南方科技金融研究院智慧金融中心是南方科技大学下属的科研机构，致力于成为全球领先的科技金融研究机构。中心依托深圳的区位优势和南方科技大学的学术资源，旨在推动中国智慧金融的前沿发展，解决中小微企业融资难题，促进金融科技创新，以及提升金融服务的智能化和普及化水平。围绕中央金融工作会议提出的"科技金融、绿色金融、普惠金融、养老金融、数字金融"五篇大文章，通过科研创新类建设项目，旨在构建完善的中小微企业信用评估体系，并探索金融领域与大语言模型的结合，打造买方投顾系统。

1、数据驱动的城市火灾保险风险评估：              
当前快速城市化背景下，国内城市火灾事故频发，作为风险转移的重要手段，火灾财产保险的前景广阔。当前缺乏有效数据和精准的风险评估手段作为支撑，从而导致城市尺度的火灾风险评估结果不准确。本研究将基于大数据与机器学习方法，构建科学的火灾风险评价指标体系和预测模型，定量分析火灾风险因素，推断火灾与区域经济、社会活动、城市结构的因果关系，解析城市火灾分布演化规律，开发通用及专题火灾风险评估模型并绘制火灾风险区划图，为火灾保险行业提供精准的风险评估决策支持。

2、大模型在应急管理中的应用：
应急管理系统面临响应速度不足、决策质量受限以及信息分类和处理效率低下等一系列挑战。本研究旨在通过引入和集成大型语言模型，全面提升应急管理系统的响应能力和决策水平。通过深度学习和自然语言处理技术，提供高效的信息分类、总结等应急语言服务，辅助应急人员理解和处理不同的应急场景；针对紧急呼叫中的关键词、指令和情感信号进行即时识别，减少信息获取和解析的时间，提供更准确、实时和个性化的应急语言指导。这种集成方法提高了应急管理中的效率，为应急管理领域提供了一种新的技术支持手段。

3、高维时序数据的降维与特征挖掘：
随着深度学习和低秩张量建模的快速发展，现有方法集中于如何将这两种方法结合起来，但在深度网络模型的参数压缩和异构数据动态特征挖掘方面仍有不足。麻省理工团队提出了低秩诱导对深度网络模型参数的压缩能力，但忽略了数据本身特征的挖掘。国内香港科技大学团队提出了低秩塔克分解实现对传统自回归模型的特征挖掘，但并未讨论深度网络的赋能问题。本研究在“编码器-解码器”框架中引入低秩张量分解，对模型压缩进一步压缩，并在塔克分解下实现关键动态特征提取，突破了传统方法在时变系统建模中的局限性。

1、数据驱动的城市财产保险风险评估项目
与中国平安保险（集团）股份有限公司合作，研究火灾风险评估模型在财产保险定价和理赔流程中的应用。具体内容包括：基于平安保险提供的保单数据和风险管理需求，开发风险分级与精准定价系统，优化现有保险产品的风险覆盖范围。

2、多元大数据视角下的养老服务覆盖率和公平性的研究
深层次揭示问题：通过大数据收集与分析，可以更长期地，准确地追踪养老服务在多重区域，不同群体，不同空间的覆盖情况和公平性问题。
动态优化资源配置：基于大数据分析结果，不同于一般的宏观数据分析，更有助于政策制定者细粒度的优化资源配置，提高养老服务的效率和效果。
制定针对性政策：研究结果可以为制定更加公平、有效的养老服务政策提供量化依据，特别是针对服务不足的地区和群体。防止‘一刀切’政策下有限的养老资源被低效的利用。
促进社会公平：通过提高养老服务的覆盖率和公平性，有助于缩小城乡之间、不同地区之间以及不同社会群体之间的差距，促进社会的整体公平和谐。