1
產業
人工智慧正在成為金融科技的熱點項目，可以用於交易風險評估和實施監管、市場趨勢預測等，打通金融機構、供應商和客戶之間的訊息壁壘，提高工作效率，降低營運成本，迎合多變的市場環境，發展新型商業模式。
AI 引起了“全球央行”的注意
在 2008 年全球爆發金融危機的局面下，2009 年 4 月初倫敦 G20 峰會決議設立一個全球的金融監管體系，並於該年 6 月 27 日正式運作，專家稱其為“全球央行”，此即金融穩定委員會 (Financial Stability Board，簡稱 FSB) 。
金融穩定委員會的具體職能包括：評估全球金融系統脆弱性，監督各國改進行動；促進各國監管機構合作和訊息交換，對各國監管政策和監管標準提供建議；協調國際標準制訂機構的工作；為跨國界風險管理制訂應急預案等。
(2012-2017 年全球人工智慧併購活動)
隨著電腦和大數據的發展，近兩年人工智慧技術越來越多的應用於診斷疾病、翻譯語言和駕駛汽車等。世界經濟論壇報告顯示，全球針對人工智慧創新企業的投資從 2011 年的 2.82 億美元成長到 2015 年的 24 億美元，此間併購交易也在加劇。
(人工智慧、大數據分析、機器學習、深度學習、監督式學習、增強學習、非監督式學習之間的關係)
人工智慧，可以執行那些傳統算法無法解決，需要人工輔助的任務的電腦系統，其在金融領域的應用潛力引起了 FSB 的注意，並發佈了本報告 (人工智慧和機器學習之於金融服務) 。
(從供需角度理解人工智慧和機器學習在金融領域的應用)
從供給端看，人工智慧和機器學習為金融市場參與者提供了可用的工具，包括雲端服務、更快的數據處理／解析、更低成本的目標數據庫、能夠自動學習和進行預測的數據模型等。
與此同時，在更快更可靠的電子交易平台和經濟數位化下，機器學習算法能夠接觸更多公開、實時的交易數據和企業公開聲明 (美國的市場監管機構已經允許交易公司利用社交媒體發佈公共聲明，且上世紀 90 年代之後新聞就已經能被電腦理解了) ，結合來自社交媒體、線上搜索趨勢、收視數據等給出的消費者訊息，從而實現複雜的交易指令和信用評估等。
(2009-2017 年間全球數據存儲成本 (藍線) 和數據可用性 (紅線) 發展示意)
從需求端來看，金融機構能夠利用人工智慧和機器學習發展新的業務需求，降低成本，管理收益風險，提高運作效率，優化客戶流程。因此，越來越多的金融機構主動引進相關技術增強競爭力和品牌熱度，剩下的也不得不採取措施迎戰。
為了優化成本結構，金融機構也在積極的與監管方尋求合作項目，如保險條例、數據報告、最佳執行交易、反洗錢和金融恐襲預防 (AML／CFT) 等。因此，監管機構需要應付更多更複雜的數據訊息，平衡其與數據保護之間的關係。
四大智慧金融用例
- 面向客戶：信用評分、保險和聊天程式
人工智慧和機器學習已被廣泛用於金融機構的前台，大型的客戶數據被導入聊天程式，使其能夠為客戶“面對面”的用自然語言交流，提供信用評估和風險提示，給出貸款額度。
先來看信用評估工具，主要基於歷史交易數據 (信用帳單、是否及時繳納水電費等) 和 AI 評分模型 (回歸、決策樹和統計分析之類的工具) ，它可以幫助加快貸款決策速度，限制增量風險。
除了金融機構已經有的結構化數據，非結構化和半結構化的數據源 (社交媒體活動、手機使用和短信活動等) ，甚至金融環境和金融週期，也逐漸成為信貸等級評估參考。當然，關於個人數據的隱私和保護問題現在還是一個政策爭議點，機器學習本身的邏輯不可理解性也會受到質疑。目前，已有掌握該技術的美國公司瞄準缺乏信用評估機制的中國市場。
再來看保險的定價、行銷和管理，基於實時、高精的消費數據 (線上購物行為或汽車行駛里程) 等， AI 可以幫助保險行業進行定價決策和損失評估，減少索賠處理時間，提高盈利能力，降低營運成本，這一領域的 AI 應用，美國、英國、德國和中國等國都在進行積極普及。潛在的數據錯誤，以及利益驅動下排除某些群體的問題是爭議點。
最後來看聊天程式，即助客戶進行交易或解決問題的虛擬助手，也稱聊天機器人。這些自動化程式能進行文本和語音識別，與客戶用自然語言進行交流，給出財務建議，幫助客戶進行財務決策，金融機構也可以通過聊天程式與客戶的互動來獲取客戶訊息。目前，亞洲金融機構監管機構已將聊天程式投入使用。
- 面向營運：資本優化、風險模型、市場分析
人工智慧和機器學習開發出來的應用程式可以幫助金融機構進行資本優化 (銀行) ，提供風險管理模型 (反向測試和模型驗證) ，並對交易的市場影響進行分析 (大頭寸交易的建模) 等。
先來看資本優化，傳統銀行嚴重以來數學 (函數) 方法進行，但人工智慧和機器學習基於大數據分析給出的方案不僅更快 (計算能力強) ，考慮的維度也更全面。2012 年，有行業觀察人士指出大多銀行聲明已經在利用很牛的程式優化風險加權資產 (RWA) ，節約了 5% 至 15%。衍生品利潤率也在優化的範疇，比如利潤率估值調整 (MVA) 。與此同時，清算和雙邊保證金的新規定增加了對優化資本和初始保證金的複雜技術的需求。
再來看風險模型，即利用人工智慧和機器學習算法對大型、非結構化和半結構化的數據集進行分析，考慮到市場行為、監管規則和其他趨勢的變化，進行反向測試、模型驗證和壓力測試，避免低估風險，提高模型容錯性，提高透明度。目前，美國和歐洲的一些監管機構已將 AI 引入風險管理，一家全球性的企業和投資銀行也將無人監督算法引入驗證模型。
最後來看市場分析，人工智慧和機器學習可以補充傳統的市場影響模型，從零散的歷史數據中獲得更多訊息，幫助識別非線性關係，評估交易 (包括自家公司的交易) 對市場價格的影響，創造“交易機器人” 自學如何對市場 (價格波動和流動性) 變化做出反應，求解對市場影響最低的交易行為。
- 面向交易和投資組合管理
除了上述環節，人工智慧和機器學習正被一些公司應用於自主的 (無監督的) 設計交易和投資策略。
對於交易執行方 (賣方) 而言，他們希望用人工智慧和機器學習算法提高銷售能力，比如從歷史交易數據挖掘客戶行為，提供語音、文本服務 (聊天程式) 並從中挖掘新的客戶訊息，導入電子平台數據池，幫助公司滿足非股票市場的交易前交易和交易後的透明度要求。與此同時，基於 AI 技術的風險建模可以幫助銀行提供風險配置方案。
對於投資組合管理方 (買房) 而言，人工智慧和機器學習可以從更數學的角度理解市場行為，給出市場預測 (價格波動) 及其時效性，帶來直接和間接的更高回報。有業內人士評估，純粹被 AI 管理的資產大概有 100 億美元，這個數字正在快速成長。不過很多量化基金表示，在不清楚怎麼回事的情況下，他們不願意完全自動化。此外，企業對於數據共享的意願和標準都比較曖昧。因此，算法需要考慮監管規則和可理解性。
- 面向法規和監管
監管科技是金融科技的一個子範疇，預計 2020 年市場規模將發展到 64.5 億美元，複合年成長率 (CAGR) 76%。
對於非結構化數據 (電子郵件、語音、即時消息、文檔和元數據) 而言，監管科技本質上是機器學習與自然語言理解的結合。在歐盟，投資經理必須遵從 MiFID II、UCITS、 AI FMD等指令，而機器學習可棒幫助用通俗的語言解釋這些規則。此外， AI 還被用於客戶身份認證 (KYC) ，直戳金融機構最貴、最費力且高度重複的痛點。
此外， AI 算法還能對交易數據 (TRs) 的質量進行評估和篩選。目前已有金融機構 (杜克貝克) 的金融科技實驗室採用監督式學習算法自由識別文本欄位，自動檢測不符合強制清算要求的事務。
機器學習還可用於識別異常交易和風險主體，檢測和預測市場波動、流動性風險、金融壓力、房價、工業生產、GDP 以及失業率，評估用戶情緒，抓住可能對金融穩定造成的威脅。央行可以利用人工智慧來協助貨幣政策評估。
一些監管機構，如澳洲證券及投資委員會 (ASIC) 、新加坡貨幣當局 (MAS) 、美國證券交易委員會 (SEC) ，正在使用人工智慧進行可疑交易識別。具體做法包括從證據文件中識別和提取利益實體，分析用戶的交易軌跡、行為特徵和關聯訊息，更快更準更省力的打擊通過銀行系統進行的犯罪活動 (反洗錢) 。
個體財務分析
人工智慧和機器學習可極大的提高訊息處理效率，減少訊息不對稱性，增強金融訊息功能系統，從而幫助市場參與者更大規模的手機訊息和更全面的分析相關牽動因素，實時的調整交易和投資策略以適應當下的金融環境，建立緩衝機制，通過各種渠道 (自動化業務流程、根據需求分析分配資源分佈等) 降低成本和風險 (發現欺詐、洗錢、違約、網路攻擊等) ，鼓勵金融機構開源數據與行業中的其他部門、企業合作，幫助穩定整個金融系統。
特別指出的是，算法依賴於第三方開發人員和服務商，且未必有可理解性，需要結合人類員工的觀察、評估結論，注意可能造成操作風險。
此外，消費者、中小企業也可以通過 AI 技術享受更方便的借貸學習，享受更便宜、更廣泛的金融服務，獲得針對性的財務規劃方案，推進惠普金融。當然，其中可能涉及的種族、宗教、性別等敏感數據所屬的 AI 倫理範疇有待更廣泛的討論。
鑒於人工智慧和機器學習是相對較新的事物，缺乏相關共同認知和國際標準，並存在數據安全和隱私、操作風險、社會倫理等問題，因此需要國際標準制定者和監管機構等多方協作努力，避免不恰當的使用造成系統風險放大。
目前，已經有國際證券委員會 (IOSCO) 發表了 AI 在市場監控、數據手機、跨境合作方面的技術影響，高級監管機構 (SSG) 也對算法的可踐行性和相關控制進行了剖析，巴塞爾銀行監管委員會 (BCBS) 也將該技術考慮到公司內部政策和程式中去以保證開發過程的一致性。
總體財務分析
從整個經濟體的角度來看，人工智慧和機器學習可以幫助提高金融服務的效率，避免無效和失誤行為，將資金分配給有需要且有價值的投資者和項目，降低支付和結算成本從而造福個體投資者、消費者，可以刺激實際經濟活動，影響金融市場的集中度，使整個體系收益。
此外，人工智慧和機器學習所屬的數位經濟也將促進金融服務和各個行業之間的協作，比如電子商務、共享經濟等，打通各環節鏈路，提高資源利用率，發現新的經濟成長點。而人工智慧本身作為一個新的產業，不僅將收到先鋒／創新企業的追捧，對於那些還沒採納 AI 的企業而言，也不得不買裝備應戰，從而帶動一個新的經濟成長點。
但值得注意的是，更有效的訊息處理可能帶來宏觀金融維穩的同時，也可能提供高頻交易這樣打破市場規則的行為。部分公司可能使用人工智慧或機器學習技術利用更低的交易成本獲得更高的回報。
換言之， AI 增強了金融市場的流動性，但複雜的交易過程和風險是否是 AI 技術和整體金融環境能夠承受的，難下判斷。目前，更多樣化的風險分擔結構，或者說金融體系中更緊密的相互聯繫可能有助於分擔風險。如畢馬威所說，金融機構應縮短開發的反饋週期，將開發項目分成若干個疊代週期，以適應多變的經濟環境和需求市場。
此外， AI 可能破壞保險行業的風險分擔功能，算法偏見可能導致不受歡迎的歧視，在倫理層面可能受到的衝擊也值得注意。
金融行業的數學性加上大量的結構化、非結構化數據，使其成為人工智慧的一個重要落點，帶來更高的效率和更低的成本，且智慧金融 (AI＋金融) 也吻合了更全局、精準的數位經濟大趨勢，迎合多變的市場環境，帶來惠普金融、電子商務、共享經濟等新的成長點。因此，AI＋金融／智慧金融成為一個新的風口，一個能夠獲得監管支持、多機構分擔風險。
附：
1. 名詞釋義
機器學習，是人工智慧的一個子範疇，靈感來自大數據分析，泛指能夠進行自動優化的算法，包括監督式學習 (算法會提供一組包含標籤的“訓練”數據) 、非監督式學習 (提供給算法的數據不包含標籤) 、增強學習 (在監督和非監督學習之間進行：算法被輸入一個未標記的數據集合，為每個數據點選擇一個動作，並接收反饋) 、深度學習 (受大腦結構和功能的啟發，使用了在“層”中工作的算法，該結構被稱為人工神經網路，可以用於監督，無人監督，或強化學習) 等。
2. 算法與應用
2011 到 2012 年間，由於現代計算能力的飆升和機器學習算法，特別是深度學習算法的提出，人工智慧的概念再一次火了起來。深度學習可以應用於不同類型的問題 (分類、回歸分析等) ，因此在圖象識別和自然語言處理等領域產生了顯著的效果，而這些技能之於汽車／自動駕駛、醫療、法律、金融等領域意義重大。
《雪球》授權轉載
【延伸閱讀】
60619
