雷火竞技首页

小知识|人工智能在金融行业的应用
发布时间:2026-07-27
 是人工智能。可定义为用于执行以往需人类智力执行任务的计算机系统理论与发展。  二是机器学习。它是人工智能的分支,可定义为设计一系列行动来解决问题的方法(即算法),通过学习经验来实现有限或无需人力干预下的自动优化、预测、分类,但不能用于因果推理。  三是深度学习。它是机器学习的一种形式,使用受大脑的结构与功能所启发的“分层”算法。其算法结构被称为人工神经网络,可用于监督式学习、无监督学习、增强学

  是人工智能。可定义为用于执行以往需人类智力执行任务的计算机系统理论与发展。

  二是机器学习。它是人工智能的分支,可定义为设计一系列行动来解决问题的方法(即算法),通过学习经验来实现有限或无需人力干预下的自动优化、预测、分类,但不能用于因果推理。

  三是深度学习。它是机器学习的一种形式,使用受大脑的结构与功能所启发的“分层”算法。其算法结构被称为人工神经网络,可用于监督式学习、无监督学习、增强学习。近年,它在图像识别与自然语言处理(NLP)等诸多领域取得丰硕成果。

  四是自然语言处理。它是计算机科学领域与人工智能的一个重要发展方向,研究实现人与计算机之间用自然语言进行有效通信的各种理论和方法。

  五是大数据分析。它可定义为对大型、复杂的数据集进行分析的过程。由此,人工智能概念包含广泛,有诸多分支。

  ◐­处理器速度加快、硬件成本降低、云服务普及等因素,促使计算能力极大增强。

  ◐开发出目标数据库、软件、算法,促使数据存储、解析、分析的成本大幅降低。

  ◐数字化和网络服务日益普及,促使用于学习和预测的数据集快速增长。2009—2017 年,全球以数字形态存在的数据量从2泽字节(ZB)增至26 泽字节,增长了12 倍;而每太字节(TB)的存储成本从9 美分降至0.5 美分,下降了94%。

  ◐电子交易平台、零售信贷评分系统等金融基础设施日益完善,结构化的高质量市场数据日益增加,市场的电脑化使人工智能算法与金融市场实现了直接交互。

  ◐网络搜索趋势、收视率模式和社交媒体等数据集,以及金融市场数据日益增长,促使金融领域可供挖掘的数据来源日益增加。

  因为人工智能具有降成本、获风险管理收益、提高生产力从而增强盈利能力的潜力,促使金融机构将其用于满足业务需求。Finextra & Intel认为,将其用于金融领域的优先顺序为:优化客户服务流程,在应用人工智能的系统与人员之间建立互动来加强决策,为客户开发新的产品与服务。而这些应用可能导致“军备竞赛”,即市场参与者争相跟上竞争对手的步伐。

  (1)不断出台的数据法律框架、数据标准、数据报告要求、金融服务制度,提高了金融机构对合规性的需求,促使其不断提高自动化水平并采用新的分析工具。(2)监管机构承担着评估更大、更复杂、更快速增长的数据集的责任,需要更强大的分析工具对金融机构实施更有效的监管。

  以往的多数信用评分模型,使用金融机构的交易与支付数据(多数为非结构化数据),并运用回归、决策树、统计分析等工具来生成信用评分。近年,银行等金融机构日益使用新型的非结构化与半结构化的数据来源(如社交媒体、手机和短信)来捕捉借款人的信用,并用人工智能来评估消费者行为和支付意愿等定性因素,使筛选借款人的速度更快、成本更低。

  机器学习算法能提高信贷可得性。以往的信用评分模型要求借款人有大量历史信用信息,这些信息被认为是“可评分的”。若缺乏这些信息,则无法生成信用评分,即使信誉良好的潜在借款人,也难以贷款。而使用新型数据来源和机器学习算法,则能评估借款人的偿债能力和意愿,进而促成信贷决策。这尤能使信贷市场尚不成熟的经济体受益,比如我国。

  近年,有些国家涌现了一批将服务目标定位为银行难以覆盖到位客户的金融科技创业公司。比如,有的使用算法和新型数据来源为信用档案“瘦”的个人(之前被其他贷款机构拒绝)提供信用评分;有的利用大量传统银行数据,将手机银行业务与银行数据、人工智能整合起来,协助开展金融管理与预测,并以此作为开发客户信用记录的第一步。

  保险业将人工智能用于分析大数据并以此作为保险定价的基础,其中保险科技(InsurTech)是关键。中、美、英、德等国在保险科技中采用人工智能的程度非常高,比如用于协助保险代理商利用保险公司所收集的大型数据集进行分类,找出风险较高的应用,以减少未来的索赔额。有的保险公司运用人工智能来整合实时、高度细化的数据(如在线购物行为或遥测),以改进保险产品的定价或营销。

  人工智能还能显著扩大保险功能,尤其在承保与理赔方面。承保方面,基于NLP 的人工智能系统能扩展大型商业承销和人寿保险或伤残保险业务。这些工具能从过去理赔的训练集中学习,模仿人类的关键考虑。理赔方面,人工智能可用于确定维修成本并自动判定交通事故车辆的受损程度,减少索赔处理时间与运营成本。保险公司还在探索将人工智能、远程传感器用于检测、预防发生可保事故,如车祸或化学品泄漏。

  据Accenture(全球最大的管理咨询、信息技术和业务流程外包的跨国企业)2017 年估计,2016年全球保险科技投资达17 亿美元,26% 的保险公司为数字创业公司提供货币或非货币支持(如辅导),17% 的保险公司在内部建立了风险投资基金或投资工具瞄准技术。

  它是用于帮助客户处理问题的虚拟助手。它使用NLP 以自然语言(即文本或语音)与客户交互,并使用机器学习算法来优化。许多金融服务公司在其移动应用程序或社交媒体上引入聊天机器人。不过多数还处于试用阶段,功能比较简单,通常仅为客户提供余额信息、警报或回答简单问题。它正加速向客户提供建议并引导客户采取行动的方向转变,智能程度不断提高。除了协助客户作金融决策,金融机构还受益于聊天机器人与客户交互所获得的客户信息。保险业也在探索使用聊天机器人来提供实时的保险建议。

  使用数学方法优化资本(即实现稀缺资本的利润最大化)历来是银行追求的目标。而建立在计算能力、大数据、最优化数据概念基础上的人工智能,能提高优化资本的效率、准确性与速度,因而成为学界与商界近年关注的话题。当前,几乎所有银行都在实施优化风险加权资产(RWA)的计划,并取得明显成效,节省了5% ~ 15% 的RWA。衍生品保证金领域也在优化资本,如调整保证金评估机制(MVA)。清算和双边保证金方面的新规,也提高了对有利于优化资本和初始保证金的先进技术的需求。

  学者与业界认为,人工智能将很快用于模型风险管理。近年来,欧美审慎监管机构通过提供模型风险管理方面的指导,重点关注银行所使用的回溯测试与模型验证。回溯测试很重要,因为它通过一系列金融设置,能观察市场行为与其他趋势的变化,评估银行风险模型的表现,以降低低估风险的可能性。也有企业和投资银行使用无监督学习算法进行模型验证,帮助判定这些模型是否在可接受的公差范围内执行或偏离了预定目标。

  另外,金融危机后日益增加的压力测试,成为银行面临的一个严峻挑战。当前,有些人工智能供应商与大型金融机构密切合作,开发工具来帮助它们对资本市场业务进行建模,以限制场景分析中用于损失违约率(LGD)和违约概率模型(PDM)的变量数量。这些工具使用无监督学习方法来审查大量数据,记录与变量选择相关的偏差,提高模型的透明度。

  它用于评估公司的自身交易对市场价格的影响。Sebastian Day估计,最活跃的量化基金2/3 的交易收益因市场影响而受损。因而,准确估计交易的市场影响成为公司选择交易时机并实现交易成本最小化的关键。而以往因历史数据少,难以就公司自身交易对市场价格的影响进行建模,尤其是对流动性较差的证券。如今通过对原有模型进行扩展或引入机器学习方法,建立市场影响模型,能获取更多信息,从而实现对市场价格或流动性影响的最小化。具体而言,该模型可用来描述如何以先前的交易作为起点,并避免交易安排过紧,使得市场总体影响小于各部分之和。同时,该模型可为一系列情景设定最佳交易时间表,然后根据真实的交易进度来调整,并使用监督学习技术来进行短期预测,从而确定这些调整。

  (1)交易公司尝试运用人工智能来改善其销售能力。比如,分析客户的历史交易行为有助于预测客户的未来订单;随着“语音- 文本”服务使用量的持续增长,这将产生电话交易方面的数据,并与电子平台的数据池相结合。(2)提高公司管理风险敞口的主动性。人工智能可作为证券交易所风险建模的基础,以确定会员的交易账户头寸风险是否增加到需干预的程度。诸如银行这类大型交易公司,通过使用基于大数据分析的风险管理技术来集中各类业务所带来的风险,实现对风险的有效管理以及资本优化。

  将人工智能和机器学习工具用于识别价格变动的新信号,并利用比现有模型更有效的大量可用的数据与市场研究,以预测不同时期的价格水平或波动性,从而产生更高的“不相关”回报。同时,资产管理公司还将机器学习广泛应用于量化基金,其中多数是对冲基金。专业公司还向资产管理公司提供机器学习工具,以从大量新闻和市场研究中获得有价值的线索。

  (1)识别客户身份。金融机构将人工智能用于解决最大的痛点之一“了解你的客户(KYC)”,因为其代价高、费力且高度重复。近年,它日益用于金融领域的远程身份识别与后台预检。它主要有两种使用方式,即评估文档中的图像是否相互匹配以及计算风险评分,以确定公司的哪些人或应用需接受额外审查。基于机器学习的风险评分也用于常规性的定期检查,并通常使用罪犯记录和社交媒体服务等公共与其他数据来源。使用这些数据来源可快速、低成本地评估风险与信任。公司在KYC 调查中也使用风险评分来评估提高客户风险等级的概率,以决定是否调整调查决定。

  (2)遵守新规。比如,欧盟的资产管理公司须遵守《金融工具市场指令》(MiFID II)《可转让证券集合投资承诺》(UCITS)和《另类投资基金经理指令》(AIFMD)等法规。为此,公司利用NLP 与其他机器学习工具将这些法规译为通用语言,分析与编纂成自动化规则,然后编入风险与报告系统,帮助企业遵守新规,降低投资经理解释与执行新规所需的成本、精力和时间。

  (1)监管机构不断提出新的报告要求,这使金融机构需要更多资源来及时完成报告,且报告频率更高。这不仅使监管机构利用这些大量报告的数据时会面临挑战,而且这些数据往往存在重大差错、空白字段和其他数据质量问题,需要额外检查与数据质量保证。而机器学习能提高数据质量,比如自动识别异常情况并将其标记给统计人员或数据提供源。这样既可降低成本、提高报告质量,又可更高效地进行数据处理与宏观审慎监管。

  (2)人工智能可提高场外衍生品交易数据库的数据质量,提高交易透明度,防止滥用市场,保证监管机构对场外衍生品市场和活动有全面的了解,以实现G20 改革场外衍生品市场的承诺。具体而言,经适当训练的机器学习算法不仅能匹配衍生品潜在交易与插入缺失数据,还能识别数据空缺、数据不一致和胖手指失误等问题。此外,法国魁北克金融市场管理局在其金融科技实验室成功测试了一种监督机器学习算法,能识别出场外衍生品数据中非结构化的自由文本字段的不同类别。当前,该实验室正试验基于此算法的警报,以自动检测出不符合强制性清算要求的交易。

  (1)央行将人工智能用于货币政策评估。例如,在宏观经济与金融稳定方面日益使用大数据,最常见的是经济预测,尤其是通胀与物价等经济指标;其他方面还包括预测失业率、GDP、售价格、旅游活动与商业周期(如使用情绪指标、临近预报技术)等。

  (2)监管机构使用人工智能来识别系统性风险和风险传播渠道,包括检测、衡量、预测、预判市场波动性、流动性风险、金融压力、房价和失业等情况。如意大利银行将来自Twitter(全球互联网访问量最大的十个网站之一)的文本情绪看作是(随时间变化)零售储户对银行信任程度的代理变量,试图从公众对银行体系不信任的增加中捕捉对金融稳定的潜在威胁因素。

  (1)新加坡金融管理局(MAS)利用人工智能来检测复杂的洗钱与恐怖融资行为模式(那些模式无法通过单个实体提交的可疑交易来观察),识别那些值得重点关注的可疑交易,以将监测资源集中在高风险交易上。

  (2)美国证券交易委员会(SEC)利用大数据开发文本分析与机器学习算法来检测欺诈与不当行为;使用机器学习来识别SEC 档案中的模式,该模式在监督学习下还能与以往的考核结果相比较,以发现投资经理档案存在的风险隐患。

  (3)澳大利亚证券与投资委员会(ASIC)将NLP 与其他技术结合起来,从证据文件中抓取感兴趣的利益实体及其关系,并实现这些关系的可视化;使用机器学习软件来识别特定子行业的误导性营销,比如在未取得会计师资格的情况下向客户提供理财建议。

  (4)意大利银行为了打击通过银行系统进行的犯罪活动(如洗钱),将所收集的有关银行转账的详细信息与报纸信息关联起来分析(包含了超过500 亿字节的结构化与非结构化数据)。