全球央行人工智能报告：四大场景颠覆金融体系

来源: 智能内参   

金评媒（https://www.jpm.cn）编者按：从供给端看，人工智能和机器学习为金融市场参与者提供了可用的工具，包括云服务、更快的数据处理/解析、更低成本的目标数据库、能够自动学习和进行预测的数据模型等。

人工智能正在成为金融科技的热点项目，可以用于交易风险评估和实施监管、市场趋势预测等，打通金融机构、供应商和客户之间的信息壁垒，提高工作效率，降低运营成本，迎合多变的市场环境，发展新型商业模式。

本期的智能内参，我们推荐来自金融稳定委员会（FSB）的金融科技报告，阐述人工智能和机器学习在金融服务领域的用例，及其对于促进市场发展和维护金融稳定性的作用。

以下为智能内参整理呈现的干货：

一、AI引起了“全球央行”的注意

在2008年全球爆发金融危机的局面下，2009年4月初伦敦G20峰会决议设立一个全球的金融监管体系，并于该年6月27日正式运作，专家称其为“全球央行”，此即金融稳定委员会（Financial Stability Board，简称FSB）。

金融稳定委员会的具体职能包括：评估全球金融系统脆弱性，监督各国改进行动；促进各国监管机构合作和信息交换，对各国监管政策和监管标准提供建议；协调国际标准制订机构的工作；为跨国界风险管理制订应急预案等。

▲2012-2017年全球人工智能并购活动

随着计算机和大数据的发展，近两年人工智能技术越来越多的应用于诊断疾病、翻译语言和驾驶汽车等。世界经济论坛报告显示，全球针对人工智能创企的投资从2011年的2.82亿美元增长到2015年的24亿美元，此间并购交易也在加剧。

▲人工智能、大数据分析、机器学习、深度学习、监督式学习、增强学习、非监督式学习之间的关系

人工智能，可以执行那些传统算法无法解决，需要人工辅助的任务的计算机系统，其在金融领域的应用潜力引起了FSB的注意，并发布了本报告（人工智能和机器学习之于金融服务）。

▲从供需角度理解人工智能和机器学习在金融领域的应用

从供给端看，人工智能和机器学习为金融市场参与者提供了可用的工具，包括云服务、更快的数据处理/解析、更低成本的目标数据库、能够自动学习和进行预测的数据模型等。

与此同时，在更快更可靠的电子交易平台和经济数字化下，机器学习算法能够接触更多公开、实时的交易数据和企业公开声明（美国的市场监管机构已经允许交易公司利用社交媒体发布公共声明，且上世纪90年代之后新闻就已经能被计算机理解了），结合来自社交媒体、在线搜索趋势、收视数据等给出的消费者信息，从而实现复杂的交易指令和信用评估等。

▲2009-2017年间全球数据存储成本（蓝线）和数据可用性（红线）发展示意

从需求端来看，金融机构能够利用人工智能和机器学习发展新的业务需求，降低成本，管理收益风险，提高运作效率，优化客户流程。因此，越来越多的金融机构主动引进相关技术增强竞争力和品牌热度，剩下的也不得不采取措施迎战。

为了优化成本结构，金融机构也在积极的与监管方寻求合作项目，如保险条例、数据报告、最佳执行交易、反洗钱和金融恐袭预防（AML/CFT）等。因此，监管机构需要应付更多更复杂的数据信息，平衡其与数据保护之间的关系。

二、四大智能金融用例

面向客户：信用评分、保险和聊天程序

人工智能和机器学习已被广泛用于金融机构的前台，大型的客户数据被导入聊天程序，使其能够为客户“面对面”的用自然语言交流，提供信用评估和风险提示，给出贷款额度。

先来看信用评估工具，主要基于历史交易数据（信用账单、是否及时缴纳水电费等）和AI评分模型（回归、决策树和统计分析之类的工具），它可以帮助加快贷款决策速度，限制增量风险。除了金融机构已经有的结构化数据，非结构化和半结构化的数据源（社交媒体活动、手机使用和短信活动等），甚至金融环境和金融周期，也逐渐成为信贷等级评估参考。当然，关于个人数据的隐私和保护问题现在还是一个政策争议点，机器学习本身的逻辑不可理解性也会受到质疑。目前，已有掌握该技术的美国公司瞄准缺乏信用评估机制的中国市场。

再来看保险的定价、营销和管理，基于实时、高精的消费数据（在线购物行为或汽车行驶里程）等，AI可以帮助保险行业进行定价决策和损失评估，减少索赔处理时间，提高盈利能力，降低运营成本，这一领域的AI应用，美国、英国、德国和中国等国都在进行积极普及。潜在的数据错误，以及利益驱动下排除某些群体的问题是争议点。

最后来看聊天程序，即助客户进行交易或解决问题的虚拟助手，也称聊天机器人。这些自动化程序能进行文本和语音识别，与客户用自然语言进行交流，给出财务建议，帮助客户进行财务决策，金融机构也可以通过聊天程序与客户的互动来获取客户信息。目前，亚洲金融机构监管机构已将聊天程序投入使用。

面向运营：资本优化、风险模型、市场分析

人工智能和机器学习开发出来的应用程序可以帮助金融机构进行资本优化（银行），提供风险管理模型（反向测试和模型验证），并对交易的市场影响进行分析（大头寸交易的建模）等。

先来看资本优化，传统银行严重以来数学（函数）方法进行，但人工智能和机器学习基于大数据分析给出的方案不仅更快（计算能力强），考虑的维度也更全面。2012年，有行业观察人士指出大多银行声明已经在利用很牛的程序优化风险加权资产（RWA），节约了5%至15%。衍生品利润率也在优化的范畴，比如利润率估值调整（MVA）。与此同时，清算和双边保证金的新规定增加了对优化资本和初始保证金的复杂技术的需求。

再来看风险模型，即利用人工智能和机器学习算法对大型、非结构化和半结构化的数据集进行分析，考虑到市场行为、监管规则和其他趋势的变化，进行反向测试、模型验证和压力测试，避免低估风险，提高模型容错性，提高透明度。目前，美国和欧洲的一些监管机构已将AI引入风险管理，一家全球性的企业和投资银行也将无人监督算法引入验证模型。

最后来看市场分析，人工智能和机器学习可以补充传统的市场影响模型，从零散的历史数据中获得更多信息，帮助识别非线性关系，评估交易（包括自家公司的交易）对市场价格的影响，创造“交易机器人”自学如何对市场（价格波动和流动性）变化做出反应，求解对市场影响最低的交易行为。

面向交易和投资组合管理

除了上述环节，人工智能和机器学习正被一些公司应用于自主的（无监督的）设计交易和投资策略。

对于交易执行方（卖方）而言，他们希望用人工智能和机器学习算法提高销售能力，比如从历史交易数据挖掘客户行为，提供语音、文本服务（聊天程序）并从中挖掘新的客户信息，导入电子平台数据池，帮助公司满足非股票市场的交易前交易和交易后的透明度要求。与此同时，基于AI技术的风险建模可以帮助银行提供风险配置方案。

对于投资组合管理方（买房）而言，人工智能和机器学习可以从更数学的角度理解市场行为，给出市场预测（价格波动）及其时效性，带来直接和间接的更高回报。有业内人士评估，纯粹被AI管理的资产大概有100亿美元，这个数字正在快速增长。不过很多量化基金表示，在不清楚怎么回事的情况下，他们不愿意完全自动化。此外，企业对于数据共享的意愿和标准都比较暧昧。因此，算法需要考虑监管规则和可理解性。

面向法规和监管

监管科技是金融科技的一个子范畴，预计2020年市场规模将发展到64.5亿美元，复合年增长率（CAGR）76%。

对于非结构化数据（电子邮件、语音、即时消息、文档和元数据）而言，监管科技本质上是机器学习与自然语言理解的结合。在欧盟，投资经理必须遵从MiFID II、UCITS、AIFMD等指令，而机器学习可棒帮助用通俗的语言解释这些规则。此外，AI还被用于客户身份认证（KYC），直戳金融机构最贵、最费力且高度重复的痛点。

此外，AI算法还能对交易数据（TRs）的质量进行评估和筛选。目前已有金融机构（杜克贝克）的金融科技实验室采用监督式学习算法自由识别文本字段，自动检测不符合强制清算要求的事务。

机器学习还可用于识别异常交易和风险主体，检测和预测市场波动、流动性风险、金融压力、房价、工业生产、GDP以及失业率，评估用户情绪，抓住可能对金融稳定造成的威胁。央行可以利用人工智能来协助货币政策评估。

一些监管机构，如澳大利亚证券及投资委员会（ASIC）、新加坡货币当局（MAS）、美国证券交易委员会（SEC），正在使用人工智能进行可疑交易识别。具体做法包括从证据文件中识别和提取利益实体，分析用户的交易轨迹、行为特征和关联信息，更快更准更省力的打击通过银行系统进行的犯罪活动（反洗钱）。

三、微观财务分析

人工智能和机器学习可极大的提高信息处理效率，减少信息不对称性，增强金融信息功能系统，从而帮助市场参与者更大规模的手机信息和更全面的分析相关牵动因素，实时的调整交易和投资策略以适应当下的金融环境，建立缓冲机制，通过各种渠道（自动化业务流程、根据需求分析分配资源分布等）降低成本和风险（发现欺诈、洗钱、违约、网络攻击等），鼓励金融机构开源数据与行业中的其他部门、企业合作，帮助稳定整个金融系统。特别指出的是，算法依赖于第三方开发人员和服务商，且未必有可理解性，需要结合人类员工的观察、评估结论，注意可能造成操作风险。

此外，消费者、中小企业也可以通过AI技术享受更方便的借贷学习，享受更便宜、更广泛的金融服务，获得针对性的财务规划方案，推进惠普金融。当然，其中可能涉及的种族、宗教、性别等敏感数据所属的AI伦理范畴有待更广泛的讨论。

鉴于人工智能和机器学习是相对较新的事物，缺乏相关共同认知和国际标准，并存在数据安全和隐私、操作风险、社会伦理等问题，因此需要国际标准制定者和监管机构等多方协作努力，避免不恰当的使用造成系统风险放大。目前，已经有国际证券委员会（IOSCO）发表了AI在市场监控、数据手机、跨境合作方面的技术影响，高级监管机构（SSG）也对算法的可践行性和相关控制进行了剖析，巴塞尔银行监管委员会（BCBS）也将该技术考虑到公司内部政策和程序中去以保证开发过程的一致性。

四、宏观财务分析

从整个经济体的角度来看，人工智能和机器学习可以帮助提高金融服务的效率，避免无效和失误行为，将资金分配给有需要且有价值的投资者和项目，降低支付和结算成本从而造福个体投资者、消费者，可以刺激实际经济活动，影响金融市场的集中度，使整个体系收益。

此外，人工智能和机器学习所属的数字经济也将促进金融服务和各个行业之间的协作，比如电子商务、共享经济等，打通各环节链路，提高资源利用率，发现新的经济增长点。而人工智能本身作为一个新的产业，不仅将收到先锋/创新企业的追捧，对于那些还没采纳AI的企业而言，也不得不买装备应战，从而带动一个新的经济增长点。

但值得注意的是，更有效的信息处理可能带来宏观金融维稳的同时，也可能提供高频交易这样打破市场规则的行为。部分公司可能使用人工智能或机器学习技术利用更低的交易成本获得更高的回报。换言之，AI增强了金融市场的流动性，但复杂的交易过程和风险是否是AI技术和整体金融环境能够承受的，难下判断。目前，更多样化的风险分担结构，或者说金融体系中更紧密的相互联系可能有助于分担风险。如毕马威所说，金融机构应缩短开发的反馈周期，将开发项目分成若干个迭代周期，以适应多变的经济环境和需求市场。

此外，AI可能破坏保险行业的风险分担功能，算法偏见可能导致不受欢迎的歧视，在伦理层面可能受到的冲击也值得注意。

智东西认为，金融行业的数学性加上大量的结构化、非结构化数据，使其成为人工智能的一个重要落点，带来更高的效率和更低的成本，且智能金融（AI+金融）也吻合了更全局、精准的数字经济大趋势，迎合多变的市场环境，带来惠普金融、电子商务、共享经济等新的增长点。因此，AI+金融/智能金融成为一个新的风口，一个能够获得监管支持、多机构分担风险的风口。

附：

1、名词释义

机器学习，是人工智能的一个子范畴，灵感来自大数据分析，泛指能够进行自动优化的算法，包括监督式学习（算法会提供一组包含标签的“训练”数据）、非监督式学习（提供给算法的数据不包含标签）、增强学习（在监督和非监督学习之间进行：算法被输入一个未标记的数据集合，为每个数据点选择一个动作，并接收反馈）、深度学习（受大脑结构和功能的启发，使用了在“层”中工作的算法，该结构被称为人工神经网络，可以用于监督，无人监督，或强化学习）等。

2、算法与应用

2011到2012年间，由于现代计算能力的飙升和机器学习算法，特别是深度学习算法的提出，人工智能的概念再一次火了起来。深度学习可以应用于不同类型的问题（分类、回归分析等），因此在图像识别和自然语言处理等领域产生了显著的效果，而这些技能之于汽车/自动驾驶、医疗、法律、金融等领域意义重大。

（编辑：杨少康）

来源: 智能内参

财经360