人工智能在风险管理中的应用

1、人工智能在风险管理中的应用以中国债券违约预期为例前言随着金融服务公司的合规性及其风险管理系统的实时性和处理复杂问题能力的要求的提高，许多公司正逐步将人工智能用于改善当前的流程。机器学习模型具有更细化和更深入分析大量金融和非金融数据的能力，可以提高风险管理和合规的分析能力，帮助分析师在单个证券层面和更广泛的多资产组合层面做出更明智的决策。然而，与此同时，从传统的风险管理系统转向新的AI范式也给许多金融机构带来了较大的挑战。迭代性(Iterativeness)和适应性(Adaptiveness)AI的本质AI系统区别于其他类型分析系统的共同因素：AI系统应用了迭代的自适应“学习”过程（iterat

2、ive, self adaptive learning processes）。这种根据输出结果进行自动调适(self adjustment based upon on the feedback of output）的能力正是当前大多数AI应用的真正标志。See below.机器学习(Machine Learning) vs. 传统统计方法 (Traditional Statistical) ML：不需要对问题和数据做出预先假设，在学习之前不需要减少数据量，并且是数据越多越好，旨在解决数据量和高维度问题，模型形式也无需提前提出。TS：对于问题和数据的特征具有相当的认知或给出特定的假设，通常来说，

3、模型形式也会基于某种理论给予假定，在建模之前会采用抽样、减少输入、降维等方法减少数据量。人工智能(AI) 机器学习(Machine Learning)区别：机器学习是AI的核心技术，涉及从数据中学习，但AI还有其他的要求。完整的AI解决方案应该在数据识别、数据测试和基于数据测试的决策方面实现自动化，机器学习本身是挖掘和发现关联性，但一般不涉及决策本身。监督学习(supervised learning)在“监督学习”中，算法得到一组包含标签的“训练”数据，比如交易数据集，可能某些数据点包含欺诈性/非欺诈性的标签。该算法将“学习”一种通用的分类规则，用于预测余下的不在训练集中的数据分类为欺诈性/非

4、欺诈性。无监督学习(Unsupervised learning)“无监督学习”是指提供给算法的数据不包含标签，要求算法通过识别簇（clusters）的方式寻找规律。例如，可以设置无监督机器学习算法来寻找具有难以定价的、流动性差的证券。如果能为非流动性证券找到合适的数据集群，则可以使用簇中其他证券的定价来帮助流动性差的证券定价。半监督学习(Semi-Supervised learning)强化学习（Reinforcement learning） 属于有监督和无监督学习之间的一种模式。在这种情况下，提供给算法一个没有标签的数据集，为每个数据点选择一个动作，接收有助于算法学习的反馈信息（可能来自人类

5、）。比如，强化学习可以用于机器人、博弈论和自动驾驶汽车。深度学习(Deep learning)深度学习是机器学习的一种形式，它使用由大脑的结构和功能所启发的，通过“层”（layers）的方式工作算法进行学习。深度学习算法，其结构被称为人工神经网络，可用于有监督、无监督或强化学习。机器学习算法选择的权衡：精确性与可解释性AI在风险管理领域的主要应用（1）以客户为中心（或“前台”）的应用，包括自动信用评分及精算决策系统；（2）以运营为重点（或“后台”）的应用，包括资本优化、模型风险管理和市场影响分析；（3）金融市场的交易和资产组合管理； （4）人工智能和机器学习在监管科技方面的应用，包括金融机构合

6、规（regulatory compliance，RegTech）或监督（supervision，SupTech）。下面对于每个应用将给出一些已经正在使用或者可能使用的范例。38%的金融公司已经在某种程度上使用了人工智能当前影响领先的金融机构已经开始招聘首席AI官并投资建设AI实验室和孵化器银行AI机器人很常见智能个人投资产品可大规模使用从2019年开始，CFA考试将增设AI部分2017年企业用于AI技术/软件的花费估计在12亿美元左右许多企业正在构建定制的内部解决方案 行业变化成功案例摩根大通采用AI处理文件（由30万+小时缩短为秒）对冲基金正在使用AI来检测人类难以察觉的市场变化三大信贷机构

7、采用AI进行风险评估AI与信用风险管理信用风险是交易对手未能履行合同义务而产生的经济损失。传统上，金融机构采用经典的线性、逻辑和概率模型来预测信用风险；Altman等人（1994）对财务困境和破产预测的传统统计方法与神经网络算法进行了第一次比较分析，得出结论：两者结合的方法显着提高了准确性 现在，各机构越来越关注使用AI和机器学习技术来增强信用风险管理实践。有证据表明，由于能够对非结构化数据进行语义理解，因此可以通过利用AI和机器学习技术显着提高信用风险管理能力。AI运用于信用风险管理的驱动因素批发信贷：评估公司/实体层面信用风险和相应的衍生品的复杂性增加为机器学习打开了大门。 比如，Son

8、et al（2016）使用2001年1月至2014年2月不同期限和不同评级的日度CDS进行研究，表明深度学习在提出实际对冲措施方面优于传统基准模型。零售信贷：确定个人信用价值的大量潜在变量 比如，ZestFinance（见后面的幻灯片）。越来越多的检验证实了机器学习的有效性。在消费者贷款方面，Khandani等人（2010）提出了一种基于决策树和SVM的机器学习技术，对实际贷款数据进行测试，结果表明可节省高达25的成本。AI与市场风险管理AI和机器学习在管理市场风险，尤其是交易模型风险方面也很有用。交易模型一般在最初会起作用，但随后会出错。因此确定市场对模型的转变点至关重要，但由于临时或永久的

9、市场变化，模型是否会崩溃并不总是很清楚，传统的测试技术无法提供可靠的答案。 这为yields.io等服务创造了机会，yields.io使用机器学习来监控、验证和调整交易模型，不断检查数百万个变量，以识别可能需要进一步调查的错误测试结果。AI与操作风险由于操作风险涉及人为决策，操作风险通常比财务风险更难管理。 AI和机器学习可以帮助：处理非典型数据 - 交易、网络关系、电话和消息对话等的文字描述 检测洗钱和欺诈行为例如，Nordic KYC Utility是由五家主要的Scandinavian银行创建的，它使用一系列机器学习技术和传统的检测工具，以确保银行履行其“了解客户”的反洗钱义务。AI与金

10、融反欺诈银行试图通过评估最好的方式来保护其系统、数据以及最终客户来控制欺诈， AI能够引入更好的流程：加快日常工作的步伐，最大限度地减少人为错误；处理非结构化数据以筛选出相关内容或负面新闻，确定个人的关联性，以评估风险较高的客户和网络；建立基于行为的交易者档案，其中交易数据、电子和语音通信记录等使银行能够观察新出现的行为模式，以预测潜在风险并检测员工之间的联系；使银行能够根据可疑活动的类型和所涉及的风险级别生成警报并确定其优先级AI与模型风险管理回测和模型验证回测在传统上用于评估银行风险模型的表现。在BCG的客户银行至少有20个已经在：使用无监督学习算法的帮助模型验证；检测其压力测试模型生成的

11、异常；通知监管、内部资本分配和限制监控。压力测试金融危机后压力测试的使用增加对银行构成了挑战，因为他们正在努力分析大量数据以进行监管压力测试。AI可以：协助建立资本市场业务以进行银行压力测试；针对默认损失和默认模型概率，优化场景分析中使用的变量数；记录与变量选择相关的任何偏差，从而通过使用无监督学习方法审查大量数据，从而产生具有更高透明度的更优模型。AI与监管科技RegTech 是 FinTech 关注合规性的一个类似领域，旨在帮助企业满足日益增长的合规要求。在这一领域，AI / ML开始发挥重要作用，需要评估大量的数据以及这些数据的非传统性质。机器学习在纯 RegTech 意义上的关键优势：

12、能够持续监控公司活动 - 获取实时洞察力，从而避免违规行为，而不必在发生违规后处理违规行为的后果。 由于更好的监控，以及自动化减少了主要金融机构每年在合规方面花费的估计700亿美元中的一部分，因此能够释放监管资本。监管科技运用案例美国证券交易委员会（SEC）利用大数据开发文本分析和机器学习算法，以检测可能的欺诈和不当行为。SEC工作人员使用机器学习来识别SEC文件的模式，通过监督学习，可以将这些模式与过去的检查结果进行比较，以发现投资经理提交的报告中的风险。SEC工作人员指出，这些技术在找到适合执法的语言方面比随机技术好五倍。SEC使用无监督学习算法来识别独特或异常报告行为。AI监管科技的两个

13、突出的市场参与者IBM（收购了Promontory，一家600名员工的RegTech初创公司）现在提供一系列AI驱动的解决方案，以降低监管科技的成本，体系了该领域广泛的行业兴趣，而不仅仅局限于创业公司。一个例子：实时语音对话分析，通过结合其现有的IBM Watson AI专业知识和Promontory特定领域的专业知识，将语音转换为文本，然后使用自然语言处理将对话进行分类进而筛选出不合规的类别。Waymark：机器学习的其他应用，包括使用自然语言处理自动阅读和解释监管文件的含义，伦敦创业公司Waymark目前向金融机构提供这一服务。AI和机器学习在风险管理中的挑战与未来（I）在AI和机器学习在

14、风险管理领域充分发挥其潜力之前，需要解决一些重要的实际问题。适用数据的可用性。数据通常存放在跨部门的孤岛中，可能在不同的系统上，并且可能存在限制数据共享的内部政治和监管问题。重要数据甚至可能不被记录为数据，而是保留为公司的非正式知识；是否有熟练的工作人员来实施这些新技术。高盛（Goldman Sachs）和其他公司最近试图通过在印度建立一个可容纳7000名工人的校园来解决这个问题，因为在印度这些技能的流行程度更高；完全自动化的危险/建立适当的Algo-Human互动的烦恼。案例:AI 风险: Blackbox Algo 是否导致了 KnightCapital 4亿美元的损失 ?在人工智能方面，

15、从数据收集到决策制定过程是部分或完全自动化的过程，人类监督的需求将变得更加紧迫。目前，金融深度学习所带来的风险可能太大，无法广泛应用于行业。 神经网络和深度学习方法由其基础算法定义，遗憾的是这些算法并非绝对可靠。 这一点在Knight Capital 2012年的威胁稳定性中很明显，由于错误交易算法，Knight在45分钟内净损失超过4.4亿美元。深度学习通常是一个黑匣子 给它一个输入就提供了输出，没有解释为什么它给出这个输出。由神经网络产生的大多数深度学习模型的可解释性很低，因此即使是创建算法的程序员也不能真正理解或能够解释神经网络如何预测特定结果。人工智能和机器学习风险管理的挑战（II）透

16、明度是日益流行的机器学习中的深度学习中一个重要问题，因为模型在输入数据和输出决策之间的隐藏层的基础上进行工作。这种类型的黑匣子系统不利于有效的风险监督，并且可能导致监管合规性问题，尤其是在证明模型有效性方面。与此相关的一个更严重的问题是，不同公司使用的模型可能会收敛于类似的交易最优化，从而导致系统性风险以及公司亏损。道德问题。比如，在美国，贷款决策中的歧视受到广泛的立法反对。通常，这些限制被纳入AI的编码规则和有关信用风险和贷款决策的机器学习技术。然而，随着深度学习变得越来越流行，警察更难以判断该模型是否会无意中使用这些红线的代理变量做出决策。随着越来越多的非典型数据被纳入风险管理，尤其如此。

17、随着时间的推移，这些道德问题可能会增加。数据：传统与非传统在美国，债权人依赖于FICO评分，在评估您是否有能力偿还贷款时会考虑借款历史。 对于那些已经获得贷款并按时还款的人来说，该系统运作良好，但它排除了那些不在数字金融系统中的人，无法获得首次贷款。您可能不认为电子邮件主题行中的单词数量与您有关，但至少有一家公司认为该指标可以帮助确定您偿还贷款的可能性。案例一：使用非传统数据的信用评分总部设在新加坡的LenddoEFL是少数使用替代数据点进行信用评分的创业公司之一。 这些公司审查行为特征和智能手机习惯，为新兴市场的消费者建立信誉模型，而新兴市场的标准信用报告几乎不存在。 除了分析财务交易数据外

18、，Lenddo的算法还考虑了以下因素：是否避免邮件主题行只有单个词没有描述（意味着你关心细节）您是否经常在智能手机上使用财务应用程序（意味着您认真对待您的财务状况）。图书馆中使用前置摄像头拍摄照片的比例，因为自拍意味着是年轻人，帮助公司划分客户群。案例二：ZestFinanceZestFinance是一家快速发展的美国金融科技公司，它利用大数据技术进行信贷承销。在机器学习的帮助下，其专有平台ZAML处理传统上被信用承销商忽略的大量数据，以识别存款不足的信誉潜在客户，并降低信贷决策的风险。ZAML使用与FICO相同的变量，以及非传统的“元变量”(meta-variables)来理解借款人凭证。它收集多达10000个数据点来计算APR，平台只需几秒钟即可完成决策。使用非传统衡量标准评估信誉：ZestFinance（续）用于衡量信誉的非传统指标示例：访问赌博网站的搜索历史、可能使用的虚拟专用网络、或使用的搜索术语类型，将潜在的借款人聚集到更高风险的组中；在线支出的历史可以支持申请人在申请借款时报告的收入、搜索表明职业流动性上升，这可能会