对人工智能技术在普惠金融中应用的思考

谢林

【摘  要】目前，人工智能技术在普惠金融的实践中已经得到了较好的应用，主要是基于Logistic模型、决策树、神经网络以及支持向量机等模型的应用。但在实践应用过程中，经营数据的不完整性和不连续性、人工智能系统在统计模型中的应用较为简单、特定信息和数据的集中运用以及“强化学习系统”的弱解释性都成为相关人员必须解决的问题。同时，对于未来人工智能技术在普惠金融发展中的应用，论文提出了几点有益的建议。

【Abstract】At present， artificial intelligence technology has been better applied in the practice of inclusive finance. Its application is mainly based on Logistic model， decision tree， neural network， support vector machine and other models. However， in the process of practical application， the incompleteness and discontinuity of business data， the application of artificial intelligence system in statistical model is relatively simple， the centralized application of specific information and data， and the weak interpretation of "reinforcement learning system" have become the problems that must be solved by relevant personnel. At the same time， for the future application of artificial intelligence technology in the development of inclusive finance， the paper puts forward some useful suggestions.

【關键词】人工智能技术;普惠金融;应用

【Keywords】artificial intelligence technology; inclusive finance; application

【中图分类号】F832.1;TP18                               【文献标志码】A                                   【文章编号】1673-1069（2020）03-0136-02

1 引言

近五年来，我国一直十分重视普惠金融的发展，在2015年发布了《推进普惠金融发展规划（2016—2020年）》，要求各大商业银行在2017年之前设立专门的部门负责普惠金融业务的发展，并于2017年在北京召开了“全国普惠金融业务研讨会”。同时，近年来人工智能技术在金融领域的应用呈现爆发式增长。以中国建设银行为例，截至2018年底中国建设银行以人工智能技术为风险控制基础的普惠金融贷款余额达到了6310亿，较2017年增长了2125.15亿元，增幅达到了50.78%。因此，本文在整理归纳人工智能技术理论的基础上，对人工智能技术在当前普惠金融业务应用中的问题进行了深入分析，并就未来人工智能技术在普惠金融业务发展中的应用提出了几点建议。

2 人工智能技术在普惠金融中应用的理论分析

当前，人工智能技术在普惠金融中的应用主要集中在对小微企业的信用风险评价领域，而且主要是以“有监督学习”为主，主要包括数据回归、客户分类以及模型预测几个方面，特别是决策树、神经网络、支持向量机等模型方法均已成为人工智能技术在信用风险评价中的主流理论基础。

2.1 Logistic模型应用的理论分析

近年来，一些学者应用人工智能技术进一步推进了Logistic模型在信用风险评估中的应用。熊正德等学者（2017）构造了状态转移方程，反向推测每类客户的违约概率，利用有序分类Logistic模型及ROC检验进行了信贷业务的实证研究[1]。阮素梅（2018）则利用L1惩罚Logit模型，实证检验网贷信用违约的关键因素，并利用混淆矩阵与ROC曲线等分类评价方法，检验模型的违约预测效果，研究发现L1惩罚Logit模型具有很好的变量选择功能，可以有效地识别影响信用违约的关键因素，降低管理者的监管成本[2]。L1惩罚Logit模型能够获得比普通Logit模型、支持向量机等更好的预测效果，既能够从总体上实现对信用违约状态的准确预测，又能够细致分析关键影响因素对违约概率造成的影响。

2.2 决策树算法应用的理论分析

有部分研究分析了决策树算法在信用风险评价中应用的效果，得到了较好的实证研究结果。Sideny（2014）提出使用决策树等有监督学习方法的预测欺诈行为，并通过变量筛选的方法，针对真实的在线商业数据，构造出一个比用所有变量更稳定、准确率更高的决策树模型[3]。王程龙等（2016）同时发现决策树模型在解释贷款违约原因、划分信用等级以及降低违约率等方面具有适用性强、精确度高、可解释强的优势。

2.3 神经网络方法应用的理论分析

神经网络因其在非线性模型回归预测中的良好特性，得以更好地应用在高维度的信用风险评价模型中。目前，大量的文献也对这类方法的应用进行了理论研究和实证分析。吴斌等人（2017）在考虑P2P中“软信息”较多、“硬信息”缺失的特点基础上，提出了基于BP神经网络的信用评估模型，通过“人人贷”平台收集的样本数据进行实验验证，结果表明改进神经网络评估模型比传统BP神经网络模型有更强的学习能力和预测能力。李昕等人（2018）应用BP神经网络模型对P2P借款人信用评估进行实证测评，结果表明该模型具备良好的特征抽取和知识发现能力。

3 当前人工智能技术在普惠金融中应用存在的问题

区别于以往依赖个人和专家经验的传统风险评估控制系统，以算法和人工智能技术为基础的智能化风险评估控制系统虽然帮助金融机构有效地降低了普惠金融业务运营的成本，也极大地拓宽了数据应用分析的广度和深度，但是在当前的应用实践中依然存在着不少的问题。

首先，存在小微企业经营数据不完整和不连续的问题。财务报表不规范，经营周期短，重要财务凭证不齐全等问题是小微企业在信贷业务受理过程中常见的问题和障碍，对于数据分析和应用而言，这也往往是数据层的问题，与算法或计算能力无关。因此，在业务的实践中，我们往往可以看见技术工程人员和业务管理人员之间的争执，一方表示“巧妇难为无米之炊”，而另一方则会愤怒地指责工程师根本不懂业务，提出的要求不切实际。

其次，当前人工智能技术还仅仅是对风控模型的初级应用。一般而言，大部分金融机构会采用多变量风控因素评估模型，即主要是以特征财务比率和企业主要经营指标作为影响变量，并基于数理统计推导而建立起来标准模型，包括线性判别模型、线性概率模型、Logit模型和Probit模型等。这些风控模型往往含有前提假设限制性较强、数据要求较高、灵活性和包容性较差等缺点。因此，金融机构在通过应用金融科技开展风险管理时，仅将模型分析结果作为传统人工风控判断的辅助工具，或者将风险标准定得过高，从而将大量小微企业排除在外。人工智能技术在应用中还只是发挥了统计测算的功能，并不能在模型的修正或预测方面提供更有效的帮助。

再次，特定信息和数据的集中运用降低了风险管理的有效性。目前，较为成功和有效的小微企业信贷产品都会基于一些特定的信息和数据。这些信息和数据往往和不良率有着十分高的相关度，数据的真实性和权威性也可以得到保障，例如税务数据或支付数据等。这些“赋值”超高的数据不仅互相之间具有很强的共线性，而且其贡献度极大。因此，一旦这类数据“造假”或“缺失”，整个风险控制模型便会“失真”。

最后，人工智能技术的可解释性太弱。由于金融机构在采用人工智能技术对风控模型进行强化学习时，一定会遇到“黑匣子”的问题，即系统分析得到的最终结论很难被有效解释，这就使得风险管理部门在应用该系统时无法获得有效的“正反馈”，不能准确地知道变量因子和违约概率之间的逻辑关系，从而难以判断系统风险分析的正确性和有效性。更糟糕的是，风险部门无法据此和业务部门有效地沟通下一步业务发展中风险控制所关注的主要因素。

4 总结与建议

随着大数据在普惠金融业务场景中的深入融合，人工智能技术当前遇到的问题都能在发展过程中得到解决，并将金融服务提供给传统金融理论和风险评价模型难以覆盖的小微企业群体。因此，本文也对未来人工智能技术在普惠金融发展中的应用提出几点建议：一是利用人工智能技术对目标客户进行更为有效的分类，进一步加强“无监督学习”技术在潜在目标客户分类中的應用。利用大数据挖掘和人工智能技术中不断发展的分类算法，将看似无序的海量潜在客户进行有效的分类，再由业务部门根据分类结果开发和创造新的金融产品予以匹配客户的风险特征，满足其不断增长的融资需求。二是利用人工智能技术实现产品定价的差异化和个性化。人工智能技术技术的应用使得客户的历史经营数据和市场的海量数据可以更好地为客户的风险特征进行“画像”，也进一步使得金融产品的个性化和差异化具备了很高的可行性。三是进一步提高“强化学习系统”的可解释性和可应用性。四是要构建人工智能系统的“自我纠错”机制。

【参考文献】

【1】熊正德，刘臻煊，熊一鹏.基于有序logistic模型的互联网金融客户违约风险研究[J].系统工程，2017，35（8）：29-38.

【2】阮素梅，周泽林.基于L1惩罚Logit模型的P2P网络借贷信用违约识别与预测[J].财贸研究，2018，29（2）：54-63

【3】Tsang S，Koh Y S，Dobbie G，et al.Detecting online auction shilling frauds using supervised learning[J].Expert Systems with Application，2014，41（6）：3027-3040.