人工智能在资本市场风控领域的应用研究

刘春松

（山东九齐律师事务所 山东烟台 264000）

人工智能是工业化、信息化之后的第三个产业浪潮，用智能设备替代传统人工，智能设备从基础的简单重复性工作到能够自己识别和分析并解决相关突发事件的相对智能型工作的发展，推动了人工智能技术的多领域并行发展。工业革命最先解决的是交通、纺布和效率问题，信息产业革命进而解决了生产和财务管理及购物、结算、出行等人们生活的必需问题。人工智能时代首先解决的是传统产业的智能升级，而金融资本市场作为一个传统产业，风险控制是最基本也是必须进行技术升级的领域，在经济下行过程的竞争加剧中及互联网对于金融资本市场的冲击下，面对复杂金融环境和海量金融信息，传统金融资本市场的风险控制面临着强烈的升级需求。

一、传统金融资本市场风险控制

风险控制是金融资本市场的伴生业域。风险控制是从零开始，伴随着金融资本市场的发展，衍生出如下三种技术类管控模式：专家意见模式、数学建模模式、大数据机器建模模式。

专家意见模式是金融资本市场发展初期的针对风险控制的唯一可以量化的手段，是完全以人工经验为主的。在金融资本市场发展的初期，专家意见模式针对金融资本市场的风险控制相对有效。但伴随着整个金融资本行业的延展和交易中各种复杂环境的影响，过度依赖人工经验判断的专家意见模式已经跟不上金融资本市场发展的脚步，传统金融机构的风险控制能力已经很难适应大规模的金融资本市场发展。

数学建模是金融资本市场风险控制治理第二个阶段大范围应用的必选模式。金融资本市场初期受制于各交易单元数据孤岛的弊端，在互联网快速发展的时代，伴随着整个数据高速的互联互通，数据的纵向和横向的多域流通，作为顶层的监管层和节点的风险控制层，能够看到整个金融资本市场的数据和节点下的所有交易数据。通过有针对性地加强金融数据的交易模型系统建设，包括顶层每一个关键数据节点对于自己下一级数据的综合分析和有序的数学建模构建，可以将金融资本市场的风险控制提高到一个新的可以量化的维度，从而将风控数学建模应用模型在整个金融资本市场广泛推广。

大数据机器建模是数学建模发展的科技衍生品，也是当下金融资本市场风险控制的最主要手段和成熟经验之一。金融资本市场发展产生海量的金融数据，通过计算机软件编程的模式对于海量数据进行归类分析，剔除低价值密度数据，保留高价值密度数据并分析数据的真实性和可靠性，通过计算机多维度复杂应用计算代替传统的数学建模应用，围绕以计算机应用为主的逻辑决策树模型、风控决策树模型、逻辑决策和规则引擎决策结合的树模型等多维模型交叉应用，进一步剔除不良数据和重复数据，保留有效数据，优化数据存储模式、计算机应用模式和不法交易预警模式。大数据机器建模应用是互联网计算机信息技术发展为金融资本市场风险控制做出的巨大贡献，也是当下金融资本市场风险控制领域的最核心、最主流的风险控制应用。

二、人工智能技术服务金融资本市场的风险控制

人工智能技术是工业化、信息化后递延的下一个新技术应用浪潮，面对金融资本市场出现的各种不可预见及多发的风险，全球性的金融资本行业都在不约而同地通过人工智能技术，更新风险控制的大数据机器建模应用，尤其是架构以AI技术为背景的深度机器学习应用，是当下金融资本市场风险控制的技术核心。人工智能技术的机器学习模型是风控能力提高的技术根本，机器学习模型的构筑相对于传统的大数据机器建模，更具有细化和深入分析海量金融数据和非金融数据的能力，剔除不良数据、监控不法交易的能力更强，而且可以大幅面提高金融资本市场风控管理和合规管理的数据分析能力。通过AI深度机器学习，能够帮助监管部门和节点的风控部门对于偶发、突发或者顺势而发的风控事件做出更及时、更明智的决策和对策，处理应急事件的准确度和能力都有所提高。

人工智能技术是对于传统的金融资本市场的风险管理控制应用的新的AI技术模式。从技术层面来说，AI的本质是技术的迭代性和适应性，这也是AI技术区别于传统的数据技术分析系统的核心。迭代性体现的是AI的自适应学习过程，系统能够根据输出的结果进行自动调试，这也是AI自我学习适应性的表现。机器学习是AI技术应用的基础核心，通过机器学习，剔除传统的预先建模和抽样学习等步骤，不对出现的问题和处理的数据做任何的预先假设，对于数据处理是顺势而为得出结果。AI标识的深度机器学习在解决传统数据处理应用的基础上，对于数据识别、数据测试和基于数据测试的决策方面实现完全的基于AI的应用自动化，通过AI的自我学习能力和实用能力，从数据流中发现同维数据的关联性，提高对于偶发、突发数据的精准定位性，产生数据结果，供应节点风控部门和顶层监管部门决策需要。

AI技术在金融资本领域风险控制应用中的深度机器学习主要涵盖以下几个应用类型：监督学习、无监督学习、半监督学习和深度学习。监督学习是源于传统的预先建模方式，立足于对不良或者不法交易数据的发现；无监督学习是完全通过计算机对于数据的检测，赋予数据相应的标签，自动归类分析交易数据；半监督学习是介于监督学习和无监督学习之间的一种学习模式，对于有标签的数据直接归类，对于无标签的数据赋予标签然后自动归类；深度学习是当下人工智能技术发展的主流，在金融资本市场风险控制领域中，围绕金融资本数据，AI技术按照人脑结构和功能构筑的“层”工作方式和算法进行深度学习，也就是当下AI技术领域通说的人工智能神经网络技术，深度机器学习可实现自我分析数据、自我数据建模、自我归类数据。

人工智能技术在金融资本市场的风险控制领域的应用已经大范围展开，当下的行业应用主要集中在如下几个方面：金融机构以前端客户为中心的AI人工控制智能风险控制的应用；金融机构对于客户的自动信用评分系统模型的构建和精算决策系统的应用；金融机构以后台运营为中心的资本数据优化、风险模型管理及构筑、风险控制市场分析的应用；监管层对于金融资本市场的交易数据及交易模型和资本组合模式的管理应用；监管层对于金融机构的深度学习模型下的合规管理及实时监督应用。

三、人工智能技术应用于金融资本市场风控领域的热点

（一）人工智能AI技术服务信用风险管理

金融资本市场的信用风险的风险核心是基于商事合约的对手方违约不履行合同，或者履行合同不能对合同当事人造成的经济损失负责。用人工智能AI技术更替传统经典的信用风险线性逻辑概率模型为类人脑神经网络的层算法AI模型，对于金融资本市场的已知、未知信用风险管理能够监控得更为精准，预防得更为早期，降低信用损失风险。

（二）人工智能AI技术服务交易风险管理

金融资本市场的存在核心是交易，交易的存在是构筑在多个不同模型的基础上，传统的交易模型从数据孤岛模式到互联互通的大数据应用模式，虽然已经打通数据的通道，但是对于交易模型是否符合临时市场交易需求，是否符合永久交易市场需求，彼此数据节点之间的类交易模型是否能够互联互通，是否能够容纳足够多的海量数据交易需求等依然不能够解决。基于人工智能AI技术的人脑神经网络风险控制应用背景下建立的交易模型，能够使用人工智能AI技术的深度机器学习来监控交易模型，验证交易模型的准确度和安全度，调整交易模型的与市场同步度，沟通不同数据交易节点的类数据交易模型的互联互通，促进交易模型的外部依据人工智能AI技术神经网络监控、监督、改造、联通交易模型，维护金融资本市场交易安全。

（三）人工智能AI技术服务操作风险管理

金融资本市场的操作离不开人，人为决策是金融资本市场风险控制面临的主要风险之一，基于人为决策的操作风险，由于没有量化数据支持和操作模型，在过去到当下的过程中，都是金融资本市场风险控制的主要核心之一。

人工智能AI技术对于处理交易市场中出现的非典型数据，能够依据AI深度机器学习的能力进行层技术的迅速应对和及时处置。对于交易中出现的非正常的交易行为，特殊的网络不法的电话语音和消息对话等不法文字描述都会进行应对和处置；对于交易市场中出现的类洗钱行为和类欺诈行为，深度机器学习能够从一系列的健康交易中类别分类标签为“拟不法”，提供数据量化结果，供给风控部门进行人工干预界定，从而能够分析和检测不端操作行为，提高系统的风险管控能力，降低人为操作出现风险的概率。

（四）人工智能AI技术服务金融欺诈管理

金融欺诈是古老的金融犯罪，在发展的金融资本市场，关涉金融欺诈的不法行为是不间断的。传统的监管模型只能立足于过去产生的金融欺诈类型数据建模，不能够递延监控持续变种的新金融欺诈行为发展的实时性。通过人工智能AI技术神经网络的深度机器学习，能够从数据的不正常运行流向、操作的异常显示、交易的偶发不端现象来归类交易触发异常，进而提供给节点的风险管控部门和监管部门提供实时数据分析。基于人工智能AI技术的神经网络实施后，能够减少人为错误，能够处理非结构化的相关内容或者负面新闻之间的数据关联性，能够实时评估客户风险和系统网络风险，能够监控交易行为的合法性并比较交易行为的正常性和异常性。同时，对于金融资本市场业内员工参与的交易进行实时分析和监控，针对金融资本市场出现的可交易行为进行归类，并根据风险等级生成系统警报，根据优先级向节点的风险管控部门和监管部门发送风险管控预警。

（五）人工智能AI技术服务模型风险管理

金融资本市场传统应用的模型有数据回测、模型验证和压力测试。应用基于人工智能AI技术的神经网络深度机器学习支持下的模型风险管理，能够通过应用深度机器学习技术，使用无监督学习算法的帮助系统的模型进行数据验证，能够检测系统中的压力测试模型生成是否正常；通过AI深度机器学习，针对压力测试中出现的默认损失和默认模型概率风险，能够优化系统应用模拟场景中的数据分析，能够记录所有与变量相关的任何偏差，无障碍筛查所有相关数据，剔除异端数据、保存有用数据，能够自动计算并设立更具应用透明度和实时抗风险能力的相对有效模型。

（六）人工智能AI技术服务节点风险管控

金融资本市场是一个纵横交错的全维度交易市场，同一机构上下级之间的纵向条线交易数据管理，也有不同节点的风险管控。应用基于人工智能AI技术的神经网络深度机器学习支持下的节点风险控制管理，能够优化传统数据模型的后知后觉的异端数据感知和预警，将对于不端异常交易行为数据和不法交易行为，及时有效地提供给节点风险管控部门，及时做出风险应对。

（七）人工智能AI技术服务监管管控

基于人工智能AI技术的神经网络深度机器学习支持下的全资本市场风险控制管理，顶层的风险控制管理权限来自国家监管层。监管层应用AI深度机器学习的神经网络层技术支持下的风险管控体系，能够随时处理整个金融资本市场的海量数据，能够监控到每一个交易行为并分析交易行为的合法性和不法性，能够后台自动监控交易者是否有内外勾结等不法行为，能够自动归类是否有新类型的交易数据和交易行为，进而产生相关的交易数据分析结果和总结分析数据结果，基于此数据结果能够提供给顶层监管层应对金融资本市场已存或者潜存的金融风险，维护金融资本市场的交易安全。

四、人工智能技术服务金融资本市场风控面临的挑战

基于人工智能AI技术的神经网络深度机器学习全域服务金融资本市场的风险控制，需要面临如下三个技术挑战：数据的可用性、可选模型的透明性、传统数据和非传统数据的差异选择性。

数据的可用性体现在基于AI技术的神经网络分析的交易数据是否为可用数据，对于存在不同数据孤岛的数据通过什么方式读取及读取的数据是否保持了原有的数据特性，重要关键节点的数据标识是否为可读数据或者系统可用数据，这些关涉数据真伪的问题，都将会呈现给系统。怎么分析数据的真伪，怎样选用正确的数据和怎么处理孤岛数据及鉴定数据是否可用性，是AI深度机器学习神经网络风险控制的技术核心和技术难点之一。

可选模型的透明性是对于特定情况下，虽然基于人工智能AI技术的神经网络深度机器学习针对相应的数据风险提供了分析结果和参考模型，可是一味地根据此结果进行风险管控和应对是否完全应对了真实场景下的风险？是否合规合法？基于AI技术下的风险管控模型的设立或者深度机器学习后的自我升级版的风险管控模型是否依法合规？通过什么样的后台技术手段对于风险管控模型能够进一步地进行系统第三方剖析模型的真伪和效用，也是AI深度机器学习神经网络风险控制面临的一个技术难点。

传统数据是完全来自金融资本市场的数据，非传统数据是来源于非金融资本市场的相关数据。发展的金融资本市场的风险管控系统，应该全维度分析交易人不仅仅是在金融资本市场的交易行为，还要借助于非金融资本市场的交易行为共同比对，从而找出类型化的不法行为和不端交易，提供给监管层管控。由此带来了传统数据和非传统数据的融合方式是否能够准确还原数据的关联性？非传统数据的来源是否真实有效？比对中，海量的无用数据怎么有效剔除？这也是AI深度机器学习神经网络风险控制应用下面临的问题。

人工智能技术应用，智能的前提是人工，AI技术应用下的机器深度学习算法的识别仅仅是识别模式的相关性，这种算法的学习和识别效率完全超过了人脑，但是，也有很多的工作只能是人工处理的，AI技术应用深度机器学习也不是万能的，是不可能完全替代人脑的。

五、人工智能技术促进金融资本市场风控技术升级的意义

基于人工智能AI技术应用下机器深度学习支持的风险管理控制体系，在金融资本市场的应用是没有任何技术障碍的。人工智能AI技术为背景的风险控制系统，能够自动干预系统中相关风险、可以防止不必要产生的风险和立即危险产生的系统风险，并根据系统自我深度机器学习的结果，对更广泛风险环境的估计动态调整，帮助系统风险管控能力自我提高。

人工智能AI技术为背景的金融资本市场风险控制体系的研究和应用，任重而道远。技术发展无止境，市场变化发展无止境，人工智能技术体系下风控领域的研究，将会伴随着金融资本市场的发展而不断智能化和智慧化。