郭俊逸 陸昊鋮 吳仕琦 陳嘉健

金融科技的應用旨在利用先進的科技手段，推動金融服務的創(chuàng)新與變革，從而使得金融服務能夠更加便捷、普惠、高效且安全。金融科技的發(fā)展歷程與信息技術(shù)息息相關(guān)：19世紀，電報和電話的發(fā)明加速了金融信息的傳遞速度，使得金融市場能更快地響應各種信息；到了20世紀，計算機的發(fā)展為金融科技提供了強有力的技術(shù)支持，將金融科技推向新的時代（X L ZHENG，M Y ZHU，Q B LI.et al.，2019）；進入21世紀，隨著互聯(lián)網(wǎng)及大數(shù)據(jù)、云計算、人工智能等技術(shù)的出現(xiàn)，金融與科技的深度融合正推動著全球經(jīng)濟向智能化轉(zhuǎn)型。

正是在這個背景下，人工智能和金融科技的潛力得到了更多的關(guān)注。通過機器學習和深度學習等方法，人工智能模型能夠處理和分析大量復雜的金融數(shù)據(jù)，協(xié)助金融機構(gòu)進行快速準確地分析和決策，從而提高金融服務的效率和質(zhì)量。隨著人工智能技術(shù)日漸成熟，許多金融機構(gòu)如商業(yè)銀行、投資銀行、保險公司、私募基金等開始嘗試將人工智能應用在資產(chǎn)管理、自動交易、金融客服、欺詐監(jiān)測等方面并且取得顯著的成果。然而，在亮麗的外表下，人工智能在金融領(lǐng)域的應用仍然存在一些限制和挑戰(zhàn)。黨的二十大報告指出，防范金融風險還須解決許多重大問題。其中，包括數(shù)據(jù)安全性、模型的透明度及解釋性等問題。在當今這個金融市場中，如何應對這些挑戰(zhàn)，使得金融科技和人工智能的應用更加安全、有效，將是一個重要的議題。

本文將從三個主要方面深入探討這個議題：第一，介紹人工智能模型的特性及這些特性對于金融行業(yè)的影響；第二，分析人工智能應用在當前金融領(lǐng)域存在的問題和風險；第三，討論人工智能在金融領(lǐng)域存在的問題的潛在解決方案以及未來發(fā)展前景。筆者希望，通過深入研究并提出解決方案，能夠推動中國乃至全球的金融科技和人工智能不斷向前發(fā)展。

阻礙人工智能技術(shù)在金融領(lǐng)域廣泛應用的因素

數(shù)據(jù)

成功的人工智能模型離不開數(shù)據(jù)的支持。以近期流行的大語言模型（Large Language Model）為例，Bard的LaMDA模型使用137B個參數(shù)進行訓練，OpenAI公司的G P T 3.5 模型使用1 7 5 B 個參數(shù)進行訓練，而目前效果最好的GPT4則使用多達1T個參數(shù)作為訓練數(shù)據(jù) （S SOMAN，H G RANJANNI，2023）。由此可見，用于訓練的數(shù)據(jù)的質(zhì)量、數(shù)量和多樣性直接影響模型的性能。目前，主流的AI模型均為通過訓練數(shù)據(jù)進行預測，良好的訓練數(shù)據(jù)可以幫助人工智能模型得到更準確的效果（B LI，P QI，B LIU，2022）。因此，數(shù)據(jù)作為人工智能模型的基礎(chǔ)，具有不可替代的作用。

挑戰(zhàn)1：金融數(shù)據(jù)特有的性質(zhì)會阻礙人工智能模型實現(xiàn)效益最大化。第一，金融數(shù)據(jù)的巨大規(guī)模和復雜性使得數(shù)據(jù)預處理階段變得尤為困難，如數(shù)據(jù)類別的差異性大，權(quán)益資產(chǎn)、固定收益資產(chǎn)、不動產(chǎn)、另類資產(chǎn)等各類資產(chǎn)的數(shù)據(jù)特性差異顯著。這使得適應各類數(shù)據(jù)特性的人工智能模型預處理變得更為復雜。第二，金融領(lǐng)域的相關(guān)數(shù)據(jù)通常源自多個渠道，包括中央銀行、證券交易所、投資銀行等。盡管這些數(shù)據(jù)都屬于同一類別，但由于每個機構(gòu)統(tǒng)計的天數(shù)、選取的樣本數(shù)量等可能存在差異，導致同類數(shù)據(jù)間也有微小的差異。這種微小的差異可能會對AI模型的預測結(jié)果產(chǎn)生重大影響。第三，數(shù)據(jù)的隱私性和安全性也是金融機構(gòu)需要重點考慮的問題。一項研究表明，62%的銀行家對大數(shù)據(jù)的使用持謹慎態(tài)度（B FANG，P ZHANG，2016）。部分私人金融機構(gòu)可能出于保護商業(yè)競爭力和客戶隱私的需要，不愿公開或分享數(shù)據(jù)。而這無疑增加了人工智能模型在金融領(lǐng)域的數(shù)據(jù)收集和分析的難度。第四，人工智能模型通常需要大量數(shù)據(jù)進行訓練，然而，對于一些短期內(nèi)收益起伏較大的金融機構(gòu)，如私募基金，其數(shù)據(jù)的穩(wěn)定性不足，貿(mào)然使用這類數(shù)據(jù)可能會產(chǎn)生極端值。這些極端值可能會對人工智能模型的訓練和結(jié)果造成影響。第五，金融行業(yè)數(shù)據(jù)的即時性也是限制人工智能模型廣泛應用的因素之一。對于實時更新的金融數(shù)據(jù)流，人工智能模型需要在短時間內(nèi)處理大量的數(shù)據(jù)，這對模型的計算能力和處理速度提出極高的要求，所需的計算資源也會為企業(yè)帶來巨大的成本。第六，金融市場的波動性會導致數(shù)據(jù)常常伴隨著噪聲和異常值，這會干擾人工智能模型的學習和預測，從而影響模型的準確性和穩(wěn)定性。

過擬合問題

過擬合（Overfitting）是機器學習和統(tǒng)計模型中的一個現(xiàn)象，其體現(xiàn)為模型在處理訓練數(shù)據(jù)或歷史數(shù)據(jù)時表現(xiàn)優(yōu)異，然而在應對測試數(shù)據(jù)或未知數(shù)據(jù)時則表現(xiàn)欠佳，因此難以有效處理新的數(shù)據(jù)并進行準確預測。具體來說，模型在訓練過程中開始“記憶”一些無意義的噪音和異常值，而不是從訓練數(shù)據(jù)中學習潛在規(guī)律。產(chǎn)生過擬合的原因包括模型復雜度過高、數(shù)據(jù)量過小、數(shù)據(jù)噪聲幅度大，以及訓練迭代次數(shù)過多等。Fernando和Rafael指出，“鑒于歷史數(shù)據(jù)的相對稀缺性和金融序列不斷變化的性質(zhì)，將深度學習技術(shù)應用到金融數(shù)據(jù)時，過度擬合是不可避免的現(xiàn)象” （F D M PARDO ，R C LOPEZ，2020）。

挑戰(zhàn)2：過擬合現(xiàn)象會影響人工智能模型在金融行業(yè)的預測準確性。金融市場的變化實質(zhì)上是對現(xiàn)實世界的真實事件作出的反應，這導致了金融市場具有較高的隨機性，因此金融數(shù)據(jù)往往含有噪聲、非線性數(shù)據(jù)，以及許多隱藏的、影響市場行為的因素。這意味人工智能模型在處理金融數(shù)據(jù)時不可避免會遇到過擬合現(xiàn)象。David和Marcos在研究中指出，基于人工智能得出的“最優(yōu)”金融投資策略通常在統(tǒng)計學角度表現(xiàn)優(yōu)異，但在現(xiàn)實中卻是海市蜃樓（D H.BAILEY ，M L D PRADO，2011）。具體來說，金融市場表現(xiàn)出的是金融產(chǎn)品的實際價值與投資者預期的結(jié)合，這意味著當現(xiàn)實世界受到突發(fā)事件的影響時，投資者的行為與金融產(chǎn)品的表現(xiàn)會使得金融市場頻繁受到?jīng)_擊。人工智能模型的預測結(jié)果也會相應地受到影響。此外，由于金融市場的隨機性，模型可能會在不斷地訓練中過度適應歷史數(shù)據(jù)中的噪聲，從而無法有效預測未來的趨勢，以至于造成人工智能模型預測結(jié)果偏差較大。

人工智能模型的偏見和公平性

當前，普遍使用的人工智能模型的決策依據(jù)主要來源于訓練數(shù)據(jù)，盡管常規(guī)意義上的人工智能模型是客觀的，但模型訓練所使用的數(shù)據(jù)存在一定的偏見性，例如性別、年齡、收入等方面的偏差。人工智能模型在訓練過程中可能會無法判斷，甚至會學習和復制這種偏差，從而導致其預測結(jié)果受到影響。主觀偏差會造成人工智能模型中一類常見的問題，即算法偏見。算法偏見（Algorithmic Bias）是指人工智能模型在預測、決策過程中表現(xiàn)出對某一類群體或特定結(jié)果的不公正傾向。這種傾向通常源自模型訓練數(shù)據(jù)的不平衡或者特征選擇的問題。

挑戰(zhàn)3：算法偏見會造成多方位的社會問題。當人工智能模型應用在金融系統(tǒng)時，算法偏見可能會引起一系列問題。首先，算法偏見會導致某些群體在使用金融服務時受到歧視。其次，人工智能模型的決策結(jié)果存在偏見會造成預測結(jié)果異常，不僅會對企業(yè)造成一定量的虧損，還有可能導致其品牌形象和社會信譽受損。人工智能模型中的算法偏見并非刻意為之，但其結(jié)果可能導致一些嚴重的社會問題，尤其是在對模型準確度要求更高的金融領(lǐng)域。算法偏見會從四個方面對金融行業(yè)造成影響。第一，信貸評估：在使用人工智能模型進行信貸評估時，如果訓練數(shù)據(jù)中存在偏見，例如，對特定人群（如某一種族、性別或年齡段）的過度代表或欠代表，可能導致算法在評估信貸風險時產(chǎn)生偏見。例如，如果歷史數(shù)據(jù)顯示某一種族或性別的違約率較高，算法可能會對此類人群進行不公平的高風險評估。第二，投資策略：在使用算法制定投資策略時，如果訓練數(shù)據(jù)主要基于某個特定的市場階段（如牛市或熊市），可能導致算法在面對不同的市場環(huán)境時表現(xiàn)出偏差。例如，如果算法主要在牛市環(huán)境下進行訓練，它可能在熊市環(huán)境下表現(xiàn)不佳。第三，高頻交易：高頻交易（HFT）使用復雜的算法在極短的時間內(nèi)進行大量交易，以獲得微小的價格差異帶來的利潤。然而，這些算法可能對市場產(chǎn)生不利影響，如加劇市場波動、引發(fā)“閃電崩盤”等。這種情況下的偏差更多的是對市場整體的影響，而不僅僅是對單個個體。第四，保險定價：在使用算法對保險產(chǎn)品進行定價時，如果算法過度關(guān)注個別因素（如年齡、性別或健康狀況），可能導致對某些人群的不公平定價。例如，如果算法在健康保險定價時過度依賴年齡因素，可能導致年長者的保費過高。由此可見，人工智能模型造成的算法偏見可能造成的潛在風險是每個金融從業(yè)者在使用人工智能技術(shù)時都不得不考慮的問題。

人工智能模型的透明度

人工智能模型，尤其是深度學習模型，通常由數(shù)百萬甚至數(shù)億個參數(shù)組成，這些參數(shù)在模型訓練過程中進行復雜的數(shù)學運算，形成難以理解的決策邏輯。由于其內(nèi)部工作原理很難被觀察到，這些模型通常被視為“黑箱”（Black Box）。

“黑箱”產(chǎn)生的原因有以下兩點：一是一些復雜的模型，例如深度神經(jīng)網(wǎng)絡，包含大量的隱藏層和參數(shù)，導致模型的決策過程十分復雜且難以直觀的分析和理解。二是許多模型需要處理大量高維數(shù)據(jù)，例如卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network）或循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network），數(shù)據(jù)的復雜性也會導致模型決策過程的透明度降低。

挑戰(zhàn)4：人工智能模型的不透明性會為金融行業(yè)帶來監(jiān)管問題?！昂谙洹边@一特征導致人工智能模型缺乏透明度，從而使監(jiān)管機構(gòu)、利益相關(guān)者、客戶對人工智能的決策產(chǎn)生質(zhì)疑。在金融領(lǐng)域，透明度被認為是非常重要的一個因素。監(jiān)管機構(gòu)維持金融市場穩(wěn)定的重要步驟之一是了解金融市場的運作過程，然而，人工智能模型決策的不透明性與之背道而馳，在一些情況下甚至會違反某些金融法規(guī)。例如，歐洲的通用數(shù)據(jù)保護條例（GDPR）中要求企業(yè)能夠解釋對個人產(chǎn)生明顯影響的決策的人工智能系統(tǒng)，盡管GDPR并不要求企業(yè)透露全部的算法，但是由于“黑箱”模型的存在，如何解釋算法決策過程可能會無法滿足GDPR的要求（張濤，2019）。除此之外，投資者可能會因為模型的不透明度對人工智能模型與金融機構(gòu)產(chǎn)生信任危機，會避免將所有資產(chǎn)與個人名譽置于危墻之下，企業(yè)利益和信譽也會隨之受損。由于無法理解“黑箱”模型內(nèi)部的運算過程，使用者和監(jiān)管者也無法對“黑箱”模型進行有效的風險管理。以工具為例，用戶使用工具時不僅需要了解工具的使用方法，還需要知道工具的注意事項，這樣才能保證達成目的的同時也不會危害到人身安全。對于應用于金融領(lǐng)域的人工智能模型，低透明度意味著有相對較低的風險管控能力，同時也會一定程度上使人工智能模型游離于監(jiān)管之外。

金融市場的外部性因素對人工智能模型及其應用的影響

黑天鵝事件

黑天鵝事件（Black Swan Event）指那些極端但又具有深遠影響的罕見事件，這類事件的特點是預測困難且影響巨大（N N TALEB，2007）。黑天鵝事件在金融市場中用于形容那些無法預料且對市場有巨大打擊的突發(fā)事件。

挑戰(zhàn)5：人工智能模型無法很好地應對黑天鵝事件及其帶來的影響。一般來說，造成黑天鵝事件的原因包括三個方面：一是市場的不完全理性，雖然金融市場在大部分時候是理性的，但是市場參與者的非理性行為，例如恐慌性買賣有可能會引發(fā)黑天鵝事件；二是復雜的經(jīng)濟系統(tǒng)互動，在當前經(jīng)濟全球化的背景下，各個市場和金融產(chǎn)品之間的相互影響和聯(lián)系使得金融體系變得越來越復雜，可能會導致黑天鵝事件；三是政策因素，不可預測的政策變化常常是引發(fā)金融市場變動的黑天鵝事件，例如貨幣政策轉(zhuǎn)向等。于2022年初開始的俄烏沖突可被視為一種黑天鵝事件。首先，沖突導致俄羅斯和烏克蘭地區(qū)的實體經(jīng)濟受到嚴重打擊?；A(chǔ)設施遭到破壞，工廠停產(chǎn)，供應鏈中斷，這些都直接影響了生產(chǎn)和貿(mào)易。進而，這種影響會擴散到全球范圍，尤其是對那些與這兩個國家有密切經(jīng)濟聯(lián)系的國家。其次，沖突還會引發(fā)能源價格的劇烈波動，特別是俄羅斯作為全球主要的石油和天然氣供應國，沖突可能導致能源供應中斷，進而推高全球石油和天然氣價格，影響全球經(jīng)濟的穩(wěn)定。再者，沖突引發(fā)的政治和經(jīng)濟不確定性會導致全球金融市場的劇烈波動。在沖突爆發(fā)的消息公布后，投資者可能會出于風險規(guī)避的心理大規(guī)模拋售股票和其他風險資產(chǎn)，導致股市暴跌。同時，投資者可能會轉(zhuǎn)向黃金、美元等被視為“避風港”的資產(chǎn)，推高這些資產(chǎn)的價格。俄烏沖突這類黑天鵝事件會對全球金融市場造成巨大的影響，然而，對于人工智能模型來說，這類突發(fā)性事件是很難預測的。并且其引起的一系列經(jīng)濟金融波動也會造成人工智能模型對事件發(fā)生之后的金融市場的分析出現(xiàn)誤差。

由此可見，黑天鵝事件是人工智能模型在金融領(lǐng)域廣泛應用的重要阻礙之一。黑天鵝事件的預測難度很大，人工智能模型對于此類事件的預測能力表現(xiàn)得并不令人滿意，且事件發(fā)生后人工智能模型的預測準確度會有一定下降。人工智能模型的預測失準會導致金融機構(gòu)和投資者做出錯誤的商業(yè)決策，造成無可估量的經(jīng)濟損失。此外，黑天鵝事件發(fā)生后，模型將不得不進行大規(guī)模參數(shù)調(diào)整，這會為模型優(yōu)化帶來困難和潛在風險。

金融市場的就業(yè)問題

挑戰(zhàn)6：人工智能模型的廣泛應用可能會造成金融市場的就業(yè)問題。隨著人工智能技術(shù)的日益發(fā)展和成熟，其在金融領(lǐng)域的應用也逐步擴大。然而，這種發(fā)展趨勢在某種程度上導致了金融市場就業(yè)狀況的波動，因為一些工作職能會逐步被人工智能技術(shù)所取代。“以史為鑒，可以知興替”，回顧歷史，我們可以看到這并非首次出現(xiàn)技術(shù)替代人力的現(xiàn)象。在工業(yè)革命的初期，許多曾經(jīng)依賴人力完成的工作，如紡織縫紉等，被“勞動力替代型技術(shù)”所取代，從而導致大量工人失業(yè)。這種現(xiàn)象造成工人的收入水平下降，資本家的利潤上升，對整體經(jīng)濟發(fā)展產(chǎn)生了深遠影響，被經(jīng)濟史學家羅伯特·艾倫稱為“恩格斯停滯”（C B FREY，2019）。不僅如此，據(jù)弗雷和奧斯本在2013年的研究預測，未來20年，美國有47%的工作面臨被技術(shù)取代的風險（C B FREY，M A OSBORNE，2013）。在金融業(yè)中，一些可以通過自動化程序完成的任務，如數(shù)據(jù)處理、審計以及某些類型的客戶服務，很可能在未來被人工智能技術(shù)取代。然而，這種勞動力被技術(shù)替代的趨勢在短期內(nèi)可能導致社會穩(wěn)定性受到?jīng)_擊。因為隨著一些工作崗位的消失，一些員工可能會發(fā)現(xiàn)他們的技能不能再滿足市場的需求。這可能會帶來一系列社會問題，如就業(yè)安全感的缺失和收入的不均等，進而導致社會不滿情緒的上升。盡管人工智能的發(fā)展和應用帶來了效率的提升和成本的降低，但其對金融行業(yè)勞動力的影響也不容忽視。如何在新技術(shù)帶來的變革中，保持社會穩(wěn)定和公平，是我們面臨的重大挑戰(zhàn)。

人工智能在金融市場的安全性

挑戰(zhàn)7：人工智能模型存在安全隱患。安全，作為互聯(lián)網(wǎng)時代的關(guān)鍵核心之一，是每項科技進步必須優(yōu)先關(guān)注和考慮的問題。安全的重要性在金融領(lǐng)域更加引人注目，因此，人工智能模型可能帶來的風險亦成為一個迫切需要解決的問題。人工智能算法在金融領(lǐng)域主要有以下三方面的問題：第一，數(shù)據(jù)安全問題。人工智能模型在金融領(lǐng)域的應用通常需要處理大量的個人和企業(yè)數(shù)據(jù)。這些數(shù)據(jù)可能包括敏感信息，如個人身份信息、銀行賬戶信息、信貸歷史等。如果這些數(shù)據(jù)的保護措施不足，可能會導致數(shù)據(jù)泄露，對個人或者企業(yè)造成嚴重損失。第二，模型穩(wěn)健性問題。模型穩(wěn)健性是指模型在面對輸入數(shù)據(jù)的微小變化時，其預測結(jié)果是否能夠保持穩(wěn)定的性質(zhì)。如果一個模型的穩(wěn)健性不足，可能會導致其在金融決策中的表現(xiàn)不穩(wěn)定，甚至可能出現(xiàn)嚴重的錯誤。例如，如果一個模型對價格波動的預測在面對微小的市場變化時出現(xiàn)大幅波動，那么這個模型在實際應用中可能會導致嚴重的金融損失。第三，惡意攻擊問題。隨著人工智能模型在金融領(lǐng)域的應用越來越廣泛，它們也成了攻擊者的目標。惡意攻擊者可能會嘗試篡改模型的輸入數(shù)據(jù)，以欺騙模型做出錯誤的預測。這種攻擊方式被稱為對抗性攻擊。例如，攻擊者可能會通過篡改他們的信貸申請數(shù)據(jù)，欺騙信貸審批模型批準他們的貸款金額。

在金融領(lǐng)域，人工智能模型的安全性是一項至關(guān)重要的議題，須被認真對待并謹慎管理。隨著人工智能的不斷演進以及其在金融業(yè)務中的日益廣泛應用，確保這些系統(tǒng)的安全性成為對抗?jié)撛谄茐囊约熬S系公眾對金融機構(gòu)信任度的關(guān)鍵所在。

金融市場的平衡性

挑戰(zhàn)8：人工智能模型大規(guī)模應用可能會打破金融市場的平衡。在中國，政府的干預對于經(jīng)濟高質(zhì)量發(fā)展有不可或缺的作用（王桂梅，趙喜倉，羅雨森，2020）。然而，人工智能模型在金融領(lǐng)域的大規(guī)模應用可能會對政府干預造成一定的影響，主要表現(xiàn)在監(jiān)管難度增加、缺少人為干預的問題，以及可能打破資源分配平衡，導致財富兩極化。首先，如前所述，人工智能模型的復雜性和不透明性會增加監(jiān)管的難度。政府需要確保金融市場的公平、透明和穩(wěn)定，而這需要對市場行為有清晰和深入的理解。人工智能模型的決策過程通?；趶碗s的算法和大量的數(shù)據(jù)，這使得其決策過程往往難以理解和審查，進而會對政府的監(jiān)管能力提出挑戰(zhàn)。其次，盡管人工智能模型在某些工作上的效率和精確性超過人類，但它缺乏理解和執(zhí)行人為干預的能力。這是因為人為干預通常涉及對復雜的社會和經(jīng)濟問題的理解，需要在各種利益之間進行權(quán)衡，這超出了人工智能模型目前的能力范圍。并且金融市場的穩(wěn)定性需要人為監(jiān)管來維護，而人工智能模型的大規(guī)模使用會為監(jiān)管增加難度。最后，人工智能模型的大規(guī)模應用可能會打破資源分配的平衡，導致財富的兩極化。因為人工智能模型的開發(fā)和應用需要投入大量的資源，這使得擁有這些資源的公司會獲得更強的競爭力，并且會使其在金融博弈中占據(jù)優(yōu)勢地位且有可能造成財富分配不均、市場壟斷等經(jīng)濟問題。

例如，通過LSTM股價預測模型的預測結(jié)果和對股票市場具體分析的結(jié)果可以看出，盡管LSTM對于價格長期穩(wěn)定的股票具有相對較高的預測準確率，但其無法準確預測短時間大幅漲跌的股票。這也證明了人工智能模型無法準確預測復雜的金融市場以及對金融市場有影響的事件。此外，在使用人工智能模型時選取的數(shù)據(jù)集也會對結(jié)果產(chǎn)生較大影響。

關(guān)于人工智能模型在金融領(lǐng)域應用的建議

盡管當前的大部分人工智能技術(shù)在金融領(lǐng)域的應用都存在一些問題，但人工智能依然是一項值得深入探索的技術(shù)。針對本文中討論的問題，筆者從以下三方面出發(fā)，對于人工智能模型在金融領(lǐng)域的應用提出建議。

政府

在人工智能技術(shù)井噴式發(fā)展的當前，政府和有關(guān)部門應出臺更多相關(guān)的政策和法規(guī)來保證人工智能模型的使用走在正確的道路上。金融領(lǐng)域?qū)?shù)據(jù)的處理、信息的透明度及業(yè)務的公平性等都有嚴格的要求，而這些都是人工智能模型在使用過程中需要關(guān)注的問題。法規(guī)和政策在很大程度上決定了金融機構(gòu)如何、在何種范圍內(nèi)使用這項技術(shù)，也影響了人工智能模型在金融領(lǐng)域的創(chuàng)新和發(fā)展。因此，建立明智的法規(guī)和政策，以及與之相適應的實踐，對于推動人工智能模型在金融領(lǐng)域的成功應用至關(guān)重要（吳漢東，2017）。

政府和有關(guān)部門應考慮以下幾方面：第一，數(shù)據(jù)保護與隱私政策，規(guī)定如何收集、存儲、處理和共享個人和機構(gòu)的金融數(shù)據(jù)，確保數(shù)據(jù)的安全性和隱私；第二，算法透明度和可解釋性政策，對于金融機構(gòu)使用的人工智能算法，需要有規(guī)定要求其能夠解釋其決策過程和結(jié)果，增強算法的可信度和公正性；第三，算法公平性和無歧視政策，金融機構(gòu)在使用人工智能進行決策時，應遵循公平性和無歧視原則，避免算法偏見帶來的不公正；第四，風險管理政策，需要有針對使用人工智能的金融機構(gòu)的特殊風險管理規(guī)定，包括數(shù)據(jù)泄露、算法誤判、系統(tǒng)故障等風險；第五，人工智能責任和監(jiān)管政策，明確人工智能在金融交易和決策中的責任，建立相應的監(jiān)管機制，確保人工智能的合規(guī)使用；第六，人工智能教育和培訓政策，推動在金融機構(gòu)內(nèi)部進行人工智能教育和培訓，提高員工的AI素養(yǎng)，確保他們能理解和正確使用人工智能。

人工智能的相關(guān)政策需要政府、金融機構(gòu)、人工智能企業(yè)以及公眾共同參與和建設，從而為人工智能在金融領(lǐng)域的應用和發(fā)展創(chuàng)造健康的環(huán)境。

金融企業(yè)

在金融科技不斷創(chuàng)新的潮流中，金融企業(yè)如何理解和使用人工智能技術(shù)，是決定其在金融市場競爭中取得優(yōu)勢地位的關(guān)鍵之一。針對前文提到的挑戰(zhàn)，筆者提出以下建議。

金融企業(yè)應保證數(shù)據(jù)和信息安全。金融領(lǐng)域的數(shù)據(jù)安全由于涉及個人財產(chǎn)、公司信譽、商業(yè)機密等高敏感度的因素，顯得格外重要。第一，加強數(shù)據(jù)加密，對存儲和傳輸?shù)臄?shù)據(jù)進行加密，是保護數(shù)據(jù)安全的最基本方式，可以防止未經(jīng)授權(quán)的人員訪問和使用數(shù)據(jù)，同時應使用最新和最安全的加密技術(shù)，并定期更新加密算法和密鑰。第二，使用安全的數(shù)據(jù)存儲和處理設施，確保使用的云服務或物理數(shù)據(jù)中心具有高級別的安全保護措施。數(shù)據(jù)中心應該有嚴格的物理安全措施，以及高級的網(wǎng)絡安全措施，例如防火墻和入侵檢測系統(tǒng)。第三，實施強大的訪問控制，制定嚴格的訪問控制政策，只有經(jīng)過授權(quán)的人員才能訪問和處理數(shù)據(jù)。這包括使用強大的身份驗證方法，例如多因素身份驗證。第四，數(shù)據(jù)脫敏和匿名化，在不影響數(shù)據(jù)質(zhì)量和AI算法性能的前提下，對敏感數(shù)據(jù)進行脫敏和匿名化。這可以減少如果數(shù)據(jù)被泄露所帶來的風險。第五，建立有效的數(shù)據(jù)泄露應急響應機制，即使有最好的安全措施，數(shù)據(jù)泄露的風險仍然存在。因此，應制定數(shù)據(jù)泄露應急響應計劃，一旦發(fā)生數(shù)據(jù)泄露，可以迅速采取行動，最大程度地減少損害。第六，培訓員工和用戶，員工和用戶的行為是數(shù)據(jù)安全的重要組成部分。應定期為員工和用戶提供數(shù)據(jù)安全培訓，幫助他們了解如何保護數(shù)據(jù)，避免高風險行為。第七，金融公司須合理地結(jié)合人工智能和人類智能，例如加強員工的培訓和教育，使他們能夠理解人工智能技術(shù)，知道如何與人工智能系統(tǒng)協(xié)作，以及如何利用人工智能來做出更好的決策。此外，要重新考慮和設計職位，將一些職位的重點從執(zhí)行任務轉(zhuǎn)向管理和監(jiān)督人工智能，或者從處理數(shù)據(jù)轉(zhuǎn)向解釋和利用數(shù)據(jù)。

金融企業(yè)在使用人工智能技術(shù)時應合理選取模型。隨著時代的進步和科技的發(fā)展，越來越多的人工智能模型在金融領(lǐng)域投入使用。從簡單的線性回歸到相對復雜的神經(jīng)網(wǎng)絡，人工智能模型通過不斷更新，可以發(fā)揮多樣化的作用。金融研究人員和金融分析師應該了解特定模型在特定金融領(lǐng)域的可行性（J HUANG，J CHAI，S CHO，2020）。合理的選擇人工智能模型可以提高工作效率，在人工智能模型的幫助下將復雜問題簡單化，實現(xiàn)多元化的目標。在選擇模型的時候，企業(yè)和從業(yè)者應該考慮以下幾方面：第一，模型性能，選取相對成熟、穩(wěn)定的模型。并且使用交叉驗證（Cross Validation）、生成式對抗網(wǎng)絡（Generative Adversarial Networks）、正則化（Regularization）技術(shù)等方法評估模型在未知數(shù)據(jù)上的性能，從而盡可能消除過擬合等問題對模型的影響。第二，符合業(yè)務需求，選擇的模型應與具體的業(yè)務問題緊密相關(guān)。使用者需要清楚地定義希望人工智能模型解決的問題適合何種模型，例如，自然語言處理（Natural Language Process）適合情感分析（Sentiment Analysis）、文本挖掘（Text Mining）；深度學習適合創(chuàng)建市場模型、創(chuàng)建交易模型、風險分析、價格走勢預測等，信貸風險評估、欺詐檢測、市場走勢預測等；強化學習（Reinforcement Learning）適合優(yōu)化投資組合和投資行為、優(yōu)化交易策略等（L CAO，2022）。第三，解釋性，在金融領(lǐng)域，模型的解釋性非常重要。一個好的金融AI模型應該不僅能做出準確的預測，還能清楚地解釋其決策過程。因此，可能需要優(yōu)先考慮具有高解釋性的模型，如決策樹、邏輯回歸等。此外，隨著人工智能技術(shù)的發(fā)展，可解釋性人工智能XAI（Explainable Artificial Intelligence）的使用可以很大程度上解決人工智能模型不透明性的問題（D GUNNING，J CHOI， T MILLER.et al，2019）。第四，數(shù)據(jù)兼容性，由于金融數(shù)據(jù)的來源差異性很強，所選模型應與使用的數(shù)據(jù)兼容。例如，某些模型可能需要大量的數(shù)據(jù)才能工作良好，而其他模型可能更適合處理稀疏或非結(jié)構(gòu)化的數(shù)據(jù)。第五，法規(guī)遵從性，模型的選擇需要符合金融監(jiān)管法規(guī)。例如，某些地區(qū)的法規(guī)可能要求金融機構(gòu)能夠解釋其信貸決策的原因，在這種情況下公司應選擇透明度較高的人工智能模型。第六，技術(shù)實現(xiàn)，模型的選擇應考慮到技術(shù)實現(xiàn)的可行性。一些復雜的人工智能模型需要高性能的硬件、龐大的數(shù)據(jù)庫、高水平技術(shù)人員的支持。公司需要考慮相關(guān)的硬件設施以及技術(shù)人員的技能是否匹配，以及投入產(chǎn)出比是否值得使用人工智能模型等問題。

社會

金融是社會的重要組成部分，其在促進經(jīng)濟增長、創(chuàng)新和社會福利方面起著關(guān)鍵作用，人工智能模型在金融領(lǐng)域的應用應基于維護社會穩(wěn)定的前提。

在使用人工智能模型時應注重人工與智能相結(jié)合。具體來說，人類和機器在不同的任務上各有優(yōu)勢，機器擅長處理大量數(shù)據(jù)、執(zhí)行復雜計算和自動化流程；而人類在解決需要深度理解、創(chuàng)新思考和情緒智能的問題上有優(yōu)勢。因此，應該讓人和機器各司其職、協(xié)同合作，發(fā)揮各自的優(yōu)勢。人工智能的出現(xiàn)和發(fā)展不會取代人類，但是會取代一些工作。就像第一次工業(yè)革命之后，工廠需要更多懂得如何操作機器的勞動力；第二次工業(yè)革命之后，社會和企業(yè)需要一系列新職位如工程師、機械師、維修工等（許怡，2022）。企業(yè)、政府和社會有必要通過適當?shù)谋Ｕ洗胧﹣砭徑膺^渡期的困難，以及通過勞動市場政策來鼓勵新的就業(yè)機會的創(chuàng)造。對于金融行業(yè)來說，只有合理地將人力資源與人工智能技術(shù)相結(jié)合，才能在保證市場穩(wěn)定的情況下使這項技術(shù)在金融領(lǐng)域更好地發(fā)揮其作用。

在使用人工智能模型時應執(zhí)行完整的風險管理流程。金融機構(gòu)和企業(yè)在使用人工智能技術(shù)的時候需要進行風險評估與風險控制，從而在保證安全的情況下實現(xiàn)人工智能的價值，并且降低人工智能模型對社會穩(wěn)定性的影響。企業(yè)和政府應定期進行全面的風險評估，識別和量化使用人工智能可能帶來的各種風險，包括數(shù)據(jù)隱私和安全風險、技術(shù)風險、合規(guī)風險、業(yè)務連續(xù)性風險等。不僅如此，在使用人工智能算法的時候應進行算法審核，保證其性能、可靠性和公平性。金融機構(gòu)和政府應建立實時監(jiān)控和報告系統(tǒng)，以便快速發(fā)現(xiàn)和解決任何潛在的問題。包括對模型性能的監(jiān)控、對異常交易或行為的監(jiān)控，以及對任何可能的數(shù)據(jù)泄露或安全威脅的監(jiān)控。此外，金融從業(yè)者和管理者應制定適合自身情況的風險管理制度和框架，從而最大程度降低使用人工智能帶來的不確定性（NIST，2023）?？偟膩碚f，風險管理是人工智能在金融市場廣泛應用的關(guān)鍵部分，需要在戰(zhàn)略規(guī)劃、實施和運營的每個階段都予以充分的考慮。只有通過有效的風險管理，金融機構(gòu)才能充分利用人工智能，同時避免或最小化可能的負面影響。

關(guān)于人工智能模型在金融領(lǐng)域應用的未來展望

在人工智能技術(shù)發(fā)展的過程中，數(shù)據(jù)、算法和算力被視為三大核心要素，人工智能模型在金融領(lǐng)域的未來也將受到這三大核心要素的影響。

數(shù)據(jù)作為人工智能模型的“知識原料”，在金融領(lǐng)域發(fā)揮著巨大的作用。隨著大數(shù)據(jù)技術(shù)的不斷發(fā)展，人工智能模型使用的數(shù)據(jù)將不再局限于傳統(tǒng)數(shù)據(jù)集。更多的非結(jié)構(gòu)化數(shù)據(jù)（如文本、社交媒體信息、新聞事件、消費者行為等）作為理解金融市場動態(tài)的重要信息資源，將被有效地應用于金融領(lǐng)域的人工智能模型中。因此，對于金融機構(gòu)來說，確保數(shù)據(jù)質(zhì)量和安全性十分重要。因為優(yōu)質(zhì)安全的數(shù)據(jù)資源不僅可以提高模型的預測準確性，還有助于有效防范風險，對金融行業(yè)的穩(wěn)健運行起到了關(guān)鍵性的作用。例如可以用到反量子加密技術(shù)，這也將避免再次出現(xiàn)類似于“千年蟲”的問題。就如 Jonathan在文中提到的一樣，伴隨著量子時代曙光而來的安全和加密轉(zhuǎn)變將成為最不起眼的問題（喬納森·魯安，2022）。

科技進步將帶來更多可能性。隨著科技的進步，越來越多新的算法不斷涌現(xiàn)，例如深度學習、強化學習等，將為人工智能模型在金融領(lǐng)域的應用帶來更多的可能性。深度學習技術(shù)可以通過模仿人腦神經(jīng)網(wǎng)絡來理解和學習復雜的金融模型，從而實現(xiàn)更精準的預測。而強化學習則可以通過不斷與環(huán)境互動和學習，達到優(yōu)化決策的目的，這對于金融機構(gòu)在不確定環(huán)境下的決策有著重要價值?？梢灶A見的是，未來的金融人工智能模型算法具有向多樣性、自動化、透明性以及個性化發(fā)展的趨勢。多樣化指未來的模型會具有更多的功能，正如在過去的幾十年中人工智能算法從決策樹到神經(jīng)網(wǎng)絡再到大語言模型的發(fā)展歷程，未來的算法將有能力實現(xiàn)更多、更復雜的功能。自動化指未來的模型會具備自我學習、自我優(yōu)化的能力。具體來說，金融領(lǐng)域的人工智能模型將具備自我檢查、主動學習、自動優(yōu)化等能力。透明性指金融領(lǐng)域的人工智能算法會具有較高的可理解性。如前文所述，金融行業(yè)的人工智能模型有必要被政府和企業(yè)所理解，而具有高透明度的算法，例如，XAI等會成為未來的發(fā)展方向之一。個性化指根據(jù)使用者的需求定制具有獨特能力的算法，例如金融領(lǐng)域的量化交易算法或金融類大語言模型等。算法的進步伴隨著人工智能模型替代人工勞動力的過程，未來的金融算法將有能力完成現(xiàn)在的高端人力資源所做的工作。

算力是推動人工智能發(fā)展的關(guān)鍵驅(qū)動力。隨著計算能力的提升和云計算技術(shù)等的發(fā)展，人工智能模型將具備處理更大規(guī)模的數(shù)據(jù)的能力，例如量子計算、邊緣計算和類腦計算。量子計算通過量子力學效應增強計算能力，可以為處理大量數(shù)據(jù)或者一些突發(fā)事件提供策略優(yōu)化。在2021年5月，一家量子計算公司Zapata Computing宣布了與西班牙對外銀行 (BBVA)共同進行的研究結(jié)果，該研究旨在調(diào)查量子系統(tǒng)在創(chuàng)建信用估值調(diào)整 (Credit Valuation Adjustment，CVA)——為盡量減少系統(tǒng)性金融風險而實施的一項監(jiān)管要求方面的實際應用（Jonathan，2022）。一些大型金融機構(gòu)正在逐步認識到，量子計算在未來具有深遠且廣闊的發(fā)展前景及潛在影響力，例如高盛（Goldman Sachs）與摩根大通（J.P.Morgan Chase）等機構(gòu)的團隊正積極探索量子計算在金融領(lǐng)域中的優(yōu)化效應，并對其在人工智能模型中的潛在應用可能性進行深入研究。邊緣計算作為云計算的一種補充，進一步推動了微型機器學習（TinyML）發(fā)展。這一類新技術(shù)的出現(xiàn)，幫助人工智能模型以更高的速度進行計算，這對于金融市場的實時決策具有極大的幫助。更重要的是，高效的計算能力也為模型的實時更新和優(yōu)化提供了可能，使得模型能夠更好地適應金融市場的快速變化。

隨著數(shù)據(jù)技術(shù)、算法和算力的不斷進步，人工智能模型在金融領(lǐng)域?qū)懈鼜V闊的未來。我們可以預見未來的金融市場將會因為更高效的數(shù)據(jù)處理，更加精確的預測模型以及更強的計算能力而變得更加智能化。因此，我們有理由期待人工智能模型為金融領(lǐng)域帶來的無限可能，幫助金融機構(gòu)更好地適應市場的快速變化。

結(jié)語

盡管人工智能在金融領(lǐng)域的應用道阻且長，但是其在數(shù)據(jù)處理、風險預測、決策支持等方面獨特的優(yōu)勢，讓我們對人工智能在金融領(lǐng)域的未來充滿期待。我們深入探索和研究這些挑戰(zhàn)和限制，目的不僅在于指出人工智能的缺陷，更是為了通過這樣的探究找到解決問題的途徑，進而更好地發(fā)揮人工智能在金融領(lǐng)域的潛力和價值。

在嚴格的監(jiān)督和科學指導下，我們期待著人工智能能夠幫助金融業(yè)提升效率，降低風險，并推動其持續(xù)、健康、穩(wěn)定地發(fā)展。在金融領(lǐng)域內(nèi)，人工智能不僅有可能對現(xiàn)有的金融產(chǎn)品和服務進行創(chuàng)新，還有可能開創(chuàng)全新的金融模式。因此，我們需要繼續(xù)研究和解決那些擋在人工智能模型應用道路上的難題，為今后實現(xiàn)這一具有深遠影響的轉(zhuǎn)型做準備。