人工智能环境下金融风险管理面临的机遇与挑战

申良和 泰康人寿保险有限责任公司

随着科学技术进步，现代人工智能水平发展步入快车道，以人脸识别、智能语音助理、无人驾驶、智能家居、机器人等为代表的各项下游应用正逐步渗入商业、生活各领域，加速赋能各产业运行效率。根据IDC所发布的调研报告指出：预计全球人工智能支出将在未来四年内翻一番，由2020年501亿美元增长到2024的110亿美元，复合年增长率高达20%。金融作为国民经济发展资金融通组织，在经济一体化与金融全球化大背景大，金融风险管理重要性日益突出。国内银行、保险、券商等金融机构加速布局人工智能相关产业及应用研发，为公司在未来数字化竞争时代夺得先机。与金融风险管理相关的人工智能应用在此契机下加速发展，神经网络、知识图谱、专家系统等算法不断在金融风控领域得到创新实践。

一、人工智能技术在金融风险管理领域的发展机遇

全球经济下行和金融经营管理市场化趋势对金融风险管理提出更高要求，2018年以来美国特朗普政府发动的“逆全球化”贸易战加剧了市场风险，今年上半年新冠肺炎疫情使得经济下行环境下的信用风险进一步加剧，而金融机构自身在新技术、新环境下还需面临更加复杂多变的操作风险。人工智能技术不仅为风险管理定量分析提供丰富多元化的管理工具，更为定性分析提供了新算法、新模型、新思路。

（一）人工智能在信用风险管理中的应用

信用风险是指债务人或交易对手未能执行合同所规定的义务或信用质量发生变化，从而给债务人或金融产品拥有人造成经济损失的风险。信用风险是以信用中介为主营业务的银行、第三方信贷等机构面临的主要风险类型。人工智能技术以判别违约风险作为重点应用场景，引入支持向量机、随机森林等算法对违约概率进行预测，引入专家系统对企业信用进行评级，各企业通过建立智能决策、智能监控实现对信用风险前、中、后端全流程把控。某保险资产团队通过积极探索外部企业评级变动情况，开发改进机器学习模型，改变依靠人工选择代表偿债能力相关财务指标并手工赋予权重的传统评级方式，实现无人工干预指标选取情况下迅速判断外部发债主体信用评级变化趋势。而某普惠金融平台自主研发的自动信用评估系统则可自动提出问题，并通过包括机器学习、深度学习、自然语言理解技术来感知上下文，智能控制对话流程并给出评估结论。该过程无需人工介入，可避免因个人经验不足、主观标准不统一等问题。

（二）人工智能在市场风险管理中的应用

市场风险主要指金融机构在市场经营环境中面临的风险，主要分为利率风险、汇率风险；其中利率风险主要指市场利率波动导致的以利率计价资产净值减少的风险，而汇率风险则主要针对汇率波动导致货币兑换价值损失风险。某证券公司研发的建立在金融时间序列、机器学习、深度学习、自然语言处理等相关技术基础上的自动报价与自动对冲交易系统，提供了债券定价、因子分析、文本交易要素提取等一系列智能应用。系统将割裂的银行间债券市场、交易所债券市场、金融期货市场从风险管理层面打通，提高了报价质量与交易处理效率，同时增强了风险管理能力。人工智能同样在优化量化投资策略发挥积极作用，尤其在国内以散户主导的二级市场；量化对冲模型可灵敏捕捉市场机会，避免主观情绪导致的不理性行为，通过不断修正参数，改进运行效果，实现同等风险水平下相比国外成熟市场更高的alpha收益。

（三）人工智能在操作风险中的应用

操作风险一般指因人员、系统、流程和外部事件所引发的风险，操作风险具有普遍性和非营利性特征，它存在于金融业务操作各个环节，以智能反欺诈、反洗钱为代表的风险管理智能化应用正在得到广泛应用。国内某大型银行构建的反欺诈事中风控机器学习模型，基于高维交易行为特征，可有效识别和处理风险事件，支持实时监测数十亿笔交易，避免账户交易异常或资金损失。而保险领域的智能闪赔服务也在加速推进，直接面对传统查勘定损高度依赖人工经验的行业痛点，通过引入知识图谱的大数据分析技术，降低保险理赔欺诈风险，提高客户理赔效率。某基金的智能反洗钱系统则针对客户名单监测痛点，利用人工智能技术大幅提升筛查准确度，降低误报率，使得监测效果更加精准有效。

二、人工智能对金融风险管理的挑战及应对措施

人工智能技术以大数据为基础，能大幅降低人力共工作强度，提高金融风险管理效率，但同样蕴藏巨大现实挑战。主要如下：

（一）模型风险成本

随着高级数据分析技术与智能算法的大量使用，以模型设计或使用不当为代表的风险事件正在对金融机构风险管理形成新的挑战。早期如长期资本管理公司（LTCM）倒闭折射出的模型依赖问题，由于过度相信数理统计导致投资业绩损失惨重。而当下模型被大量应用于金融风控策略的决策环节，尤其是涉及对冲的量化投资模型参数众多，任何因子在实际操作环境选取不当，或因子之间相关性在外界环境变化时发生突变，均可能导致无法挽回的后果。

针对该类问题，企业管理层需引起足够重视，并在企业内部建立适当的报告体系。模型建立不是一蹴而就，必须不断模拟改进以满足现实需要，过度依赖任何单个模型都不可取。将模型风险管理嵌入部门（如模型所有者和模型开发者），将模型开发、验证、上线和后期监测的部分工作自动化，并将验证活动集中于风险最高的领域以提高验证效率，同时加强优秀人才引入，建立企业内部技术分享平台，深入研究、优化模型表现。

（二）信息收集与泄露隐患

人工智能时代以高数据密集度为显要特征；人工智能为改进风险管理效果将产生海量数据输入需求，该需求容易引发金融机构数据采集程序的合规性问题。而人工智能时代的数据将成为核心竞争力，这一趋势反而容易导致部分内部系统防御薄弱的金融机构用户信息或交易数据被非法窃取。另一方面，人工智能技术在商业的不合规或非法使用也将带来风险事件，早期以生成式对抗网络（简称GANs）模型为基础的DeepFake技术在视频网站的“换脸”视频引发全球用户争议，该技术同样对人脸识别在信息安全、金融支付、安检设施等典型应用推广形成巨大威胁。各国监管及互联网公司不得不加大制度与技术出台来规范该技术的合法使用。

针对此类问题，企业必须加大信息收集使用规范，明确数据采集渠道、数量、范围，并严格在规范框架范围内使用信息，或与符合资格的第三方数据供应商或数据分析方案提供商建立合作关系，确保数据来源与数据应用合法合规。同时企业必须加大自身业务与客户信息安全防护方面的研发力度，严防内部信息外泄风险。目前区块链加密、量子加密等新型技术正在推动商业化应用，企业或可与第三方专业安全机构寻求信息安全保护。

（三）就业结构调整

人工智能工作效率高、边际成本低、顾客体验好的优势对现实就业结构将产生显著影响，其在金融领域的广泛应用势必推动以基础技能或标准服务为主的工作岗位职责进一步格式化、自动化，相关岗位人员存在减少甚至全部取缔风险。如人工智能在风险偏好评估、授信审批、信用动态评级、报告自动化、量化交易等方面的应用或将导致降低企业相关岗位编制配置，而其创造的新岗位如算法工程师、模型运维等则存在明显就业门槛。

企业需积极引导员工个人技能转型，在当前金融风险管理数字化发展浪潮中，掌握数据分析技能已成为基本配置技能，企业可建立学习型组织，开展空中讲堂项目，为员工积极提供多样化的技能培训机会，同时通过企业文化主动影响员工形成终身学习的良好习惯。

（四）监管真空问题

针对人工智能技术在金融风险管理领域，尤其是量化对冲、风险策略制定等场景应用导致的风险事件，由于部分算法在训练时存在判断过程的不可视步骤，无法提供具体推荐逻辑，形成决策“黑匣子”情形，导致后期风险原因排查无法追溯，责任主体不清。

关于人工智能监管具体规则制度，目前尚需进一步修订完善。新经济时代呼吁新的监管体系和框架，但当前人工智能仍处于大力发展阶段，相关应用处于“弱人工智能”层面，距离强人工智能和超人工智能存在较大差距。人工智能法律制定需与具体领域结合起来，因此当前阶段人工智能法律法规的制定缺少一定现实土壤，但监管政策维护市场秩序、促进公平竞争、保护消费者的核心目标不会变，良好的政策环境也会反哺人工智能在金融风险管理的长效有序发展，未来人工智能制度建设或将重点围绕合法合规、以人为本、平等公平、权责清晰等方面展开。