:Part 1 的宏要改什么?Part 2 的那句话要改什么?

完成后请对照"自查"清单检查结果。如有疑问,可向讲师索取参考答案。

案例 2 通用基础 · 三表勾稽 主表、连接键与双向缺口一次说清 智能体 · 20′

本期明细 × 管理层估值表 × 上期审定数,三表勾稽自动算差异

项目 说明
业务场景 公允价值审定:审计测算 vs 管理层估值 vs 上期审定
核心操作 数据合并(按编号关联多表 + 差异计算 + 缺口检查)
难度 ⭐⭐
预计时长 20 分钟
原始数据 案例02_原始数据_底稿勾稽三表.xlsx(3 个工作表)

本案例要学到的 Best Practice

  1. 先声明主表与连接方式:本例以本期投资明细为主表,使用 left join,主表行数不得改变。
  2. 标准化连接键但保留原值:可去除空格、统一大小写或格式,同时保留原始编号便于追溯。
  3. 同时检查两个方向:不仅找主表未匹配项,也反向找上期或管理层表中未进入本期的记录;阈值放在可见参数区。

一、业务背景

估值底稿的灵魂是双轨制:管理层(客户)有一套估值结果,审计师(DTT)独立测算一套,两边对比,差异超门槛的逐项跟进——这是每个基金审计底稿里"估值计算复核"那一段做的事。

现在三份数据分别躺在三个工作表里:项目组自己整理的本期投资明细(含 DTT 测算值)、客户交来的管理层估值表(PBC)、去年的上期审定数。以前靠一列列 VLOOKUP,拉完还要肉眼找 #N/A。今天:一句话,让 AI 把三表并成一张审定汇总表,差异、变动、缺口全部自动算出来。

二、数据说明

工作表 行数 关键列
本期投资明细 42 项目编号、被投资企业名称、所属行业、期末成本(元)、公允价值-DTT测算(元)
管理层估值表 40 项目编号、被投资企业名称、公允价值-管理层(元)
上期审定数 43 项目编号、被投资企业名称、上期公允价值(元)
  • 关联键:项目编号。
  • 三张表行数不一样、顺序也不一样——这正是本案例的"戏肉"。
  • 善意提示:客户交来的表,编号未必像看上去那么"干净"。
  • 本项目组的复核差异门槛:500 万元。

三、任务要求

  • 任务 A(必做):以"本期投资明细"为主表,按项目编号关联另两表,生成一张审定汇总表,新增三列:
  • 复核差异Diff(元) = 公允价值-DTT测算 − 公允价值-管理层
  • 公允价值变动(元) = 公允价值-DTT测算 − 上期公允价值
  • 勾稽状态:差异在门槛内,通过 / 差异超门槛,需跟进 / 管理层估值表缺失,需向客户催要
  • 任务 B(必做):列出两类异常清单——①管理层估值表里找不到的项目;②差异超过 500 万门槛的项目。
  • 进阶(选做):反向检查——上期审定数里有、但本期明细里没有的项目是哪些?业务上可能是什么原因?

四、完成后自查

  • [ ] 审定汇总表仍是 42 行(主表一行不多、一行不少)
  • [ ] 有 2 个项目匹配不到管理层估值(想想为什么,是真缺还是"假缺"?)
  • [ ] 有 3 个项目差异超 500 万门槛(1 个为负数)
  • [ ] 反向检查能找出 3 个"上期有、本期无"的项目
  • [ ] 若你的结果里超过 5 个项目匹配不上管理层估值——回头检查编号列,有没有"看不见的东西"

五、想一想

  1. VLOOKUP 拉不出来就填 #N/A,AI 合并为什么能告诉你"为什么没匹配上"?
  2. "上期有、本期无"在基金审计里通常意味着什么?(提示:处置损益要不要单独测试?)
  3. 你现在手头哪些底稿本质上是"多表按编号对齐"?(函证回函 vs 台账?银行流水 vs 账面?)

完成后请对照"自查"清单检查结果。如有疑问,可向讲师索取参考答案。

案例 3 通用基础 · PBC 清洗 先盘点变体,再确认映射并保留清洗日志 智能体 · 25′

客户交来的投资台账"惨不忍睹",十分钟洗成规范底稿

项目 说明
业务场景 接收客户资料(PBC)后的第一步:台账治理
核心操作 数据清洗(去重、去空行、格式统一、口径标准化)
难度 ⭐⭐⭐
预计时长 25 分钟
原始数据 案例03_原始数据_客户投资台账.xlsx(1 个工作表,50 行)

本案例要学到的 Best Practice

  1. 先盘点变体,再确认映射:日期、金额、比例和估值方法先列出全部写法,再由人确认标准口径。
  2. 原始数据只读,清洗结果另存:不覆盖 PBC;每次转换保留原值、规则和处理数量。
  3. 类型、单位和控制总数写清楚:日期是真日期、金额是数值、比例是小数,并在清洗前后核对行数和金额。

一、业务背景

向基金管理人要的投资台账终于来了。打开一看,熟悉的味道:

  • 日期一列五种写法,2024年3月15日、2024/3/15、2024.3.15,还有一串神秘数字 45678;
  • 金额有的是数字,有的写着 ¥1,200.00,有的带"万元"两个字;
  • 股权比例 8.25%、8.25、0.0825 三种口径混着来;
  • 估值方法五花八门:"新一轮融资"、"最近融资法"、"PE法"、"可比公司法(PS)"……到底是几种方法?
  • 还有肉眼难辨的重复行、空白行、名称前后的空格。

这张表不洗干净,后面的勾稽、分析全是白搭。以前手工洗半天,现在让 AI 来——但洗完必须能说清"洗了什么",这是审计底稿的留痕要求。

二、数据说明

工作表 投资台账(50 行 × 10 列):

列 字段 已知"味道"
A 序号 —
B 被投资企业名称 全称/简称混用,部分前后有空格
C 投资轮次 天使轮 – Pre-IPO
D 投资日期 5 种写法
E 投资金额(万元) 数字/文本/带符号/带单位混杂
F 股权比例 三种口径
G 估值方法 写法不统一
H 基金对接人 部分带空格
I 联系电话 三种格式
J 备注 —

另有整行空白与整行重复,数量自己找。

三、任务要求

  • 任务 A(必做):把台账清洗成规范表:
  • 删除完全空白行、完全重复行;
  • 企业名称、对接人姓名去掉首尾空格;
  • 投资日期统一为 YYYY-MM-DD;
  • 投资金额统一为数值(单位:万元);
  • 股权比例统一为小数(如 0.0825);
  • 估值方法归并为标准口径(先想想标准口径应该有哪几类);
  • 联系电话统一为 11 位数字。
  • 任务 B(必做):输出一张清洗日志:每类问题处理了多少条。审计底稿要留痕——"改了什么、改了多少"必须说得清。
  • 进阶(选做):清洗后按"估值方法"统计项目数量和投资金额合计,与案例 1 的口径互相印证。

四、完成后自查

  • [ ] 清洗后恰好 45 行(一个项目一行)
  • [ ] 日期列排序不再"乱跳"(格式统一后才能正确排序)
  • [ ] 金额列可以直接求和(都是数值了);合计约 25.28 亿元(±0.1 亿内)
  • [ ] 估值方法归并后为 9 类
  • [ ] 清洗日志里能数出:空白行 2、重复行 3、名称空格 5 处
  • [ ] 想不起来自己删了几行?——这就是为什么要清洗日志

五、想一想

  1. 同样是"洗数据",手工洗和 AI 洗最大的差别是什么?(提示:可复现、可留痕、可复用)
  2. "Excel 序列号日期"(如 45678)是什么原理?为什么会出现?
  3. 如果下个月客户又交来同样乱的台账,你打算怎么办?(提示:把这次的清洗要求存成一段话)

完成后请对照"自查"清单检查结果。如有疑问,可向讲师索取参考答案。

案例 4 通用基础 · 组合筛查 可见规则、全量风险扫描、图表与审计边界 智能体 · 30′

42 个项目全量扫一遍:组合分析 + 四类估值红旗

项目 说明
业务场景 公允价值审定前的组合复核:全量风险筛查与定向跟进
核心操作 数据分析(分组聚合 + 规则扫描 + 可视化)
难度 ⭐⭐⭐⭐
预计时长 30 分钟
原始数据 案例04_原始数据_估值复核明细.xlsx(组合估值明细 42 行 + 红旗规则)

本案例要学到的 Best Practice

  1. 规则表必须可见、可版本化:每条规则写清口径、单位、阈值、基准日和责任人,不能藏在代码里。
  2. 全量筛查服务于风险识别:扫描提高覆盖面并支持定向测试,但不自动替代审计抽样或其他必要程序。
  3. 异常必须可追溯:每条红旗保留项目、触发事实、规则编号、来源位置和人工处理状态;图表注明指标、期间、单位和阈值。

一、业务背景

以前复核估值,常先从组合中挑重点项目。现在 AI 让全量风险筛查成为可行的前置步骤——每个项目都跑一遍规则,可疑的自动跳出来,审计师据此更新风险判断并设计后续测试。全量筛查扩大覆盖面,但不自动替代抽样或其他必要审计程序。

项目组沉淀了四条估值红旗规则(见数据文件"红旗规则"工作表):

编号 红旗 判定标准
R1 估值滞后 用最近融资价格法(含沿用),但定价日期距基准日 2025-12-31 超过 24 个月——价格还能代表公允价值吗?
R2 疑似减值 公允价值-DTT 低于成本 × 60%——减值计提是否充分?
R3 复核差异超门槛 DTT 与管理层差异绝对值 > 500 万——差在哪?
R4 集中度偏高 单项目占组合公允价值 > 10%——披露与敏感性要重点关注

你的任务:让 AI 把规则落到数据上,并把结果画成"一眼能看懂"的图。

二、数据说明

工作表 组合估值明细(42 行 × 13 列):项目编号、被投资企业名称、所属行业、投资日期、估值技术、定价基准日期、期末成本(元)、上期公允价值(元)、本期公允价值-管理层(元)、本期公允价值-DTT(元)、持股比例、公允价值层次、项目负责人。

工作表 红旗规则:上表四条规则的原文。

三、任务要求

  • 任务 A(必做):分组分析——
  • 按估值技术汇总:项目数、成本合计、公允价值合计、占比;
  • 按所属行业汇总:项目数、公允价值合计。
  • 任务 B(必做):按四条规则做全量红旗扫描,输出红旗清单(项目编号、企业、红旗类型、具体说明)。
  • 任务 C(必做):至少出 3 张图(建议:按估值技术的公允价值构成、TOP10 公允价值变动、红旗类型计数)。图要能直接贴进底稿或汇报页——标题说人话、数字有标注。
  • 进阶(选做):算每个负责人名下的红旗数量——谁的"雷"最多?

四、完成后自查

  • [ ] 组合公允价值合计约 50.8 亿元、成本合计约 24.6 亿元
  • [ ] 红旗总数 11 项:R1 × 4、R2 × 3、R3 × 3、R4 × 1
  • [ ] R4 那个项目占组合比例约 11.5%
  • [ ] TOP10 变动图里既有增也有减(正负方向清晰可辨)
  • [ ] 图表中文显示正常、每根条形都有数值标注

五、想一想

  1. 抽样测试与全量风险筛查分别解决什么问题?规则谁来定,后续程序谁来判断?
  2. R1 的 24 个月是本案例的教学筛查参数,不是准则硬门槛。如果项目组改为 12 个月,如何记录版本、依据和影响?
  3. 四条规则之外,你还想加什么红旗?(提示:连续两年公允价值纹丝不动?同一投资人反复领投?)

完成后请对照"自查"清单检查结果。如有疑问,可向讲师索取参考答案。

案例 5 资产管理/基金 · 近期融资校准 估值底稿、source map、重点清单与离线复核报告 Group Study · Excel · HTML · 45′

一句话目标

把 11 个项目的结构化融资参数,一次生成公式可追溯的估值复核底稿、重点项目清单和可离线打开的 HTML 报告;AI 负责整理、复算、筛查和起草,人负责方法与结论。

项目 说明
业务场景 基金投资估值:近期融资价格校准与底稿生成
核心操作 参数读取、批量底稿、检查点、HTML 报告
难度 综合案例 ⭐⭐⭐⭐
建议用时 45 分钟(35 分钟分析与制作 + 10 分钟整理汇报)
输入 案例05_原始数据_近期融资校准参数.xlsx(11 个项目)
交付 1 个 Excel 底稿工作簿 + 1 个 HTML 复核报告

全部名称和数字均为虚构教学数据。案例阈值用于课堂筛查,不代表准则硬门槛或审计重要性。

本案例要学到的 Best Practice

  1. 参数 × 模板 + 检查点:先锁定字段、单位、基准日和底稿骨架,再让 AI 批量生成。
  2. 近期融资用于校准,不自动适用:每个计量日重新评价交易时点、规模、是否有序、是否为关联/内部轮、股份权利及基准日事实。
  3. 筛查参数与专业判断分开:365 天、1% 和 RMB 5,000,000 都放在可见规则区,并明确不是准则或审计重要性。
  4. 同源生成双交付物:Excel 保留公式和 source map;HTML 面向扫读,呈现控制总数、重点项目、行动项和方法限制。
  5. 人工质量门必须落款:方法适当性、证据权重、风险评价、进一步程序和最终底稿结论由审计师完成。

Group Study|小组任务与交付

本案例由一个小组独立完成。建议分为业务口径、智能体操作、结果复核和汇报四个角色;人数较少时可合并角色。小组需要形成并展示以下内容:

  1. 分析思路:先做什么、后做什么,关键控制点在哪里;
  2. 结果要点:主要控制总数、重点项目、异常事实及证据缺口;
  3. AI 可以完成的工作:适合批量整理、复算、筛查、生成底稿或起草报告的环节;
  4. 需要人的判断:涉及方法、证据权重、风险、错报、进一步程序和签认的事项;
  5. 5 分钟汇报:用一页纸或口头说明上述四项,并说明至少一项 AI 输出的验证方法。

本讲义不提供现成指令。请根据任务、数据字段和验收标准,自行组织与智能体的交互,并保留关键检查回执。

业务背景

项目组已把 11 个本年融资项目的协议要素、股份权利、持股数据和管理层公允价值整理成参数表。手工编制时,每张底稿都要重复抄写事实、拼接叙述、做“价格 × 持有注册资本”的计算,并在报告中再次汇总。

本案例把流程改成:

输入控制 → 公式复算 → 代表性筛查 → 逐项目底稿 → HTML 报告 → 人工签认

需特别注意:融资日期较近、金额较大或有新投资者参与,可能提高交易价格的证据权重,但都不能单独证明该价格在估值基准日仍代表公允价值。

任务 1|先做输入控制

读取 底稿参数表,确认:

  1. 项目数为 11;
  2. 估值基准日为 2025-12-31;
  3. 日期、金额、比例和股份权利字段的类型与单位;
  4. 每行均保留项目编号和原始工作表行号,形成 source map。

若项目数或关键字段不一致,应先停止结论并说明缺口。

任务 2|复算并执行代表性筛查

保留以下 Excel 公式:

  • 投后估值 = 每元注册资本价格 × 融资后全部注册资本
  • 融资规模占比 = 本轮融资金额 ÷ 投后估值
  • DTT 复算公允价值 = 每元注册资本价格 × 本基金持有注册资本
  • 差异 = DTT 复算公允价值 − 管理层公允价值

按可见规则表筛查:

  • 交易时点:距估值基准日超过 365 天;
  • 交易规模:融资金额/投后估值低于 1%;
  • 交易背景:存在关联方或内部轮;
  • 股份权利:权益不同、回报担保、非等比例摊薄、特殊条款或非现金出资;
  • 计算差异:绝对值超过 RMB 5,000,000。

这些只是定位需人工复核事项的案例参数。不得自动写成“方法不适用”“确定错报”或“必须改用其他方法”。

任务 3|生成 Excel 底稿

生成一个新工作簿:

  1. 第一张为 底稿汇总;
  2. 后续 P001–P011 每个项目一张底稿;
  3. 每张底稿包含公司事实、方法边界、融资事实、代表性评价、权利条款、公式复算、筛查结果、人工质量门和人工结论栏;
  4. 所有关键事实保留来源文件、工作表和行号;
  5. 人工结论默认为“待人工填写”,不得由 AI 自动签认。

任务 4|生成离线 HTML 报告

用同一份数据生成 近期融资校准复核报告.html,要求:

  • 白底、绿色强调,可在浏览器直接打开;
  • 结论先行,展示项目数、DTT 复算合计、净差异和重点项目数;
  • 列示每个重点项目的触发事实与人工行动;
  • 给出全组合简表;
  • 明确方法边界、案例参数和人工质量门;
  • 不使用外部脚本、字体或敏感路径,便于离线分享。

完成后自查

  • [ ] 项目数 11;DTT 复算公允价值合计约 RMB 1,065,927,498
  • [ ] 重点复核项目为 3 个:P001、P006、P009
  • [ ] P001 是复算差异信号;P006 是关联/内部轮信号;P009 是交易规模有限信号
  • [ ] P009 没有被自动写成“方法不适用”
  • [ ] Excel 公式无 #REF!、#VALUE!、#DIV/0!、#N/A
  • [ ] Excel 与 HTML 的项目数、总额和重点项目一致
  • [ ] HTML 无外部依赖,可双击离线打开
  • [ ] 人工结论、复核人和日期仍待审计师填写

想一想

  1. 为什么“融资规模较小”只影响价格证据权重,而不自动否定方法?
  2. HTML 报告面向扫读,Excel 底稿面向追溯;两者应如何保持同源一致?
  3. 如果估值基准日前后发生重大经营变化,你会补充什么证据或交叉验证方法?
  4. 在本案例中,哪些工作可以交给 AI 批量完成,哪些结论必须由审计师作出?
案例 6 银行 · ECL 分期与拨备 控制总数、分期信号、简化复算与资料缺口 Group Study · 银行业务 · 45′

本案例要学到的 Best Practice

  1. 控制总数先于模型结果:记录数、EAD、管理层 ECL 和分行数不勾稽时,先停止下游结论。
  2. 扫描信号不等于最终分期:30 天 SICR 与 90 天违约信号均可在有合理且有依据的信息时被反驳;关注名单、重组和评级迁徙是本案例项目参数。
  3. 模型参数与规则可见、可版本化:PD、LGD、折现因子、阈值和来源 ID 均放在工作簿中。
  4. 结果与例外成对交付:同时输出全量复核明细、分期不一致、拨备差异、资料缺口和控制回执。
  5. AI 不替代专业判断:SICR、违约、管理层叠加、错报和进一步程序均由审计师判断。

Group Study|小组任务与交付

本案例由一个小组独立完成。建议分为业务口径、智能体操作、结果复核和汇报四个角色;人数较少时可合并角色。小组需要形成并展示以下内容:

  1. 分析思路:从输入控制到分期信号、ECL 复算和资料缺口的完整路径;
  2. 结果要点:主要控制总数、异常项目、差异原因假设及下一步证据;
  3. AI 可以完成的工作:适合批量扫描、参数匹配、公式复算和异常整理的环节;
  4. 需要人的判断:涉及 SICR、违约、模型与叠加、错报及进一步程序的事项;
  5. 5 分钟汇报:用一页纸或口头说明上述四项,并说明至少一项 AI 输出的验证方法。

本讲义不提供现成指令。请根据任务、规则与口径、数据字段和验收标准,自行组织与智能体的交互,并保留关键检查回执。

业务背景

你是某虚构银行 2026 年中审计项目组成员。管理层提供了 48 笔信贷资产明细及一套简化 ECL 参数。项目组希望先用智能体完成控制总数、分期信号扫描、简化 ECL 复算和资料缺口整理,再由审计师决定进一步程序。

本案例不要求建立完整 ECL 模型,也不允许智能体替项目组作最终分期或错报判断。

输入文件

案例06_原始数据_银行ECL复核.xlsx

重点工作表:

  • 贷款明细:48 笔虚构贷款及管理层 ECL;
  • ECL参数:按产品和阶段设置的简化 PD、LGD、折现因子;
  • 规则与口径:案例规则及人工判断边界;
  • 来源与口径:来源 ID、单位、基准日和方法论锚点。

你的任务

任务 1|控制总数

核对并回报:

  1. 贷款笔数;
  2. 分行数;
  3. EAD 总额;
  4. 管理层 ECL 总额。

若输入控制总数无法勾稽,应停止后续结论并说明原因。

任务 2|分期一致性扫描

按 规则与口径 中的 B-01 扫描管理层阶段与案例风险信号是否一致:

  • 违约标志为“是”或逾期不少于 90 天:案例扫描为阶段 3;
  • 其他情况下,如逾期不少于 30 天、进入关注名单、发生重组或评级恶化不少于 3 档:案例扫描为阶段 2;
  • 其他:扫描为阶段 1。

请输出管理层阶段、扫描阶段、触发事实和来源 ID。30/90 天是可反驳信号,其他触发项为本案例项目参数;不得写成唯一强制规则或最终审计结论。

任务 3|简化 ECL 复算

按以下教学公式复算:

简化复算 ECL = EAD × PD × LGD × 折现因子

参数应按“产品类型 + 扫描阶段”从 ECL参数 工作表取数。将管理层 ECL 与复算结果比较,并列出绝对差异不少于 1,000,000 元的项目。

任务 4|资料缺口

检查担保物评估日期和最近评级复核日期是否缺失。不得推断或补造日期;应形成单独缺口清单。

任务 5|交付结果

请生成一个新的 Excel 文件,至少包含:

  1. 复核汇总;
  2. 复核明细;
  3. 分期异常;
  4. 拨备差异;
  5. 缺失资料;
  6. 控制检查;
  7. 来源与口径。

所有计算保留 Excel 公式;所有异常保留来源 ID 和规则编号。

完成后自查

  • [ ] 48 笔贷款、4 家分行;EAD RMB 1,856,100,000;管理层 ECL RMB 38,838,000
  • [ ] 简化复算 ECL RMB 52,456,383.52;净差异 RMB (13,618,383.52)
  • [ ] 4 笔分期信号不一致、3 笔差异超案例阈值、2 笔资料缺口

验收标准

  • 输入记录和金额控制总数勾稽;
  • 规则参数没有被写死在不可见代码中;
  • 缺失值被暴露而非静默填补;
  • 结果可追溯到来源 ID;
  • 没有把模拟阈值描述为准则硬门槛;
  • 没有把全量扫描描述为自动替代审计抽样。

人工判断门

以下事项必须由审计师完成:适用政策解释、SICR/违约判断、管理层模型与叠加调整评价、审计重要性、错报分类、进一步程序及底稿签认。

小组汇报前最后一问

如果只能保留三项人工检查点,你会选择哪三项?为什么?

案例 7 保险 · 赔案与准备金 一案多规则、RBNS 复算、准备金桥接与总账勾稽 Group Study · 保险业务 · 45′

本案例要学到的 Best Practice

  1. 先控制数据,再评价估计:赔案笔数、已赔、最终赔付、追偿和个案准备金总额必须先勾稽。
  2. 算术复算不等于完整计量:MAX(预计最终赔付-累计已赔-预计追偿,0)只检查赔案台账与管理层个案准备金,不能代表完整 IFRS 17 已发生赔款负债计量。
  3. 一笔赔案允许多条规则:异常清单按“赔案 × 规则”留痕,同时另报唯一异常赔案数。
  4. 分层桥接:先核对赔案台账与管理层 RBNS,再桥接管理层 IBNR、理赔费用准备金,最后勾稽总账。
  5. 专家与审计师保留判断:方法、假设、风险调整、折现、估计不确定性、错报和签认不交给 AI。

Group Study|小组任务与交付

本案例由一个小组独立完成。建议分为业务口径、智能体操作、结果复核和汇报四个角色;人数较少时可合并角色。小组需要形成并展示以下内容:

  1. 分析思路:从赔案控制、RBNS 复算到准备金桥接和总账勾稽的完整路径;
  2. 结果要点:主要控制总数、异常赔案、勾稽差异及下一步证据;
  3. AI 可以完成的工作:适合批量复算、多规则扫描、分层汇总和异常整理的环节;
  4. 需要人的判断:涉及赔案状态、估损、IBNR、风险调整、折现、错报和专家结论的事项;
  5. 5 分钟汇报:用一页纸或口头说明上述四项,并说明至少一项 AI 输出的验证方法。

本讲义不提供现成指令。请根据任务、规则与口径、数据字段和验收标准,自行组织与智能体的交互,并保留关键检查回执。

业务背景

你是某虚构财产保险公司 2026 年中审计项目组成员。管理层提供了 54 笔赔案明细、按分公司和产品汇总的准备金表以及总账余额。项目组希望用智能体完成赔案控制总数、RBNS 算术复算、异常扫描、准备金桥接和总账勾稽。

本案例不要求建立完整 IFRS 17 计量模型,也不替代精算专家对方法、假设和估计不确定性的评价。

输入文件

案例07_原始数据_保险赔案与准备金.xlsx

重点工作表:

  • 赔案明细:54 笔虚构财险赔案;
  • 精算准备金汇总:按分公司与产品汇总的 RBNS、IBNR 和理赔费用准备金;
  • 总账余额:按分公司列示的未决赔款准备金余额;
  • 规则与口径:案例筛查规则及审计边界;
  • 来源与口径:来源 ID、单位、基准日和方法论锚点。

你的任务

任务 1|输入控制总数

核对并回报:赔案笔数、累计已赔、预计最终赔付、预计追偿和管理层个案准备金总额。

任务 2|RBNS 算术复算

对每笔赔案按以下教学公式复算:

复算 RBNS = MAX(预计最终赔付-累计已赔-预计追偿, 0)

将管理层个案准备金与复算 RBNS 比较,列出绝对差异不少于 500,000 元的项目。

任务 3|赔案异常扫描

按案例规则识别:

  1. 已结案仍有准备金,或未决赔案为零准备金;
  2. 报案日期早于出险日期,或报案延迟超过 180 天;
  3. 预计最终赔付不少于 5,000,000 元且估损超过 90 天未更新;
  4. 个案准备金复算差异超过阈值。

一笔赔案可以触发多条规则;异常清单应保留规则编号、来源 ID、事实和金额。

任务 4|准备金桥接与总账勾稽

  1. 按分公司和产品汇总赔案台账复算 RBNS;
  2. 与精算准备金汇总中的 RBNS 比较;
  3. 用“赔案台账复算 RBNS + 管理层 IBNR + 管理层理赔费用准备金”形成教学数据桥接;
  4. 按分公司与总账余额勾稽,模拟容差为 1,000 元。

任务 5|交付结果

请生成一个新的 Excel 文件,至少包含:

  1. 复核汇总;
  2. 复核明细;
  3. 异常清单;
  4. 准备金桥接;
  5. 总账勾稽;
  6. 控制检查;
  7. 来源与口径。

所有金额复算和桥接保留 Excel 公式。

完成后自查

  • [ ] 54 笔赔案;累计已赔 RMB 73,576,000;预计最终赔付 RMB 166,790,000
  • [ ] 管理层个案准备金 RMB 79,495,000;赔案台账复算 RBNS RMB 83,051,000
  • [ ] 10 笔赔案触发 13 条规则记录,没有因去重丢规则
  • [ ] 华南 RMB 500 在案例容差内;西南 RMB (1,200,000) 不一致

验收标准

  • 54 笔赔案和金额控制总数勾稽;
  • RBNS 复算公式可追溯;
  • 一笔多规则异常没有被去重丢失;
  • 精算汇总与总账差异按分公司明确列示;
  • 规则触发不被写成“确定错报”;
  • 结果清楚标注人工判断门。

人工判断门

赔案状态定义、重开案和付款政策、估损合理性、IBNR 方法和假设、理赔费用口径、风险调整、折现、估计不确定性、审计重要性、错报评价、专家结论及底稿签认均由人完成。

小组汇报前最后一问

如果总账已经勾稽一致,为什么仍不能得出准备金合理的结论?

模块 5B · 金融审计 Prompt 库

从通用控制到行业判断,课堂同款指令都在这里

案例示范 Prompt 与值得带走的启示,分两级解锁: 基础篇(案例 1–4)凭据课上公布;综合篇(案例 5–7)凭据完成课堂案例后另行公布。 Group Study 阶段请先完成小组分析,不要提前解锁;复盘时再对照示范指令。 技能是描述你的目标,不是背诵别人的指令。

基础篇 · 案例 1–4

请输入课堂公布的访问凭据

凭据不正确——以课堂公布为准。

综合篇 · 案例 5–7

需单独解锁:凭据在完成课堂案例后公布

凭据不正确——以讲师公布为准。
模块 6 · 带走

下载金融行业审计案例包与讲义

全部数据为模拟数据、固定随机种子——你的自查合计会与讲义印的预期数字完全一致。 课前:把数据拷到本机新建文件夹,并授权给你的智能体。

金融行业审计 AI 训练数据包
DTT_Financial_Audit_AI_Training_DataPack_v3_1.zip · 7 份原始表 + 完整学生讲义 + Group Study 学生讲义 + README
下载完整包
案例 5–7 · 结果展示
DTT_Financial_Audit_AI_Cases_5_7_Results_v3_1.zip · 1 份 HTML 复核报告 + 3 份 Excel 估值底稿及复核结果
下载结果包
讲师介绍

懂业务,也懂如何让 AI 在专业工作中真正落地

Tom Wang 讲师照片

Tom Wang

德勤审计合伙人 · CPA · MSF

金融机构审计公允价值与三层次估值复核 反舞弊数据分析财务团队 GenAI 赋能
讲师微信二维码

扫码添加讲师微信,课后交流与答疑

Tom 是德勤审计合伙人,十六年横跨加拿大、美国与中国的大型会计师事务所与企业财务咨询经历。 他的职业生涯就泡在这次培训要自动化的那些工作里——金融机构审计、季末年末结账、难估值投资的公允价值复核—— 现在他把这些经验整合成面向资产管理、银行和保险审计团队的 AI 实操训练,让机械工作交给智能体,控制权仍留在人手中。

每一场培训都同一个做法:先对团队自己的流程、数据形态与合规工具做结构化摸底,再把案例写成团队自己的样子—— 让学员在第一分钟就认出“这就是我的文件”。

教学立场来自审计,而不是技术推销:AI 产出在被验证之前只是草稿;每个交付物都带着异常清单;判断永远不外包给机器。 这也是审计、风控与财务团队信任这套材料的原因。

David Tian 田野讲师照片

David Tian(田野)

北京大数据研究院研究员 · 人工智能应用专家顾问

财务咨询与估值建模市场研究与大数据分析 AI 产品与模型研发金融与 TMT

David 现任北京大数据研究院研究员、人工智能应用专家顾问,拥有十五年在四大咨询公司、头部评估公司及全球知名舆情分析公司的财务咨询、估值建模、市场研究、大数据分析与人工智能产品研发经验,主要服务金融与 TMT 行业客户。

他主导开发了基于人工智能与深度神经网络的数据资产价值挖掘、经济与行业分析、股票走势预测等产品与模型,并参与多项人工智能应用相关发明专利与软件著作权的研发。

David 毕业于英国格拉斯哥大学,拥有理学硕士学位;持有量化金融分析师(CQF)、金融风险管理师(FRM)、资产评估师(CPV)等专业资格,并取得工信部 AIGC 应用工程师(高级)、CFA 协会投资数据分析、职业 Python 程序员(PCPP)等认证。

杨扬讲师照片

杨扬

德勤金融服务业高级审计师 · CICPA

私募基金审计非上市股权估值 Excel VBA 与 Python生成式 AI 落地

杨扬是德勤金融服务业高级审计师,持有中国注册会计师(CICPA)资格,拥有六年私募基金团队工作经验,专注于私募基金审计及非上市股权估值服务,具备丰富的估值项目经验和扎实的财务会计专业能力。

他擅长运用 Excel VBA、Python 及生成式人工智能等工具开发自动化、智能化的财务与估值模型,优化数据处理、审计及估值分析流程,提升项目执行效率与交付质量。

作为 AI 技术赋能的积极实践者,杨扬自主开发了多款 AI 效率工具,持续推动人工智能在财务审计、估值分析及日常业务流程中的落地应用。