張立華，張順順

1.溫州商學(xué)院 金融貿(mào)易學(xué)院，浙江 溫州 325000

2.倫敦大學(xué)國(guó)王學(xué)院 國(guó)王商學(xué)院，倫敦WC2B 4BG

在大數(shù)據(jù)、云計(jì)算、元宇宙、人工智能等新技術(shù)革命的推動(dòng)下，機(jī)器學(xué)習(xí)（machine learning，ML）誕生了自然語(yǔ)言處理（natural language processing，NLP）、計(jì)算機(jī)視覺(jué)（computer vision）和機(jī)器人（robotics）技術(shù)發(fā)展的一座座里程碑。伴隨著海量數(shù)據(jù)的挖掘過(guò)程，區(qū)域金融風(fēng)險(xiǎn)防控面臨著數(shù)據(jù)稀疏性和復(fù)雜性的挑戰(zhàn)。區(qū)域金融風(fēng)險(xiǎn)的量化和防控非常重要。當(dāng)金融機(jī)構(gòu)愈來(lái)愈強(qiáng)大和業(yè)務(wù)更加綜合，準(zhǔn)確量化和減輕風(fēng)險(xiǎn)的綜合統(tǒng)計(jì)模型變得比過(guò)往任何時(shí)候更加復(fù)雜多變。當(dāng)需要準(zhǔn)確評(píng)估大金融機(jī)構(gòu)的投資組合風(fēng)險(xiǎn)敞口，運(yùn)用傳統(tǒng)的統(tǒng)計(jì)或模擬方法將變得越來(lái)越無(wú)所適從。為克服傳統(tǒng)方法的缺陷不足，研究者開(kāi)始關(guān)注ML 方法在應(yīng)對(duì)區(qū)域金融風(fēng)險(xiǎn)防控中的應(yīng)用。

理論學(xué)術(shù)界相關(guān)的研究工作已經(jīng)逐漸展開(kāi)，不斷研發(fā)的ML 防控區(qū)域金融風(fēng)險(xiǎn)研究方法主要表現(xiàn)為兩方面：一是，從傳統(tǒng)金融風(fēng)險(xiǎn)管控ML 視角看，2016 年Cavalcante 等人介紹了2009—2015 年的主要研究文獻(xiàn)，綜述了計(jì)算智能方法的金融市場(chǎng)動(dòng)態(tài)預(yù)測(cè)，全文著重于金融數(shù)據(jù)的預(yù)處理和聚類(lèi)、未來(lái)市場(chǎng)走勢(shì)的預(yù)測(cè)、金融文本信息挖掘技術(shù)等。隨后，De Spiegeleer 等人描述了傳統(tǒng)高斯回歸的加速多個(gè)數(shù)量級(jí)的機(jī)器學(xué)習(xí)技術(shù)，擬合了復(fù)雜的希臘值風(fēng)險(xiǎn)并總結(jié)了隱含波動(dòng)率，減少了模型的普通期權(quán)價(jià)值測(cè)算、美式期權(quán)定價(jià)和超越Black-Scholes 模型奇異期權(quán)定價(jià)的計(jì)算次數(shù)。2020 年Mashrur 等人介紹了一個(gè)傳統(tǒng)金融風(fēng)險(xiǎn)管理ML 分類(lèi)法，詳述了其過(guò)去十年中的重要出版文獻(xiàn)，梳理了研究人員面臨的主要困惑，指出了傳統(tǒng)金融風(fēng)險(xiǎn)管理機(jī)器學(xué)習(xí)的未來(lái)研究方向。二是，從金融系統(tǒng)風(fēng)險(xiǎn)管控ML 視角看，Helbing強(qiáng)調(diào)了當(dāng)今全球網(wǎng)絡(luò)具有廣泛且相互依存的系統(tǒng)，當(dāng)網(wǎng)絡(luò)世界的復(fù)雜性和交互作用增加時(shí)，這些系統(tǒng)可能對(duì)社會(huì)造成嚴(yán)重的破壞。之后，2019 年Kuo對(duì)現(xiàn)有的利用大數(shù)據(jù)分析、網(wǎng)絡(luò)分析和情感分析等ML技術(shù)評(píng)估衡量金融系統(tǒng)風(fēng)險(xiǎn)的研究方法進(jìn)行了綜述，梳理了當(dāng)前金融系統(tǒng)風(fēng)險(xiǎn)ML 的研究方法和未來(lái)工作方向。2020年Giudici等人描述了多元網(wǎng)絡(luò)結(jié)構(gòu)的關(guān)聯(lián)網(wǎng)絡(luò)模型（correlation network models，CNM），注重系統(tǒng)風(fēng)險(xiǎn)、間接風(fēng)險(xiǎn)敞口，將其關(guān)聯(lián)于直接風(fēng)險(xiǎn)敞口，捕捉和度量金融網(wǎng)絡(luò)中的系統(tǒng)風(fēng)險(xiǎn)。RFRP（regional financial risks prevention）防控模擬的優(yōu)化路徑如圖1 所示，ML 模型求解過(guò)程是對(duì)傳統(tǒng)統(tǒng)計(jì)計(jì)量方法的一種優(yōu)化策略。

圖1 RFRP 防控模擬的優(yōu)化路徑Fig.1 Optimal path to simulate RFRP prevention

綜合來(lái)看，以往研究文獻(xiàn)分別關(guān)注傳統(tǒng)金融風(fēng)險(xiǎn)管理或者金融系統(tǒng)風(fēng)險(xiǎn)管控，然而，缺乏對(duì)區(qū)域金融風(fēng)險(xiǎn)管控的科學(xué)化分類(lèi)法和區(qū)域金融風(fēng)險(xiǎn)管控框架中優(yōu)化ML 方法。本文的研究擴(kuò)展有以下幾個(gè)方面：首先提出了區(qū)域金融風(fēng)險(xiǎn)防控的科學(xué)分類(lèi)，在ML 的簡(jiǎn)要概述上描述了ML 的關(guān)聯(lián)性，這有助于研究者在復(fù)雜多變的區(qū)域金融風(fēng)險(xiǎn)領(lǐng)域中確定正確的研究方向；其次綜述了傳統(tǒng)金融風(fēng)險(xiǎn)防控ML 的主要方法和技術(shù)，并基于不同的方法和技術(shù)，梳理了傳統(tǒng)金融風(fēng)險(xiǎn)防控ML 的國(guó)內(nèi)外研究進(jìn)展，揭示了傳統(tǒng)金融風(fēng)險(xiǎn)防控ML 應(yīng)用的實(shí)踐路徑；再次梳理了區(qū)域金融系統(tǒng)風(fēng)險(xiǎn)防控ML 的主要模型和技術(shù)，著重于金融系統(tǒng)風(fēng)險(xiǎn)防控ML 的最新進(jìn)展，以便駕馭ML 目前在區(qū)域金融系統(tǒng)風(fēng)險(xiǎn)防控領(lǐng)域中的研究方向和重點(diǎn)領(lǐng)域；最后對(duì)區(qū)域金融風(fēng)險(xiǎn)防控機(jī)器學(xué)習(xí)新興方向和前景技術(shù)進(jìn)行了展望，希望有助于國(guó)內(nèi)外研究者和從業(yè)者，進(jìn)一步研發(fā)出更適合的ML 方法與技術(shù)，有效應(yīng)對(duì)區(qū)域金融風(fēng)險(xiǎn)。

1 區(qū)域金融風(fēng)險(xiǎn)防控和機(jī)器學(xué)習(xí)簡(jiǎn)要概述

區(qū)域金融風(fēng)險(xiǎn)無(wú)論在管理區(qū)域TFR 還是堅(jiān)守不發(fā)生區(qū)域FSR 中都要進(jìn)行識(shí)別、評(píng)測(cè)和預(yù)防，但以往文獻(xiàn)對(duì)區(qū)域金融風(fēng)險(xiǎn)存在著模糊不全面的理解和應(yīng)用，其中涉及“地區(qū)”和“區(qū)域”這對(duì)詞語(yǔ)。查證調(diào)研了該對(duì)詞語(yǔ)歷史發(fā)展過(guò)程，發(fā)現(xiàn)“地區(qū)”與“區(qū)域”的內(nèi)涵是基本一致的。本文認(rèn)為區(qū)域金融風(fēng)險(xiǎn)一般呈現(xiàn)出五種表現(xiàn)形式：（1）跨國(guó)層面的金融風(fēng)險(xiǎn)；（2）國(guó)內(nèi)層面的金融風(fēng)險(xiǎn)；（3）跨省層面的金融風(fēng)險(xiǎn)；（4）省內(nèi)層面的金融風(fēng)險(xiǎn)；（5）跨市層面的金融風(fēng)險(xiǎn)。本文將區(qū)域金融風(fēng)險(xiǎn)分為區(qū)域傳統(tǒng)金融風(fēng)險(xiǎn)和區(qū)域金融系統(tǒng)風(fēng)險(xiǎn)兩大類(lèi)型。這種金融風(fēng)險(xiǎn)分類(lèi)視角不同于傳統(tǒng)的風(fēng)險(xiǎn)劃分方法，既有助于機(jī)器學(xué)習(xí)模擬區(qū)域傳統(tǒng)金融風(fēng)險(xiǎn)，也有利于機(jī)器學(xué)習(xí)量化區(qū)域金融系統(tǒng)風(fēng)險(xiǎn)。

1.1 金融風(fēng)險(xiǎn)簡(jiǎn)單概述與分類(lèi)

金融行業(yè)的繁榮發(fā)展伴隨著承擔(dān)、預(yù)防和化解金融風(fēng)險(xiǎn)。金融事件可能造成不利的金融市場(chǎng)波動(dòng)、貸款違約、金融機(jī)構(gòu)倒閉、欺詐活動(dòng)、客戶損失。根據(jù)金融風(fēng)險(xiǎn)因素的來(lái)源，本文拓展了2017年Silva等人研究脈絡(luò)，在傳統(tǒng)的金融信用風(fēng)險(xiǎn)、市場(chǎng)風(fēng)險(xiǎn)、操作風(fēng)險(xiǎn)、保險(xiǎn)風(fēng)險(xiǎn)基礎(chǔ)上，引入“系統(tǒng)風(fēng)險(xiǎn)（systemic risk）”。

（1）信用風(fēng)險(xiǎn)是指?jìng)鶛?quán)人履行貸款違約或破產(chǎn)合同義務(wù)能力的不確定性。信用風(fēng)險(xiǎn)主要呈現(xiàn)為零售貸方風(fēng)險(xiǎn)和企業(yè)貸方風(fēng)險(xiǎn)。

（2）市場(chǎng)風(fēng)險(xiǎn)是指高度流動(dòng)性的金融市場(chǎng)風(fēng)險(xiǎn)敞口導(dǎo)致公司標(biāo)的資產(chǎn)、債務(wù)或收入價(jià)值的不確定性。市場(chǎng)風(fēng)險(xiǎn)主要表現(xiàn)為利率風(fēng)險(xiǎn)、匯率風(fēng)險(xiǎn)、大宗商品價(jià)格風(fēng)險(xiǎn)等。

（3）操作風(fēng)險(xiǎn)是指金融業(yè)務(wù)操作的不可預(yù)測(cè)性致使虧損風(fēng)險(xiǎn)或錯(cuò)誤欺詐行為造成績(jī)效損失。操作風(fēng)險(xiǎn)一般可分為業(yè)務(wù)風(fēng)險(xiǎn)和事件風(fēng)險(xiǎn)。業(yè)務(wù)風(fēng)險(xiǎn)表現(xiàn)為經(jīng)營(yíng)業(yè)績(jī)的不確定性，事件風(fēng)險(xiǎn)呈現(xiàn)出業(yè)務(wù)操作產(chǎn)生不利影響事件的不確定性。

（4）保險(xiǎn)是一種保險(xiǎn)人事先約定，承諾在一定時(shí)期內(nèi)發(fā)生意外事故并造成損失的情況下，對(duì)被保險(xiǎn)人進(jìn)行賠償或提供保險(xiǎn)服務(wù)的金融系統(tǒng)，也是一種應(yīng)對(duì)風(fēng)險(xiǎn)的方法。保險(xiǎn)風(fēng)險(xiǎn)主要特征表現(xiàn)在保險(xiǎn)損失或死亡事件中的不確定性。

（5）系統(tǒng)風(fēng)險(xiǎn)是指由金融機(jī)構(gòu)崩潰等影響的廣泛事件引發(fā)的金融系統(tǒng)嚴(yán)重衰退的概率，事件對(duì)金融市場(chǎng)以及整個(gè)經(jīng)濟(jì)帶來(lái)負(fù)面沖擊。

圖2 匯總了不同來(lái)源的金融風(fēng)險(xiǎn)種類(lèi)及范圍，有助于及時(shí)運(yùn)用各種區(qū)域金融風(fēng)險(xiǎn)防控策略測(cè)度和化解金融復(fù)雜體系的風(fēng)險(xiǎn)。這種新的分類(lèi)視角有助于對(duì)區(qū)域金融風(fēng)險(xiǎn)開(kāi)展重點(diǎn)研究和應(yīng)對(duì)未來(lái)金融系統(tǒng)所面臨的風(fēng)險(xiǎn)挑戰(zhàn)。

圖2 金融風(fēng)險(xiǎn)分類(lèi)Fig.2 Taxonomy of financial risks

1.2 機(jī)器學(xué)習(xí)簡(jiǎn)單概述

機(jī)器學(xué)習(xí)是一種利用以往數(shù)據(jù)或經(jīng)驗(yàn)提高績(jī)效或準(zhǔn)確預(yù)測(cè)的計(jì)算機(jī)算法，其學(xué)習(xí)具有優(yōu)化損失或回報(bào)函數(shù)的性能?；趯W(xué)習(xí)方式的機(jī)器學(xué)習(xí)主要分類(lèi)為：

（1）監(jiān)督學(xué)習(xí)（supervised learning，SL）

SL 又稱(chēng)為有導(dǎo)師學(xué)習(xí)，是利用標(biāo)簽（labelled）的樣本數(shù)據(jù)進(jìn)行訓(xùn)練，其算法中訓(xùn)練模型可用于對(duì)未標(biāo)簽（unlabelled）的數(shù)據(jù)做出預(yù)測(cè)。監(jiān)督學(xué)習(xí)主要包括回歸和分類(lèi)。圖3 給出了SL 的流程框架。

圖3 監(jiān)督學(xué)習(xí)的流程框架Fig.3 Progress framework of supervised learning

（2）無(wú)監(jiān)督學(xué)習(xí)（unsupervised learning，UL）

UL也稱(chēng)為無(wú)導(dǎo)師學(xué)習(xí)，是指利用沒(méi)有被標(biāo)簽的數(shù)據(jù)探測(cè)模式識(shí)別的機(jī)器學(xué)習(xí)任務(wù)。該算法中沒(méi)有可用的標(biāo)簽數(shù)據(jù)。無(wú)監(jiān)督學(xué)習(xí)算法旨在解決未標(biāo)簽數(shù)據(jù)的聚類(lèi)（clustering）、異常檢測(cè)（anomaly detection）、降維（dimensionality reduction）等特定問(wèn)題。從圖4 可以理解UL 的決策系統(tǒng)。

圖4 無(wú)監(jiān)督學(xué)習(xí)的流程框架Fig.4 Progress framework of unsupervised learning

（3）半監(jiān)督學(xué)習(xí)（semi-supervised learning，SSL）

SSL在實(shí)際應(yīng)用中很常見(jiàn)，其利用大量的未標(biāo)簽數(shù)據(jù)以及標(biāo)簽數(shù)據(jù)進(jìn)行模式識(shí)別研究。SSL 的具體流程框架如圖5 所示。從學(xué)習(xí)算法看，SSL 可以分類(lèi)為生成模型（generative models）、自訓(xùn)練算法（selftraining）、協(xié)同訓(xùn)練算法（co-training）、半監(jiān)督支持向量機(jī)（semi-supervised supported vector machines,S3VM）、圖論算法（graph-based algorithms）。

圖5 半監(jiān)督學(xué)習(xí)的流程框架Fig.5 Progress framework of semi-supervised learning

（4）強(qiáng)化學(xué)習(xí)（reinforcement learning，RL）

RL 是指不確定性下實(shí)現(xiàn)在環(huán)境交互過(guò)程中最大化回報(bào)或完成特定目標(biāo)的序列決策。強(qiáng)化學(xué)習(xí)方法主要包括時(shí)序差分學(xué)習(xí)（temporal-difference learning,TD）、狀態(tài)-動(dòng)作-回報(bào)-狀態(tài)-動(dòng)作（state action reward state action，SARSA）算法、異步優(yōu)勢(shì)行動(dòng)者評(píng)價(jià)者算法（asynchronous advantage actor-critic，A3C）、深度Q網(wǎng)絡(luò)（deep Q-network，DQN）、深度確定性策略梯度（deep deterministic policy gradient，DDPG）等。圖6表明智能體與環(huán)境的交互過(guò)程是一個(gè)試錯(cuò)策略，以最大化獎(jiǎng)勵(lì)累計(jì)值。

圖6 強(qiáng)化學(xué)習(xí)的流程框架Fig.6 Progress framework of reinforcement learning

（5）深度學(xué)習(xí)（deep learning，DL）

深度學(xué)習(xí)是一種提取特征的多層表示的、擬合特征到標(biāo)簽的層級(jí)轉(zhuǎn)換的非線性復(fù)合函數(shù)的機(jī)器學(xué)習(xí)形式。這種學(xué)習(xí)方法非常適合復(fù)雜非線性數(shù)據(jù)相互作用的識(shí)別模式。隨后，深度學(xué)習(xí)方法發(fā)展了卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural networks，RNN）、長(zhǎng)短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）。近年，出現(xiàn)了一種融合深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)用于金融市場(chǎng)動(dòng)態(tài)環(huán)境中做出決策的深度強(qiáng)化學(xué)習(xí)。

例如代表性RNN 模型是將輸入序列映射到輸出序列的非線性動(dòng)態(tài)系統(tǒng)。如圖7 顯示右側(cè)是左側(cè)遞歸表示的展開(kāi)表示，其中遞歸關(guān)系表達(dá)式如下：

隨時(shí)間反向傳播算法（backpropagation through time）可以直接應(yīng)用于圖7 右側(cè)展開(kāi)網(wǎng)絡(luò)的計(jì)算圖，以計(jì)算所有狀態(tài)s和所有參數(shù)的總偏差導(dǎo)數(shù)。

圖7 循環(huán)神經(jīng)網(wǎng)絡(luò)框架Fig.7 Progress framework of RNN

目前流行的LSTM解決了RNN 無(wú)法處理長(zhǎng)距離依賴的問(wèn)題，改進(jìn)了網(wǎng)絡(luò)間的梯度流。

2 傳統(tǒng)金融風(fēng)險(xiǎn)防控機(jī)器學(xué)習(xí)方法分析

20 世紀(jì)80 年代以來(lái)，隨著區(qū)域經(jīng)濟(jì)一體化和金融國(guó)際化的發(fā)展，區(qū)域金融風(fēng)險(xiǎn)對(duì)區(qū)域金融穩(wěn)定帶來(lái)挑戰(zhàn)。從1988 年起，巴塞爾銀行業(yè)監(jiān)管委員會(huì)（Basel Committee on Banking Supervision，BCBS）先后發(fā)布了巴塞爾協(xié)議I（Basel I）和巴塞爾協(xié)議Ⅱ（Basel II），Basel I、Basel Ⅱ都著重于銀行不同資產(chǎn)的風(fēng)險(xiǎn)差異。借鑒Basel I、Basel Ⅱ?qū)︺y行風(fēng)險(xiǎn)的劃分，區(qū)域傳統(tǒng)金融風(fēng)險(xiǎn)防控機(jī)器學(xué)習(xí)方法的系統(tǒng)性分類(lèi)具體模型如圖8 所示。本章分類(lèi)框架綜合分列了利用機(jī)器學(xué)習(xí)模擬區(qū)域傳統(tǒng)金融風(fēng)險(xiǎn)中的信用風(fēng)險(xiǎn)、市場(chǎng)風(fēng)險(xiǎn)、操作風(fēng)險(xiǎn)、保險(xiǎn)風(fēng)險(xiǎn)等方法與技術(shù)。

圖8 區(qū)域金融風(fēng)險(xiǎn)防控機(jī)器學(xué)習(xí)方法分類(lèi)框架Fig.8 Taxonomy framework of machine learning for regional financial risks prevention

鑒于以上綜述的TFR 防控不同ML 方法，表1 分析了各類(lèi)ML 方法的優(yōu)點(diǎn)、局限和傳統(tǒng)場(chǎng)景等。

表1 TFR 防控的不同ML 方法比較Table 1 Comparison of ML methods for TFR prevention

2.1 信用風(fēng)險(xiǎn)模擬方法

信用風(fēng)險(xiǎn)（credit risk）定義為借款人履行義務(wù)的不確定性。這包括個(gè)人貸款違約或公司破產(chǎn)。信用風(fēng)險(xiǎn)防控著重于信用評(píng)分和破產(chǎn)預(yù)測(cè)。信用評(píng)分（credit scoring）系指?jìng)€(gè)人貸款的風(fēng)險(xiǎn)敞口，而破產(chǎn)預(yù)測(cè)是指企業(yè)借款的風(fēng)險(xiǎn)度量。從統(tǒng)計(jì)建模來(lái)看，破產(chǎn)預(yù)測(cè)和信用評(píng)分用于建模的解釋變量不盡相同。前者的解釋變量關(guān)注于公司資產(chǎn)負(fù)債表或損益表等的主要財(cái)務(wù)比率；而零售信用評(píng)分模型（retail credit scoring）的預(yù)測(cè)變量使用貸款申請(qǐng)人的財(cái)務(wù)和人口統(tǒng)計(jì)信息。

近20 年以來(lái)，機(jī)器學(xué)習(xí)預(yù)測(cè)個(gè)人或企業(yè)違約的文獻(xiàn)不斷增長(zhǎng)。其中用于信用風(fēng)險(xiǎn)評(píng)估分為兩類(lèi)：

（1）監(jiān)督學(xué)習(xí)預(yù)測(cè)信用風(fēng)險(xiǎn)

兩個(gè)最常用的預(yù)測(cè)破產(chǎn)或信用評(píng)分的分類(lèi)器（classifiers）是支持向量機(jī)（support vector machines，SVM）和神經(jīng)網(wǎng)絡(luò)（neural network，NN）。Kim 等人描述了一種多類(lèi)SVM。新的選擇特征方法改進(jìn)了這些模型的有效性。與此同時(shí)，集成學(xué)習(xí)（ensemble learning）和混合模型（hybrid models）也被廣泛應(yīng)用。

Ghodselahi和Hu等人對(duì)自助聚合（Bagging）、提升法（Boosting）、堆疊法（stacking）等集成學(xué)習(xí)方法進(jìn)行了綜述。Wang 等人描述的支持向量機(jī)提高了集成模型的預(yù)測(cè)性能。隨后，Ampountolas 等人和Harding 等人指出隨機(jī)森林算法（random forest）優(yōu)于其他單一或混合分類(lèi)器模型。

（2）無(wú)監(jiān)督學(xué)習(xí)模擬信用風(fēng)險(xiǎn)

聚類(lèi)方法（clustering methods）適用于識(shí)別破產(chǎn)或信用違約風(fēng)險(xiǎn)，這些方法有助于識(shí)別申請(qǐng)組合貸款的個(gè)人或企業(yè)。Lim 等人分析了聚類(lèi)動(dòng)態(tài)評(píng)分模型（cluster-based dynamic scoring model），并指出可以通過(guò)聚類(lèi)的不同分類(lèi)器獲取更高的評(píng)分精度。Kou等人綜述比較了研究文獻(xiàn)的不同聚類(lèi)方法。

Kim等人提出了一種解決信用評(píng)級(jí)的多類(lèi)SVM新方法。之后文獻(xiàn)[22]通過(guò)決策樹(shù)和AdaBoosed 決策樹(shù)解決財(cái)務(wù)預(yù)警問(wèn)題。文獻(xiàn)[23-28]通過(guò)引入自助聚合、提升法、堆疊法、支持向量機(jī)、隨機(jī)森林或通過(guò)神經(jīng)網(wǎng)絡(luò)、分類(lèi)與回歸、梯度提升法，或引入自助聚合支持向量機(jī)、自助聚合隨機(jī)森林等集成算法，進(jìn)行特征選擇，改進(jìn)了信用風(fēng)險(xiǎn)建模，提升了風(fēng)險(xiǎn)預(yù)測(cè)準(zhǔn)確率問(wèn)題。與此同時(shí)，文獻(xiàn)[29-30]通過(guò)數(shù)據(jù)分割或聚類(lèi)選擇，提出了無(wú)監(jiān)督學(xué)習(xí)的行為評(píng)分或驗(yàn)證了多準(zhǔn)則決策的有效性。針對(duì)信用風(fēng)險(xiǎn)ML 算法選擇特征、性能績(jī)效、數(shù)據(jù)規(guī)模等問(wèn)題，表2 分析了信用風(fēng)險(xiǎn)預(yù)測(cè)模型方法的局限性。

表2 信用風(fēng)險(xiǎn)預(yù)測(cè)方法的局限性Table 2 Limitation of credit risk model

2.2 市場(chǎng)風(fēng)險(xiǎn)模擬方法

正如Shiller所言，市場(chǎng)風(fēng)險(xiǎn)的主要測(cè)度是運(yùn)用資產(chǎn)收益標(biāo)準(zhǔn)差衡量資產(chǎn)波動(dòng)率。為了使市場(chǎng)風(fēng)險(xiǎn)最小化同時(shí)收益最大化，機(jī)器學(xué)習(xí)可采用動(dòng)態(tài)資產(chǎn)配置系統(tǒng)。最優(yōu)投資組合的機(jī)器學(xué)習(xí)模型主要有兩大類(lèi)型：機(jī)器學(xué)習(xí)預(yù)測(cè)波動(dòng)率和機(jī)器學(xué)習(xí)優(yōu)化投資組合。

波動(dòng)率（volatility）被定義為未來(lái)金融市場(chǎng)資產(chǎn)價(jià)格的不確定性。較高波動(dòng)率呈現(xiàn)出較高市場(chǎng)風(fēng)險(xiǎn)。市場(chǎng)風(fēng)險(xiǎn)防控的波動(dòng)率機(jī)器學(xué)習(xí)的典型方法有：

（1）傳統(tǒng)統(tǒng)計(jì)方法改進(jìn)

20 多年以來(lái)，Luong 等人證明了混合機(jī)器學(xué)習(xí)（hybrid machine learning）技術(shù)可以改進(jìn)傳統(tǒng)GARCH模型和隨機(jī)方法的性能。人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks，ANN）可與GARCH 模型和隨機(jī)波動(dòng)率模型融合，做出更準(zhǔn)確的波動(dòng)率預(yù)測(cè)。利用GARCH模型輸出作為多層感知機(jī)（multi-layer perceptron）模型的輸入，不僅可使模型預(yù)測(cè)更加準(zhǔn)確，而且對(duì)于不同的窗口大?。╳indow sizes）、堆疊模型（stacked model）呈現(xiàn)出更好的穩(wěn)健性和一致性。與此同時(shí)，Park 等人研究發(fā)現(xiàn)了機(jī)器學(xué)習(xí)模型，特別是支持向量回歸（support vector regression）、高斯過(guò)程回歸（Gaussian process regression）和神經(jīng)網(wǎng)絡(luò)模型可完全取代傳統(tǒng)的參數(shù)模型。Luo 等人分析了循環(huán)神經(jīng)網(wǎng)絡(luò)與隨機(jī)波動(dòng)率模型（stochastic volatility models）相融合可以顯著提升模型的預(yù)測(cè)能力。

（2）神經(jīng)網(wǎng)絡(luò)序列方法

Hochreiter 等人指出了長(zhǎng)短期記憶網(wǎng)絡(luò)模型是序列分析的循環(huán)神經(jīng)網(wǎng)絡(luò)流行變體，長(zhǎng)短期記憶網(wǎng)絡(luò)模型被應(yīng)用于預(yù)測(cè)波動(dòng)率。最近，Ramos-Pérez 等人基于隨機(jī)森林、支持向量、人工神經(jīng)網(wǎng)絡(luò)建立了混合人工神經(jīng)網(wǎng)絡(luò)，其呈現(xiàn)的預(yù)測(cè)績(jī)效可靠性更高。

（3）市場(chǎng)文本數(shù)據(jù)方法

傳統(tǒng)方法沒(méi)有將金融、經(jīng)濟(jì)、流行病新聞等非結(jié)構(gòu)化（unstructured）文本數(shù)據(jù)（textual data）用于預(yù)測(cè)波動(dòng)率。Groth 等人總結(jié)了股票交易量和價(jià)格等結(jié)構(gòu)化數(shù)據(jù)不僅用于機(jī)器學(xué)習(xí)預(yù)測(cè)投資組合波動(dòng)率，而且文本數(shù)據(jù)也可作為市場(chǎng)波動(dòng)率的重要解釋變量（predictors）。從歷史上看，金融市場(chǎng)文本數(shù)據(jù)有著不同的來(lái)源：一方面，來(lái)自資產(chǎn)波動(dòng)輿論的公開(kāi)討論區(qū)（public discussion boards）。Antweiler 等人早先討論了樸素貝葉斯（naive Bayes）算法根據(jù)公開(kāi)討論區(qū)留言準(zhǔn)確預(yù)測(cè)交易量和波動(dòng)率。之后，Nizer等人研究了公司新聞可作為標(biāo)的資產(chǎn)波動(dòng)率短期預(yù)測(cè)的關(guān)鍵解釋變量指標(biāo)。隨后，Manela 等人分析了支持向量回歸可將新聞隱含波動(dòng)率以及市場(chǎng)崩盤(pán)等引發(fā)的不確定性作為有效解釋變量預(yù)測(cè)收益的波動(dòng)率。另一方面，Oliveira 等人指出了有部分文本挖掘（text-mining）預(yù)測(cè)需要使用Twitter 微博等社交媒體上的數(shù)據(jù)。此后，Xu 等人分析了“谷歌趨勢(shì)”（Google trends）可作為股票市場(chǎng)預(yù)測(cè)波動(dòng)率的有效指標(biāo)。近來(lái)，自然語(yǔ)言處理（NLP）技術(shù)不斷用于提高金融預(yù)測(cè)性能。Xu 等人指出新聞文章、微博等非結(jié)構(gòu)化文本數(shù)據(jù)可包含金融決策的重要信息。

投資組合優(yōu)化（portfolio optimization）是指一組特定金融合約權(quán)重的預(yù)期收益最大化或金融風(fēng)險(xiǎn)最小化資產(chǎn)配置過(guò)程。許多機(jī)器學(xué)習(xí)方法技術(shù)有助于構(gòu)建波動(dòng)率最小的投資組合。

（1）監(jiān)督學(xué)習(xí)優(yōu)化投資組合

Papadimitriou等人描述了支持向量預(yù)測(cè)S&P500股指極端變動(dòng)的非線性關(guān)系。Ban 等人使用了新正則化（regularization）或交叉驗(yàn)證（cross-validation）技術(shù)，進(jìn)一步提升了監(jiān)督學(xué)習(xí)模型的性能。Pinelis 等人發(fā)現(xiàn)了隨機(jī)森林模型優(yōu)于傳統(tǒng)的投資組合選擇模型。

（2）在線學(xué)習(xí)優(yōu)化投資組合

Li 等人分析了金融市場(chǎng)均值回復(fù)（mean reversion）假設(shè)下找到最優(yōu)投資組合權(quán)重的在線投資組合選擇策略（online portfolio selection strategy）。隨后，Li 等人對(duì)使用投資組合選擇的不同在線學(xué)習(xí)方法進(jìn)行了文獻(xiàn)綜述。

（3）強(qiáng)化學(xué)習(xí)優(yōu)化投資組合

Jiang 等人總結(jié)了強(qiáng)化學(xué)習(xí)方法可運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）達(dá)到策略優(yōu)化。同時(shí)，Almahdi 等人分析了循環(huán)強(qiáng)化學(xué)習(xí)方法（recurrent reinforcement learning，RRL），在產(chǎn)生市場(chǎng)買(mǎi)賣(mài)信號(hào)的同時(shí)，并基于下行風(fēng)險(xiǎn)調(diào)整目標(biāo)函數(shù)（downside risk-adjusted objective function）獲得最優(yōu)資產(chǎn)配置權(quán)重。

Luong等人提出了一種基于隨機(jī)森林與GARCH模型隨機(jī)融合的解決波動(dòng)率預(yù)測(cè)的新方法。針對(duì)GARCH 方法中參數(shù)建模的路徑依賴問(wèn)題，文獻(xiàn)[33-34]基于支持向量機(jī)、深度循環(huán)神經(jīng)網(wǎng)絡(luò)，分別提升了傳統(tǒng)計(jì)量模型的預(yù)測(cè)性能，實(shí)現(xiàn)了基于實(shí)際場(chǎng)景優(yōu)化預(yù)測(cè)。文獻(xiàn)[35-36]針對(duì)金融時(shí)間序列問(wèn)題，闡述了基于長(zhǎng)短期記憶網(wǎng)絡(luò)或混合人工神經(jīng)網(wǎng)絡(luò)的波動(dòng)率預(yù)測(cè)方法。文獻(xiàn)[39-40]從新聞文本數(shù)據(jù)測(cè)度了市場(chǎng)的隱含波動(dòng)率，提高了市場(chǎng)風(fēng)險(xiǎn)的預(yù)測(cè)效應(yīng)。表3給出了針對(duì)波動(dòng)率預(yù)測(cè)的文獻(xiàn)模型的局限性。

表3 預(yù)測(cè)波動(dòng)率方法的局限性Table 3 Limitation of volatility prediction models

Papadimitriou 等人提出了一種基于支持向量機(jī)預(yù)測(cè)指數(shù)組合收益與風(fēng)險(xiǎn)的非線性新方法。文獻(xiàn)[45-46]通過(guò)績(jī)效正則化與交叉驗(yàn)證技術(shù)、隨機(jī)森林與彈性網(wǎng)絡(luò)等監(jiān)督學(xué)習(xí)技術(shù)，預(yù)測(cè)了資產(chǎn)組合的收益和波動(dòng)風(fēng)險(xiǎn)問(wèn)題；文獻(xiàn)[47-48]基于被動(dòng)均值回歸，設(shè)計(jì)了最小損失函數(shù)的新權(quán)重，優(yōu)化在線學(xué)習(xí)投資組合；文獻(xiàn)[49-50]提出的深度強(qiáng)化學(xué)習(xí)、循環(huán)強(qiáng)化學(xué)習(xí)框架，優(yōu)化了傳統(tǒng)機(jī)器學(xué)習(xí)方法，獲得資產(chǎn)組合的優(yōu)化配置。針對(duì)投資組合優(yōu)化的文獻(xiàn)算法，表4 解釋了相關(guān)投資組合預(yù)測(cè)文獻(xiàn)模型的局限性。

表4 優(yōu)化投資組合的局限性Table 4 Limitation of portfolio optimization

2.3 操作風(fēng)險(xiǎn)模擬方法

金融欺詐活動(dòng)是金融機(jī)構(gòu)操作風(fēng)險(xiǎn)的主要來(lái)源之一。Ngai等人描述了金融欺詐檢測(cè)系統(tǒng)的機(jī)器學(xué)習(xí)算法，區(qū)分了欺詐性金融數(shù)據(jù)與大數(shù)據(jù)。金融欺詐活動(dòng)包括欺詐性信用卡交易和洗錢(qián)、欺詐性保險(xiǎn)索賠、證券和大宗商品欺詐。這類(lèi)操作風(fēng)險(xiǎn)防控機(jī)器學(xué)習(xí)算法可以分為監(jiān)督學(xué)習(xí)方法和無(wú)監(jiān)督學(xué)習(xí)方法：

（1）監(jiān)督學(xué)習(xí)方法

Sahin等人總結(jié)了邏輯回歸（logistic regression）、神經(jīng)網(wǎng)絡(luò)、K-最近鄰（K-nearest neighbor）、決策樹(shù)（decision trees）和支持向量機(jī)等二元分類(lèi)器被用于欺詐檢測(cè)的研究文獻(xiàn)。Bahnsen 等人描述了特征工程方法（feature engineering methods）可以有效提高欺詐檢測(cè)模型的預(yù)測(cè)性能。Abbasi 等人指出元學(xué)習(xí)（meta-learning）算法可檢測(cè)欺詐。Kusaya 等人分析了人工神經(jīng)網(wǎng)絡(luò)等ML 方法也用于檢測(cè)欺詐行為。當(dāng)前，基于文本挖掘（text-mining）算法也被用于檢測(cè)欺詐研究。

（2）無(wú)監(jiān)督學(xué)習(xí)方法

Nian 等人綜述了基于異常檢測(cè)處理欺詐檢測(cè)。Papernot 等人提出了異常檢測(cè)的理論框架。2019 年Chalapathy 等人發(fā)現(xiàn)了深度學(xué)習(xí)模型也可用于異常檢測(cè)。近年來(lái)，生成式對(duì)抗網(wǎng)絡(luò)（generative adversarial networks，GAN）已被用于模擬和檢測(cè)欺詐活動(dòng)。

監(jiān)督機(jī)器學(xué)習(xí)和無(wú)監(jiān)督機(jī)器學(xué)習(xí)方法可以用于自然語(yǔ)言處理模型訓(xùn)練和調(diào)優(yōu)。自然語(yǔ)言處理技術(shù)被廣泛用于挖掘與欺詐檢測(cè)的相關(guān)文本。近年，Purda等人基于決策樹(shù)方法，在排序單詞上應(yīng)用支持向量機(jī)等分類(lèi)器，有效提高了識(shí)別欺詐報(bào)告的準(zhǔn)確度。Hajek 等人綜述了自然語(yǔ)言處理模型從財(cái)務(wù)報(bào)表中檢測(cè)欺詐行為。

Bahnsen 等人基于ML 和數(shù)據(jù)挖掘技術(shù)構(gòu)建了一種信用卡欺詐檢測(cè)的新方法。通過(guò)實(shí)際金融成本，提取交易數(shù)據(jù)的真實(shí)特征。文獻(xiàn)[54-55,57,59-60]通過(guò)引入ML 的元學(xué)習(xí)，自適應(yīng)學(xué)習(xí)、堆棧泛化，卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶，生成對(duì)抗網(wǎng)絡(luò)實(shí)現(xiàn)了異常檢測(cè)處理信用卡等金融欺詐問(wèn)題。針對(duì)操作風(fēng)險(xiǎn)ML 算法提取特征、性能績(jī)效、數(shù)據(jù)規(guī)模等問(wèn)題，表5 列出了操作風(fēng)險(xiǎn)預(yù)測(cè)模型方法的局限性。

表5 操作風(fēng)險(xiǎn)預(yù)測(cè)方法的局限性Table 5 Limitation of operational risk prediction models

2.4 保險(xiǎn)風(fēng)險(xiǎn)模擬方法

保險(xiǎn)公司為社會(huì)提供保險(xiǎn)服務(wù)的同時(shí)，也承擔(dān)或引發(fā)金融保險(xiǎn)的不確定性。保險(xiǎn)風(fēng)險(xiǎn)可能呈現(xiàn)多種來(lái)源，每種風(fēng)險(xiǎn)都需要準(zhǔn)確地預(yù)測(cè)。保險(xiǎn)公司預(yù)測(cè)失誤將導(dǎo)致保險(xiǎn)產(chǎn)品定價(jià)過(guò)低，引發(fā)公司未來(lái)金融風(fēng)險(xiǎn)；人壽保險(xiǎn)公司需要準(zhǔn)確估計(jì)人口預(yù)期壽命。保險(xiǎn)風(fēng)險(xiǎn)主要包括索賠風(fēng)險(xiǎn)、死亡風(fēng)險(xiǎn)等。

索賠風(fēng)險(xiǎn)（claims risk）是指與投保人（policyholders）保險(xiǎn)索賠有關(guān)的所有未來(lái)的不確定性。索賠頻率（claim frequency）和索賠額度（claim severity）是確定未來(lái)不確定性的重要指標(biāo)。索賠建模的傳統(tǒng)統(tǒng)計(jì)模型主要是廣義線性模型（generalised linear models，GLM）。但GLM 模型的缺點(diǎn)是假設(shè)索賠頻率和索賠額度獨(dú)立，并不符合實(shí)際。集成模型（ensemble models）預(yù)測(cè)索賠頻率和索賠額度的績(jī)效優(yōu)于GLM 模型。同時(shí)，神經(jīng)網(wǎng)絡(luò)可以高質(zhì)量預(yù)測(cè)憑保單索賠（policylevel claim）的準(zhǔn)確率。索賠風(fēng)險(xiǎn)建模的車(chē)載信息系統(tǒng)（Telematics）為保險(xiǎn)業(yè)務(wù)提供了重要的動(dòng)態(tài)數(shù)據(jù)庫(kù)。當(dāng)獲得汽車(chē)傳感器數(shù)據(jù)（Telematics data），可以捕捉到汽車(chē)司機(jī)的行為特征。這種車(chē)載信息數(shù)據(jù)庫(kù)改進(jìn)了索賠預(yù)測(cè)的準(zhǔn)確性。

遠(yuǎn)程醫(yī)療系統(tǒng)（telemedicine）逐漸應(yīng)用于保險(xiǎn)領(lǐng)域。保險(xiǎn)智能服務(wù)需要數(shù)據(jù)作為支撐。有效地獲取高質(zhì)量的數(shù)據(jù)資源成為不可或缺的重要工作。Tsai等人首次提出了一種圖像超分辨率重建（image superresolution reconstruction,ISRR）算法，基于傅里葉變換（Fourier transform）的多幅圖像恢復(fù)增強(qiáng)高頻信息的超分辨率重建算法。該模型假設(shè)圖像中不存在動(dòng)態(tài)模糊（motion blur）和觀測(cè)噪聲（observation noise），忽略了光學(xué)系統(tǒng)的點(diǎn)擴(kuò)散分布，僅適用于理想的圖像退化模型。

針對(duì)保險(xiǎn)理賠風(fēng)險(xiǎn)面臨的數(shù)據(jù)缺失、數(shù)據(jù)稀疏、數(shù)據(jù)重建和數(shù)據(jù)安全等問(wèn)題，需要增加ML 中訓(xùn)練樣本的數(shù)量，減少模型過(guò)擬合。當(dāng)前圖像超分辨率重建（ISRR）算法的相關(guān)研究已經(jīng)逐漸展開(kāi)，如Ghaffar等人提出了一種提高衛(wèi)星圖像超分辨率的數(shù)據(jù)增強(qiáng)技術(shù)（data augmentation technique，DAT）。超分辨率卷積神經(jīng)網(wǎng)絡(luò)（super-resolution convolutional neural network，SRCNN）作為最先進(jìn)的深度學(xué)習(xí)模型測(cè)試DAT。模型中超分辨率輸出的重建質(zhì)量使用峰值信噪比（peak signal to noise ratio,PSNR）進(jìn)行定量評(píng)估，同時(shí)運(yùn)用超分辨率前后測(cè)試樣本的可視化進(jìn)行定性評(píng)估。構(gòu)建深度學(xué)習(xí)算法的衛(wèi)星圖像訓(xùn)練數(shù)據(jù)集可能會(huì)影響分類(lèi)或回歸的性能和速度。通常構(gòu)建深度學(xué)習(xí)匹配規(guī)模的數(shù)據(jù)集很困難。實(shí)證發(fā)現(xiàn)數(shù)據(jù)增強(qiáng)緩解了數(shù)據(jù)稀缺問(wèn)題，也減少了模型等的過(guò)度擬合。實(shí)驗(yàn)結(jié)果表明SRCNN 模型有效融合了增強(qiáng)方法與實(shí)際標(biāo)準(zhǔn)方法。

Ledig 等人提出了生成對(duì)抗網(wǎng)絡(luò)的單幅圖像超分辨率算法（super-resolution using a generative adversarial network，SRGAN），SRGAN 是第一個(gè)對(duì)放大四倍自然圖像超分辨率的框架。模型提出了由對(duì)抗損失（adversarial loss，AL）和內(nèi)容損失（content loss，CL）組成的感知損失函數(shù)（perceptual loss function）。模型通過(guò)訓(xùn)練比下采樣（down-sampling）層更多上采樣（up-sampling）層的編碼器-解碼器網(wǎng)絡(luò)（encoderdecoder network），基于下采樣中恢復(fù)圖像詳細(xì)特征，AL 使得判別器（discriminator）生成的圖像更加接近自然圖像。CL 促使圖像的感知相似，不是像素空間相似。深度殘差網(wǎng)絡(luò)從深度下采樣恢復(fù)圖像逼真性。平均意見(jiàn)得分（mean opinion score，MOS）測(cè)試結(jié)果表明SRGAN 獲得的圖像MOS 值比其他方法獲得圖像MOS 值更加接近原始的高分辨率圖像。目前SRGAN 已被應(yīng)用于從低分辨率圖像生成高分辨率圖像的醫(yī)學(xué)、保險(xiǎn)領(lǐng)域。

2021 年Li 等人運(yùn)用神經(jīng)網(wǎng)絡(luò)改進(jìn)了ISRR 處理低分辨率圖像的問(wèn)題，提出了基于自注意力機(jī)制圖像超分辨率重建（self-attention-based image reconstruction）方法，利用殘差網(wǎng)絡(luò)（residual network）結(jié)構(gòu)和子像素卷積（sub-pixel convolution），提取圖像中的詳細(xì)信息；運(yùn)用生成對(duì)抗（generative confrontation）和圖像特征感知機(jī)（image feature perception）,提高了圖像重建質(zhì)量，保障數(shù)據(jù)的安全傳輸。目前，圖像超分辨率重建算法應(yīng)用于金融保險(xiǎn)的研究文獻(xiàn)并不多見(jiàn)。

死亡風(fēng)險(xiǎn)（mortality risk）是金融機(jī)構(gòu)提供與受益人長(zhǎng)壽相關(guān)的人壽保險(xiǎn)產(chǎn)品的未來(lái)不確定性。死亡率（mortality rate）是人壽保險(xiǎn)的量化指標(biāo)，對(duì)人壽保險(xiǎn)產(chǎn)品進(jìn)行估值。通常表示為特定人群組中每1 000人的預(yù)期死亡人數(shù)。以往死亡風(fēng)險(xiǎn)建模研究主要分為兩方面：一是廣泛應(yīng)用的年度死亡率演化的離散時(shí)間模型（Lee-Carter模型等）；二是刻畫(huà)了瞬時(shí)死亡的連續(xù)時(shí)間隨機(jī)模型。近年來(lái)，多種ML 技術(shù)已經(jīng)用于死亡率建模。神經(jīng)網(wǎng)絡(luò)已被廣泛用于增強(qiáng)預(yù)測(cè)多人口死亡率（multi-population mortality）預(yù)測(cè)的方法。比如神經(jīng)網(wǎng)絡(luò)擴(kuò)展了Lee-Carter模型預(yù)測(cè)多人口死亡率同時(shí)，也可以用于多人口死亡率預(yù)測(cè)的降維分析。

目前X 光圖像檢測(cè)技術(shù)（X-ray image detection，XRID）是保險(xiǎn)、醫(yī)學(xué)、質(zhì)量檢測(cè)、安全檢查等行業(yè)中最重要的診斷方法之一。主要提供形態(tài)信息，也可獲取一些功能信息。X 光可以穿透普通可見(jiàn)光無(wú)法穿透的物質(zhì)，X 光波長(zhǎng)越短、密度越低或厚度越薄，其穿透率越高。X 光可以實(shí)現(xiàn)其他檢測(cè)方法無(wú)法比擬的獨(dú)特檢測(cè)效果。就X 光的實(shí)時(shí)成像來(lái)說(shuō)，通過(guò)探測(cè)器將檢測(cè)數(shù)據(jù)傳輸至電腦顯示端，經(jīng)過(guò)軟件同步處理，呈現(xiàn)出實(shí)時(shí)成像檢測(cè)結(jié)果，具有操作簡(jiǎn)單、實(shí)時(shí)保存、追溯性強(qiáng)的特點(diǎn)。

冠狀病毒?。–OVID-19）是一種被世界衛(wèi)生組織（WHO）命名為大流行病的急性呼吸道疾病，醫(yī)療衛(wèi)生系統(tǒng)面臨著感染人數(shù)突然激增和高死亡率的巨大壓力。Karthikeyan 等人運(yùn)用X 光圖像、CT 掃描和超聲波等死亡率檢測(cè)技術(shù)，提出了基于檢測(cè)數(shù)據(jù)的ML 方法，預(yù)測(cè)COVID-19 死亡風(fēng)險(xiǎn)，以96%準(zhǔn)確率預(yù)測(cè)了死亡率。在整個(gè)疾病期間，對(duì)神經(jīng)網(wǎng)絡(luò)、邏輯回歸、XGBoost、隨機(jī)森林、SVM 和決策樹(shù)等ML 模型進(jìn)行了訓(xùn)練和性能比較。發(fā)現(xiàn)使用XGBoost 的重要特征提取和神經(jīng)網(wǎng)絡(luò)方法，提前16 天以90%的準(zhǔn)確率做出了預(yù)測(cè)，有助于提高醫(yī)療保險(xiǎn)系統(tǒng)的決策過(guò)程。

X 光圖像檢測(cè)技術(shù)等臨床數(shù)據(jù)的ML已被用于預(yù)測(cè)COVID-19 患者的病情惡化導(dǎo)致死亡風(fēng)險(xiǎn)。Sriram等人指出COVID-19 患者數(shù)據(jù)的稀缺性，目前受到預(yù)訓(xùn)練數(shù)據(jù)（pretraining data）和目標(biāo)COVID-19 患者數(shù)據(jù)之間差異的限制，需要補(bǔ)充對(duì)非COVID-19 圖像的監(jiān)督預(yù)訓(xùn)練，在預(yù)訓(xùn)練中使用動(dòng)量對(duì)比（momentum contrast，MoCo）的自監(jiān)督學(xué)習(xí)，學(xué)習(xí)更通用的圖像表征（image representations）用于下步任務(wù)。提出了一種新的多圖像序列預(yù)測(cè)的轉(zhuǎn)換器架構(gòu)（transformer-based architecture）模型，結(jié)果表明模型實(shí)現(xiàn)了0.848AUC 預(yù)測(cè)96 h 的死亡率。

Gourdeau 等人闡述了胸部X 光圖像檢測(cè)（chest X-ray detection，CXRD）結(jié)果，表明亟需從當(dāng)前CXRD開(kāi)展未來(lái)COVID-19 患者的病情評(píng)估（severity evaluation）?；贑heXnet 開(kāi)放數(shù)據(jù)集（65 240 名患者的224 316 幅胸部X 光圖像）訓(xùn)練了一種重新調(diào)整的深度學(xué)習(xí)算法，提取映射到放射標(biāo)簽的數(shù)據(jù)特征。從開(kāi)源數(shù)據(jù)集（COVID-19 圖像數(shù)據(jù)集）和多機(jī)構(gòu)ICU數(shù)據(jù)集中收集了COVID-19 陽(yáng)性患者的CXR，從圖像和報(bào)告中將數(shù)據(jù)分組為成對(duì)的CXR“更差”“穩(wěn)定”或“改進(jìn)”三類(lèi)。訓(xùn)練了深度學(xué)習(xí)提取的特征，實(shí)時(shí)病情評(píng)估和未來(lái)放射軌跡的預(yù)測(cè)，進(jìn)行了觀測(cè)者操作特性曲線（receiver operating characteristic curve，ROC）分析和曼-惠特尼檢驗(yàn)（Mann-Whitney tests）。COVID-19 在本地圖像數(shù)據(jù)收集上訓(xùn)練的病情評(píng)估具有良好的分布外泛化性。CXRD 深度學(xué)習(xí)表明了病情評(píng)估和軌跡進(jìn)行分類(lèi)的應(yīng)用前景。當(dāng)納入臨床數(shù)據(jù)和更大樣本量的研究得到驗(yàn)證，可以為分診決策（triage decisions）、保險(xiǎn)風(fēng)險(xiǎn)預(yù)測(cè)提供有效信息。

2018 年綜合汽車(chē)圖像、司機(jī)行為特征的動(dòng)態(tài)數(shù)據(jù)庫(kù)車(chē)載信息數(shù)據(jù)庫(kù)開(kāi)始用于改進(jìn)保險(xiǎn)索賠風(fēng)險(xiǎn)預(yù)測(cè)的精確性。之前，Tsai 等人提出了一種完善保險(xiǎn)索賠風(fēng)險(xiǎn)數(shù)據(jù)的圖像超分辨率重建（ISRR）問(wèn)題的雛形，其模型通過(guò)傅里葉變換的多幅圖像恢復(fù)增強(qiáng)高頻數(shù)據(jù)信息。文獻(xiàn)[65-67]提出了改進(jìn)ISRR 的數(shù)據(jù)增強(qiáng)新技術(shù)，引入卷積神經(jīng)網(wǎng)絡(luò)、生成對(duì)抗網(wǎng)絡(luò)、自注意力機(jī)制，利用殘差網(wǎng)絡(luò)結(jié)構(gòu)和子像素卷積提取圖像的特征信息，將圖像從低分辨率轉(zhuǎn)為高分辨率，補(bǔ)充了圖像數(shù)據(jù)庫(kù)及數(shù)據(jù)稀缺問(wèn)題，提高了數(shù)據(jù)的傳輸效率，減少了傳輸數(shù)據(jù)加密和密鑰交換的成本，成為保障數(shù)據(jù)安全的重要環(huán)節(jié)。超分辨率醫(yī)學(xué)圖像（super-resolution medical images）可以幫助更準(zhǔn)確地判斷疾病，提高索賠的準(zhǔn)確度，化解和減少索賠風(fēng)險(xiǎn)。為保險(xiǎn)理賠風(fēng)險(xiǎn)預(yù)測(cè)做好了數(shù)據(jù)增強(qiáng)的準(zhǔn)備基礎(chǔ)。針對(duì)保險(xiǎn)索賠風(fēng)險(xiǎn)ML 算法提取圖像特征中的圖像處理的問(wèn)題、數(shù)據(jù)傳輸?shù)陌踩葐?wèn)題，表6 解析了基于索賠風(fēng)險(xiǎn)預(yù)測(cè)模型方法的局限性。

表6 索賠風(fēng)險(xiǎn)預(yù)測(cè)方法的局限性Table 6 Limitation of claims risk prediction models

Lee 等人早前提出了一種預(yù)測(cè)死亡風(fēng)險(xiǎn)的離散時(shí)間模型。之后，文獻(xiàn)[69-71]相繼提出了死亡風(fēng)險(xiǎn)預(yù)測(cè)的連續(xù)時(shí)間隨機(jī)模型、多人口死亡風(fēng)險(xiǎn)模型、降維死亡風(fēng)險(xiǎn)模型等。隨著ML 算法的發(fā)展，使用X 光圖像檢測(cè)技術(shù)成為一種預(yù)測(cè)保險(xiǎn)死亡風(fēng)險(xiǎn)的新方法。2021—2022 年間，文獻(xiàn)[72-74]運(yùn)用X 光圖像檢測(cè)了COVID-19 的患者病情，通過(guò)神經(jīng)網(wǎng)絡(luò)、邏輯回歸、XGBoost、SVM 和決策樹(shù)等ML 方法進(jìn)行訓(xùn)練，補(bǔ)充非COVID-19 圖像的監(jiān)督預(yù)訓(xùn)練，提取自監(jiān)督和圖像表征。針對(duì)數(shù)據(jù)集沒(méi)有包括臨床數(shù)據(jù)和樣本數(shù)量的限制，其泛化能力不足。表7 給出了基于死亡風(fēng)險(xiǎn)預(yù)測(cè)模型方法的局限性。

表7 死亡風(fēng)險(xiǎn)預(yù)測(cè)方法的局限性Table 7 Limitation of mortality risk prediction models

3 區(qū)域金融系統(tǒng)風(fēng)險(xiǎn)防控機(jī)器學(xué)習(xí)分析

2008 年國(guó)際金融危機(jī)后，從始于2010 年巴塞爾協(xié)議Ⅲ，到2017 年最終方案的確認(rèn)，既強(qiáng)調(diào)資產(chǎn)風(fēng)險(xiǎn)，又匹配資產(chǎn)負(fù)債期限，著重防范和化解銀行系統(tǒng)風(fēng)險(xiǎn)，統(tǒng)一規(guī)劃微觀審慎管理與宏觀審慎監(jiān)管。當(dāng)今，金融系統(tǒng)風(fēng)險(xiǎn)（systemic financial risk）主要研究策略是識(shí)別風(fēng)險(xiǎn)并監(jiān)管風(fēng)險(xiǎn)。過(guò)往文獻(xiàn)對(duì)金融系統(tǒng)風(fēng)險(xiǎn)著重于風(fēng)險(xiǎn)損失演化、“大而不倒”金融機(jī)構(gòu)的識(shí)別，以及對(duì)金融、經(jīng)濟(jì)的影響沖擊研究。本章將從金融機(jī)構(gòu)網(wǎng)絡(luò)、大數(shù)據(jù)、金融穩(wěn)定性和監(jiān)管量化視角展開(kāi)對(duì)區(qū)域金融系統(tǒng)風(fēng)險(xiǎn)防控的機(jī)器學(xué)習(xí)研究。

3.1 金融機(jī)構(gòu)網(wǎng)絡(luò)的風(fēng)險(xiǎn)分析

基于網(wǎng)絡(luò)的金融系統(tǒng)風(fēng)險(xiǎn)（network-based financial systemic risk）被定義為從宏觀視角研究網(wǎng)絡(luò)系統(tǒng)對(duì)金融系統(tǒng)的風(fēng)險(xiǎn)傳導(dǎo)。2008 年美國(guó)金融危機(jī)和2010年爆發(fā)的歐債危機(jī)以來(lái)，金融機(jī)構(gòu)網(wǎng)絡(luò)系統(tǒng)風(fēng)險(xiǎn)已經(jīng)成為研究者持續(xù)關(guān)注的熱門(mén)課題。金融機(jī)構(gòu)相互連接形成的復(fù)雜網(wǎng)絡(luò)存在著風(fēng)險(xiǎn)傳導(dǎo)的或然性。一方面，銀行系統(tǒng)流動(dòng)性要求銀行間的直接關(guān)聯(lián)；另一方面，產(chǎn)品同質(zhì)化和風(fēng)險(xiǎn)規(guī)避致使銀行間有著廣泛的間接聯(lián)系。正如Battiston 等人所言，經(jīng)濟(jì)和金融政策需要應(yīng)用網(wǎng)絡(luò)分析（network analysis）、行為建模（behavioural modelling）和復(fù)雜系統(tǒng)（complex systems）理論的融合。Haldane 等人分析了金融體系的衍生工具交易是金融網(wǎng)絡(luò)風(fēng)險(xiǎn)的主要來(lái)源。同時(shí)，Prasanna 等人和Hu 等人發(fā)現(xiàn)了金融網(wǎng)絡(luò)系統(tǒng)和風(fēng)險(xiǎn)傳染致使金融網(wǎng)絡(luò)的風(fēng)險(xiǎn)擴(kuò)大。之后，Diebold 等人利用加權(quán)有向圖（weighted directed graph）的連通性（connectedness），研究了美國(guó)2007—2008 年金融危機(jī)期間主要金融機(jī)構(gòu)的日度股票收益的波動(dòng)率。Acemoglu 等人總結(jié)了復(fù)雜金融網(wǎng)絡(luò)的轉(zhuǎn)折點(diǎn)和穩(wěn)定性將決定金融政策的發(fā)展方向。

（1）金融網(wǎng)絡(luò)的風(fēng)險(xiǎn)敞口與傳導(dǎo)

金融網(wǎng)絡(luò)被定義為一個(gè)模擬銀行違約過(guò)程的風(fēng)險(xiǎn)敞口矩陣。Amini 等人通過(guò)異質(zhì)性有向圖（inhomogeneous directed graphs）研究了金融網(wǎng)絡(luò)的級(jí)聯(lián)過(guò)程（cascade process）和漸近傳染（asymptotic contagions），提出了監(jiān)管政策應(yīng)對(duì)風(fēng)險(xiǎn)傳染敞口設(shè)定為最小資本比率。Bluhm 等人基于互聯(lián)銀行資產(chǎn)負(fù)債表，研發(fā)了一個(gè)系統(tǒng)風(fēng)險(xiǎn)的網(wǎng)絡(luò)模型，并提出了宏觀審慎系統(tǒng)在險(xiǎn)價(jià)值（value at-risk）方法。Choi發(fā)現(xiàn)了較大金融機(jī)構(gòu)對(duì)金融網(wǎng)絡(luò)有更大的積極作用，因此，做強(qiáng)做大金融機(jī)構(gòu)將有助于保障銀行體系的穩(wěn)定性。Giudici 等人通過(guò)多元圖模型（multivariate graphical models）和貝葉斯圖模型（Bayesian graphical models）實(shí)證了不同國(guó)家作為金融網(wǎng)絡(luò)中心節(jié)點(diǎn)具有不同的行為特征。Yu等人提出了一種新的復(fù)雜網(wǎng)絡(luò)方法，模擬銀行間網(wǎng)絡(luò)的系統(tǒng)風(fēng)險(xiǎn)傳染，發(fā)現(xiàn)金融機(jī)構(gòu)具有充足資本儲(chǔ)備金可用于預(yù)防風(fēng)險(xiǎn)傳染。同時(shí)，Betz等人闡述了一個(gè)不同時(shí)期系統(tǒng)風(fēng)險(xiǎn)的評(píng)測(cè)框架。該框架揭示了銀行業(yè)分化（fragmentation）與主權(quán)銀行間的聯(lián)動(dòng)過(guò)程。Shen提出了一種模擬電子物流投資金融風(fēng)險(xiǎn)的貝葉斯網(wǎng)絡(luò)方法（Bayesian networks approach）。

（2）金融機(jī)構(gòu)網(wǎng)絡(luò)的結(jié)構(gòu)

多層銀行網(wǎng)絡(luò)（multilayer bank networks）是相同資產(chǎn)相同風(fēng)險(xiǎn)的金融系統(tǒng)的重要特征。Battiston 等人發(fā)現(xiàn)多層網(wǎng)絡(luò)致使抵御金融風(fēng)險(xiǎn)的能力不斷下降，并使金融危機(jī)成本不斷增加。Poledna 等人描述了信用、衍生工具、外匯和證券關(guān)聯(lián)的金融多層網(wǎng)絡(luò)，且單層網(wǎng)絡(luò)預(yù)期損失被低估了90%。同時(shí)，分析了金融多層網(wǎng)絡(luò)系統(tǒng)風(fēng)險(xiǎn)總和低于總風(fēng)險(xiǎn)的非線性特征。Grassia 等人提出了一種檢測(cè)復(fù)雜網(wǎng)絡(luò)系統(tǒng)崩潰預(yù)警信號(hào)的量化系統(tǒng)風(fēng)險(xiǎn)方法，機(jī)器學(xué)習(xí)更好地量化復(fù)雜系統(tǒng)的脆弱性及其沖擊反應(yīng)。

當(dāng)前，隨機(jī)圖論、博弈論、收益成本分析等一系列數(shù)學(xué)模型和復(fù)雜網(wǎng)絡(luò)方法被引入銀行系統(tǒng)風(fēng)險(xiǎn)的研究。流行病模型和隨機(jī)最優(yōu)模型等也被應(yīng)用于金融網(wǎng)絡(luò)研究。區(qū)域金融網(wǎng)絡(luò)的系統(tǒng)風(fēng)險(xiǎn)研究還并不多見(jiàn)。顯然，未來(lái)網(wǎng)絡(luò)會(huì)變得更廣泛并產(chǎn)生大量數(shù)據(jù)，網(wǎng)絡(luò)金融系統(tǒng)風(fēng)險(xiǎn)應(yīng)從大數(shù)據(jù)視角展開(kāi)分析。

Amini 等人提出了一種基于度序列和任意權(quán)重分布下異質(zhì)性、加權(quán)、有向隨機(jī)圖風(fēng)險(xiǎn)傳染的新框架。文獻(xiàn)[84-85]引入多元高斯圖、動(dòng)態(tài)貝葉斯、級(jí)聯(lián)違約、復(fù)雜網(wǎng)絡(luò)傳染等多元網(wǎng)絡(luò)方法，識(shí)別和預(yù)警金融復(fù)雜網(wǎng)絡(luò)的系統(tǒng)風(fēng)險(xiǎn)敞口；文獻(xiàn)[88-90]通過(guò)復(fù)雜性、違約概率、違約可回收率分析了多層網(wǎng)絡(luò)成本持續(xù)增加，圖卷積神經(jīng)網(wǎng)絡(luò)和多層次感知機(jī)的引入，更好地拆解了網(wǎng)絡(luò)復(fù)雜系統(tǒng)，量化了復(fù)雜網(wǎng)絡(luò)系統(tǒng)績(jī)效。表8分析了針對(duì)金融機(jī)構(gòu)網(wǎng)絡(luò)風(fēng)險(xiǎn)ML 的局限性。

表8 網(wǎng)絡(luò)風(fēng)險(xiǎn)預(yù)測(cè)方法的局限性Table 8 Limitation of network risk prediction models

3.2 系統(tǒng)風(fēng)險(xiǎn)防控的大數(shù)據(jù)分析

如今，大數(shù)據(jù)不僅借助數(shù)據(jù)挖掘技術(shù)和商業(yè)智能進(jìn)行了理論研究，而且在金融系統(tǒng)風(fēng)險(xiǎn)分析、供應(yīng)鏈金融風(fēng)險(xiǎn)等管理中開(kāi)展了廣泛的實(shí)證應(yīng)用。金融系統(tǒng)風(fēng)險(xiǎn)防控的大數(shù)據(jù)分析主要從算法和數(shù)據(jù)兩方面展開(kāi)。

（1）系統(tǒng)風(fēng)險(xiǎn)大數(shù)據(jù)分析

從金融系統(tǒng)風(fēng)險(xiǎn)來(lái)說(shuō)，大數(shù)據(jù)分析是基于金融大數(shù)據(jù)研究風(fēng)險(xiǎn)源與分散風(fēng)險(xiǎn)的相互關(guān)系。金融大數(shù)據(jù)包括銀行同業(yè)資金流動(dòng)、全球資本流動(dòng)等金融信息，被用于風(fēng)險(xiǎn)預(yù)警和風(fēng)險(xiǎn)識(shí)別以應(yīng)對(duì)金融風(fēng)險(xiǎn)。近十年來(lái)，涌現(xiàn)了大數(shù)據(jù)算法、網(wǎng)絡(luò)合約與金融市場(chǎng)相關(guān)性、金融信用風(fēng)險(xiǎn)評(píng)估、股市波動(dòng)分析以及股價(jià)與輿情關(guān)聯(lián)性等模型。Cerchiello 等人建立了第一個(gè)基于兩個(gè)異質(zhì)性數(shù)據(jù)源的大數(shù)據(jù)系統(tǒng)風(fēng)險(xiǎn)模型，實(shí)證了聯(lián)合運(yùn)用貝葉斯方法的不同數(shù)據(jù)結(jié)構(gòu)，并評(píng)測(cè)了金融風(fēng)險(xiǎn)與公眾輿情的相關(guān)性。Sarlin引入了模擬系統(tǒng)風(fēng)險(xiǎn)的機(jī)器學(xué)習(xí)、網(wǎng)絡(luò)分析、仿真和模糊系統(tǒng)（simulation and fuzzy systems）等智能算法。Sarlin提出了一種具有繪圖、地圖和網(wǎng)絡(luò)三個(gè)模塊的金融監(jiān)管可視化工具。Cerchiello 等人研究了基于金融推文和金融市場(chǎng)的風(fēng)險(xiǎn)傳染模型，當(dāng)發(fā)生沖擊時(shí)可預(yù)測(cè)金融風(fēng)險(xiǎn)的相關(guān)性。

（2）系統(tǒng)風(fēng)險(xiǎn)的數(shù)據(jù)問(wèn)題

金融系統(tǒng)是大數(shù)據(jù)的主要來(lái)源。金融系統(tǒng)風(fēng)險(xiǎn)分析依托于高質(zhì)量的數(shù)據(jù)。目前，區(qū)域和全球金融市場(chǎng)數(shù)據(jù)的不可利用性或質(zhì)量問(wèn)題使得系統(tǒng)風(fēng)險(xiǎn)的研究文獻(xiàn)并不多見(jiàn)。如何保證大數(shù)據(jù)的有效性問(wèn)題研究是一個(gè)亟待解決的話題。Cerchiello 等人提出的多源異構(gòu)數(shù)據(jù)集成（multi-source heterogeneous data integration）應(yīng)視為大數(shù)據(jù)。Flood 等人分析了金融風(fēng)險(xiǎn)總是與時(shí)間和時(shí)變數(shù)據(jù)相關(guān)，難以確保數(shù)據(jù)資源的有效金融風(fēng)險(xiǎn)分析。加之，金融機(jī)構(gòu)的復(fù)雜性，數(shù)據(jù)集成和質(zhì)量也是一個(gè)不容易解決的問(wèn)題。Jagadish 等人總結(jié)了大數(shù)據(jù)分析應(yīng)包括數(shù)據(jù)收集、建模分析、數(shù)據(jù)解讀和應(yīng)用等步驟。然而，大數(shù)據(jù)的異質(zhì)性（heterogeneity）、時(shí)效性（timeliness）、不一致性（inconsistency）和不完整性（incompleteness）等也成為金融市場(chǎng)應(yīng)用中的障礙。同時(shí)，Yang等人提出了一個(gè)改進(jìn)存儲(chǔ)數(shù)據(jù)的框架和分類(lèi)標(biāo)準(zhǔn)。Brammertz等人提出了從金融合約信息粒度（information granularity）中提取金融大數(shù)據(jù)的監(jiān)管信息，并研發(fā)了針對(duì)機(jī)構(gòu)、系統(tǒng)和個(gè)人等多層次金融目標(biāo)的混合模型。為了給大數(shù)據(jù)分析奠定堅(jiān)實(shí)的基礎(chǔ)，需要進(jìn)一步完善數(shù)據(jù)質(zhì)量的評(píng)價(jià)指標(biāo)體系（evaluation index system）。

（3）金融市場(chǎng)的情緒分析

推文、新聞、法律等互聯(lián)網(wǎng)數(shù)據(jù)一直視為研究金融風(fēng)險(xiǎn)的文本數(shù)據(jù)。當(dāng)前，研究學(xué)者從輿情視角分析了金融系統(tǒng)風(fēng)險(xiǎn)。首先，Nyman 等人發(fā)現(xiàn)金融系統(tǒng)風(fēng)險(xiǎn)可通過(guò)基于文本集（text set）的市場(chǎng)情緒來(lái)衡量。Chiang 等人從金融新聞網(wǎng)站收集并構(gòu)建了一個(gè)金融文本數(shù)據(jù)庫(kù)，提取常用詞集并測(cè)算了情緒指數(shù)（sentiment index），發(fā)現(xiàn)了情緒指數(shù)可用于預(yù)測(cè)電子行業(yè)的股票指數(shù)。Tsai 等人利用金融銀行報(bào)告的文本信息預(yù)測(cè)金融風(fēng)險(xiǎn)，實(shí)證了軟信息（soft information）與金融風(fēng)險(xiǎn)具有強(qiáng)相關(guān)性，發(fā)現(xiàn)了金融風(fēng)險(xiǎn)與市場(chǎng)情緒間存在強(qiáng)相關(guān)性。Meyer 等人運(yùn)用粒度情感分析（granularity sentiment analysis）研究金融新聞，揭示了定價(jià)和風(fēng)險(xiǎn)預(yù)測(cè)模型，通過(guò)自然語(yǔ)言處理提取相應(yīng)句法句型和預(yù)測(cè)情緒。情感分析（sentiment analysis）和輿情挖掘（opinion mining）旨在利用文本挖掘發(fā)現(xiàn)客戶和市場(chǎng)的態(tài)度、輿情和趨勢(shì)。目前，機(jī)器學(xué)習(xí)情緒分析方法主要有回歸與排序方法（regression and ranking methods）、詞典與機(jī)器學(xué)習(xí)情感分析（lexicon and machine learning sentiment analysis）、規(guī)則排放模型算法（rule-based emission model algorithm）、正面詞匯與負(fù)面詞匯比例（fractions of positive and negative words）等。

文獻(xiàn)[92-94]主要引入機(jī)器學(xué)習(xí)、圖模型、貝葉斯方法，以及金融穩(wěn)定分布圖、銀行關(guān)聯(lián)圖可視化，識(shí)別和預(yù)測(cè)金融推文、金融市場(chǎng)的關(guān)聯(lián)風(fēng)險(xiǎn)、風(fēng)險(xiǎn)溝通等系統(tǒng)風(fēng)險(xiǎn)的重要特征。從系統(tǒng)風(fēng)險(xiǎn)數(shù)據(jù)視角看，文獻(xiàn)[91,95-96]分析了多源異構(gòu)數(shù)據(jù)、大數(shù)據(jù)規(guī)范、數(shù)據(jù)提取和清洗、數(shù)據(jù)整合和加總，強(qiáng)化了數(shù)據(jù)信息豐富的金融風(fēng)險(xiǎn)管理系統(tǒng)基礎(chǔ)。從金融市場(chǎng)情緒視角看，文獻(xiàn)[99-100,102]通過(guò)文本集、新聞機(jī)構(gòu)和網(wǎng)站，運(yùn)用KNN 算法、支持向量機(jī)、樸素貝葉斯，結(jié)合半監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)，抑或使用自然語(yǔ)言處理提取句法句型特征，更準(zhǔn)確預(yù)測(cè)金融新聞情緒，識(shí)別和預(yù)防金融系統(tǒng)風(fēng)險(xiǎn)。表9 分析了針對(duì)大數(shù)據(jù)風(fēng)險(xiǎn)預(yù)測(cè)ML的局限性。

表9 大數(shù)據(jù)風(fēng)險(xiǎn)預(yù)測(cè)方法的局限性Table 9 Limitation of big data risk prediction models

3.3 系統(tǒng)風(fēng)險(xiǎn)防控的金融穩(wěn)定性分析

現(xiàn)代金融創(chuàng)新要求構(gòu)建一個(gè)穩(wěn)定的金融體系，以便更好地既規(guī)避金融風(fēng)險(xiǎn)又保證流動(dòng)性。全球金融危機(jī)后，第二代預(yù)警模型（early warning models）隨著技術(shù)的發(fā)展開(kāi)始應(yīng)用于金融穩(wěn)定測(cè)度。如今，決策樹(shù)（decision trees）、稀疏模型（sparse models）和無(wú)監(jiān)督學(xué)習(xí)（unsupervised learning）成為用于金融穩(wěn)定的主要機(jī)器學(xué)習(xí)技術(shù)。

首先，決策樹(shù)模型是研究金融穩(wěn)定的重要預(yù)警模型。Duttagupta 等人基于二元分類(lèi)樹(shù)（binary classification tree）方法，分析了50 個(gè)新興市場(chǎng)和發(fā)達(dá)經(jīng)濟(jì)體的銀行危機(jī)，決策者只需監(jiān)控特定變量是否超過(guò)目標(biāo)國(guó)家的預(yù)警門(mén)檻值。Manasse 等人測(cè)度了可能導(dǎo)致新興市場(chǎng)銀行危機(jī)的脆弱性，通過(guò)交叉驗(yàn)證聚合（cross-validation aggregating，CRAGGING）方法測(cè)試了540 個(gè)備選預(yù)測(cè)變量，識(shí)別出兩個(gè)銀行危機(jī)的“危險(xiǎn)區(qū)域”。2019 年Gabriele基于15 個(gè)歐盟國(guó)家的樣本，使用CRAGGING 算法識(shí)別了銀行系統(tǒng)危機(jī)的脆弱性，發(fā)現(xiàn)了信貸總量高和市場(chǎng)風(fēng)險(xiǎn)低的認(rèn)知是關(guān)鍵因素。Tanaka 等人根據(jù)銀行財(cái)務(wù)報(bào)表的預(yù)測(cè)變量，通過(guò)隨機(jī)森林模型評(píng)測(cè)了銀行業(yè)的脆弱性。Ward基于17 個(gè)國(guó)家的長(zhǎng)期樣本，運(yùn)用自助聚合（Bagging）和隨機(jī)森林算法衡量了銀行危機(jī)的風(fēng)險(xiǎn)，決策樹(shù)集成學(xué)習(xí)（tree ensembles）算法的預(yù)測(cè)性能好于傳統(tǒng)Logit模型。2019 年Casabianca 等人基于100 個(gè)發(fā)達(dá)和新興經(jīng)濟(jì)體的數(shù)據(jù)，使用自適應(yīng)提升算法（AdaBoost）識(shí)別了銀行系統(tǒng)危機(jī)的累積，發(fā)現(xiàn)了機(jī)器學(xué)習(xí)算法比Logit 模型具有更好的預(yù)測(cè)性能。2021 年Bluwstein 等人實(shí)證了機(jī)器學(xué)習(xí)在樣本外優(yōu)于邏輯回歸的預(yù)測(cè)，根據(jù)每個(gè)觀測(cè)的危機(jī)概率分解為預(yù)測(cè)變量的貢獻(xiàn)總和，對(duì)機(jī)器學(xué)習(xí)模型進(jìn)行了預(yù)測(cè)。其次，決策樹(shù)集成學(xué)習(xí)方法也被用于主權(quán)危機(jī)的早期預(yù)警模型。2019 年Arakelian 等人根據(jù)宏觀經(jīng)濟(jì)基本面、門(mén)檻值等預(yù)測(cè)變量，運(yùn)用遞歸分區(qū)（recursive partitioning）方法衡量了區(qū)域歐洲主權(quán)風(fēng)險(xiǎn)。最后，決策樹(shù)模型還可被用于預(yù)測(cè)貨幣危機(jī)。Joy等人使用CART 模型和隨機(jī)森林算法，基于36 個(gè)工業(yè)化經(jīng)濟(jì)體的樣本，識(shí)別了每種危機(jī)的主要變量，預(yù)測(cè)了貨幣危機(jī)和銀行危機(jī)，并分析了危機(jī)的不同原因。

早前，Barry使用了貝葉斯方法解決估計(jì)誤差項(xiàng)累積造成的不利影響。之后，Brodie 等人和Fan等人運(yùn)用LASSO 回歸方法對(duì)優(yōu)化問(wèn)題進(jìn)行了正則化，構(gòu)建了穩(wěn)定的稀疏投資組合。從貝葉斯模型的金融穩(wěn)定性來(lái)說(shuō)，Eidenberger 等人研發(fā)了一個(gè)金融壓力指數(shù)的預(yù)警系統(tǒng)模型，運(yùn)用了30 個(gè)備選解釋變量，并基于最大概率解釋變量遴選了重要的預(yù)測(cè)變量。Chen 等人使用層次貝葉斯模型（Bayesian hierarchical model）研究了2008 年全球金融危機(jī)的決定因素，對(duì)組合變量選擇進(jìn)行了聯(lián)合處理。2019 年Guidolin 等人基于時(shí)變貝葉斯模型估測(cè)了美國(guó)次貸危機(jī)的影響,估計(jì)了美國(guó)金融市場(chǎng)的跨資產(chǎn)風(fēng)險(xiǎn)傳染。Lang 等人使用了Logistic LASSO 算法并融合懲罰參數(shù)的交叉驗(yàn)證，基于銀行和宏觀金融數(shù)據(jù)，實(shí)時(shí)遞歸了（real-time recursive）樣本外測(cè)試其模型。2019 年Alessi等人將LASSO 算法應(yīng)用于測(cè)度主權(quán)危機(jī)，識(shí)別了遞歸環(huán)境中主權(quán)信用違約互換（credit default swaps，CDS）的宏觀橫截面指標(biāo)，并估測(cè)了特定經(jīng)濟(jì)基本面的市場(chǎng)時(shí)變敏感性。Holopainen 等人總結(jié)了Logit LASSO 模型、分類(lèi)樹(shù)（classification trees）和隨機(jī)森林等機(jī)器學(xué)習(xí)方法作為預(yù)警模型，指出了決策樹(shù)算法（tree-based algorithms）的性能高于樸素貝葉斯（naive Bayes approach）方法和LASSO 算法，LASSO 算法優(yōu)于標(biāo)準(zhǔn)Logit 模型。顯然，LASSO 回歸模型是金融穩(wěn)定的重要稀疏模型。

近年來(lái)，網(wǎng)絡(luò)方法在金融穩(wěn)定研究中得以廣泛認(rèn)同。正如Battiston 等人所說(shuō)，金融系統(tǒng)終歸是一個(gè)復(fù)雜系統(tǒng)，可通過(guò)傳統(tǒng)網(wǎng)絡(luò)方法研究其彈性、穩(wěn)健性和穩(wěn)定性等重要特征。Glasserman 等人已將網(wǎng)絡(luò)模型用于風(fēng)險(xiǎn)傳染建模。之后，Battiston 等人運(yùn)用網(wǎng)絡(luò)方法測(cè)度了金融系統(tǒng)風(fēng)險(xiǎn)。美國(guó)金融危機(jī)后，網(wǎng)絡(luò)應(yīng)用的文獻(xiàn)數(shù)量呈指數(shù)式增長(zhǎng)。Marcus 等人提出了有效的人機(jī)合作關(guān)系能夠降低系統(tǒng)風(fēng)險(xiǎn)方法。人類(lèi)和人工智能差異推動(dòng)了新技術(shù)在金融市場(chǎng)、監(jiān)管和政策制定中的使用，并分析了它們對(duì)金融穩(wěn)定的潛在影響。2020 年Schuldenzucker 等人研究了無(wú)法確定銀行違約時(shí)的系統(tǒng)風(fēng)險(xiǎn)。

Duttagupta 等人首次引入二元分類(lèi)樹(shù)，提出了應(yīng)對(duì)銀行危機(jī)的預(yù)警模型。文獻(xiàn)[108-109]通過(guò)分類(lèi)決策樹(shù)、遞歸分區(qū)、分類(lèi)樹(shù)集成、自適應(yīng)提升算法，提出了應(yīng)對(duì)銀行系統(tǒng)危機(jī)的預(yù)警系統(tǒng)，識(shí)別銀行危機(jī)的宏觀驅(qū)動(dòng)力。文獻(xiàn)[115,119]通過(guò)引入LARS-LASSO、Logistic LASSO 建模技術(shù)，運(yùn)用協(xié)方差矩陣、損失函數(shù)、正則化邏輯回歸、交叉驗(yàn)證，回歸預(yù)測(cè)了總風(fēng)險(xiǎn)敞口稀疏投資組合、風(fēng)險(xiǎn)早期預(yù)警。文獻(xiàn)[118]基于脈沖響應(yīng)函數(shù)、貝葉斯估計(jì)，預(yù)測(cè)了美國(guó)金融危機(jī)跨資產(chǎn)傳染機(jī)制。文獻(xiàn)[75,123-124]從網(wǎng)絡(luò)分析、人工智能、依賴關(guān)系框架，分析了金融市場(chǎng)、信用違約互換合約中的系統(tǒng)風(fēng)險(xiǎn)，成為用于金融穩(wěn)定的ML 技術(shù)。表10分析了針對(duì)穩(wěn)定性風(fēng)險(xiǎn)預(yù)測(cè)ML的局限性。

表10 穩(wěn)定性風(fēng)險(xiǎn)預(yù)測(cè)方法的局限性Table 10 Limitation of stability risk prediction models

3.4 系統(tǒng)風(fēng)險(xiǎn)監(jiān)管的量化分析

為了應(yīng)對(duì)金融危機(jī)，無(wú)論是金融研究者，還是中央銀行和國(guó)際金融組織一致認(rèn)為金融監(jiān)管缺失致使金融系統(tǒng)風(fēng)險(xiǎn)傳遞和蔓延。21 世紀(jì)以來(lái)，Galat 等人和Kara先后描述了金融系統(tǒng)風(fēng)險(xiǎn)監(jiān)管研究過(guò)往涌現(xiàn)出的大量文獻(xiàn)。全球金融危機(jī)的文獻(xiàn)總結(jié)了金融網(wǎng)絡(luò)、大數(shù)據(jù)分析和金融穩(wěn)定性分析等多種衡量系統(tǒng)風(fēng)險(xiǎn)的方法，與此同時(shí)，文獻(xiàn)研究中也描述了金融監(jiān)管的設(shè)計(jì)分析。Posner 等人發(fā)現(xiàn)在評(píng)估金融監(jiān)管成本時(shí)應(yīng)該考慮效益成本分析（benefit-cost analysis）。系統(tǒng)風(fēng)險(xiǎn)監(jiān)管的網(wǎng)絡(luò)分析是金融監(jiān)管研究的一個(gè)重要課題。從Bosma分析政策相互依賴性和Clark 等人總結(jié)的最優(yōu)干預(yù)政策（optimal intervention policy）規(guī)則看，定量分析監(jiān)管決策將成為未來(lái)金融監(jiān)管的主流方向之一。之前，Cao 等人比較了不同的監(jiān)管機(jī)制，并推導(dǎo)出應(yīng)對(duì)系統(tǒng)流動(dòng)性風(fēng)險(xiǎn)的方法。隨后，Nucera 等人對(duì)系統(tǒng)風(fēng)險(xiǎn)進(jìn)行了分類(lèi)研究，發(fā)現(xiàn)價(jià)格與資本評(píng)級(jí)結(jié)果呈現(xiàn)出顯著性偏差。

Posner 等人引入了一種應(yīng)對(duì)金融風(fēng)險(xiǎn)監(jiān)管系統(tǒng)危機(jī)的效益成分分析的新方法。通過(guò)解決信息外部性、規(guī)避系統(tǒng)危機(jī)等測(cè)算金融監(jiān)管成本。文獻(xiàn)[126,128-129]通過(guò)協(xié)調(diào)不同國(guó)家的資本充足要求、政策工具之間相互依賴性、最優(yōu)干預(yù)政策措施，提出了定量識(shí)別和化解系統(tǒng)風(fēng)險(xiǎn)的金融監(jiān)管的新方向。表11分析了基于金融風(fēng)險(xiǎn)監(jiān)管量化預(yù)測(cè)方法ML 的局限性。

表11 監(jiān)管量化預(yù)測(cè)方法的局限性Table 11 Limitation of quantitative supervision prediction models

針對(duì)以上分析的FSR 防控的不同ML 方法，表12闡述了各類(lèi)ML 方法的優(yōu)勢(shì)、缺陷和適應(yīng)場(chǎng)景等。

表12 FSR 防控的不同ML 方法比較Table 12 Comparison of ML methods for FSR prevention

4 區(qū)域金融風(fēng)險(xiǎn)防控機(jī)器學(xué)習(xí)研究展望

本文提出了區(qū)域金融風(fēng)險(xiǎn)防控機(jī)器學(xué)習(xí)方法的科學(xué)分類(lèi)和簡(jiǎn)要概述，描述了金融風(fēng)險(xiǎn)分類(lèi)、區(qū)域金融風(fēng)險(xiǎn)和機(jī)器學(xué)習(xí)方法。同時(shí)，本文基于巴塞爾協(xié)議Ⅲ的前后，梳理了傳統(tǒng)區(qū)域金融風(fēng)險(xiǎn)防控的機(jī)器學(xué)習(xí)方法分析，并系統(tǒng)地綜述了區(qū)域金融系統(tǒng)風(fēng)險(xiǎn)防控機(jī)器學(xué)習(xí)的具體應(yīng)用。從以往區(qū)域金融風(fēng)險(xiǎn)防控機(jī)器學(xué)習(xí)文獻(xiàn)來(lái)看，國(guó)外的分析研究方興未艾，而國(guó)內(nèi)的分析僅有零星研究。如今，隨著經(jīng)濟(jì)學(xué)計(jì)算機(jī)化的發(fā)展，ML 在關(guān)注預(yù)防TFR 的同時(shí)，更加著重防范和化解FSR。圖9 展望了未來(lái)RFRP 管控機(jī)器學(xué)習(xí)的數(shù)據(jù)、建模、預(yù)測(cè)、監(jiān)管科技等方法技術(shù)將在以下六方面迎來(lái)新的發(fā)展。

圖9 區(qū)域金融風(fēng)險(xiǎn)防控機(jī)器學(xué)習(xí)方法未來(lái)方向Fig.9 Future direction of machine learning for regional financial risks prevention

4.1 提升預(yù)測(cè)傳統(tǒng)風(fēng)險(xiǎn)能力

近年來(lái)，TFR 防控中信用風(fēng)險(xiǎn)、市場(chǎng)風(fēng)險(xiǎn)、操作風(fēng)險(xiǎn)的測(cè)度問(wèn)題，表現(xiàn)為模型復(fù)雜非收斂性、數(shù)據(jù)來(lái)源有限、運(yùn)算速度過(guò)慢等問(wèn)題。可借鑒ML、深度學(xué)習(xí)和大數(shù)據(jù)的邏輯算法思想，通過(guò)文本數(shù)據(jù)、音頻數(shù)據(jù)和視頻數(shù)據(jù)，豐富TFR 防控中的數(shù)據(jù)缺失，求解策略問(wèn)題的非線性解，可準(zhǔn)確預(yù)測(cè)在線借款方的違約風(fēng)險(xiǎn)；也可預(yù)測(cè)為投資者賺取更多的收益。同時(shí)，可以結(jié)合以往TFR防控中統(tǒng)計(jì)計(jì)量模型與ML算法互相補(bǔ)充有效數(shù)據(jù)信息也是未來(lái)研究的一個(gè)重要發(fā)展方向。

4.2 數(shù)據(jù)安全驅(qū)動(dòng)風(fēng)險(xiǎn)防控

如今的研究中，許多模型算法的數(shù)據(jù)面臨著時(shí)變數(shù)據(jù)不穩(wěn)定性、數(shù)據(jù)隱私性、數(shù)據(jù)高噪音、模擬成本昂貴的問(wèn)題。實(shí)踐中為了解決RFRP 防控中ML 可能面對(duì)數(shù)據(jù)隱私致使數(shù)據(jù)不可用、記錄缺乏、模擬昂貴的問(wèn)題，需要基于小數(shù)據(jù)學(xué)習(xí)模型基于少量樣本進(jìn)行有效學(xué)習(xí)。針對(duì)RFRP 防控機(jī)器學(xué)習(xí)數(shù)據(jù)統(tǒng)計(jì)上的非平穩(wěn)性或大量噪聲時(shí)，用于分類(lèi)情景或時(shí)間序列情景的穩(wěn)健學(xué)習(xí)方法可以解決有問(wèn)題數(shù)據(jù)。許多學(xué)者運(yùn)用聯(lián)邦學(xué)習(xí)分布式訓(xùn)練技術(shù)避免了數(shù)據(jù)泄漏，通過(guò)利用多方模型訓(xùn)練，而無(wú)需交換潛在的私人或敏感客戶的金融數(shù)據(jù)，不需要從數(shù)據(jù)持有方訪問(wèn)數(shù)據(jù)，保護(hù)了數(shù)據(jù)隱私性和安全性。未來(lái)差分隱私建立了個(gè)人隱私更高的標(biāo)準(zhǔn)，在聯(lián)邦學(xué)習(xí)技術(shù)防止多方泄漏私人數(shù)據(jù)和信息的同時(shí)，差分隱私技術(shù)是解決RFRP 的ML 模型整體安全性的一個(gè)重要發(fā)展方向。

4.3 大數(shù)據(jù)挖掘系統(tǒng)風(fēng)險(xiǎn)數(shù)據(jù)

當(dāng)前利用數(shù)據(jù)挖掘的FSR 數(shù)據(jù)面臨著因?yàn)閿?shù)據(jù)的不可用性，大數(shù)據(jù)還沒(méi)有完全被用于金融系統(tǒng)風(fēng)險(xiǎn)的問(wèn)題。大多數(shù)研究FSR 的文獻(xiàn)主要是從宏觀層面、順周期視角識(shí)別應(yīng)對(duì)金融風(fēng)險(xiǎn)。大數(shù)據(jù)技術(shù)需要突破目前異常行為檢測(cè)、微觀主體分類(lèi)管理、跨國(guó)公司監(jiān)管建模等微觀管理研究缺陷。識(shí)別“大而不倒（too big to fail）”機(jī)構(gòu)是一項(xiàng)金融宏觀審慎監(jiān)管的重要任務(wù)。然而，隨著金融系統(tǒng)高度網(wǎng)絡(luò)化、復(fù)雜性，以及風(fēng)險(xiǎn)傳染不確定性的研究，“大而不倒”逐漸轉(zhuǎn)變?yōu)椤皬?fù)雜不倒（too complex to fail）”的問(wèn)題。識(shí)別金融復(fù)雜網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn)是推動(dòng)金融監(jiān)管措施和政策的有效路徑。顯然，大數(shù)據(jù)分析技術(shù)、偏微分方程的金融生態(tài)穩(wěn)定性是金融復(fù)雜網(wǎng)絡(luò)的主流研究，大數(shù)據(jù)在FSR 中的應(yīng)用將成為未來(lái)研究的主要方向。與此同時(shí)，系統(tǒng)重要性金融機(jī)構(gòu)管理和數(shù)據(jù)挖掘需要進(jìn)一步深入研究，以往金融網(wǎng)絡(luò)中的風(fēng)險(xiǎn)傳染和系統(tǒng)風(fēng)險(xiǎn)被認(rèn)為源自系統(tǒng)重要性金融機(jī)構(gòu)，因此，大多數(shù)國(guó)家重點(diǎn)監(jiān)管這些金融機(jī)構(gòu)。然而，研究表明非金融機(jī)構(gòu)和金融機(jī)構(gòu)關(guān)聯(lián)的網(wǎng)絡(luò)穩(wěn)定性可能影響整個(gè)系統(tǒng)的穩(wěn)定性。金融網(wǎng)絡(luò)的多維體系結(jié)構(gòu)呈現(xiàn)出網(wǎng)絡(luò)金融機(jī)構(gòu)受到非金融機(jī)構(gòu)的影響，增加了金融系統(tǒng)的不穩(wěn)定性。當(dāng)前，RFRP 防控中區(qū)域網(wǎng)絡(luò)關(guān)系著重關(guān)注于金融機(jī)構(gòu)、非金融機(jī)構(gòu)之間的債務(wù)、借貸資本和現(xiàn)金流量。因此，區(qū)域非金融機(jī)構(gòu)和金融機(jī)構(gòu)的數(shù)據(jù)來(lái)源是未來(lái)大數(shù)據(jù)研究的主要方向。

4.4 風(fēng)險(xiǎn)測(cè)度模型的構(gòu)建優(yōu)化

以往大多數(shù)研究主要用于預(yù)測(cè)，神經(jīng)網(wǎng)絡(luò)等高維參數(shù)模型準(zhǔn)確識(shí)別了特征和標(biāo)簽之間的相關(guān)性，很少關(guān)注特征和模型預(yù)測(cè)之間的因果關(guān)系。但是，對(duì)于信用批準(zhǔn)決策模型、因果關(guān)系解釋模型等RFRP 防控研究對(duì)研發(fā)者和監(jiān)管機(jī)構(gòu)都是非常重要的環(huán)節(jié)。歧視發(fā)現(xiàn)和公平感知機(jī)器學(xué)習(xí)的技術(shù)改進(jìn)，有助于信用批準(zhǔn)決策等金融風(fēng)險(xiǎn)管理。神經(jīng)網(wǎng)絡(luò)的不確定性測(cè)量是一個(gè)非?；钴S的研究領(lǐng)域，預(yù)測(cè)區(qū)間可以看作神經(jīng)網(wǎng)絡(luò)點(diǎn)預(yù)測(cè)不確定性的準(zhǔn)確指標(biāo)。未來(lái)的ML模型需要改善和優(yōu)化以往學(xué)習(xí)中的高度隨機(jī)性、不可解釋性、不公平性等特征。同時(shí)，從金融系統(tǒng)風(fēng)險(xiǎn)的宏觀性、全局性特征來(lái)看，基于金融復(fù)雜化網(wǎng)絡(luò)的特征，未來(lái)應(yīng)開(kāi)發(fā)融合機(jī)器學(xué)習(xí)模型與傳統(tǒng)計(jì)量方法的聯(lián)合模型，發(fā)揮兩者的優(yōu)勢(shì)互補(bǔ)是新的重要研究方向，為識(shí)別、測(cè)度和治理RFRP 防控注入堅(jiān)實(shí)的理論基礎(chǔ)。

4.5 圖像數(shù)據(jù)增效的新方向

目前圖像數(shù)據(jù)增效已經(jīng)成為識(shí)別、測(cè)度金融保險(xiǎn)風(fēng)險(xiǎn)管控的新發(fā)展方向。金融保險(xiǎn)實(shí)踐中密度不足的模糊成像將致使數(shù)據(jù)嚴(yán)重匱乏。為了擴(kuò)充圖像數(shù)據(jù)和模型泛化能力，需要引入圖像數(shù)據(jù)增強(qiáng)算法。圖像超分辨率重建算法增加了ML 中訓(xùn)練樣本的數(shù)量，減少模型過(guò)擬合。超分辨率卷積神經(jīng)網(wǎng)絡(luò)提高了衛(wèi)星圖像超分辨率的數(shù)據(jù)增強(qiáng)技術(shù)，模型中高分辨率輸出的重建質(zhì)量使用峰值信噪比進(jìn)行定量評(píng)估，同時(shí)運(yùn)用超分辨率前后測(cè)試樣本的可視化進(jìn)行定性評(píng)估，數(shù)據(jù)增強(qiáng)緩解了數(shù)據(jù)稀缺問(wèn)題。當(dāng)前生成對(duì)抗網(wǎng)絡(luò)的單幅圖像超分辨率算法從低分辨率圖像生成高分辨率圖像，獲得的圖像MOS 值比其他方法更加接近原始的高分辨率圖像。自注意力機(jī)制圖像超分辨率重建方法運(yùn)用神經(jīng)網(wǎng)絡(luò)，提高了圖像重建質(zhì)量，保障數(shù)據(jù)的傳輸安全。近年來(lái)，為了應(yīng)對(duì)冠狀病毒大流行的保險(xiǎn)體系開(kāi)始引入X 光圖像檢測(cè)技術(shù)。X 光技術(shù)可以實(shí)現(xiàn)操作簡(jiǎn)單、實(shí)時(shí)成像、追溯性強(qiáng)的獨(dú)特檢測(cè)效果。目前COVID-19患者數(shù)據(jù)的稀缺性，需要補(bǔ)充對(duì)非COVID-19 圖像的監(jiān)督預(yù)訓(xùn)練，基于X 光圖像檢測(cè)數(shù)據(jù)的ML 方法預(yù)測(cè)COVID-19 死亡風(fēng)險(xiǎn)有助于提高醫(yī)療保險(xiǎn)系統(tǒng)決策效率。COVID-19在本地圖像數(shù)據(jù)收集上訓(xùn)練的病情評(píng)估具有良好的分布外泛化性。圖像數(shù)據(jù)增效為金融保險(xiǎn)系統(tǒng)風(fēng)險(xiǎn)防控將迎來(lái)廣泛的應(yīng)用前景。

4.6 風(fēng)險(xiǎn)監(jiān)管量化的集成對(duì)策

為了應(yīng)對(duì)金融系統(tǒng)風(fēng)險(xiǎn)，RFRP 管控應(yīng)建立一個(gè)理論研究和管理實(shí)踐相結(jié)合的有機(jī)生態(tài)框架。這是管理科學(xué)的本質(zhì)，也是信息技術(shù)的根本要求。近年來(lái)，應(yīng)對(duì)RFRP 的金融科技監(jiān)管（Reg-Tech）已經(jīng)成為金融科技持續(xù)發(fā)展的重要話題。金融系統(tǒng)風(fēng)險(xiǎn)監(jiān)管是一項(xiàng)復(fù)雜的系統(tǒng)工程，需要一套在數(shù)據(jù)科學(xué)定量研究中綜合集成的政策工具箱。毋庸置疑，RFRP 的科學(xué)研究應(yīng)是ML、行為監(jiān)管、微觀審慎、宏觀審慎的相互融合。然而，最優(yōu)政策選擇需要對(duì)成本和收益進(jìn)行綜合評(píng)估。因此，對(duì)政策執(zhí)行效果評(píng)價(jià)是RFRP的重要范疇。多目標(biāo)方法以及成本效益分析是解決未來(lái)RFRP 量化監(jiān)管深入研究的重要發(fā)展方向。