朱云濤 陳寧 麻婧漪 尹雪煜 龔劍濤 李前勝 陳仁煒

摘? ?要：大數(shù)據(jù)分析是目前金融風(fēng)險(xiǎn)防控的一個(gè)重要方向，數(shù)據(jù)整合和各類算法的場(chǎng)景性應(yīng)用是目前的主流應(yīng)用模式。本文嘗試性地總結(jié)了海南自貿(mào)港離岸貿(mào)易風(fēng)險(xiǎn)建模特點(diǎn)，有效地利用已知的各類信息碎片，結(jié)合圖神經(jīng)網(wǎng)絡(luò)進(jìn)行整合，為自貿(mào)港離岸貿(mào)易真實(shí)性和資金結(jié)算安全性提供有效保障。同時(shí)，創(chuàng)新性地提出一種基于復(fù)雜人工智能體的風(fēng)險(xiǎn)建模思路，并闡述了具體建模方法，搭建風(fēng)控智腦，包括模型架構(gòu)、算法、聯(lián)動(dòng)邏輯、初步驗(yàn)證以及模型的簡(jiǎn)單應(yīng)用。

關(guān)鍵詞：人工智能；圖神經(jīng)網(wǎng)絡(luò)；銀行；大數(shù)據(jù)；風(fēng)險(xiǎn)

DOI：10.3969/j.issn.1003-9031.2023.04.002

中圖分類號(hào)：F752? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1003－9031（2023）04－0013－20

一、引言

新型離岸國(guó)際貿(mào)易是海南自貿(mào)港建設(shè)發(fā)展的一個(gè)重要方向，除業(yè)務(wù)本身能帶來(lái)的GDP增長(zhǎng)外，同時(shí)能為區(qū)域發(fā)展帶來(lái)協(xié)同效應(yīng)，目前已初步形成新型離岸貿(mào)易企業(yè)集群。在良好發(fā)展態(tài)勢(shì)下，我們深刻認(rèn)識(shí)到，海南地區(qū)現(xiàn)有市場(chǎng)體量仍然較小、新老機(jī)制尚需銜接配套、新型業(yè)務(wù)風(fēng)險(xiǎn)有待進(jìn)一步識(shí)別防控，疊加離岸貿(mào)易三流分離、信息碎片化等固有問(wèn)題，對(duì)自貿(mào)港離岸貿(mào)易真實(shí)性和資金結(jié)算安全性提出了全新的挑戰(zhàn)。

有效利用已知的各類信息碎片是解決上述問(wèn)題的關(guān)鍵，要充分利用政府資源整合各方數(shù)據(jù)，建設(shè)配套風(fēng)險(xiǎn)模型更有效地對(duì)數(shù)據(jù)進(jìn)行處理。從各地實(shí)踐來(lái)看，政府主導(dǎo)的大數(shù)據(jù)平臺(tái)已經(jīng)能逐步整合海關(guān)、銀行、倉(cāng)儲(chǔ)、物流、征信機(jī)構(gòu)等各方散落的信息，并通過(guò)整合性離岸貿(mào)易服務(wù)平臺(tái)方便相關(guān)機(jī)構(gòu)使用。

大數(shù)據(jù)分析是目前金融風(fēng)險(xiǎn)防控的一個(gè)重要方向，數(shù)據(jù)挖掘和各類算法的場(chǎng)景性應(yīng)用是目前的主流應(yīng)用模式，但單一算法已越來(lái)越無(wú)法滿足復(fù)雜金融場(chǎng)景的使用需求，而場(chǎng)景化細(xì)分模型在拓展性和適應(yīng)性方面又會(huì)受到較大的限制。通過(guò)精密的整體設(shè)計(jì)和創(chuàng)新性的智能算法模擬人類思維，在部分領(lǐng)域已能夠超越人類極限水平，對(duì)于復(fù)雜情境也能較好適應(yīng)。因此，在我國(guó)風(fēng)險(xiǎn)防控實(shí)務(wù)中，嘗試引入較為復(fù)雜的高級(jí)人工智能已具備一定條件，并具有較為廣泛的市場(chǎng)需求。

本文嘗試性地總結(jié)了海南自貿(mào)港離岸貿(mào)易風(fēng)險(xiǎn)建模特點(diǎn)，創(chuàng)新性地提出了一種基于復(fù)雜人工智能體的風(fēng)險(xiǎn)建模思路，并闡述了具體建模方法，包括模型架構(gòu)、所涉及的算法、聯(lián)動(dòng)邏輯、初步驗(yàn)證以及模型的簡(jiǎn)單應(yīng)用，最后結(jié)合模型的整體構(gòu)建框架，針對(duì)海南自貿(mào)港新型離岸貿(mào)易所面臨的主要問(wèn)題，給出了針對(duì)性的模型應(yīng)用方案及實(shí)踐效果。

二、文獻(xiàn)綜述

（一）各國(guó)風(fēng)險(xiǎn)監(jiān)控實(shí)務(wù)

1.各國(guó)監(jiān)管系統(tǒng)

單繼進(jìn)（2014）對(duì)國(guó)內(nèi)外大數(shù)據(jù)監(jiān)管方式進(jìn)行了梳理，指出從各國(guó)銀行業(yè)監(jiān)管機(jī)構(gòu)的監(jiān)管實(shí)踐來(lái)看，美國(guó)聯(lián)邦金融機(jī)構(gòu)監(jiān)管委員會(huì)、美聯(lián)儲(chǔ)、貨幣監(jiān)理署、聯(lián)邦存款保險(xiǎn)公司共同建立了監(jiān)管采集數(shù)據(jù)標(biāo)準(zhǔn)規(guī)范，按季度從銀行收集數(shù)據(jù)報(bào)告和統(tǒng)一運(yùn)行報(bào)告，形成中央數(shù)據(jù)倉(cāng)庫(kù)（Central Data Repository，CDR）共享使用，其中聯(lián)邦存款保險(xiǎn)公司在中央數(shù)據(jù)倉(cāng)庫(kù)基礎(chǔ)上建立“VISION系統(tǒng)”（Virtual Information Supervisory On the Net），利用收集到的數(shù)據(jù)進(jìn)行監(jiān)管分析；加拿大金融機(jī)構(gòu)監(jiān)管署和加拿大央行、加拿大存款保險(xiǎn)公司建立了“監(jiān)管報(bào)告系統(tǒng)”（Regulatory Reporting System，RRS），按季度、年度收集常規(guī)監(jiān)管數(shù)據(jù)和專門數(shù)據(jù)，開(kāi)展監(jiān)管檢查分析；中國(guó)銀監(jiān)會(huì)2012年開(kāi)始建立EAST系統(tǒng)，旨在建設(shè)一個(gè)相對(duì)開(kāi)放的數(shù)據(jù)分析平臺(tái)，實(shí)現(xiàn)對(duì)銀行業(yè)務(wù)數(shù)據(jù)的靈活組織、篩選、抽取、建模、挖掘和分析。

2.國(guó)外同業(yè)內(nèi)部監(jiān)控措施

李卓諭（2021）對(duì)國(guó)外同業(yè)的資金監(jiān)管情況進(jìn)行了梳理，摩根大通銀行在創(chuàng)新利用人工智能、區(qū)塊鏈技術(shù)方面擁有獨(dú)特的資金安全風(fēng)險(xiǎn)管理經(jīng)驗(yàn)。開(kāi)發(fā) Mantas 系統(tǒng)，將人工智能搜集的數(shù)據(jù)進(jìn)行分析，監(jiān)控公司全球所有支付交易，可以基于歷史數(shù)據(jù)或通過(guò)外部監(jiān)管數(shù)據(jù)實(shí)現(xiàn)自我更新。組建基于區(qū)塊鏈的銀行間信息網(wǎng)絡(luò)（IIN），旨在解決世界主要市場(chǎng)的跨境支付問(wèn)題，加入的的銀行數(shù)量已超過(guò)400 家?；ㄆ煦y行跨境匯款業(yè)務(wù)審核將系統(tǒng)監(jiān)測(cè)和人工識(shí)別有機(jī)結(jié)合。一方面，通過(guò)自主研發(fā)的交易監(jiān)測(cè)系統(tǒng)，抓取異常業(yè)務(wù)、過(guò)快或過(guò)頻的異常資金流動(dòng)、異常的客戶關(guān)系和行為進(jìn)行有效監(jiān)控。另一方面，設(shè)立獨(dú)立的人工識(shí)別團(tuán)隊(duì)，對(duì)無(wú)明確證明的可疑交易進(jìn)行人工復(fù)查。

（二）金融場(chǎng)景的數(shù)字化

1.關(guān)聯(lián)關(guān)系圖譜查詢

國(guó)內(nèi)以企查查、天眼查為代表的關(guān)聯(lián)關(guān)系整合取得了極大的成功，能將散亂的企業(yè)間信息通過(guò)后臺(tái)模型的方式進(jìn)行分群關(guān)聯(lián)。李雨果（2021）指出，異構(gòu)信息網(wǎng)絡(luò)可以對(duì)多種類型的對(duì)象以及它們之間的豐富關(guān)系進(jìn)行建模。

2.圖神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究

李甜甜等（2022）研究指出，深度學(xué)習(xí)已成功應(yīng)用于圖像處理、自然語(yǔ)言理解等領(lǐng)域，在圖像、語(yǔ)音、文本等形式的數(shù)據(jù)上獲得較好效果。但深度學(xué)習(xí)一直無(wú)法很好地對(duì)于圖形式的非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行有效的適配。而作為一類主要用于描述關(guān)系的通用數(shù)據(jù)表示方法，圖數(shù)據(jù)在產(chǎn)業(yè)界有著更加廣闊的應(yīng)用場(chǎng)景，如社交網(wǎng)絡(luò)、電子購(gòu)物、物聯(lián)網(wǎng)、生物制藥等場(chǎng)景。受到深度學(xué)習(xí)技術(shù)的啟發(fā)，Marco Gori 等（2005）首次將深度學(xué)習(xí)技術(shù)與圖數(shù)據(jù)結(jié)合，提出了圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Networks，GNN）的概念，使深度學(xué)習(xí)能夠在圖數(shù)據(jù)的相關(guān)場(chǎng)景中得到有效利用。GNN 的應(yīng)用領(lǐng)域十分廣泛，包括計(jì)算機(jī)視覺(jué)、化學(xué)生物、推薦系統(tǒng)以及自然語(yǔ)言處理等領(lǐng)域。常見(jiàn)的GNN 模型有：圖卷積神經(jīng)網(wǎng)絡(luò)、圖注意力網(wǎng)絡(luò)、GraphSAGE 以及門控圖神經(jīng)網(wǎng)絡(luò)。董彬（2021）認(rèn)為，將圖神經(jīng)網(wǎng)絡(luò)與數(shù)學(xué)自動(dòng)推理系統(tǒng)相結(jié)合，可以極大提升系統(tǒng)的學(xué)習(xí)和推理能力。針對(duì)其可解釋性進(jìn)行研究，能夠使推理的過(guò)程更加透明，令系統(tǒng)更加“類人”。

3.知識(shí)圖譜的應(yīng)用研究

世界是由事物和事件組成的，人類是以事件為單元記憶和理解世界的?，F(xiàn)實(shí)世界是一系列動(dòng)態(tài)的事件組成的，尹凱（2019）在知識(shí)圖譜的基礎(chǔ)上提出了事件知識(shí)圖譜，以事件作為構(gòu)建單元表示知識(shí)，利用事件和事件間關(guān)聯(lián)構(gòu)建知識(shí)圖譜，動(dòng)態(tài)的描述現(xiàn)實(shí)世界中事物之間的變化。

本文構(gòu)建了多層資金鏈圖譜網(wǎng)絡(luò)，并將其與關(guān)聯(lián)關(guān)系網(wǎng)絡(luò)交織補(bǔ)完，通過(guò)異構(gòu)圖的方式進(jìn)一步展現(xiàn)完整金融場(chǎng)景。相較于關(guān)聯(lián)關(guān)系圖譜還整合了更多交易關(guān)聯(lián)關(guān)系和靜態(tài)內(nèi)容，綜合性和全面性上更優(yōu)，異構(gòu)圖展示的方式能更清晰地描畫集團(tuán)間復(fù)雜交易網(wǎng)絡(luò)，同時(shí)兼顧了單一銀行小數(shù)據(jù)量的特性進(jìn)行了缺失數(shù)據(jù)補(bǔ)完。進(jìn)一步利用圖神經(jīng)網(wǎng)絡(luò)推理的“類人”特性，通過(guò)圖神經(jīng)網(wǎng)絡(luò)復(fù)現(xiàn)了大腦的底層結(jié)構(gòu)運(yùn)作模式。通過(guò)累加式的圖形構(gòu)建方式，解決了圖神經(jīng)網(wǎng)路層次結(jié)構(gòu)較少的問(wèn)題；通過(guò)局部調(diào)用、全局延伸的調(diào)用處理模式，解決了大規(guī)模圖形處理的問(wèn)題，進(jìn)一步拓展了事件與事件的變化關(guān)系構(gòu)造的知識(shí)圖譜，形成了事件集和事件集的知識(shí)圖譜，搭建了基于高緯度標(biāo)簽記錄的完整場(chǎng)景規(guī)則的識(shí)別和調(diào)用，使得超大規(guī)模數(shù)據(jù)記錄、超大規(guī)模并行調(diào)用處理和迭代衍生推理等運(yùn)行成為可能。

（三）AI智腦的構(gòu)建研究

1.存算一體的限制

由于芯片運(yùn)行所依托的馮·諾依曼架構(gòu)，是基于存算分離的設(shè)計(jì)，即使芯片制程能夠不斷突破，把處理器的算力做到非常大，但由于存儲(chǔ)器的訪問(wèn)速度追不上處理器的處理速度，處理器性能仍會(huì)受到嚴(yán)重制約。人類大腦中的神經(jīng)網(wǎng)絡(luò)既負(fù)責(zé)存儲(chǔ)，也負(fù)責(zé)計(jì)算。底層架構(gòu)的不同使得計(jì)算機(jī)模擬人腦存在瓶頸。

2.并行算力和功耗的限制

人類大腦中有1000億級(jí)的神經(jīng)元和百萬(wàn)億級(jí)的突觸共同構(gòu)建了復(fù)雜的神經(jīng)網(wǎng)絡(luò)，而且這些神經(jīng)網(wǎng)絡(luò)大部分都處于激活狀態(tài)，日常運(yùn)行的功耗在20W左右。通過(guò)計(jì)算機(jī)模擬很難在同級(jí)功耗的情況下進(jìn)行模擬。對(duì)超大規(guī)模參數(shù)的處理也是目前的一個(gè)很大的瓶頸。

3.大腦運(yùn)行機(jī)制的模擬研究

趙菲菲（2019）通過(guò)類腦自主學(xué)習(xí)與決策神經(jīng)網(wǎng)絡(luò)模型研究指出，大量實(shí)驗(yàn)驗(yàn)證了從微觀尺度借鑒腦發(fā)育過(guò)程的動(dòng)態(tài)變化機(jī)制可以提升網(wǎng)絡(luò)的適應(yīng)性，幫助網(wǎng)絡(luò)更加高效準(zhǔn)確地工作。莫宏偉、叢垚（2021）對(duì)類腦計(jì)算各國(guó)研究進(jìn)行了梳理，認(rèn)為類腦計(jì)算技術(shù)的研究路線可分為兩大類：一是自上而下，即先通過(guò)科學(xué)手段觀察大腦內(nèi)結(jié)構(gòu)和功能運(yùn)行機(jī)制，然后根據(jù)觀察結(jié)果模仿大腦功能，如歐盟的人類腦計(jì)劃和美國(guó)的腦科學(xué)計(jì)劃。我國(guó)已有包括北京腦科學(xué)與類腦研究中心、上海腦科學(xué)與類腦研究中心在內(nèi)的超過(guò)20個(gè)研究機(jī)構(gòu)及實(shí)驗(yàn)室。二是自下而上的方法，即先構(gòu)造大腦功能結(jié)構(gòu)相關(guān)的假說(shuō)和模型，然后驗(yàn)證假說(shuō)和模型是否與真實(shí)神經(jīng)結(jié)構(gòu)、動(dòng)力學(xué)規(guī)律相符，例如Friston的預(yù)測(cè)編碼和自由能假說(shuō)等。

目前的研究都是對(duì)于大腦局部功能的研究，如何對(duì)目前的研究進(jìn)行從局部到整體的整合是未來(lái)的研究主題之一。本文將自主研發(fā)的新型類腦模型初步應(yīng)用于實(shí)踐，較好地部分替代人工進(jìn)行智能化的處理，并且隨著類腦模型的完整開(kāi)發(fā)，功能將不斷升級(jí)。新型類腦模型與混沌理論有很高的契合度。通過(guò)計(jì)算機(jī)模型完整模擬大腦存算一體的構(gòu)建邏輯，相較于通過(guò)數(shù)理公式部分模仿大腦功能的復(fù)雜人工神經(jīng)網(wǎng)絡(luò)算法，有顯著升級(jí)。

三、數(shù)字化解決方案

（一）自貿(mào)港建設(shè)過(guò)程中離岸貿(mào)易以及資金結(jié)算安全的風(fēng)險(xiǎn)特征

從銀行業(yè)務(wù)實(shí)踐來(lái)看，海南自貿(mào)港離岸貿(mào)易真實(shí)性以及資金結(jié)算安全性呈現(xiàn)出小樣本、全球化、系統(tǒng)性、新穎性、碎片化等風(fēng)險(xiǎn)特征。

1.小樣本

相對(duì)于中國(guó)香港、新加坡、上海、廣州等地，海南離岸貿(mào)易起步相對(duì)較晚，總量仍然偏小，銀行離岸貿(mào)易融資和交易結(jié)算也還在起步階段，其中可用于提取風(fēng)險(xiǎn)特征的樣本更少，不利于業(yè)務(wù)人員風(fēng)控經(jīng)驗(yàn)的積累，對(duì)區(qū)域性風(fēng)險(xiǎn)模型的建立也提出了更高要求。

2.全球化

海南自貿(mào)港面向全球，旨在打造新型離岸業(yè)務(wù)平臺(tái)，貿(mào)易領(lǐng)域和金融領(lǐng)域的開(kāi)放所帶來(lái)的風(fēng)險(xiǎn)，既涵蓋創(chuàng)新帶來(lái)的新型業(yè)務(wù)風(fēng)險(xiǎn)，也將原先受國(guó)內(nèi)制度保護(hù)的傳統(tǒng)業(yè)務(wù)暴露在全面競(jìng)爭(zhēng)的國(guó)際環(huán)境中，需要防范全球化風(fēng)險(xiǎn)。

3.系統(tǒng)性

在全球化過(guò)程中，海南擬對(duì)標(biāo)新加坡、中國(guó)香港等有成熟完備的全套金融穩(wěn)定體系，以應(yīng)對(duì)潛在的國(guó)際結(jié)算以及離岸貿(mào)易風(fēng)險(xiǎn)，由于政治金融生態(tài)差異較大，經(jīng)濟(jì)體量迥異，短時(shí)間內(nèi)海南無(wú)法完全借鑒，所產(chǎn)生的系統(tǒng)性漏洞有可能被利用，系統(tǒng)性風(fēng)險(xiǎn)防控體系仍待完善。

4.新穎性

國(guó)際貨幣體系、貿(mào)易結(jié)構(gòu)正面臨結(jié)構(gòu)性調(diào)整，受國(guó)際政治因素驅(qū)動(dòng)，具有不穩(wěn)定、不平等和不均衡的特征。海南作為人民幣國(guó)際化和新型離岸貿(mào)易的突破口之一，新興政策在拓展摸索過(guò)程中可能產(chǎn)生的政策伴生風(fēng)險(xiǎn)和金融科技風(fēng)險(xiǎn)，較難通過(guò)現(xiàn)有體制機(jī)制很好地識(shí)別及防控。

5.碎片化

國(guó)際市場(chǎng)征信信息缺失，資金交易網(wǎng)絡(luò)碎片化，貿(mào)易網(wǎng)絡(luò)不透明，企業(yè)、政府、第三方機(jī)構(gòu)的信息共享以及聯(lián)合建模尚待完善，是交易真實(shí)性和安全性防范的難點(diǎn)。

（二）運(yùn)用科技手段提升離岸貿(mào)易的監(jiān)管能力

解決上述問(wèn)題，除了進(jìn)一步完善自貿(mào)港體制機(jī)制建設(shè)外，可以從以下五個(gè)方面著手建立風(fēng)險(xiǎn)模型，運(yùn)用科技手段提升離岸貿(mào)易的監(jiān)管能力。

1.小樣本內(nèi)新增風(fēng)險(xiǎn)事件的迅速準(zhǔn)確識(shí)別

現(xiàn)有的風(fēng)控模型，大多是對(duì)歷史數(shù)據(jù)進(jìn)行總結(jié)后形成的通用型標(biāo)準(zhǔn)，從大數(shù)定理上對(duì)風(fēng)險(xiǎn)防控能起到較好效果，但具體到細(xì)分市場(chǎng)或小樣本空間時(shí)，可能存在模型過(guò)擬合或擬合度不匹配等問(wèn)題。離岸貿(mào)易由于區(qū)別于一般貿(mào)易的特殊性，需要更精準(zhǔn)地建立起事件與事件間的關(guān)系，包括新老客戶之間的關(guān)系、自貿(mào)港離岸業(yè)務(wù)與其它離岸業(yè)務(wù)的關(guān)系、自貿(mào)港離岸業(yè)務(wù)之間的關(guān)系等，以更有效地識(shí)別處理自貿(mào)港離岸業(yè)務(wù)真實(shí)性。

2.國(guó)內(nèi)市場(chǎng)經(jīng)驗(yàn)的傳遞與總結(jié)

把握開(kāi)展離岸貿(mào)易的真實(shí)動(dòng)機(jī)，進(jìn)行穿透式管理，能夠更好地防范離岸貿(mào)易風(fēng)險(xiǎn)。因此，需要對(duì)歷史各類風(fēng)險(xiǎn)事件進(jìn)行沉淀以及全貌還原，通過(guò)模糊相似算法，來(lái)達(dá)到窺一斑而知全豹的效果。

3.對(duì)缺失數(shù)據(jù)進(jìn)行補(bǔ)完、類比

通過(guò)多模型組合，挖掘隱藏信息，對(duì)現(xiàn)有信息進(jìn)行合理性補(bǔ)充。通過(guò)將貿(mào)易信息與同類型企業(yè)進(jìn)行類比，或與歷史同期情況比較，來(lái)揭示其隱藏信息。解決離岸貿(mào)易中信息孤島化、碎片化的問(wèn)題。

4.對(duì)結(jié)構(gòu)性變化進(jìn)行識(shí)別

離岸貿(mào)易受國(guó)際政治經(jīng)濟(jì)局勢(shì)、產(chǎn)業(yè)結(jié)構(gòu)化調(diào)整、大宗商品市場(chǎng)波動(dòng)影響較大，同時(shí)受制于所屬集團(tuán)或產(chǎn)業(yè)鏈的整體安排，部分波動(dòng)可能存在一定的市場(chǎng)風(fēng)險(xiǎn)，或純粹為套利、套保、融資、美化報(bào)表等原因存在。而銀行傳統(tǒng)的風(fēng)險(xiǎn)防范中，缺乏對(duì)具體業(yè)務(wù)結(jié)構(gòu)的深入分析和自動(dòng)比對(duì)。因此，需要建立風(fēng)險(xiǎn)模型，在深入總結(jié)提煉單筆業(yè)務(wù)信息的基礎(chǔ)上，自動(dòng)匯總生成多維度的全局性分析，掌握各類批量性、結(jié)構(gòu)性的變化情況，來(lái)判斷離岸貿(mào)易的真實(shí)性以及合理性。

5.全方位整合各類基礎(chǔ)數(shù)據(jù)的綜合性風(fēng)控模型

海南大數(shù)據(jù)中心、海南自貿(mào)港離岸新型國(guó)際貿(mào)易綜合服務(wù)平臺(tái)已初步整合了海關(guān)、稅務(wù)、企業(yè)、銀行、物流、港口、第三方機(jī)構(gòu)的部分有價(jià)值信息，對(duì)判斷離岸業(yè)務(wù)真實(shí)性和資金交易安全起到了很好的支撐作用。建立開(kāi)放性地處理各類數(shù)據(jù)、揭示其隱藏信息、印證其勾稽關(guān)系的綜合性風(fēng)險(xiǎn)模型，能提高對(duì)各類數(shù)據(jù)的利用效率、拓寬應(yīng)用場(chǎng)景，并節(jié)省用于數(shù)據(jù)標(biāo)準(zhǔn)化處理、專家經(jīng)驗(yàn)積累、多方建模信息溝通、模型升級(jí)聯(lián)動(dòng)等方面的工作量。

（三）建模路徑

1.搭建動(dòng)態(tài)圖譜

利用圖模型分析技術(shù)動(dòng)態(tài)識(shí)別數(shù)字化金融場(chǎng)景，融合以及補(bǔ)充各維度數(shù)據(jù)，構(gòu)建各場(chǎng)景數(shù)字立體動(dòng)態(tài)全景視圖，形成有效的模型輸入端。

2.搭建觀察學(xué)習(xí)型AI智腦

通過(guò)自動(dòng)比對(duì)分析、經(jīng)驗(yàn)總結(jié)、泛化衍生等方式形成AI自迭代規(guī)則庫(kù)，通過(guò)回憶或聯(lián)想的方式進(jìn)行擬人化思維，對(duì)碎片化、無(wú)顯性特征的數(shù)據(jù)集進(jìn)行分類處理，自動(dòng)識(shí)別隱藏規(guī)則以及參數(shù)權(quán)重，具備一定的預(yù)測(cè)能力，在防范批量風(fēng)險(xiǎn)、新型風(fēng)險(xiǎn)方面具有較好的效果，具有零人工干預(yù)、全場(chǎng)景適應(yīng)、自我迭代等優(yōu)勢(shì)。

3.積極探索模型輸出端

結(jié)合業(yè)務(wù)實(shí)際完善離岸貿(mào)易風(fēng)險(xiǎn)真實(shí)性和資金交易安全性方面的應(yīng)用，并通過(guò)系統(tǒng)開(kāi)發(fā)、風(fēng)險(xiǎn)防控實(shí)踐將部分成果落地。

四、動(dòng)態(tài)金融場(chǎng)景的構(gòu)建及應(yīng)用

（一）通過(guò)圖模型動(dòng)態(tài)整合各類基礎(chǔ)信息

1.搭建資金鏈圖模型

通過(guò)資金鏈圖譜構(gòu)建及自動(dòng)化分析技術(shù)，加強(qiáng)用途穿透識(shí)別、潛在風(fēng)險(xiǎn)揭示、隱藏信息提取、可視化展示等資金用途管理能力。

資金鏈圖譜在后臺(tái)整合我行全量交易數(shù)據(jù)，形成龐大復(fù)雜的交易網(wǎng)絡(luò)全貌，并以此為基礎(chǔ)圖形進(jìn)行后續(xù)分析（見(jiàn)圖1）。一是開(kāi)展多層交易網(wǎng)絡(luò)分析挖掘；二是批量完成基礎(chǔ)網(wǎng)絡(luò)的構(gòu)建，后續(xù)分析的運(yùn)算量大幅減少；三是利用圖形分析等新型技術(shù)進(jìn)行特征分析、復(fù)雜節(jié)點(diǎn)處理、斷點(diǎn)連接等處理，效率及效果均較基礎(chǔ)編程模式有所上升；四是易于對(duì)接系統(tǒng)，形成全套可視化展示方案，加強(qiáng)與業(yè)務(wù)人員的直接互動(dòng)；五是便于與其他基于圖模型平臺(tái)構(gòu)建的模型進(jìn)行聯(lián)動(dòng)；六是進(jìn)行向量分析，加入時(shí)間維度，并可以應(yīng)用立體矩陣分析等高級(jí)數(shù)學(xué)分析方法；七是可動(dòng)態(tài)提煉經(jīng)常性交易軌跡，應(yīng)用于后續(xù)多項(xiàng)衍生研究。

2.搭建集團(tuán)隱藏關(guān)聯(lián)關(guān)系圖模型

該模型通過(guò)分析集團(tuán)內(nèi)以及集團(tuán)間企業(yè)的關(guān)聯(lián)關(guān)系挖掘其隱藏聯(lián)系。一是基于如高管、親屬、股權(quán)等基礎(chǔ)數(shù)據(jù)構(gòu)建基礎(chǔ)關(guān)系對(duì)；二是結(jié)合知識(shí)圖譜算法挖掘直接持股、間接持股等衍生關(guān)系對(duì)；三是分析集團(tuán)之間關(guān)聯(lián)度；四是分析集團(tuán)間隱藏關(guān)聯(lián)關(guān)系以及單戶應(yīng)納未納關(guān)系，助力貸前新客戶授信過(guò)程（見(jiàn)圖2）。

3.完成圖模型拼接融合，通過(guò)點(diǎn)邊屬性整合靜態(tài)基礎(chǔ)數(shù)據(jù)

構(gòu)建五層資金鏈圖譜，整合放貸信息以及親屬、股東、供應(yīng)鏈等8種關(guān)系類型，形成豐富的展示藍(lán)圖。通過(guò)以多層資金鏈為核心的個(gè)體行為研究，加上以關(guān)聯(lián)關(guān)系為核心的關(guān)聯(lián)影響研究，進(jìn)行模型整合，構(gòu)建靜態(tài)金融場(chǎng)景（見(jiàn)圖3）。

4.利用圖平臺(tái)形成動(dòng)態(tài)全景視圖

基于對(duì)客群交易行為的深入挖掘，通過(guò)不同的切片方式以及識(shí)別邏輯，并輔以隱形關(guān)聯(lián)關(guān)系、變遷模型等輔助手段，構(gòu)建并補(bǔ)完客戶實(shí)際金融生態(tài)圈及交易軌跡。初期通過(guò)可視化展示方案，幫助客戶經(jīng)理識(shí)別管轄客戶所屬生態(tài)圈，不局限于單一客戶范疇，后期將通過(guò)整合分析各類生態(tài)圈碎片，從實(shí)務(wù)角度出發(fā)對(duì)生態(tài)圈進(jìn)行推廣應(yīng)用。

在靜態(tài)研究中分別加入時(shí)間維度，動(dòng)態(tài)形成金融場(chǎng)景的演變進(jìn)程，進(jìn)一步分析產(chǎn)業(yè)鏈中上下游客戶的流失或新增（見(jiàn)圖4、圖5）。

對(duì)比金融場(chǎng)景1和2，可以看出CE客戶的直接交易減少及上下游客戶D的新增。

5.補(bǔ)充周期修訂模型，拉平不同歷史時(shí)期所產(chǎn)生的特殊影響

（二）通過(guò)圖模型初步補(bǔ)充完善金融場(chǎng)景

1.斷點(diǎn)連接

根據(jù)合理性判斷，補(bǔ)充可能存在潛在聯(lián)系。如基于全局資金鏈圖譜，捕捉隱藏資金鏈路，挖掘多層可疑信貸資金違規(guī)使用行為（見(jiàn)圖6）。

2.經(jīng)常性交易軌跡提取

通過(guò)不同時(shí)間點(diǎn)切片，提煉經(jīng)常性交易軌跡。時(shí)間切片可采取等量時(shí)間法、數(shù)據(jù)峰值法等多維度，以確保隱藏信息全量提煉（見(jiàn)圖7）。

3.可視化洞察客戶變遷

在原來(lái)交易軌跡模型的基礎(chǔ)上，結(jié)合關(guān)聯(lián)關(guān)系數(shù)據(jù)構(gòu)建異構(gòu)圖，并基于時(shí)間序列可視化洞察客戶變遷。用于多維度展示交易軌跡及企業(yè)關(guān)系簇的變化情況，分析識(shí)別客戶的上下游客戶的流失或新增，動(dòng)態(tài)洞察客戶風(fēng)險(xiǎn)（見(jiàn)圖8）。

（三）圖模型的簡(jiǎn)單應(yīng)用

1.為人工智能形成有效的數(shù)據(jù)輸入體系

將圖模型結(jié)果通過(guò)矩陣特征、圖形結(jié)構(gòu)特征提煉等方式，為后續(xù)風(fēng)險(xiǎn)模型提供更多的分類方式及組合。通過(guò)圖模型固化識(shí)別專家經(jīng)驗(yàn)法提煉的場(chǎng)景信息，具有可解釋性強(qiáng)，直觀易識(shí)別等優(yōu)勢(shì)。

2.對(duì)部分風(fēng)險(xiǎn)場(chǎng)景進(jìn)行直接監(jiān)控

通過(guò)模型識(shí)別的回流、挪用、歸集使用、集團(tuán)關(guān)聯(lián)度識(shí)別、歸行率等可對(duì)貸后資金流異常監(jiān)測(cè)、貸前集團(tuán)統(tǒng)一授信等風(fēng)險(xiǎn)場(chǎng)景提供直接監(jiān)控。

3.可視化展示，人機(jī)互動(dòng)

圖模型的所有過(guò)程數(shù)據(jù)均有其特定的意義，可直接作為前臺(tái)展示，用于人工進(jìn)一步識(shí)別分析；如集團(tuán)隱藏關(guān)聯(lián)關(guān)系目前對(duì)接企業(yè)信貸系統(tǒng)，作為貸前授信審查必看項(xiàng)輔助一線風(fēng)險(xiǎn)經(jīng)理貸前審查。通過(guò)專家經(jīng)驗(yàn)法識(shí)別的特定圖形，可以作為風(fēng)險(xiǎn)識(shí)別結(jié)果直接應(yīng)用于風(fēng)險(xiǎn)防控，且支持以圖形方式進(jìn)行推送，直觀易懂。通過(guò)靜態(tài)圖形的延伸，以及動(dòng)態(tài)圖形的變化趨勢(shì)，能十分清晰地看出明顯的趨勢(shì)性特征。

五、人工智能的建立及應(yīng)用

（一）小浦風(fēng)控智腦

搭建觀察學(xué)習(xí)型AI模型，通過(guò)自動(dòng)比對(duì)分析、經(jīng)驗(yàn)總結(jié)、泛化衍生等方式，探索構(gòu)建AI自迭代規(guī)則庫(kù)，加強(qiáng)對(duì)特定客群的異常事件的風(fēng)險(xiǎn)信號(hào)識(shí)別以及大概率事件的貸后預(yù)測(cè)的能力。本文整體構(gòu)建思路主要由四部分組成，包括多種算法挖掘隱藏初始規(guī)則、進(jìn)化算法構(gòu)建衍生規(guī)則、最優(yōu)化方法提升規(guī)則有效性、相似度函數(shù)助力規(guī)則提純（見(jiàn)圖9）。

1.多種算法挖掘隱藏初始規(guī)則

初始規(guī)則挖掘主要由事件構(gòu)成以及基礎(chǔ)規(guī)則挖掘2個(gè)步驟組成。

（1）事件構(gòu)建

結(jié)合具體業(yè)務(wù)場(chǎng)景及專家經(jīng)驗(yàn)，構(gòu)建基礎(chǔ)標(biāo)簽。標(biāo)簽大類包括客戶基本情況、授信情況、財(cái)務(wù)情況、結(jié)算情況、押品情況、風(fēng)險(xiǎn)情況、金融場(chǎng)景相關(guān)情況。

屬性標(biāo)簽：表示長(zhǎng)時(shí)間的狀態(tài)，通常由類別型數(shù)據(jù)標(biāo)簽衍生特征來(lái)定義；

動(dòng)作標(biāo)簽：表示短時(shí)間內(nèi)的狀態(tài)變更，通常由數(shù)據(jù)標(biāo)簽對(duì)時(shí)間窗聚合衍生特征；

事件定義：基于單個(gè)/多個(gè)數(shù)據(jù)屬性標(biāo)簽或動(dòng)作標(biāo)簽整合歸類來(lái)定義的事件，數(shù)據(jù)標(biāo)簽及其數(shù)據(jù)變化都屬于事件參數(shù)范圍。

（2）基礎(chǔ)規(guī)則挖掘

基礎(chǔ)規(guī)則挖掘主要以下4種方式：

枚舉法：根據(jù)具體研究場(chǎng)景枚舉現(xiàn)有專家經(jīng)驗(yàn)規(guī)則作為基礎(chǔ)規(guī)則，根據(jù)對(duì)應(yīng)場(chǎng)景內(nèi)樣本特征進(jìn)行枚舉組合構(gòu)建，此方法優(yōu)點(diǎn)可以對(duì)數(shù)據(jù)量小的場(chǎng)景進(jìn)行全面分析，覆蓋度較高，但數(shù)據(jù)量大的場(chǎng)景中效率較低；

特征提取分類算法：現(xiàn)有監(jiān)督風(fēng)險(xiǎn)預(yù)測(cè)決策樹(shù)、邏輯回歸的變量結(jié)果作為基礎(chǔ)規(guī)則，該算法目前多應(yīng)用于風(fēng)控領(lǐng)域，此算法無(wú)法對(duì)時(shí)序特征進(jìn)行有效分析，結(jié)果較難從業(yè)務(wù)角度解釋，但結(jié)果重要變量可作為后續(xù)挖掘標(biāo)簽；

無(wú)監(jiān)督算法：將事件標(biāo)簽組合進(jìn)行聚類，事件集結(jié)果作為基礎(chǔ)事件，該算法目前多應(yīng)用于銀行風(fēng)控反欺詐、反洗錢等領(lǐng)域；

關(guān)聯(lián)分析算法-頻繁序列模式挖掘：該算法可以用于關(guān)聯(lián)事件序列挖掘。相較于頻繁項(xiàng)集挖掘的關(guān)聯(lián)算法Apriori和FP Tree，項(xiàng)之間沒(méi)有時(shí)間上的先后關(guān)系，而我們需要分析的，是由若干數(shù)據(jù)項(xiàng)集組成的序列。該算法目前多應(yīng)用于營(yíng)銷領(lǐng)域，在銀行風(fēng)控領(lǐng)域暫無(wú)相關(guān)應(yīng)用。

2.進(jìn)化算法構(gòu)建衍生規(guī)則

進(jìn)化算法是以達(dá)爾文的進(jìn)化論思想為基礎(chǔ)，通過(guò)模擬生物進(jìn)化過(guò)程與機(jī)制的求解問(wèn)題的自組織、自適應(yīng)的人工智能技術(shù)。生物進(jìn)化是通過(guò)繁殖、變異、競(jìng)爭(zhēng)和選擇實(shí)現(xiàn)的；而進(jìn)化算法則主要通過(guò)選擇、交叉和變異這三種操作實(shí)現(xiàn)優(yōu)化問(wèn)題的求解。我們利用進(jìn)化算法對(duì)原有規(guī)則進(jìn)行交叉、變異操作，替換部分片段從而得到新的規(guī)則，根據(jù)提煉評(píng)價(jià)函數(shù)打分，比較原有規(guī)則效果，完成迭代優(yōu)化。進(jìn)化算法也時(shí)有用于銀行風(fēng)控領(lǐng)域（見(jiàn)圖10）。

3.評(píng)價(jià)函數(shù)提升規(guī)則有效性

對(duì)當(dāng)前規(guī)則池中的各個(gè)規(guī)則分別打分，迭代挑選出優(yōu)質(zhì)的風(fēng)控規(guī)則集合。一是構(gòu)建規(guī)則前給每個(gè)樣本賦權(quán)，迭代生成規(guī)則時(shí)未被其他規(guī)則捕捉的樣本有更高的權(quán)重，從而提升樣本多樣化。二是對(duì)所有新生成的規(guī)則構(gòu)建距離函數(shù)計(jì)算規(guī)則之間的距離，依據(jù)評(píng)價(jià)函數(shù)進(jìn)一步去除類似的規(guī)則，提煉多類別規(guī)則。

Idea1（規(guī)則間距評(píng)價(jià)）：將規(guī)則間的距離納入評(píng)價(jià)函數(shù)，盡量尋找互不相似的規(guī)則。

（1）

其中，J備選規(guī)則的集合，J為備選規(guī)則的個(gè)數(shù)，xi為第i個(gè)備選規(guī)則，？茲為常規(guī)的評(píng)價(jià)函數(shù)（如精準(zhǔn)率，召回率），d（xi，xj）為任意兩個(gè)規(guī)則間的距離。

注意，該方法需要計(jì)算所有規(guī)則間的兩兩距離。計(jì)算復(fù)雜度較高，可以考慮kd樹(shù)尋找最相似規(guī)則，或者使用迭代方法：

（2）

Idea 2（樣本賦權(quán)評(píng)價(jià)）：給樣本賦權(quán)，未被其他規(guī)則捕捉的樣本有更高的權(quán)重。

原理：若一條規(guī)則可以捕捉其他規(guī)則無(wú)法捕捉的違約客戶，則該規(guī)則的評(píng)價(jià)應(yīng)該增加。

設(shè)立一個(gè)大于1的超參數(shù)？啄，若一個(gè)正樣本未被備選規(guī)則捕捉過(guò)，則權(quán)重為？啄，否則權(quán)重為 。k為該樣本被捕捉過(guò)的次數(shù)。規(guī)則的評(píng)價(jià)為其捕捉的正樣本的權(quán)重和/所有正樣本的權(quán)重和。

4.相似度函數(shù)助力規(guī)則提純

使用驗(yàn)證數(shù)據(jù)集對(duì)備選規(guī)則池中的規(guī)則進(jìn)行評(píng)分，并依據(jù)評(píng)分結(jié)果對(duì)規(guī)則進(jìn)行參數(shù)與結(jié)構(gòu)的調(diào)整，最終達(dá)到規(guī)則提純的目的（見(jiàn)圖11）。

評(píng)價(jià)指標(biāo)：

（二）模型功能的簡(jiǎn)單應(yīng)用

一是對(duì)數(shù)字化金融場(chǎng)景信息進(jìn)行機(jī)器學(xué)習(xí)，進(jìn)一步識(shí)別具體場(chǎng)景中參數(shù)的有效性及權(quán)重，使得堆砌的各類數(shù)據(jù)得到有效塑型。二是通過(guò)對(duì)碎片化信息進(jìn)行類比推理，進(jìn)一步補(bǔ)完金融場(chǎng)景，顯示出其可能存在的全貌。三是通過(guò)多維度擬合，全面及時(shí)揭示其潛在共通之處，有助于潛在風(fēng)險(xiǎn)識(shí)別以及批量結(jié)構(gòu)性變化識(shí)別。

六、模型應(yīng)用場(chǎng)景

（一）動(dòng)態(tài)圖譜的應(yīng)用

1.多層資金鏈圖譜自主查詢

國(guó)內(nèi)目前對(duì)資金的第一手劃轉(zhuǎn)進(jìn)行了較為嚴(yán)密的控制，主要通過(guò)柜面和營(yíng)運(yùn)部門的剛性控制來(lái)實(shí)現(xiàn)。但資金流向的分析十分注重穿透性，很多風(fēng)險(xiǎn)實(shí)際隱藏在錯(cuò)綜復(fù)雜的資金網(wǎng)絡(luò)背后。如僅憑單筆交易，除了發(fā)現(xiàn)利率可能偏高外，很難識(shí)別出類似于龐氏騙局的金融詐騙，只有通過(guò)更高視野的全貌資金流向分析，才能發(fā)現(xiàn)其整體邏輯。海南片段化的單筆資金流特征可能較為明顯。

基于資金鏈圖譜，可以將散亂的單筆交易以可視化的方式關(guān)聯(lián)起來(lái)，從而對(duì)于其中可能隱藏的線索信息一目了然。對(duì)防范批量性金融風(fēng)險(xiǎn)具有積極的意義。

目前已實(shí)現(xiàn)資金鏈圖譜線上自主查詢，可通過(guò)某一時(shí)點(diǎn)的單一對(duì)公客戶為起點(diǎn)，以交易方向?yàn)橛邢蜻B接，實(shí)現(xiàn)上下五層的實(shí)際關(guān)聯(lián)交易查詢（層數(shù)主要取決于算力限制，模型本身并無(wú)限制），通過(guò)點(diǎn)屬性反映交易對(duì)手的基本信息，通過(guò)邊屬性反映交易的具體信息（見(jiàn)圖13）。

圖形采用動(dòng)態(tài)可調(diào)整的展現(xiàn)方式，支持用戶自主拖動(dòng)具體點(diǎn)的位置，以更好地揭露隱藏信息。并且設(shè)置了一些便利化的圖形成像選擇，包括層數(shù)、期限范圍、特征圖形顯示等選項(xiàng)。

圖形支持轄內(nèi)客戶的任意自主查詢，因此，如果單一圖譜無(wú)法滿足穿透管理需要，可以以中斷節(jié)點(diǎn)為起點(diǎn)，再次進(jìn)行擴(kuò)展查詢。通過(guò)多次圖譜的拼接分析，形成資金流向全貌。圖數(shù)據(jù)庫(kù)的力量在于它們能夠以超快的方式跟蹤關(guān)系，從一個(gè)節(jié)點(diǎn)轉(zhuǎn)到另一個(gè)節(jié)點(diǎn)。我們通過(guò)模式匹配從 Neo4j 中讀取數(shù)據(jù)，從而充分利用圖結(jié)構(gòu)。模式匹配包括沿圖移動(dòng)模板并查看哪些節(jié)點(diǎn)和關(guān)系對(duì)與其一致。首先構(gòu)建帶有標(biāo)簽A或B的節(jié)點(diǎn)組成的有向圖。當(dāng)我們尋找序列A -> B時(shí)，在迭代中，節(jié)點(diǎn)標(biāo)簽和關(guān)系方向都與搜索模式匹配。圖譜查詢根據(jù)客戶管轄權(quán)進(jìn)行信息保密處理，且僅供內(nèi)部風(fēng)險(xiǎn)管理使用。

2.動(dòng)態(tài)金融場(chǎng)景可視化分析

自由一定意義上也會(huì)帶來(lái)無(wú)序，原先通過(guò)制度性框架阻擋住的各類金融與貿(mào)易亂象可能會(huì)乘機(jī)滲透，單憑資金流向和單筆交易單證相符的核驗(yàn)已經(jīng)較難實(shí)現(xiàn)實(shí)質(zhì)重于形式的總體管理要求，也較難識(shí)別復(fù)雜多變的實(shí)際環(huán)境。因此通過(guò)圖模型整合、補(bǔ)充離岸貿(mào)易相關(guān)的動(dòng)態(tài)，金融圖譜能獲得更為廣泛的全景視圖。

在資金鏈圖譜分析的基礎(chǔ)上，拓展了動(dòng)態(tài)金融場(chǎng)景的可視化分析，將關(guān)聯(lián)關(guān)系、客戶屬性、各類隱藏信息反映在圖譜中，以異構(gòu)圖的方式展現(xiàn)集群之間的交易聯(lián)系，有效識(shí)別通過(guò)關(guān)聯(lián)企業(yè)兜轉(zhuǎn)、更為復(fù)雜的交易軌跡網(wǎng)絡(luò)、資金掮客、異常交易軌跡等信息，使騙局原形畢露。

以可視化圖譜的方式有條理地展示動(dòng)態(tài)金融場(chǎng)景全貌，還能較好地輔助識(shí)別集團(tuán)、集群之間的復(fù)雜關(guān)聯(lián)交易風(fēng)險(xiǎn)。尤其是有較多集團(tuán)設(shè)立的貿(mào)易子公司，單一企業(yè)層面的經(jīng)營(yíng)情況已不足以顯示其真實(shí)的貿(mào)易背景。

由于系統(tǒng)限制，目前暫時(shí)不支持動(dòng)態(tài)演變的直接展示，只能在不同時(shí)點(diǎn)切片進(jìn)行查詢后比對(duì)分析，了解整體交易的變化情況。

3.圖譜統(tǒng)計(jì)分析信息定期推送

除了可視化分析外，形成的整體交易圖譜網(wǎng)絡(luò)也能提煉出額外的統(tǒng)計(jì)信息。如在重大關(guān)聯(lián)交易、結(jié)算性交易、融資性交易、資金閉環(huán)管理等方面的統(tǒng)計(jì)上，不僅限于一層資金流，而是基于全量圖譜信息進(jìn)行統(tǒng)計(jì)。相關(guān)統(tǒng)計(jì)信息推送至貸后管理模塊，以供貸后分析決策使用。

4.資金流向逐筆自動(dòng)效驗(yàn)

整合了全量動(dòng)態(tài)金融場(chǎng)景后，在資金用途檢查的后臺(tái)自動(dòng)分析上，也能達(dá)到較好效果。通過(guò)多層圖譜的探查分析，能自動(dòng)識(shí)別資金回流、流向房市股市、歸集使用、一對(duì)多還款、資金掮客、員工行為等信息，銀行開(kāi)展資金用途檢查時(shí)，通過(guò)后臺(tái)模型逐筆效驗(yàn)，如發(fā)現(xiàn)相關(guān)問(wèn)題，則作為剛性控制要求排查反饋，并經(jīng)有權(quán)人審定。

5.圖型特征自動(dòng)化提煉

在識(shí)別有問(wèn)題的資金流向時(shí)，通常提煉問(wèn)題的相關(guān)特征，并進(jìn)行數(shù)據(jù)層面的自動(dòng)化分析。有了圖譜模型后，問(wèn)題特征的識(shí)別多了一層手段，可以通過(guò)圖形特征予以輔助識(shí)別，而且對(duì)于一些異常的圖形特征也能予以自動(dòng)標(biāo)識(shí)，以便于后續(xù)進(jìn)一步判斷。如資金回流在圖譜上呈現(xiàn)出一個(gè)首尾相連的環(huán)形，歸集使用則呈現(xiàn)出一個(gè)散射圖，一條鏈路上如果有某一點(diǎn)經(jīng)過(guò)了行內(nèi)員工，則可以作為員工行為信息進(jìn)行排查（見(jiàn)圖14）。除了異常行為外，一些經(jīng)常性的交易也可以進(jìn)行提煉，以進(jìn)一步識(shí)別經(jīng)濟(jì)依存度、上下游供應(yīng)商等產(chǎn)業(yè)鏈信息。目前這些特征圖譜已能在圖譜平臺(tái)上通過(guò)特殊顏色進(jìn)行標(biāo)記。后臺(tái)數(shù)據(jù)也已用于產(chǎn)業(yè)鏈分析、集團(tuán)關(guān)聯(lián)關(guān)系補(bǔ)充等分析模型。

（二）智腦模型的應(yīng)用

1.批量識(shí)別變遷規(guī)則

將環(huán)境數(shù)據(jù)拼接整合后，仍需要進(jìn)一步處理。目前主要是通過(guò)專家經(jīng)驗(yàn)法，將已經(jīng)成熟的業(yè)務(wù)規(guī)律用數(shù)字化的形式固化下來(lái)，仍缺少讓數(shù)據(jù)自己說(shuō)話的機(jī)制，不利于離岸貿(mào)易中新型風(fēng)險(xiǎn)的防控，新型風(fēng)險(xiǎn)的提前暴露需要一些自動(dòng)化的手段。通過(guò)智腦模型，能按天提煉總結(jié)批量變遷規(guī)則，全量識(shí)別當(dāng)天發(fā)生的所有批量性事件，掌握其共性特征，并通過(guò)與歷史情況的比對(duì)了解其可能產(chǎn)生的負(fù)面影響，達(dá)到了用數(shù)據(jù)說(shuō)話的效果。通過(guò)批量提煉目前實(shí)際發(fā)生的變遷規(guī)則，通過(guò)條件函數(shù)明確此類變遷行為歷史的結(jié)果導(dǎo)向（見(jiàn)圖15）。

2.客戶及客群的非線性演變預(yù)判

風(fēng)險(xiǎn)智腦能通過(guò)首尾相連的方式，達(dá)到多層演變推理的效果。如識(shí)別出了當(dāng)前客戶的一個(gè)階段性變化，匹配歷史規(guī)則庫(kù)后，命中三條歷史變遷規(guī)則，發(fā)現(xiàn)其中兩條在歷史上存在過(guò)負(fù)面影響，有一定概率導(dǎo)致負(fù)面事件的發(fā)生，就先挑選出這兩條變遷規(guī)則，然后以其變遷結(jié)果為起始點(diǎn)，匹配歷史規(guī)則庫(kù)，再次進(jìn)行推理預(yù)判，通過(guò)上述方法再次鎖定兩條（假設(shè)）可能出現(xiàn)負(fù)面影響的規(guī)則，及其發(fā)生概率。經(jīng)過(guò)多次迭代后，可以找到多條指向負(fù)面影響事件的路徑及其可能發(fā)生概率，從而對(duì)某一客戶變遷情況的未來(lái)各種可能性有了數(shù)字化的量化判斷，并視情況采取相關(guān)防范措施。

有了單一客戶的演變預(yù)判之后，批量客群的演變也就十分容易了，只需根據(jù)需要預(yù)判的內(nèi)容，調(diào)整條件函數(shù)的篩選，然后將單個(gè)客戶的大概率（最大概率且大于某一值的概率）演變可能進(jìn)行疊加，就能大致得到批量客群的可能演變情況。用于行業(yè)分析、集團(tuán)客戶分析等結(jié)構(gòu)化分析，以及政策效果預(yù)判等方面，均有較好的應(yīng)用前景。

3.新增事件的關(guān)聯(lián)分析

新增事件如果單純以事論事的話，可能會(huì)忽略了很多關(guān)聯(lián)影響，在大數(shù)據(jù)分析中，我們盡量多地集合了環(huán)境數(shù)據(jù)，以期望得到一個(gè)更完整的分析，尤其是在離岸業(yè)務(wù)涉及到的信息較為陌生，就更難進(jìn)行關(guān)聯(lián)聯(lián)想。通過(guò)智腦模型能初步解決這一問(wèn)題，通過(guò)歷史規(guī)則庫(kù)的提煉，識(shí)別出海量大數(shù)據(jù)之間實(shí)際的聯(lián)動(dòng)規(guī)則，當(dāng)發(fā)現(xiàn)有限的新增事件后，匹配這些事件可能觸發(fā)的歷史場(chǎng)景變遷，通過(guò)條件函數(shù)篩選出可能導(dǎo)致負(fù)面影響的歷史場(chǎng)景變遷，反向探查該場(chǎng)景下其他條件是否成熟，挑選出涉及到這些事件可能導(dǎo)致的負(fù)面影響，且具備發(fā)生條件的歷史場(chǎng)景變遷，從而了解新增事件的關(guān)聯(lián)性影響。即使面對(duì)碎片化、完全陌生的事件信息，通過(guò)標(biāo)準(zhǔn)化處理后，也能很好地匹配歷史視圖，了解片段化的局部事件可能導(dǎo)致的影響。同樣，也可以通過(guò)迭代方式，了解后續(xù)可能發(fā)生的一系列變化。在處理超大規(guī)模變量上，智腦采用的獨(dú)特算法能確保效果和效率兼顧。主要是通過(guò)以行的處理代替列的處理，局部調(diào)用，累加式學(xué)習(xí)等方式實(shí)現(xiàn)。

4.國(guó)內(nèi)外經(jīng)驗(yàn)的有效傳導(dǎo)

在歷史規(guī)則庫(kù)的建設(shè)方面，僅從海南自貿(mào)港數(shù)據(jù)可能存在樣本過(guò)少的問(wèn)題，但只要能對(duì)國(guó)內(nèi)或者國(guó)外的事件進(jìn)行變遷規(guī)則提煉，通過(guò)上述預(yù)判邏輯，相關(guān)規(guī)則就能很好地輔助自貿(mào)港新增事件或客群變遷的判斷，標(biāo)準(zhǔn)化的特征數(shù)據(jù)使得通用性大幅增強(qiáng)。而對(duì)于國(guó)際性的商業(yè)銀行來(lái)說(shuō)這并不是難事，尤其在中國(guó)香港、新加坡等地的規(guī)則提煉，能幫助海南自貿(mào)港借鑒成熟的風(fēng)險(xiǎn)防控經(jīng)驗(yàn)。

5.多維參數(shù)的綜合處理

大數(shù)據(jù)平臺(tái)已集成了海量數(shù)據(jù)，標(biāo)簽維度也達(dá)到了萬(wàn)以上級(jí)別，通過(guò)單一的傳統(tǒng)模型很難進(jìn)行綜合化處理，可全量識(shí)別其中關(guān)聯(lián)關(guān)系和隱藏屬性。

本文所提出的人工智能模型模擬了腦部運(yùn)作模式，在規(guī)則提煉方面，通過(guò)對(duì)事件與事件的分析來(lái)降低標(biāo)簽維度的影響；在存儲(chǔ)方面，構(gòu)建事件的高緯度標(biāo)簽，在此基礎(chǔ)上搭建歷史變遷全景，并對(duì)歷史經(jīng)驗(yàn)規(guī)則進(jìn)行提純提煉等優(yōu)化，形成最優(yōu)化存儲(chǔ)結(jié)構(gòu)，高效存儲(chǔ)了包含所有標(biāo)簽維度在內(nèi)的歷史變遷規(guī)律；在調(diào)用方面，以高效局部調(diào)用為特征，大幅降低了并行計(jì)算處理量，并通過(guò)對(duì)存儲(chǔ)規(guī)則的調(diào)用參與運(yùn)算，初步實(shí)現(xiàn)了存算一體化，支持新增事件全自動(dòng)的機(jī)器自主分析。

6.完成全套自動(dòng)化數(shù)據(jù)分析流程

智腦模型支持超大規(guī)模參數(shù)的同時(shí)，上游對(duì)接大數(shù)據(jù)平臺(tái)，對(duì)實(shí)時(shí)數(shù)據(jù)進(jìn)行有效處理，形成全量變遷規(guī)則，并根據(jù)具體需要進(jìn)行自動(dòng)非線性預(yù)判分析，鎖定相應(yīng)客群，下游對(duì)接單一客戶的全套查詢分析功能，自動(dòng)出具案例分析報(bào)告，從而完成從源數(shù)據(jù)到具體風(fēng)險(xiǎn)案例的全套自動(dòng)化分析預(yù)警功能（見(jiàn)圖17）。

七、離岸貿(mào)易交易的真實(shí)性和資金結(jié)算的安全性的針對(duì)性解決方案

本文嘗試將場(chǎng)景數(shù)字化整合后，通過(guò)通用型AI模型進(jìn)行自動(dòng)化的風(fēng)險(xiǎn)特征識(shí)別、提煉及防控，為自貿(mào)港構(gòu)建了一面無(wú)形的自動(dòng)防護(hù)盾。

（一）識(shí)別小樣本客群中新型風(fēng)險(xiǎn)和隱藏風(fēng)險(xiǎn)

一是通過(guò)風(fēng)控智腦對(duì)小樣本中聚類較為集中的客群自動(dòng)迭代分析，提煉出其相似特征，以供業(yè)務(wù)人員決策。二是對(duì)于表象特征不明顯的小批量風(fēng)險(xiǎn)客群，通過(guò)多維度提煉分析，全量揭示其潛在共通之處，揭露隱藏規(guī)則。并對(duì)新增客戶是否存在此類情況實(shí)時(shí)進(jìn)行預(yù)警。三是對(duì)于能通過(guò)我行自動(dòng)審批模型的客戶，實(shí)時(shí)分析客群離散程度，確保小樣本中沒(méi)有集中性風(fēng)險(xiǎn)。四是通過(guò)模型建立事件與事件的關(guān)聯(lián)，并可通過(guò)鎖定部分參數(shù)（如行業(yè)、時(shí)間、地區(qū)等）形成特定維度的分析結(jié)果，了解面上風(fēng)險(xiǎn)情況。

（二）完善系統(tǒng)性風(fēng)險(xiǎn)防控體系

一是通過(guò)圖模型應(yīng)用，全量化揭示伴隨參數(shù)、動(dòng)態(tài)參數(shù)、模型參數(shù)，并補(bǔ)完碎片化信息，通過(guò)模型補(bǔ)完獲得風(fēng)險(xiǎn)全景視圖，在數(shù)據(jù)層面上進(jìn)行完善。二是通過(guò)小浦風(fēng)控智腦沉淀積累全行范圍內(nèi)歷史上曾發(fā)生過(guò)的風(fēng)險(xiǎn)事件及其客觀特征，在規(guī)則層面上進(jìn)行完善。三是通過(guò)小浦風(fēng)控智腦自動(dòng)驗(yàn)證比對(duì)的方式，對(duì)新增客戶或客群可能涉及到的風(fēng)險(xiǎn)事件進(jìn)行排查，結(jié)合經(jīng)補(bǔ)完的數(shù)據(jù)和風(fēng)險(xiǎn)規(guī)則，在識(shí)別上通過(guò)自動(dòng)化的方式確保沒(méi)有遺漏和疏忽。四是通過(guò)揭示歷史風(fēng)險(xiǎn)客群調(diào)查處置過(guò)程中額外發(fā)現(xiàn)的信息，提供對(duì)當(dāng)前客群的謹(jǐn)慎性假設(shè)。這些信息可能并沒(méi)有納入海南大數(shù)據(jù)平臺(tái)，無(wú)法自動(dòng)化處理，自動(dòng)識(shí)別后提示業(yè)務(wù)人員。

（三）通過(guò)現(xiàn)有體制機(jī)制實(shí)時(shí)識(shí)別防控

一是對(duì)于批量客群的趨勢(shì)化特征全量、實(shí)時(shí)地予以識(shí)別，并且所識(shí)別的趨勢(shì)特征能通過(guò)規(guī)則展現(xiàn)的方式簡(jiǎn)單明了地傳達(dá)到?jīng)Q策層。通過(guò)模型自動(dòng)提煉分析，及時(shí)地識(shí)別、傳達(dá)結(jié)構(gòu)性變化趨勢(shì)和新政策造成的影響，并進(jìn)行持續(xù)化監(jiān)控，防范影響的時(shí)滯性。二是該模型通過(guò)自迭代訓(xùn)練可不斷自動(dòng)調(diào)整有效參數(shù)及其權(quán)重，自動(dòng)形成新的風(fēng)險(xiǎn)防控規(guī)則，對(duì)新型未知風(fēng)險(xiǎn)能較好識(shí)別及防控。三是通過(guò)趨勢(shì)性分析、同類客群比較、歷史經(jīng)驗(yàn)判斷綜合作用，具有一定的預(yù)測(cè)能力，對(duì)于結(jié)構(gòu)調(diào)整所帶來(lái)的批量風(fēng)險(xiǎn)，能給出相對(duì)量化的未來(lái)預(yù)判。

（四）有效整合國(guó)際市場(chǎng)征信信息缺失、資金交易網(wǎng)絡(luò)碎片化、貿(mào)易網(wǎng)絡(luò)不透明問(wèn)題

一是模型容錯(cuò)能力較強(qiáng)，當(dāng)參數(shù)過(guò)少或過(guò)多時(shí)，能進(jìn)行盡可能的有效處理。通過(guò)有限信息與行內(nèi)現(xiàn)有客戶進(jìn)行相似度分析，以揭示隱藏風(fēng)險(xiǎn)。二是通過(guò)圖模型揭示全量化動(dòng)態(tài)金融場(chǎng)景，初步整合補(bǔ)完各類已有信息，并輸入至風(fēng)控智腦智能化處理。通過(guò)大數(shù)據(jù)整合與風(fēng)控智腦的聯(lián)動(dòng)，形成一加一大于二的效果。

（責(zé)任編輯：夏凡）

參考文獻(xiàn)：

[1]朱云濤.元宇宙銀行體系建設(shè)初探[M].北京：中國(guó)商業(yè)出版社，2022.

[2]許白貞.EAST系統(tǒng)：現(xiàn)場(chǎng)檢查中的“最強(qiáng)大腦”[J].武漢金融，2014（6）：43-44+48.

[3]單繼進(jìn).EAST系統(tǒng)的建設(shè)與發(fā)展[J].中國(guó)金融電腦，2014（10）：11-13.

[4]李卓諭.A銀行廣西分行跨境匯款業(yè)務(wù)內(nèi)部監(jiān)管研究[D].廣西：廣西大學(xué)，2021.

[5]劉春航.大數(shù)據(jù)、監(jiān)管科技與銀行監(jiān)管[J].金融監(jiān)管研究，2020（9）：1-14.

[6]尹凱.事件知識(shí)圖譜平臺(tái)設(shè)計(jì)及實(shí)現(xiàn)[D].四川：電子科技大學(xué)，2019.

[7]李為.基于圖神經(jīng)網(wǎng)絡(luò)的多標(biāo)簽圖像識(shí)別[D].黑龍江：哈爾濱工業(yè)大學(xué)，2020.

[8]肖琳，陳博理，黃鑫，等.基于標(biāo)簽語(yǔ)義注意力的多標(biāo)簽文本分類[J].軟件學(xué)報(bào)，2020，31（4）：1079-1089.

[9]譚卓.基于自監(jiān)督學(xué)習(xí)的有向圖神經(jīng)網(wǎng)絡(luò)模型[D].四川：西南財(cái)經(jīng)大學(xué)，2022.

[10]董彬.圖神經(jīng)網(wǎng)絡(luò)可解釋性的研究與應(yīng)用[D].四川：電子科技大學(xué)，2021.

[11]李雨果.基于異構(gòu)圖神經(jīng)網(wǎng)絡(luò)的個(gè)性化推薦[D].河南：鄭州大學(xué)，2021.

[12]趙菲菲.類腦自主學(xué)習(xí)與決策神經(jīng)網(wǎng)絡(luò)模型[D].北京：中國(guó)科學(xué)院大學(xué)，2019.

[13]莫宏偉，叢垚.類腦計(jì)算研究進(jìn)展[J].導(dǎo)航定位與授時(shí)，2021，8（4）：53-67.

[14]李甜甜，張榮梅，張佳惠.圖神經(jīng)網(wǎng)絡(luò)技術(shù)研究綜述[J].河北省科學(xué)院學(xué)報(bào).2022，39（2）：1-13.

[15]馬俊.數(shù)字金融、銀行風(fēng)險(xiǎn)承擔(dān)與經(jīng)濟(jì)高質(zhì)量發(fā)展[J].海南金融 2023（1）：18-37.