被科技重塑的传统金融业：已有成效，但监督规范仍待加强

华夏时报（www.chinatimes.net.cn）记者 胡金华 见习记者 喻莎 上海报道

传统金融业态正在被科技重塑。

金融机构有很多使用大数据的应用场景，如精准营销、实时风控、交易预警和反欺诈等场景都需要实时计算的支撑。而随着机器学习、自然语言处理、生物识别等AI技术在投研业务中应用，智能投研技术辅助金融机构从业人员、提高行业工作效率的效果显现。

《华夏时报》记者了解到，智能投研的资管应用已经有所成果，就债券违约风险预警而言，平安集团数据显示，在2019年至今发生违约的264只债券中，平安提前3个月以上成功预警的达到251只，成功预警规模约2200亿元。

金融科技的未来是怎样的？这些面向未来的科技在金融业的落地应用有多广？金融科技的进一步发展还需要解决哪些问题？在近日上海自由贸易试验区临港新片区召开的首届“1024国际智能投研开发者大会”上，来自金融科技领域的技术专家们回答了这三大问题。

记者在现场看到，此次大会作为由技术端切入金融科技的专业会议，吸引了国内外500多名金融机构、金融科技公司、科研机构的开发者、程序员、架构师和CTO参加，他们分享了涉及基础设施与底层技术、智能投研、量化交易前沿技术等多方面主题内容。在他们看来，联邦学习、知识图谱、深度学习、区块链等新兴底层技术以及它们之间的组合，正让一个更强大的金融业向我们徐徐走来。

金融科技的未来在哪里？

10月23—24日，以“数据技术”为核心的首届“1024国际智能投研开发者大会”在上海自贸区临港新片区举行，此次大会由技术端切入金融科技，探讨智能投研领域金融科技与资产管理的融合发展。

据悉，本次大会由智能投研技术联盟(ITL)主办，ITL由国内超过72家领先的持牌金融机构、高校科研院所、金融科技公司以及专业服务机构发起成立。

ITL主席、微众银行首席人工智能官杨强分享了联邦学习和智能投研领域的最新进展。尽管金融科技中的A（人工智能）、B（区块链）、C（云计算）、D（大数据）所代表的技术已然发展迅速，但在它们从量变到质变的过程中，金融科技仍然会面临“数据孤岛”的困境。

如何能够在符合各种隐私法规的前提下解决“数据孤岛”的问题？联邦学习无疑在近几年为行业带来了新的希望。据杨强介绍，联邦学习提供了新的思路，让模型在各地移动，以分布式的方式构建，参与各方可以在不披露底层数据和底层数据的加密（混淆）形态的前提下共建模型，而不需要数据在本地区域之外移动。

“我们来到了大数据的时代，但其实我们周围都是小数据，每个人、每个公司手里的样本量和数据维度都非常有限，远远不足以支撑宽泛的人工智能。而要把这些数据联合起来应用则会遭遇隐私权的‘紧箍咒’。”杨强表示。

上海证券交易所原总工程师白硕表示，深度学习和知识图谱的结合是代表人工智能未来的一对“黑白双煞”组合。“机器的深度学习非常适合，但是对于一个复杂结构，深度学习可能就不一定走得通，还是必须有知识图谱以及领域专家参与。”白硕认为。

科技落地金融业已有成效

随着科技的进步，支撑金融分析师做出投研分析的可用数据维度也在不断地扩展。传统上，分析师主要依赖财务报表判断公司的经营表现；近年来，网络爬虫、NLP等技术使得网络舆情、公开招投标等信息也被应用到对公司和行业的分析当中。

而在本次论坛上，微众银行资深人工智能科学家殷磊也指出，AI+另类数据将重塑金融业。他介绍，微众揽月平台是AI+另类数据的智能资管平台。为了监测疫情后宏观经济复苏情况，微众揽月利用短波红外影像监测钢铁厂等制造业企业的开工率、利用停车场车辆空置率判断上海“特斯拉”超级工厂复工进度等，基于聚合的位置数据，揽月平台编制了中国经济恢复指数，监测了疫情后中国经济的恢复：截至2020年3月27日，指数监测全国经济恢复已达87%。

业内逐渐形成共识，金融业竞争在未来一定程度上就是金融科技的竞争，各大金融机构都在进行自己的数字化转型，全球各大金融机构信息科技投入也在逐年增加。

前瞻产业研究院数据显示，2015年—2019年国际领先金融机构信息技术投入总体呈逐年增长态势，2019年部分国际领先金融机构信息技术投入金额为260亿美元，同比增长6%。

联邦学习、知识图谱、区块链等代表未来方向的科技目前在金融业的落地情况如何？以联邦学习为例，尽管这是一个2018年以后才出现的名词，但目前其在金融业的应用案例已如雨后春笋，譬如，将联邦学习用于反洗钱之上。杨强介绍称，由于洗钱的低频数据，单个银行往往严重缺乏样本数据，为了优化银行的反洗钱模型，微众银行与合作银行已开始使用联邦学习，在数据隐私保护的条件下建立联合模型，识别性能较单个模型提升90%。

平安集团首席科学家肖京则举例称，平安在投资领域风险管理方面应用了大量知识图谱技术。知识图谱可基于历史事件智能归因，推演新事件或采取行动。基于企业实体属性等构建知识图谱，可以发现潜在企业风险，从而实现债券违约风险预警、发现财务粉饰、辅助银行进行信贷管理等功能。以债券违约风险预警为例，平安集团数据显示，在2019年至今发生违约的264只债券中，平安提前3个月以上成功预警的达到251只，成功预警规模约2200亿元。

金融科技的监督和规范仍待加强

在“数智技术——金融应用中的趋势、愿景与挑战”圆桌论坛上，技术“大牛”们就金融科技未来的挑战分享了自己的观点。他们普遍认为，金融科技是整个社会范畴的议题，要使金融科技健康快速发展，可解释性、相配套的规则及标准等都还是横亘在这个领域面前需要解决的问题，而这些问题涉及到监管、法律、经济学、社会伦理等方方面面。

其中可解释性人工智能是近年来被热议的话题。杨强表示，所谓可解释人工智能是指，需要让不同背景的人明白科技背后的逻辑。但用动辄几千万的参数建立的模型，往往是一个所谓的黑箱，没有办法解释运作原理，这就会面临几个困境，第一个困境是监管方不知道模型的运作机理，无法进行监管工作；还有一个是系统开发的工程师不知道原理，就没有办法来修正错误；另外金融业务的消费者也无法得到好的解释。

金融科技将如何走通可解释性这条路？杨强认为，深度学习未来可能会越来越“黑箱”，需要另外设立科学家解释的机制；白硕则认为不能单纯被动等待可解释的人工智能出现，现在就应该充分运用知识图谱这样具有“白箱”性质的技术工具来相互结合。

可解释性的背后，是金融科技发展到目前阶段需要匹配的标准和监管环境的急切需求，而标准和规范也是可解释的前提。那么，标准和监管对目前的金融科技企业来说意义是什么？人工智能的标准又究竟应该如何建立？

对此，杨强回应称，目前人工智能行业痛点在于数据不够，因此需要合作，在合作时需要第三方机构来判断合作是否合乎标准。他建议在建立了相关标准之后，还需要在银保监会等相关行业监管部门之下，再建立审计和监管标准执行的机构。

曾途则称：“金融科技有框架和规范是很有必要的。人工智能、机器学习支持业务，这本身是一个技术协同协调的过程，背后需要标准业务人员以及对于输入参数和输出结果的合规。在合规的框架内，才能构建出整体框图，然后才能进行解释。”

“金融是利用信息不对称性来赚钱，而人工智能是把金融变得信息对称。谁掌握了这种强大的武器，在未来就会有最大的受益。”曾途表示，在这个过程中，对这种“武器”的使用机制的监督和规范相当重要，但目前还存在缺失，需要加紧研究。

责任编辑：徐芸茜 主编：公培佳

查看更多华夏时报文章，参与华夏时报微信互动（微信搜索「华夏时报」或「chinatimes」）