徐 怡

(安徽大學(xué)經(jīng)濟(jì)學(xué)院，安徽 合肥230601)

隨著經(jīng)濟(jì)社會(huì)各領(lǐng)域從數(shù)字化向智能化大步邁進(jìn)，傳統(tǒng)的風(fēng)險(xiǎn)管理體系與金融創(chuàng)新發(fā)展新模式不相適應(yīng)，金融風(fēng)險(xiǎn)管理問(wèn)題日益突出。2018年我國(guó)P2P平臺(tái)爆雷事件接連不斷，資金池、自融、關(guān)聯(lián)擔(dān)保導(dǎo)致提現(xiàn)困難問(wèn)題屢見(jiàn)不鮮，“跑路風(fēng)”不斷蔓延，網(wǎng)貸行業(yè)操作風(fēng)險(xiǎn)的集中爆發(fā)顯示出金融風(fēng)險(xiǎn)管理協(xié)同發(fā)展的緊要性和急迫性。近年來(lái)，在互聯(lián)網(wǎng)、大數(shù)據(jù)、超級(jí)計(jì)算等新理論新技術(shù)以及經(jīng)濟(jì)社會(huì)發(fā)展需求的共同驅(qū)動(dòng)下，人工智能開(kāi)始逐步應(yīng)用于金融風(fēng)險(xiǎn)管理領(lǐng)域。2017年7月8日國(guó)務(wù)院印發(fā)《新一代人工智能發(fā)展規(guī)劃》，明確提出要建立金融大數(shù)據(jù)系統(tǒng)，提升金融多媒體數(shù)據(jù)處理與理解能力，鼓勵(lì)金融行業(yè)應(yīng)用智能客服、智能監(jiān)控等技術(shù)和裝備，以及建立金融風(fēng)險(xiǎn)智能預(yù)警與防控系統(tǒng)。因此，機(jī)器學(xué)習(xí)作為人工智能的核心，研究機(jī)器學(xué)習(xí)在金融風(fēng)險(xiǎn)管理中的應(yīng)用有助于金融機(jī)構(gòu)建立有效的內(nèi)部風(fēng)險(xiǎn)管理系統(tǒng)、監(jiān)管部門(mén)創(chuàng)建良好的外部風(fēng)險(xiǎn)控制環(huán)境。

一、機(jī)器學(xué)習(xí)的含義

圖1 機(jī)器學(xué)習(xí)基本框架

機(jī)器學(xué)習(xí)是人工智能的核心，它與大數(shù)據(jù)革命息息相關(guān)。圖1為機(jī)器學(xué)習(xí)運(yùn)行的基本框架，與傳統(tǒng)的數(shù)據(jù)處理方法相比，它使用的算法允許計(jì)算機(jī)在未編程的情況下，通過(guò)對(duì)樣本數(shù)據(jù)的特征學(xué)習(xí)識(shí)別數(shù)據(jù)間的關(guān)系并建模，對(duì)模型進(jìn)行數(shù)千次或數(shù)萬(wàn)次的精確度優(yōu)化，以提高模型的樣本外預(yù)測(cè)能力。其學(xué)習(xí)形式有兩種：有監(jiān)督的和無(wú)監(jiān)督的。在有監(jiān)督的機(jī)器學(xué)習(xí)中，已有經(jīng)驗(yàn)可以將樣本特征標(biāo)簽化，在建立統(tǒng)計(jì)模型后基于特定的輸入預(yù)測(cè)結(jié)果。在無(wú)監(jiān)督機(jī)器學(xué)習(xí)中，學(xué)習(xí)樣本不帶標(biāo)簽信息，數(shù)據(jù)分析可以在不估算因變量情況下用于識(shí)別模式。

二、機(jī)器學(xué)習(xí)的分析方法

機(jī)器學(xué)習(xí)的分析方法有很多，總結(jié)起來(lái)有三大類(lèi)統(tǒng)計(jì)方法：回歸、分類(lèi)和聚類(lèi)?；貧w和分類(lèi)都可以通過(guò)監(jiān)督機(jī)器學(xué)習(xí)來(lái)解決，而聚類(lèi)則遵循無(wú)監(jiān)督的方法。

圖2 信貸風(fēng)險(xiǎn)的回歸分析

分類(lèi)對(duì)離散型變量進(jìn)行預(yù)測(cè)。邏輯回歸是其最常見(jiàn)的方法，將輸出轉(zhuǎn)化為0到1之間的概率，再根據(jù)這個(gè)概率進(jìn)行判斷。以貸款者年齡預(yù)測(cè)信貸風(fēng)險(xiǎn)為例(見(jiàn)圖3)，若模型計(jì)算新樣本的信貸風(fēng)險(xiǎn)超過(guò)設(shè)定閾值，一般認(rèn)為會(huì)違約。當(dāng)分析多因素影響時(shí)，觀測(cè)結(jié)果可以通過(guò)支持向量機(jī)將低維的空間映射到高維的空間進(jìn)行分類(lèi)，并在各類(lèi)別中賦予變量數(shù)值。

圖3 信貸風(fēng)險(xiǎn)的分類(lèi)分析

聚類(lèi)通過(guò)自助法尋找數(shù)據(jù)的類(lèi)重心，進(jìn)而將數(shù)據(jù)劃分為若干個(gè)不相交的簇，每個(gè)簇表示一個(gè)潛在的類(lèi)別，這些類(lèi)別在執(zhí)行算法之前是未知的，聚類(lèi)即是自動(dòng)形成簇結(jié)構(gòu)的過(guò)程。它既可以單獨(dú)運(yùn)行尋找數(shù)據(jù)內(nèi)在的分布結(jié)構(gòu)，也可作為過(guò)渡將無(wú)監(jiān)督學(xué)習(xí)的輸出作為監(jiān)督學(xué)習(xí)方法的輸入。以圖4所示的反洗錢(qián)分析為例，它可以在不清楚哪些因素導(dǎo)致欺詐的情況下檢測(cè)欺詐行為，并將檢測(cè)結(jié)果應(yīng)用于新的模型中。

圖4 聚類(lèi)分析

決策樹(shù)是一種以實(shí)例為基礎(chǔ)的非參數(shù)化監(jiān)督學(xué)習(xí)方法，它可以通過(guò)分類(lèi)和回歸有效處理復(fù)雜的非線性數(shù)據(jù)，并將結(jié)果進(jìn)行可視化展示。該方法在本質(zhì)上是從訓(xùn)練數(shù)據(jù)集中歸納出分類(lèi)規(guī)則，據(jù)此持續(xù)分類(lèi)直到?jīng)Q策終點(diǎn)。其學(xué)習(xí)的策略是以損失函數(shù)為目標(biāo)函數(shù)的極小化。決策樹(shù)在風(fēng)險(xiǎn)管理領(lǐng)域應(yīng)用較早，圖5為銀行信貸分析中根據(jù)客戶(hù)特征判定其違約概率示例。

圖5 決策樹(shù)分析

圖6 深度學(xué)習(xí)分析

深度學(xué)習(xí)方法在傳統(tǒng)的模型方法上進(jìn)行了發(fā)展和優(yōu)化。傳統(tǒng)模型關(guān)注的是定義良好的結(jié)構(gòu)化數(shù)據(jù)集，而深度學(xué)習(xí)則是通過(guò)在學(xué)習(xí)過(guò)程中應(yīng)用分層算法，并將原始數(shù)據(jù)轉(zhuǎn)換為識(shí)別復(fù)雜模式，從而模仿人類(lèi)大腦(見(jiàn)圖6)。每種算法都關(guān)注于數(shù)據(jù)的特征表示，這些表示的分層允許模型合并大量的輸入，包括低質(zhì)量或非結(jié)構(gòu)化數(shù)據(jù)。最重要的是，這些分層不是編程設(shè)計(jì)的，而是由模型從各種數(shù)據(jù)中學(xué)到的。然而，深度學(xué)習(xí)模型非常復(fù)雜，通常需要數(shù)百萬(wàn)或數(shù)億數(shù)據(jù)集。

三、機(jī)器學(xué)習(xí)在金融風(fēng)險(xiǎn)管理中的應(yīng)用

1.評(píng)估信用風(fēng)險(xiǎn)

金融機(jī)構(gòu)逐漸放棄了傳統(tǒng)的線性信用風(fēng)險(xiǎn)回歸模型，并開(kāi)始將機(jī)器學(xué)習(xí)方法與傳統(tǒng)模型結(jié)合起來(lái)用于捕獲信用風(fēng)險(xiǎn)常見(jiàn)的非線性關(guān)系，以提高它們預(yù)測(cè)金融風(fēng)險(xiǎn)的能力。無(wú)監(jiān)督方法通常用于探索數(shù)據(jù)，而回歸和分類(lèi)方法可以預(yù)測(cè)違約率、違約損失率等關(guān)鍵信用風(fēng)險(xiǎn)變量。

ZestFinance公司將機(jī)器學(xué)習(xí)算法應(yīng)用于信用風(fēng)險(xiǎn)評(píng)分模型中，這是機(jī)器學(xué)習(xí)提供融資授信決策的早期探索之一。ZestFinance具有模型開(kāi)發(fā)和數(shù)據(jù)分析能力，除了資產(chǎn)狀況還將更多非傳統(tǒng)數(shù)據(jù)信息納入模型中，致力于從應(yīng)用程序、社交媒體信息以及用戶(hù)個(gè)人習(xí)慣等基本資料中挖掘風(fēng)險(xiǎn)因子，分類(lèi)并標(biāo)簽化不同類(lèi)型的復(fù)雜數(shù)據(jù)，對(duì)借款人借款行為背后的線索及線索間的關(guān)聯(lián)性進(jìn)行學(xué)習(xí)，最終根據(jù)評(píng)分做出準(zhǔn)確的信貸決策。有關(guān)數(shù)據(jù)顯示，與傳統(tǒng)信貸管理業(yè)務(wù)比較，ZestFinance的處理效率提高了將近90%，在風(fēng)險(xiǎn)控制方面，其模型相比于傳統(tǒng)信用評(píng)估模型性能則提高了40%[1]。

國(guó)內(nèi)眾多金融機(jī)構(gòu)也已經(jīng)將機(jī)器學(xué)習(xí)應(yīng)用于信用風(fēng)險(xiǎn)控制系統(tǒng)，如中國(guó)工商銀行從2007年起專(zhuān)門(mén)建立了數(shù)據(jù)倉(cāng)庫(kù)，通過(guò)對(duì)客戶(hù)的違約率、違約損失率等進(jìn)行動(dòng)態(tài)監(jiān)測(cè)和實(shí)時(shí)預(yù)警，為銀行把控信用風(fēng)險(xiǎn)、提升融資服務(wù)效率做出了巨大貢獻(xiàn)。螞蟻金服旗下的征信機(jī)構(gòu)芝麻信用，運(yùn)用無(wú)監(jiān)督學(xué)習(xí)從用戶(hù)信用歷史、行為偏好、履約能力、身份特質(zhì)、人脈關(guān)系五個(gè)維度對(duì)海量信用數(shù)據(jù)進(jìn)行處理，進(jìn)而得出用戶(hù)信用狀況綜合評(píng)分，并在信用卡、消費(fèi)金融等上百個(gè)場(chǎng)景為用戶(hù)提供授信擔(dān)保服務(wù)[2]。

然而，機(jī)器學(xué)習(xí)模型復(fù)雜的“黑盒子”性質(zhì)、對(duì)異常值的敏感性導(dǎo)致數(shù)據(jù)過(guò)度擬合和違反直覺(jué)的預(yù)測(cè)難以解釋?zhuān)沟脵C(jī)器學(xué)習(xí)不適合全面納入金融機(jī)構(gòu)的持續(xù)風(fēng)險(xiǎn)監(jiān)測(cè)中。而且這些尚未形成司法一致性定義的數(shù)據(jù)對(duì)于監(jiān)管機(jī)構(gòu)來(lái)說(shuō)過(guò)于復(fù)雜，給審計(jì)工作帶來(lái)了越來(lái)越大的困難。盡管機(jī)器學(xué)習(xí)模型存在缺陷，但它可以成功地用于優(yōu)化現(xiàn)有的具有調(diào)節(jié)功能的信用風(fēng)險(xiǎn)模型。這一能力的價(jià)值在中國(guó)市場(chǎng)則被成倍放大——其不僅可以在很大程度上幫助中國(guó)這一新興且制度不完善的信貸市場(chǎng)突破發(fā)展瓶頸，更能幫助企業(yè)有效構(gòu)建用戶(hù)模型，評(píng)估信用等級(jí)，預(yù)測(cè)預(yù)防信用風(fēng)險(xiǎn)。

2.反欺詐

金融機(jī)構(gòu)已經(jīng)開(kāi)始利用機(jī)器學(xué)習(xí)來(lái)檢測(cè)信用卡欺詐。信用卡的大交易量為模型提供了足夠的數(shù)據(jù)，進(jìn)而可以通過(guò)監(jiān)督學(xué)習(xí)進(jìn)行訓(xùn)練、反向測(cè)試和模型驗(yàn)證，預(yù)先確定欺詐性交易的關(guān)鍵特性，并能夠?qū)⑺鼈兣c正常交易區(qū)分開(kāi)來(lái)。無(wú)監(jiān)督學(xué)習(xí)是近年才發(fā)展起來(lái)的反欺詐方法，它無(wú)需任何訓(xùn)練和標(biāo)簽，通過(guò)關(guān)聯(lián)分析和相似性分析發(fā)現(xiàn)欺詐用戶(hù)間的聯(lián)系，并在更多群組中發(fā)掘新型欺詐行為。無(wú)監(jiān)督學(xué)習(xí)也可以用于反洗錢(qián)或打擊恐怖主義融資活動(dòng)，聚類(lèi)可以識(shí)別與其他數(shù)據(jù)無(wú)關(guān)聯(lián)性的異常值，這種方式可以有效發(fā)現(xiàn)異常并減少假陽(yáng)性。

信息時(shí)代金融機(jī)構(gòu)的客戶(hù)征信成本不斷增加，通過(guò)對(duì)客戶(hù)信息與交易紀(jì)錄的自主學(xué)習(xí)可以有效甄別異常交易，減少欺詐事件發(fā)生。招商銀行圍繞“數(shù)據(jù)+模型+算法”，采用深度學(xué)習(xí)技術(shù)進(jìn)行風(fēng)險(xiǎn)管理，在申請(qǐng)流程中生物識(shí)別技術(shù)可以迅速核實(shí)相關(guān)信息，資金發(fā)放后通過(guò)無(wú)監(jiān)督學(xué)習(xí)自主優(yōu)化反欺詐模型，對(duì)資金流向進(jìn)行監(jiān)測(cè)以防止客戶(hù)將貸款資金用于民間借貸。英國(guó)銀行業(yè)創(chuàng)業(yè)公司Monzo通過(guò)總結(jié)交易模式建立了一個(gè)模型，能夠?qū)崿F(xiàn)事中攔截及時(shí)阻止詐騙嫌疑人完成交易，降低合規(guī)風(fēng)險(xiǎn)。這令該公司的預(yù)付費(fèi)卡欺詐率從2016年6月的0.85%降至2017年1月的不到0.1%。

中國(guó)銀行開(kāi)發(fā)貿(mào)易融資業(yè)務(wù)反洗錢(qián)核查項(xiàng)目，運(yùn)用機(jī)器學(xué)習(xí)對(duì)交易內(nèi)容真實(shí)性進(jìn)行偵測(cè)，并綜合運(yùn)用文本分析、圖像識(shí)別等技術(shù)進(jìn)行交叉驗(yàn)證，審核階段耗時(shí)由原來(lái)的2小時(shí)下降到2分鐘，提升了反洗錢(qián)系統(tǒng)的偵測(cè)率，大大降低了人工操作的時(shí)間成本。一些國(guó)際監(jiān)管機(jī)構(gòu)，例如澳大利亞證券及投資委員會(huì)、新加坡貨幣當(dāng)局及美國(guó)證券交易委員會(huì)，都將機(jī)器學(xué)習(xí)應(yīng)用于可疑交易識(shí)別。具體做法包括從證據(jù)文件中識(shí)別和提取利益主體，分析用戶(hù)的交易軌跡、行為特征和關(guān)聯(lián)信息，充分降低誤報(bào)率，更快更準(zhǔn)確地打擊地下洗錢(qián)等犯罪活動(dòng)[3]。

欺詐類(lèi)違規(guī)行為是很難界定的，銀行也沒(méi)有得到執(zhí)法機(jī)構(gòu)的充分反饋究竟哪些交易確實(shí)存在欺詐行為。因此，只使用歷史數(shù)據(jù)進(jìn)行反欺詐算法很難用于檢測(cè)新的欺詐行為。相比于傳統(tǒng)檢測(cè)方法，無(wú)監(jiān)督學(xué)習(xí)最大的優(yōu)勢(shì)在于可以提前預(yù)警。由于違法者在潛伏期的行為依然符合某種規(guī)律，具有某些一致性，同樣還是會(huì)被無(wú)監(jiān)督算法捕捉到，進(jìn)而幫助用戶(hù)創(chuàng)建新的檢測(cè)規(guī)則，一旦發(fā)現(xiàn)客戶(hù)遇到新型未知欺詐，無(wú)監(jiān)督檢測(cè)可以早期預(yù)警，幫助客戶(hù)在欺詐解決方案的各個(gè)方面提升機(jī)制、提高效率。

3.監(jiān)督交易員行為

監(jiān)視交易違規(guī)行為是另一個(gè)日益發(fā)展的領(lǐng)域，機(jī)器學(xué)習(xí)越來(lái)越多地被用于檢測(cè)流氓交易、內(nèi)幕交易和基準(zhǔn)操縱行為。及時(shí)發(fā)現(xiàn)這些違規(guī)行為很重要，因?yàn)樗鼈兛赡軐?duì)金融機(jī)構(gòu)和聲譽(yù)造成重大損害。早期的監(jiān)控技術(shù)往往依賴(lài)于監(jiān)控和評(píng)估單一交易行為。機(jī)器學(xué)習(xí)方法的改進(jìn)能力，處理大型復(fù)雜數(shù)據(jù)的模型，使得新一代的系統(tǒng)能夠評(píng)估整個(gè)交易組合，并將信息與交易員的其他活動(dòng)聯(lián)系起來(lái)，包括電子郵件、電話和簽到，甚至是基于深度學(xué)習(xí)的語(yǔ)言處理和文本挖掘。交易員的行為可以與其他交易員的“正常”行為進(jìn)行比較。系統(tǒng)檢測(cè)任何偏離正常模式的情況，并通知金融機(jī)構(gòu)的合規(guī)團(tuán)隊(duì)。

英國(guó)智能語(yǔ)音公司向大銀行出售基于機(jī)器學(xué)習(xí)的語(yǔ)音轉(zhuǎn)錄工具，可用來(lái)監(jiān)控交易員的電話，以檢測(cè)內(nèi)幕交易等不正當(dāng)行為的跡象。其他的專(zhuān)業(yè)公司如Xcelerit和Kinetica向銀行和投資公司提供接近實(shí)時(shí)的風(fēng)險(xiǎn)敞口跟蹤，讓它們能隨時(shí)監(jiān)控自己的資本要求。信托業(yè)也不例外，我國(guó)中航信托建立的COSO全面風(fēng)險(xiǎn)管理系統(tǒng)，通過(guò)系統(tǒng)對(duì)項(xiàng)目及公司整體的風(fēng)險(xiǎn)輪廓進(jìn)行線上統(tǒng)計(jì)和監(jiān)測(cè)，實(shí)現(xiàn)對(duì)項(xiàng)目存續(xù)期管理的常規(guī)監(jiān)控和重點(diǎn)風(fēng)險(xiǎn)預(yù)警提示。

監(jiān)管部門(mén)在這個(gè)層面上應(yīng)用機(jī)器學(xué)習(xí)也面臨幾個(gè)挑戰(zhàn)。首先，通常沒(méi)有標(biāo)記數(shù)據(jù)來(lái)培訓(xùn)算法，因?yàn)榻鹑跈C(jī)構(gòu)與開(kāi)發(fā)人員共享過(guò)去的違規(guī)信息會(huì)帶來(lái)法律權(quán)責(zé)問(wèn)題的復(fù)雜性。此外，系統(tǒng)需要可審計(jì)，但由于機(jī)器學(xué)習(xí)模型的設(shè)計(jì)目的是不斷地從數(shù)據(jù)中學(xué)習(xí)，因此很難向合規(guī)官員解釋為什么某個(gè)行為會(huì)引發(fā)警報(bào)。為了更好地解決這些問(wèn)題，監(jiān)管部門(mén)正在嘗試將人工決策與機(jī)器學(xué)習(xí)有效結(jié)合起來(lái)，系統(tǒng)數(shù)據(jù)可以用來(lái)了解相關(guān)交易員的全面信息，并設(shè)計(jì)一個(gè)更適合審計(jì)和監(jiān)管目的的算法模型。

四、促進(jìn)機(jī)器學(xué)習(xí)發(fā)展的建議

1.積極完善法律法規(guī)

加快機(jī)器學(xué)習(xí)在風(fēng)險(xiǎn)管理領(lǐng)域應(yīng)用是未來(lái)的發(fā)展方向，有關(guān)機(jī)構(gòu)應(yīng)該正視這種趨勢(shì)，積極完善金融立法體系有關(guān)的工作，為機(jī)器學(xué)習(xí)發(fā)展創(chuàng)造良好的市場(chǎng)環(huán)境，同時(shí)也必須重視機(jī)器化應(yīng)用給風(fēng)控工作造成的沖擊，未雨綢繆地開(kāi)展前瞻性研究和戰(zhàn)略性部署。要借鑒國(guó)外先進(jìn)的有關(guān)風(fēng)險(xiǎn)防范的法律法規(guī)，從宏觀角度將機(jī)器學(xué)習(xí)納入法律體系，修訂、補(bǔ)充現(xiàn)有法律法規(guī)中與其不相符的部分以填補(bǔ)監(jiān)管的空白，加大金融犯罪的懲治力度，為金融機(jī)構(gòu)的健康發(fā)展提供強(qiáng)有力的法律保障。特別地，相關(guān)部門(mén)應(yīng)在金融交易一致性、合規(guī)性等方面加快立法速度，對(duì)識(shí)別數(shù)字簽名、保護(hù)消費(fèi)者信息等方面作出詳細(xì)規(guī)定，以保障機(jī)器學(xué)習(xí)健康有序地開(kāi)展[4]。

2.形成長(zhǎng)效監(jiān)管機(jī)制

應(yīng)加快形成符合中國(guó)國(guó)情的風(fēng)險(xiǎn)管理長(zhǎng)效監(jiān)管機(jī)制。根據(jù)實(shí)際需要和各自的特點(diǎn)，明確各領(lǐng)域監(jiān)管主體并賦予其監(jiān)管權(quán)限，對(duì)監(jiān)管層次和監(jiān)管內(nèi)容予以更為詳細(xì)的劃分，以加快對(duì)機(jī)器學(xué)習(xí)參與的風(fēng)險(xiǎn)管理領(lǐng)域監(jiān)管的合作。一方面，爭(zhēng)取由國(guó)家層面牽頭建立以“一委一行兩會(huì)”為主，相關(guān)部門(mén)為輔的機(jī)器學(xué)習(xí)監(jiān)管機(jī)構(gòu)體系，形成長(zhǎng)效合作機(jī)制，將監(jiān)管重點(diǎn)從傳統(tǒng)銀行的資產(chǎn)負(fù)債流動(dòng)性管理轉(zhuǎn)換為金融交易和客戶(hù)信息的安全性保護(hù)。另一方面，加強(qiáng)機(jī)器學(xué)習(xí)監(jiān)管的國(guó)際分工合作，加快參與機(jī)器學(xué)習(xí)風(fēng)險(xiǎn)國(guó)際治理機(jī)制的形成，打造統(tǒng)一的公開(kāi)信息共享平臺(tái)，帶動(dòng)各國(guó)金融機(jī)構(gòu)的交流互動(dòng)并形成多層次的監(jiān)管體系。

3.提升信息開(kāi)發(fā)能力

信息開(kāi)發(fā)是機(jī)器學(xué)習(xí)提供服務(wù)的重要能力指標(biāo)，要加強(qiáng)技術(shù)創(chuàng)新、業(yè)務(wù)創(chuàng)新、模式創(chuàng)新。在系統(tǒng)設(shè)計(jì)過(guò)程中，應(yīng)盡可能包含數(shù)據(jù)處理、模型擬合、交叉驗(yàn)證和異常處理等重要環(huán)節(jié)，建立關(guān)聯(lián)數(shù)據(jù)集敏感度監(jiān)測(cè)系統(tǒng)，并對(duì)信息二次利用的安全性和合法性標(biāo)準(zhǔn)進(jìn)行契合度核查。將新模型納入系統(tǒng)之前要進(jìn)行算法漏洞掃描和壓力測(cè)試，對(duì)單元測(cè)試、系統(tǒng)測(cè)試、用戶(hù)測(cè)試等分別進(jìn)行維護(hù)并提供單獨(dú)的情景模擬，以實(shí)現(xiàn)對(duì)信息和環(huán)境時(shí)變的更新控制。為了識(shí)別可能出現(xiàn)的過(guò)度擬合、極端異常值等問(wèn)題的原因，必須定期進(jìn)行在險(xiǎn)價(jià)值評(píng)估，并動(dòng)態(tài)完善安全保障措施，結(jié)合滲透測(cè)試和技術(shù)審核，及時(shí)修復(fù)出問(wèn)題編碼和系統(tǒng)漏洞。

4.擺正人類(lèi)決策位置

智能時(shí)代的到來(lái)是通過(guò)自動(dòng)化技術(shù)的運(yùn)用擴(kuò)展數(shù)據(jù)來(lái)源，將更多的數(shù)據(jù)納入分析體系來(lái)提高傳統(tǒng)業(yè)務(wù)的決策效率，應(yīng)該清醒地認(rèn)識(shí)到它與人類(lèi)決策的互補(bǔ)而非取代作用，畢竟機(jī)器學(xué)習(xí)更多的是通過(guò)數(shù)據(jù)敏感性分析信息單位間的相關(guān)性，進(jìn)而得出決策結(jié)論。因果分析法相比，即使對(duì)業(yè)務(wù)完全不熟悉的金融工具也能自動(dòng)進(jìn)行交易策略，甚至模擬專(zhuān)家進(jìn)行決策，這必然會(huì)隱含許多新的風(fēng)險(xiǎn)。所以，必須對(duì)前期數(shù)據(jù)來(lái)源、算法編程等環(huán)節(jié)進(jìn)行嚴(yán)格審查，高資產(chǎn)凈值和更復(fù)雜業(yè)務(wù)的交易仍需要面對(duì)面的風(fēng)險(xiǎn)度量，尤其在國(guó)際市場(chǎng)動(dòng)蕩、監(jiān)管政策變革等個(gè)別極端情況下，必須介入人類(lèi)決策，由風(fēng)險(xiǎn)管理人員進(jìn)行必要的風(fēng)險(xiǎn)檢測(cè)及應(yīng)急計(jì)劃制定。

5.人才引進(jìn)員工培養(yǎng)

既懂機(jī)器學(xué)習(xí)又懂風(fēng)險(xiǎn)管理的復(fù)合型人才十分匱乏，這是制約我國(guó)機(jī)器學(xué)習(xí)技術(shù)在風(fēng)控領(lǐng)域深入應(yīng)用的瓶頸因素。必須要增強(qiáng)核心科研人員和技術(shù)操作人員的儲(chǔ)備，尤其要增大福利待遇引進(jìn)全能型、復(fù)合型人才。鑒于數(shù)據(jù)特征的時(shí)變性，強(qiáng)化專(zhuān)業(yè)性、技術(shù)性、實(shí)用性人才開(kāi)發(fā)以適應(yīng)發(fā)展要求[5]。員工素質(zhì)能力對(duì)于提高風(fēng)險(xiǎn)管理的安全性和可靠性發(fā)揮重要作用，為了更好地促進(jìn)機(jī)器學(xué)習(xí)在風(fēng)險(xiǎn)管理中的應(yīng)用，應(yīng)注重培養(yǎng)技術(shù)人員相關(guān)基本金融知識(shí)、業(yè)務(wù)操作和技術(shù)更新，管理人員應(yīng)及時(shí)掌握新型風(fēng)險(xiǎn)的相關(guān)知識(shí)，動(dòng)態(tài)調(diào)整監(jiān)測(cè)模型，進(jìn)而提高機(jī)器學(xué)習(xí)應(yīng)用的風(fēng)險(xiǎn)防控能力。

6.重視消費(fèi)者保護(hù)

一方面，機(jī)器學(xué)習(xí)不斷提高的數(shù)據(jù)挖掘能力使得消費(fèi)者的隱私保護(hù)受到嚴(yán)重破壞，個(gè)人信息泄露的現(xiàn)象屢見(jiàn)不鮮。無(wú)論從保護(hù)消費(fèi)者基本權(quán)利，還是從機(jī)器學(xué)習(xí)的長(zhǎng)久發(fā)展考慮，都亟須相關(guān)部門(mén)加強(qiáng)相關(guān)法律約束和行政監(jiān)管，明確金融機(jī)構(gòu)相關(guān)告知義務(wù)、信息安全保障義務(wù)，有效保證機(jī)器學(xué)習(xí)在風(fēng)險(xiǎn)管理應(yīng)用中的信息安全[5]。另一方面，消費(fèi)者應(yīng)提高對(duì)風(fēng)險(xiǎn)管理相關(guān)業(yè)務(wù)的了解程度。隨著金融新產(chǎn)品新服務(wù)的創(chuàng)新活躍，消費(fèi)者應(yīng)及時(shí)知曉與之相關(guān)的風(fēng)險(xiǎn)點(diǎn)，提高自身的風(fēng)險(xiǎn)識(shí)別和防范能力。相關(guān)金融機(jī)構(gòu)要為消費(fèi)者提供實(shí)時(shí)的信息和持續(xù)的教育，提高業(yè)務(wù)流程的透明度，為金融產(chǎn)品的真實(shí)性和安全性負(fù)責(zé)，指導(dǎo)幫助消費(fèi)者認(rèn)識(shí)風(fēng)險(xiǎn)因素并正確地報(bào)吿安全問(wèn)題。

結(jié) 語(yǔ)

智能時(shí)代機(jī)器學(xué)習(xí)的發(fā)展，為風(fēng)險(xiǎn)管理工作帶來(lái)了巨大的便利。監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和深度學(xué)習(xí)等自動(dòng)化技術(shù)在金融風(fēng)險(xiǎn)管理領(lǐng)域的應(yīng)用，尤其是信用風(fēng)險(xiǎn)和欺詐行為的監(jiān)測(cè)方面，大大提高了數(shù)據(jù)挖掘和數(shù)據(jù)分析能力，有效地減少了人工處理的時(shí)間成本，提升了金融機(jī)構(gòu)風(fēng)險(xiǎn)管理的效率。然而，我們也應(yīng)該清醒地認(rèn)識(shí)到，對(duì)于機(jī)器學(xué)習(xí)的應(yīng)用還存在諸多局限和爭(zhēng)議，算法的透明度和解釋度依然是其面臨的重大挑戰(zhàn)，擺正機(jī)器學(xué)習(xí)和人類(lèi)決策的位置至關(guān)重要。只要我們主動(dòng)求變應(yīng)變，合理發(fā)揮人工智能發(fā)展的先發(fā)優(yōu)勢(shì)，“智能經(jīng)濟(jì)”時(shí)代一定會(huì)加速到來(lái)。