金融穩定理事會：人工智慧和機器字習在金融領域的應用及其對金融穩定的影響
金融穩定理事會(FSB)的成立是為了協調國際一級國家金融當局和國際標準制定機構的工作，以便制定和促進有效的監管、監督和其他金融部門政策的實施。在FSB憲章中規定，它的任務是是管理著FSB的決策和相關活動。這些活動，包括在其範圍內作出的任何決定，都不具有約束力，也不會引起FSB的章程規定的任何法律權利或義務。
金融穩定理事會對關於人工智慧和機器字習在金融領域的應用及其對金融穩定的影響進行研究並做出深度報告，本文是將此報告進行整理，鑒於研究報告較長，會進行分篇連載。文章主要包括以下內容：人工智慧和機器學習的背景和定義、推動因素、應用場景、微觀和宏觀金融分析以及對金融穩定的影響進行研究分析。本篇主要闡述前兩個內容。
內容
執行概要、前言
1、背景和定義
2、推動因素
3、若干應用場景
3．1以客戶為中心的應用:信用評估，保險和面對客戶的聊天機器人
3.11信用評估應用
3.12用於定價，市場推廣以及管理保單
3.1.3面對客戶的聊天機器人
3.2以運營核心的應用
3.2.1資本優化應用場最
3.2.2風險管理建模(回測和模型確認）和壓力測試
3.2.3市場影響力分析(大宗交易建模)
3.3交易和組合管理
3.3．1人工智慧和機器學習在交易執行中應用
3.3.。2人工智慧和機器學習在組合管理中的應用範圍
3.4、人工智慧和機器學習在監管合規和監督中的應用
3.4.1監管科技:金融機構在監管合規中的應用
3.4.2用於宏觀審慎監管和數據質量保證
3.4.3supTech:中央銀行和審慎監管機構的應用以及潛在應用.
3.4.4市場監管機構應用人工智慧進行監督和欺詐識別
4 微觀金融分析
4.1人工智慧和機器學習對金融市場的可能影響
4.2人工智慧和機器學習對金融機構的可能影響
4.3人工智慧和機器學習對消費者和投資者的可能影響
4.4目前關於應用人工智慧和機器學習的監管考慮
5宏觀金融分析
5.1市場集中度較高以及系統重要性機構
5.2潛在的市場脆弱性
5.3網路和互聯
5.4人工智慧和機器學習應用的其他影響
6結論以及對金融穩定的影響
執行摘要
人工智慧和機器學習開始在金融領域快速應用，並且出現了很多應用項目。由此，我們就需要考慮這些應用對金融穩定的影響。由於在金融領域應用這一技術還剛開始，並且犮展也很快，沒有很多數據可以用，很多分析都是比較初級的，所以需要對這一領域的發展密切關注。
很多人工智慧和機器學習的應用或「應用場景」己經存在。這些應用場景主要是由供給因素像技術進步和金融數據和基礎設施的可獲得性，以及需求因素，如盈利需要，競爭以及金融監管需要這兩方面因素推動的。目前人工智慧和機器學習的應用以及潛在應用場景包括：
-金融機構和技術供應商利用人工智慧和機器學習方法評估信用水平，定價，推銷保險，實現客戶互動過程自動化。
-金融機構利用人工智慧和機器學習技術優化資本配置，回測模型，分析大宗交易的市場影響。
-對沖基金，券商以及其他公司使用人工智慧和機器學習發現高回報信號，優化交易執行。
-公共部門和私人企業可以在監管合規、監管、數據質量評估以及欺詐識別方面應用這些技術。
在金融穩定委員會金融科技框架下，我們的分析表明未來幾年這些技術將會逐漸得到應用以及更多的數據可用，金融穩定面臨的好處和風險應該得到監控。在某些情況，這些發現也包含在金融穩定委員圍繞金融科技監管和監督問題的報告中包括：
-更高效的信息處理，比如在信貸決策，金融市場，保險合同，以及客戶互動中或許會提高金融體系的效率。在監管科技和監督科技中應用人工智慧和機器學有助於改善監管合規，提高監督有效性。
-同時，新技術的網路效應和可擴展性在未來會導致對第三方依賴。這反過來又會導致出現新的系統性重要機構出現，這類機構不在監管範圍之內。
-人工智慧和機器學習的應用導致在金融市場和金融機構之間產生新的無法預料的相關關聯，比如基於此前互補相關的數據源甶各類機構使用而出現的相互關聯。
-人工智慧和機器學習缺乏可解釋件或「可審核性」可能會在宏觀層面帶來風險。同樣，不透明模型的廣泛使用會帶來難以預想的後朿。
-未來會出現很多新的產品或服務，對這些產品或服務進行適當的風險管理和監督也是很重要的問題。報據其潛在的風險，包括遵守數據隱私相關協議，行為風險，以及網路安全問題,村人工智慧和機器學習的應用進行評估也很重要。利用無偏數據進行適當的測試，並對工具進行訓練以及反饋機制對於確保應用能夠實現預先設定的目標也很重要。
總之，如果人工智慧和機器學習的潛在風險能夠得到適當管理，這些應用的前景會非常好。結尾部分會對治理和發展模型，以及金融機構和監管機構的責仟進行初步探討。
前言
本報告分析了人工智慧和機器學習在金融領域的應用對金融穩定帶來的可能影響。本報告由金融穩定委員會金融創新網路（FSB.FIN)的專家團隊起草完成，報告撰寫過程中同業界公司，學術研究機構進行了交流，並借鑒了公共部門和私營機構的研究報告。本報告分析了金融機構加快人工智慧和機器學習應用對金融穩定帶來的潛在影響。
圖片來自網路
本報告分為以下幾個部分。第一部分，對報告中的一些關鍵概念進行界定,介紹人工智慧和機器學習在金融領域應用的一些背景。第二部分介紹推動人工智慧和機器學習布金融領域應用的供給方和需求方推動因素。第三部分介紹了四種應用場景：（i) 以客戶為中心的應用；（ii) 以運營為核心的應用：（iii)交易和組合管理；（iv)監管合規和監督。第四部分介紹了人工智慧和機器學習應用對金融市場，金融機構以及消費者等微觀層面影響。第五部分介紹了對金融制度帶來宏觀層面影響。最後，第六部分總結評估了人工智慧和機器學習對金融穩定的影響。
1. 背景和定義
計算機科學和統汁學領域的研究專家己經研究出非常前沿的技術，可以從大量分散的數據集中分析出有用的結論，數據可能會有很多種，來自不同的數據源，數據質量也不同（結構性和非結構性數據）。這些技術可以幫助計算機從經驗中學習，讓計算機執行任務，比如識別圖像，處理自然浯言。使用計算工具解決傳統上需要人類技能來完成的任務，這個過程被廣泛地稱為是『人工智慧』 （AI）。人工智慧已經出現了幾十年。但是最近在計算能力以及數據可獲得性和數據質量方面的發展推動了人工智慧潛在應用的復甦。這些應用已經用於診斷疾病，翻譯語言，以及駕駛汽車；並且也越來越多地應用在金融領域。
在人工智慧領域有很多專業術語，在繼續本報告內容之前有必要時一些術語進行定義。『大數據"是一個術語，現在還沒有單獨的一致的定義，但是該術語主要是指使用各類技術包括人工智慧對大量和/複雜數據集進行存儲和分析。這類大規模複雜數據集的分析經常被稱為『大數據分析』。大數據集分析中相對較為複雜的地方是數據集中非結構性或半結構性數據。
本報告將人工智慧定義為能夠讓計算機完成以前由人類智能完成任務的理論和計算機系統。人工智慧是一個比較廣泛的領域，其中『機器學習』是一個細分領域7。機器學習可以定義為設計一系列行動來解決問題的方法，也就是演算法，其可以通過經驗和有限人類參與或無需人類介入就可以自動優化。現在隨著各種數據源以及獲取數據方式的創新，上述技術可以用於在海量數據中（大數據分析）找出規律^
表1:人工智慧，機器學習和大數據分析示意圖
很多機器學習工具是利用統計方法建立起來的，很多研究人員對這類統計方法非常熟悉。這包括擴展線性回歸模型，可以處理數百萬個輸入變數，或使用統計技術處理大型數據集進行可視化處理。
但是機器學習框架則更加靈活：機器學習演算法識別出的模式並不限制於經濟和金融分析中佔主導的線性關係。總之，機器學習可以（自動）處理優化、預測以及分類問題，不需要因果推理。換句話說，將一個公司一年後的債券分類為投資級或者高收益債券可以用機器學習來完成。但是，確定哪些因素決定債券收益率水平可能無法用機器學習。
機器學習演算法大概有幾種分類。這些分類根據人類參與水平的不同而有所不同：
在『監督學習』中，演算法可以使用一些包含有標籤的『訓練』數據。比如,一個交易數據集可能包含一些在欺詐和非欺詐數據點打上的標籤。演算法就會『學會』分類的通用規則，並且可以用這些規則來對數據集中其餘數據進行預測，並進行標註。
「無監督學習」是指數據提供給演算法時沒有任何標註的情況。演算法會被要求去識別數據中隱藏的規律。比如，一個無監督機器學習演算法會被要求去尋找一些和難以定價的非流動證券具有類似特徵的證券。如果演算法發現一組非流動證券簇，那麼簇中其他證券的定價模式可以用於對非流動證券定價。
「強化學習」介於監督學習和無監督學習之間，在這種情況下，這種演算法會被輸入無標註的數據集，為每一個數據點選擇一個行為，並獲得可以幫助演算法學習的反饋（可能來自人類）。比如，強化學習可以用於機器人，博弈理論和無人駕駛汽車。
「深度學習」是一種機器學習，根據人腦結構和功能特點設計出的「層」，深度學習使用的演算法就在這些「層」上發揮作用。深度學習演算法，其結構也被稱為是人工神經元網路，可以用於監督學習，無監督學或者強化學習。
最近深度學習己經在很多領域取得顯著成果，比如圖像識別和自然語言處理（MLP)。深度學習演算法能夠發現可以歸納概括的概念，比如從一系列圖像中對『汽車』這一概念進行概括。為了推測一定期間內可能的超市銷售數據，投資者可以使用一種演算法從衛星圖像中識別出車輛，並汁算出超市停車場中的汽車數量。NLPn可以讓計算機「讀取」並創建書面文本，或當和聲音視頻技術結合時，可以聽懂語言，也可以說話。這可以讓公司將此前由人工完成的金融服務職能實現自動化。
機器學習可以應用到很多不同的問題上，比如分類或冋歸分析。分類演算法，在實踐中用得更加頻繁，可以將發現的結果分成一定的類別。分類演算法是基於概率的，這意味著某一結果是屬於某一類的，那也只是概率非常高。一個例於可能就是動讀取賣方報告，並按照一定概率將其標註為「看漲「或」看跌「，或者是估計一個沒有被評級公司的初始信用評級。相比之下，回歸演算法預測一個有無限解決方案的問題結果（可能結果的連續集合）。這一結果會有一個置信區間。回歸演算法可以用於期權定價。回歸演算法還可以在分類演算法的中間過程使用。
重要的是要指出機器學習有什麼是做不了的，比如確定因果關係。通常來說，機器學習演算法可以用於識別出和其他事件或模式相關聯的模式。機器學習識別出的模式僅僅是相關性，其中一些人類是無法識別出來的。但足，人工智慧和機器學習應用可以逐漸被經濟學家和其他人用來理解複雜關係。
很多機器學習技術並不是新出現的。實際上，神經元網路，即深度學習的基礎概念，剛開始是在I960年代出現的。但是，經過初步測試失敗後，機器學習和人工智慧無法滿足人們的預期，資金迅速撤離，部分原因楚因為缺乏足夠的計算能力和數據。在1980年代，又出現一波工智能領域的投資熱潮，期間很多研究概念稱為後來的重大突破。
到2011年和2012年，在現代計算機能力大幅增強的推動下，機器學習演算法，尤其是深度學習演算法，開始在圖像識別，文本識別和語音識別中得到應用。很多大型高科技企業主導這種開始收購深度學習創業企業，並加快深度學習研發。此外，大數據的規模也越來越大，比如在每個信用卡交易或每個網路上詞語，甚至是網站滑鼠移動方面抓取相關數據的能力。
其他方面的進步也很有幫助，比如信息技術和雲計算架構的關聯性增強，有了雲計算架構大數據可以被組織起來進行分析，有了這種規模和複雜程度的數據集，以及計算能力的增強，機器學習演算法結果不斷優化，其中一些會在後面的部分重點說明，這也推動了人工智慧領域創業企業的投資大大增加。世界經濟論壇報道2011年全球人工智慧創業企業獲得的投資為2.82億美元，到2015年增長到24億美元。人工智慧領域的合併數據也迅速增加。
表2:全球人工智慧收購兼并活動，2012-2017
很多應用更傾向於『增強型智能』，或增強人類能力，而不是取代人類。即便是人工智慧知機器學習領域的進步會持續下去，包括深度學習領域，很多行業也不會完全淘汰人類智能。正如一位行業觀察家所說「人類參與很重要：我們不像機器，我們能夠考慮周圍環境，使用常識正確地看待人工智慧得出的結論。」
2. 推動因素
很多推動金融科技不斷發展的因素也促進了人工智慧和機器學習在金融領域的應用。在供給方面，金融市場參與主體己經受益於為其他領域開發的人工智慧和機器學習工具的應用。
這包括由於處理器處理速度加快帶來的計算能力提升，硬體成本降低，以及可以通過雲服務獲得更強大的計算資源。同樣，由於資料庫，軟體和演算法的可獲得性增加，導致數據存儲成本，分析成本以及分析成本降低。由於網路服務的普及以及數字化進程的加快，用於學習和預測的數據集也快速增加。數據存儲成本和全球數據量規模.
表3:存儲成本和全球數據規模,2009-2017
推動機器學習，搜索引擎和無人駕駛汽車技術發展的同類工具可以應用在金融領域。比如，幫搜索引擎理解用戶何時是指福特汽車公司(Ford Motor Company，而不是說過一條河（fording a river)所用的物體識別工具，現在可以用於快速識別和公開上市公司相關的新聞或社交媒體數據。隨著越來越多的公司使用這些工具，企業會有更強的動力獲取更多更新的數據以及開發更快更好的人工智慧和機器學習工具。
金融領域的多數技術進步都是因為基礎設施和數據。電於交易平台的發展伴隨著結構性高質量市場數據的增加。在一些國家像美國，市場監管者允許公開上市的公司使用社交媒體公開發布聲明。市場的數字化除了可以讓機器學習可以獲得更多的金融數據之外，還可以讓人工智慧演算法直接和市場互動，基於複雜決策執行實時的買單和賣單，在很多情況下都只需要很少的人類介入。同時，自1980年代以來個人信用評估系統越來越普遍21，自1990年代以來計算機也可以讀新聞。隨著金融市場中數據的增加以及數據集一如包含有關於市場和消費者金融信息的網路搜索趨勢，收視模式和社交媒體一在金融領域還有更多可以挖掘利用的數據源。
在需求方，金融機構也願意應用人工智慧和機器學習滿足業務需要。在降低成本，風險管理，以及效率優化方而存在的機會也推動了人工智慧的應用，因為這都會帶來更多的盈利。最近的一項研究中，來自業內的數據表明金融業應用人工智慧和機器學習的重點領域如下：優化代客理財流程；在應用人工智慧幫助決策的員工和系統之間互動；為客戶開發新產品和服務。在很多情況下，這些因素也會促進競爭，市場參與者會逐漸發現在應用人工智慧和機器學習方面跟上其他競爭對手的步伐很有必要，這其中包括聲譽原因。
表4:金融領域應用人工智慧和機器學習的供給方和需求方因素
此外還有監管合規需要。新的監管規定增加了對高效監管合規的需求，這又推動銀行自動應用新的分析工具，包括應用人工智慧和機器學習。金融機構正尋找成本更低，並且符合監管要求的方式，像審慎監管，數據報告，更好地執行交易，以及打擊恐怖主義融資地反洗錢規定（AML/CFT)。
因此，監管機構在評估更多複雜同時又快速增加的數據集方面責任重大，這又要求要有更強大的分析工具更好的監管金融業。表4表明這些供給和需求因素如何結合起來。
很多因素會影響人工智慧和機器學習在金融領域的應用範圍。這些因素包括數據源數量的增加以及獲取數據的及時性；數據倉庫，數據粒度以及數據種類的增加；以及提高數據質量的各種努力。硬體能力的持續提升以及人工智慧和機器學習軟體即服務的發展，包括開源庫，都會影響持續的創新。硬體方面的發展包括晶元和量於計算，這都會催生出處理速度更快、更強大的人工智慧技術。這些發展還會使得使用更強大的人工智慧和機器學習工具成本更低，獲取渠道更廣泛。這些會讓我們實時獲得針對大型複雜數據集的分析洞察結果，比如網路用戶行為或全世界各個角落物聯網感測器的實時數據。
同時，專業的軟體服務會越來越普遍。有些軟體服務過去幾年已經實現了開源，為研究人員提供機器學習現成的工具。還有越來越多的技術供應商Wie金融市場機構提供機器學習技術，包括抓取新聞和大型數據的公司，也包括幫助用戶識別具體特點（如瀏覽的網頁）的公司。這些行為和某些事件相關聯，有些公司非常想對此進行預測。隨著為金融機構提供數據、清洗數據、組織數據和分析數據的服務出現，用戶從數據中獲取專業分析的成本就會大幅降低。因此，金融領域中使用同類信息和技術的不同用戶之間的風險就會增加。
關於數據的法律框架也可能會影響人工智慧和機器學習工具的應用。侵犯個人數據或不是為了消費者利益使用數據也會導致數據保護立法。此外，新數據標準，新數據報告要求的發展，以及金融業制度變革都會影響人工智慧和機器學習在具體市場的應用。
下周會對人工智慧和機器字習的應用場景、微觀和宏觀金融分析以及對金融穩定的影響進行刊載。
英文版報告見原文
文章來源：點滴科技資訊
TAG:資配易人工智慧投顧 |