连载一| 人工智能和机器字习在金融领域的应用及对金融稳定的影响

金融稳定理事会(FSB)的成立是为了协调国际一级国家金融当局和国际标准制定机构的工作，以便制定和促进有效的监管、监督和其他金融部门政策的实施。在FSB宪章中规定，它的任务是是管理着FSB的决策和相关活动。这些活动，包括在其范围内作出的任何决定，都不具有约束力，也不会引起FSB的章程规定的任何法律权利或义务。

金融稳定理事会对关于人工智能和机器字习在金融领域的应用及其对金融稳定的影响进行研究并做出深度报告，本文是将此报告进行整理，鉴于研究报告较长，会进行分篇连载。文章主要包括以下内容：人工智能和机器学习的背景和定义、推动因素、应用场景、微观和宏观金融分析以及对金融稳定的影响进行研究分析。本篇主要阐述前两个内容。

内容

执行概要、前言

1、背景和定义

2、推动因素

3、若干应用场景

3．1以客户为中心的应用:信用评估，保险和面对客户的聊天机器人

3.11信用评估应用

3.12用于定价，市场推广以及管理保单

3.1.3面对客户的聊天机器人

3.2以运营核心的应用

3.2.1资本优化应用场最

3.2.2风险管理建模(回测和模型确认）和压力测试

3.2.3市场影响力分析(大宗交易建模)

3.3交易和组合管理

3.3．1人工智能和机器学习在交易执行中应用

3.3.。2人工智能和机器学习在组合管理中的应用范围

3.4、人工智能和机器学习在监管合规和监督中的应用

3.4.1监管科技:金融机构在监管合规中的应用

3.4.2用于宏观审慎监管和数据质量保证

3.4.3supTech:中央银行和审慎监管机构的应用以及潜在应用.

3.4.4市场监管机构应用人工智能进行监督和欺诈识別

4 微观金融分析

4.1人工智能和机器学习对金融市场的可能影响

4.2人工智能和机器学习对金融机构的可能影响

4.3人工智能和机器学习对消费者和投资者的可能影响

4.4目前关于应用人工智能和机器学习的监管考虑

5宏观金融分析

5.1市场集中度较高以及系统重要性机构

5.2潜在的市场脆弱性

5.3网络和互联

5.4人工智能和机器学习应用的其他影响

6结论以及对金融稳定的影响

执行摘要

人工智能和机器学习开始在金融领域快速应用，并且出现了很多应用项目。由此，我们就需要考虑这些应用对金融稳定的影响。由于在金融领域应用这一技术还刚开始，并且犮展也很快，没有很多数据可以用，很多分析都是比较初级的，所以需要对这一领域的发展密切关注。

很多人工智能和机器学习的应用或“应用场景”己经存在。这些应用场景主要是由供给因素像技术进步和金融数据和基础设施的可获得性，以及需求因素，如盈利需要，竞争以及金融监管需要这两方面因素推动的。目前人工智能和机器学习的应用以及潜在应用场景包括：

-金融机构和技术供应商利用人工智能和机器学习方法评估信用水平，定价，推销保险，实现客户互动过程自动化。

-金融机构利用人工智能和机器学习技术优化资本配置，回测模型，分析大宗交易的市场影响。

-对冲基金，券商以及其他公司使用人工智能和机器学习发现高回报信号，优化交易执行。

-公共部门和私人企业可以在监管合规、监管、数据质量评估以及欺诈识别方面应用这些技术。

在金融稳定委员会金融科技框架下，我们的分析表明未来几年这些技术将会逐渐得到应用以及更多的数据可用，金融稳定面临的好处和风险应该得到监控。在某些情况，这些发现也包含在金融稳定委员围绕金融科技监管和监督问题的报告中包括：

-更高效的信息处理，比如在信贷决策，金融市场，保险合同，以及客户互动中或许会提高金融体系的效率。在监管科技和监督科技中应用人工智能和机器学有助于改善监管合规，提高监督有效性。

-同时，新技术的网络效应和可扩展性在未来会导致对第三方依赖。这反过来又会导致出现新的系统性重要机构出现，这类机构不在监管范围之内。

-人工智能和机器学习的应用导致在金融市场和金融机构之间产生新的无法预料的相关关联，比如基于此前互补相关的数据源甶各类机构使用而出现的相互关联。

-人工智能和机器学习缺乏可解释件或“可审核性”可能会在宏观层面带来风险。同样，不透明模型的广泛使用会带来难以预想的后朿。

-未来会出现很多新的产品或服务，对这些产品或服务进行适当的风险管理和监督也是很重要的问题。报据其潜在的风险，包括遵守数据隐私相关协议，行为风险，以及网络安全问题,村人工智能和机器学习的应用进行评估也很重要。利用无偏数据进行适当的测试，并对工具进行训练以及反馈机制对于确保应用能够实现预先设定的目标也很重要。

总之，如果人工智能和机器学习的潜在风险能够得到适当管理，这些应用的前景会非常好。结尾部分会对治理和发展模型，以及金融机构和监管机构的责仟进行初步探讨。

前言

本报告分析了人工智能和机器学习在金融领域的应用对金融稳定带来的可能影响。本报告由金融稳定委员会金融创新网络（FSB.FIN)的专家团队起草完成，报告撰写过程中同业界公司，学术研究机构进行了交流，并借鉴了公共部门和私营机构的研究报告。本报告分析了金融机构加快人工智能和机器学习应用对金融稳定带来的潜在影响。

图片来自网络

本报告分为以下几个部分。第一部分，对报告中的一些关键概念进行界定,介绍人工智能和机器学习在金融领域应用的一些背景。第二部分介绍推动人工智能和机器学习布金融领域应用的供给方和需求方推动因素。第三部分介绍了四种应用场景：（i) 以客户为中心的应用；（ii) 以运营为核心的应用：（iii)交易和组合管理；（iv)监管合规和监督。第四部分介绍了人工智能和机器学习应用对金融市场，金融机构以及消费者等微观层面影响。第五部分介绍了对金融制度带来宏观层面影响。最后，第六部分总结评估了人工智能和机器学习对金融稳定的影响。

1. 背景和定义

计算机科学和统汁学领域的研究专家己经研究出非常前沿的技术，可以从大量分散的数据集中分析出有用的结论，数据可能会有很多种，来自不同的数据源，数据质量也不同（结构性和非结构性数据）。这些技术可以帮助计算机从经验中学习，让计算机执行任务，比如识别图像，处理自然浯言。使用计算工具解决传统上需要人类技能来完成的任务，这个过程被广泛地称为是‘人工智能’ （AI）。人工智能已经出现了几十年。但是最近在计算能力以及数据可获得性和数据质量方面的发展推动了人工智能潜在应用的复苏。这些应用已经用于诊断疾病，翻译语言，以及驾驶汽车；并且也越来越多地应用在金融领域。

在人工智能领域有很多专业术语，在继续本报告内容之前有必要时一些术语进行定义。‘大数据'是一个术语，现在还没有单独的一致的定义，但是该术语主要是指使用各类技术包括人工智能对大量和/复杂数据集进行存储和分析。这类大规模复杂数据集的分析经常被称为‘大数据分析’。大数据集分析中相对较为复杂的地方是数据集中非结构性或半结构性数据。

本报告将人工智能定义为能够让计算机完成以前由人类智能完成任务的理论和计算机系统。人工智能是一个比较广泛的领域，其中‘机器学习’是一个细分领域7。机器学习可以定义为设计一系列行动来解决问题的方法，也就是算法，其可以通过经验和有限人类参与或无需人类介入就可以自动优化。现在随着各种数据源以及获取数据方式的创新，上述技术可以用于在海量数据中（大数据分析）找出规律^

表1:人工智能，机器学习和大数据分析示意图

很多机器学习工具是利用统计方法建立起来的，很多研究人员对这类统计方法非常熟悉。这包括扩展线性回归模型，可以处理数百万个输入变量，或使用统计技术处理大型数据集进行可视化处理。

但是机器学习框架则更加灵活：机器学习算法识别出的模式并不限制于经济和金融分析中占主导的线性关系。总之，机器学习可以（自动）处理优化、预测以及分类问题，不需要因果推理。换句话说，将一个公司一年后的债券分类为投资级或者高收益债券可以用机器学习来完成。但是，确定哪些因素决定债券收益率水平可能无法用机器学习。

机器学习算法大概有几种分类。这些分类根据人类参与水平的不同而有所不同：

在‘监督学习’中，算法可以使用一些包含有标签的‘训练’数据。比如,一个交易数据集可能包含一些在欺诈和非欺诈数据点打上的标签。算法就会‘学会’分类的通用规则，并且可以用这些规则来对数据集中其余数据进行预测，并进行标注。

“无监督学习”是指数据提供给算法时没有任何标注的情况。算法会被要求去识别数据中隐藏的规律。比如，一个无监督机器学习算法会被要求去寻找一些和难以定价的非流动证券具有类似特征的证券。如果算法发现一组非流动证券簇，那么簇中其他证券的定价模式可以用于对非流动证券定价。

“强化学习”介于监督学习和无监督学习之间，在这种情况下，这种算法会被输入无标注的数据集，为每一个数据点选择一个行为，并获得可以帮助算法学习的反馈（可能来自人类）。比如，强化学习可以用于机器人，博弈理论和无人驾驶汽车。

“深度学习”是一种机器学习，根据人脑结构和功能特点设计出的“层”，深度学习使用的算法就在这些“层”上发挥作用。深度学习算法，其结构也被称为是人工神经元网络，可以用于监督学习，无监督学或者强化学习。

最近深度学习己经在很多领域取得显著成果，比如图像识别和自然语言处理（MLP)。深度学习算法能够发现可以归纳概括的概念，比如从一系列图像中对‘汽车’这一概念进行概括。为了推测一定期间内可能的超市销售数据，投资者可以使用一种算法从卫星图像中识别出车辆，并汁算出超市停车场中的汽车数量。NLPn可以让计算机“读取”并创建书面文本，或当和声音视频技术结合时，可以听懂语言，也可以说话。这可以让公司将此前由人工完成的金融服务职能实现自动化。

机器学习可以应用到很多不同的问题上，比如分类或冋归分析。分类算法，在实践中用得更加频繁，可以将发现的结果分成一定的类别。分类算法是基于概率的，这意味着某一结果是属于某一类的，那也只是概率非常高。一个例于可能就是动读取卖方报告，并按照一定概率将其标注为“看涨“或”看跌“，或者是估计一个没有被评级公司的初始信用评级。相比之下，回归算法预测一个有无限解决方案的问题结果（可能结果的连续集合）。这一结果会有一个置信区间。回归算法可以用于期权定价。回归算法还可以在分类算法的中间过程使用。

重要的是要指出机器学习有什么是做不了的，比如确定因果关系。通常来说，机器学习算法可以用于识别出和其他事件或模式相关联的模式。机器学习识别出的模式仅仅是相关性，其中一些人类是无法识别出来的。但足，人工智能和机器学习应用可以逐渐被经济学家和其他人用来理解复杂关系。

很多机器学习技术并不是新出现的。实际上，神经元网络，即深度学习的基础概念，刚开始是在I960年代出现的。但是，经过初步测试失败后，机器学习和人工智能无法满足人们的预期，资金迅速撤离，部分原因楚因为缺乏足够的计算能力和数据。在1980年代，又出现一波工智能领域的投资热潮，期间很多研究概念称为后来的重大突破。

到2011年和2012年，在现代计算机能力大幅增强的推动下，机器学习算法，尤其是深度学习算法，开始在图像识别，文本识别和语音识别中得到应用。很多大型高科技企业主导这种开始收购深度学习创业企业，并加快深度学习研发。此外，大数据的规模也越来越大，比如在每个信用卡交易或每个网络上词语，甚至是网站鼠标移动方面抓取相关数据的能力。

其他方面的进步也很有帮助，比如信息技术和云计算架构的关联性增强，有了云计算架构大数据可以被组织起来进行分析，有了这种规模和复杂程度的数据集，以及计算能力的增强，机器学习算法结果不断优化，其中一些会在后面的部分重点说明，这也推动了人工智能领域创业企业的投资大大增加。世界经济论坛报道2011年全球人工智能创业企业获得的投资为2.82亿美元，到2015年增长到24亿美元。人工智能领域的合并数据也迅速增加。

表2:全球人工智能收购兼并活动，2012-2017

很多应用更倾向于‘增强型智能’，或增强人类能力，而不是取代人类。即便是人工智能知机器学习领域的进步会持续下去，包括深度学习领域，很多行业也不会完全淘汰人类智能。正如一位行业观察家所说“人类参与很重要：我们不像机器，我们能够考虑周围环境，使用常识正确地看待人工智能得出的结论。”

2. 推动因素

很多推动金融科技不断发展的因素也促进了人工智能和机器学习在金融领域的应用。在供给方面，金融市场参与主体己经受益于为其他领域开发的人工智能和机器学习工具的应用。

这包括由于处理器处理速度加快带来的计算能力提升，硬件成本降低，以及可以通过云服务获得更强大的计算资源。同样，由于数据库，软件和算法的可获得性增加，导致数据存储成本，分析成本以及分析成本降低。由于网络服务的普及以及数字化进程的加快，用于学习和预测的数据集也快速增加。数据存储成本和全球数据量规模.

表3:存储成本和全球数据规模,2009-2017

推动机器学习，搜索引擎和无人驾驶汽车技术发展的同类工具可以应用在金融领域。比如，帮搜索引擎理解用户何时是指福特汽车公司(Ford Motor Company，而不是说过一条河（fording a river)所用的物体识别工具，现在可以用于快速识别和公开上市公司相关的新闻或社交媒体数据。随着越来越多的公司使用这些工具，企业会有更强的动力获取更多更新的数据以及开发更快更好的人工智能和机器学习工具。

金融领域的多数技术进步都是因为基础设施和数据。电于交易平台的发展伴随着结构性高质量市场数据的增加。在一些国家像美国，市场监管者允许公开上市的公司使用社交媒体公开发布声明。市场的数字化除了可以让机器学习可以获得更多的金融数据之外，还可以让人工智能算法直接和市场互动，基于复杂决策执行实时的买单和卖单，在很多情况下都只需要很少的人类介入。同时，自1980年代以来个人信用评估系统越来越普遍21，自1990年代以来计算机也可以读新闻。随着金融市场中数据的增加以及数据集一如包含有关于市场和消费者金融信息的网络搜索趋势，收视模式和社交媒体一在金融领域还有更多可以挖掘利用的数据源。

在需求方，金融机构也愿意应用人工智能和机器学习满足业务需要。在降低成本，风险管理，以及效率优化方而存在的机会也推动了人工智能的应用，因为这都会带来更多的盈利。最近的一项研究中，来自业内的数据表明金融业应用人工智能和机器学习的重点领域如下：优化代客理财流程；在应用人工智能帮助决策的员工和系统之间互动；为客户开发新产品和服务。在很多情况下，这些因素也会促进竞争，市场参与者会逐渐发现在应用人工智能和机器学习方面跟上其他竞争对手的步伐很有必要，这其中包括声誉原因。

表4:金融领域应用人工智能和机器学习的供给方和需求方因素

此外还有监管合规需要。新的监管规定增加了对高效监管合规的需求，这又推动银行自动应用新的分析工具，包括应用人工智能和机器学习。金融机构正寻找成本更低，并且符合监管要求的方式，像审慎监管，数据报告，更好地执行交易，以及打击恐怖主义融资地反洗钱规定（AML/CFT)。

因此，监管机构在评估更多复杂同时又快速增加的数据集方面责任重大，这又要求要有更强大的分析工具更好的监管金融业。表4表明这些供给和需求因素如何结合起来。

很多因素会影响人工智能和机器学习在金融领域的应用范围。这些因素包括数据源数量的增加以及获取数据的及时性；数据仓库，数据粒度以及数据种类的增加；以及提高数据质量的各种努力。硬件能力的持续提升以及人工智能和机器学习软件即服务的发展，包括开源库，都会影响持续的创新。硬件方面的发展包括芯片和量于计算，这都会催生出处理速度更快、更强大的人工智能技术。这些发展还会使得使用更强大的人工智能和机器学习工具成本更低，获取渠道更广泛。这些会让我们实时获得针对大型复杂数据集的分析洞察结果，比如网络用户行为或全世界各个角落物联网传感器的实时数据。

同时，专业的软件服务会越来越普遍。有些软件服务过去几年已经实现了开源，为研究人员提供机器学习现成的工具。还有越来越多的技术供应商Wie金融市场机构提供机器学习技术，包括抓取新闻和大型数据的公司，也包括帮助用户识别具体特点（如浏览的网页）的公司。这些行为和某些事件相关联，有些公司非常想对此进行预测。随着为金融机构提供数据、清洗数据、组织数据和分析数据的服务出现，用户从数据中获取专业分析的成本就会大幅降低。因此，金融领域中使用同类信息和技术的不同用户之间的风险就会增加。

关于数据的法律框架也可能会影响人工智能和机器学习工具的应用。侵犯个人数据或不是为了消费者利益使用数据也会导致数据保护立法。此外，新数据标准，新数据报告要求的发展，以及金融业制度变革都会影响人工智能和机器学习在具体市场的应用。

下周会对人工智能和机器字习的应用场景、微观和宏观金融分析以及对金融稳定的影响进行刊载。

文章来源：点滴科技资讯