[摘要]  人工智能在金融领域有着丰富的应用，成为推动金融行业数字化变革的新引擎，无论是金融管理部门还是金融机构，都在积极探索并实施这一尖端技术。本文从人工智能的技术基础入题，从金融服务创新、风险管理、政策分析与制定、加速数字化转型等四个方面分析了人工智能在国内外金融领域的应用实例，从技术、信息泄露、低透明度、风险传导等四个角度分析了人工智能应用于金融领域的潜在风险，并针对可能产生的风险提出相关建议。

[关键词]  人工智能；金融服务；数字金融

[作者单位]  中国人民银行海南省分行

近年来，人工智能技术突飞猛进，已逐步深入金融行业。在客户服务、投资决策、风险管理等方面，人工智能展现出巨大潜力，其通过机器学习、光学字符识别、自然语言处理等技术，提升金融服务的效率和精准度，进一步推动金融服务模式创新，充分发挥金融服务实体经济作用。虽然人工智能技术在金融领域发挥着越来越重要的作用，但同时也带来了技术、隐私、透明度等方面的风险，对此，需要实现核心技术自主可控，明晰数据和模型标准，引导金融机构科学运用人工智能技术，服务金融高质量发展。

人工智能在金融领域应用的技术分析

机器学习。通过在系统输入大量数据，系统可以利用神经网络与深度学习，借助金融数据来训练模型，采用算法解决实践问题。机器学习可分为无监督学习、有监督学习和强化学习等。无监督学习对无标注的历史数据集分类分析，以寻找数据规律并进行预测。有监督学习则适用于具有历史输入和标注输出的情况，以此推断出分类函数或回归函数。分类函数对新观测值所属的离散类别进行标识，如判断交易是否进行；回归函数的作用是预测价格、薪资等。应对数据缺少的情况，则通过强化学习进行生成，反复模拟（试错）并对良好结果给予奖励。强化学习是学习“行为”，而非拟合高预测准确度模型，其意义是训练模型采取措施，在实践中，如通过训练来对冲欧式看涨期权合约节省交易成本。

光学字符识别（OCR）。OCR技术能够将图像中的信息高效转换为可编辑的文本格式。主要应用于金融机构的数据采集，在客户业务办理过程中，需要通过大量拍照、扫描等动作进行信息采集，成本高且效率低，在完成审核程序后，已收集完成的信息利用率低。在大模型时代，数据具有核心价值，OCR技术通过对身份证件、银行卡、各类票据等复杂文件进行识别和转换，代替用户输入，提高数据采集效率，进行深度信息挖掘。通过对数据进行智能化转换处理，生成特定数据标签，多次利用，在新模型中迭代使用，以大模型为基础，大小模型联动，对大量数据自动、智能处理，释放数据价值，为金融机构服务和经营提供有效数据支持。

自然语言处理（NLP）。通过算法从文本数据中提取关键信息，让机器理解人类的文本或语言。NLP涵盖了翻译、语音识别、语义理解、智能问答等多个方面。由于金融领域的专业性较强，许多词汇在金融语境下具有特定的含义，每个子问题都有独特的理解方式，金融领域衡量处理结果的标准与其他领域不同。金融领域的NLP需要使用专门的训练数据集，对信息进行多维关系挖掘，评估企业之间的关联，提前设立预警信号。当企业关系网中的相关对象发生变动时，可以根据关系权重迅速评估对整个关系网的影响。在实践中，可以通过更全面的数据进行企业信贷风险管理，提前感知企业的潜在风险。

人工智能在国内外金融领域的应用实例

人工智能天然适配金融行业。数据是人工智能最为关键的要素，金融行业数字化程度高，在日常运营中积累了大量的用户和交易数据，因此是人工智能理想的应用领域。国际数据公司（IDC）的数据显示，到2027年，金融业在AI系统的软件、硬件和服务销售额方面的支出将增加一倍以上，达到970亿美元。

金融服务创新。借助人工智能技术，通过对市场数据的深度学习和分析，金融机构能够开发出更加智能化的产品和服务，以满足不同客户群体的需求。例如：美国摩根大通等金融机构已推出智能投顾服务；腾讯云推出腾讯金融智能营销平台；马来西亚联昌国际银行的Eva专门解决中小企业诉求，可24小时全天工作，在疫情期间为中小企业救助发挥了较大作用；富国银行与谷歌公司合作，基于交易数据、社交数据等分析用户特征，有针对性地推荐金融服务或投资产品。

风险控制与管理。人工智能能够处理海量数据，快速识别风险点并及时发出预警，通过人工智能，金融机构可以广泛使用结构化数据（如交易记录）和非结构化数据（如就业历史、消费习惯）来进行信用评分，更科学地制定风险控制策略，降低金融风险，确保金融体系的稳健性。例如：中信银行运用智能风控强化反欺诈防线；菲律宾联合银行构建了基于人工智能的信用评分模型，为无银行账户人群提供信用评级，提升了贷款的可得性；新加坡星展银行通过人工智能改进反洗钱和反恐怖融资的报警优先级排序，大大降低了误报率。

政策分析与制定。人工智能可帮助决策者更好地理解政策影响、预测政策效果，并优化决策过程，提升政策分析的效率和准确性，为制定更为科学的政策提供有力支持。例如：美国摩根大通基于ChatGPT开发了一个预测美联储货币政策的模型，该模型使用了过去25年间美联储发布的声明和官员讲话作为训练数据，构建了“鹰鸽分数”。欧洲央行开发了基于分析型人工智能的通胀预测模型，能更精确地捕捉部分因素对通胀的非线性影响。印度储备银行聘请了麦肯锡和埃森哲两家咨询公司，帮助其在监管工作中引入人工智能进行相关分析。

加速数字化转型。金融机构数据资产庞大、数据质量高，数据正成为金融机构的核心竞争力，如果能够充分挖掘和利用这些数据，其潜在价值将十分巨大。例如：彭博推出了BloombergGPT，这是一个为金融行业设计的500亿参数大语言模型，通过快速分析金融数据，帮助进行风险评估等；蚂蚁集团为金融产业深度定制了金融大模型，在万亿量级Token的通用语料基础上，注入千亿量级Token的金融知识，从300多个真实产业场景中提取了60多万条高质量指令，形成了具有金融专属任务性能优化的优势数据资产。

人工智能在金融领域应用的潜在风险

金融监管依赖于现有的金融结构设计与监管框架，这与人工智能驱动的金融发展之间存在着结构性错位。在金融领域增加AI应用程序的使用，在技术、信息保护、透明度等方面会产生一定的风险，而且可能加剧风险传导。

技术和操作风险。由于人工智能算法具有相似性，一旦技术被黑客攻击、破解，相关的金融业务系统可能会瘫痪，引发操作风险和技术风险。在自动交易算法的交易模式中，当数据输入确定时，交易结果也是确定的。交易员可通过破解自动算法，导致其执行相反操作，从而引发市场操纵风险。黑客也可以通过操纵算法决策所依赖的数据，来控制算法交易者的决策，即使攻击者不理解交易算法的内部工作原理，也能通过实时操纵输入数据流来控制算法交易机器人。

信息泄露。人工智能通过信息技术分析大量用户数据以实现金融智能化应用，但如果这些数据在使用过程中缺乏相应的技术保护，可能导致数据泄露并危及用户个人隐私安全。由于金融交易的特殊性，用户在使用金融服务时需提供详细的个人信息，金融服务商不仅掌握了用户真实身份信息，还拥有交易记录等大量敏感信息，这使得在人工智能应用过程中，用户信息泄露的风险增大。若被社交网络泄露并用于非法目的，用户将面临欺诈风险，非法使用敏感数据可能导致价格等方面的歧视，损害用户利益。

低透明度和责任边界模糊。部分人工智能系统类似外部人员无法洞察的“黑箱运作”，如果金融机构过于依赖人工智能模型，对其底层系统的监管会面临一定困难，AI系统也可能产生并掩盖有偏见或不准确的结果，进而导致不确定性增加。金融服务和产品具有特殊性质，金融活动需要有明确的责任承担机制，在引入人工智能后，由于业务办理的智能化和一体化，责任分担机制呈现模糊化特征，不利于金融消费者保护和机构风险控制，亟待从模型与人的关系、业务实践等方面进行下一步的探索。

风险传导。数据驱动的智能交易策略仅在宏观经济环境稳定时效果较好，而在经济动荡的情况下可能导致错误决策，自动化交易系统在经济波动期间倾向于减少交易，采取顺周期决策，进一步加剧金融市场的风险。此外，人工智能的应用强化了系统性风险在不同经济主体间的扩散，使得金融机构与市场的关联性更加紧密，单个金融机构或市场的波动与冲击，通过利益相关者形成了网络化结构，这种网络连接了不同的市场、区域和业务，部门间形成紧密联系，使风险传播得更快，传染效应更为显著。

人工智能在金融领域应用的有关建议

针对在金融行业引入人工智能技术可能会产生的风险，可考虑通过采取提升透明度、加强数据治理、完善监管框架等措施高效应对，确保金融系统的稳健性和安全性。

实现核心技术自主可控。在金融服务中引入技术创新会提升服务效率，保障金融信息安全是重要前提。极端情况下，在系统发生问题或遭受恶意程序攻击时，金融系统会面临瘫痪，损失成本严重。因此，需要加强金融基础设施的投入和构建，实现关键核心技术的自主可控，自主研发核心技术，构建新一代自主可控的信息系统，进行压力测试，检测系统可靠性和安全性。对于必须依赖外部服务的应用和系统，通过构建网络防火墙和物理隔离等手段，有效控制外部风险，确保金融信息安全。

规范数据和模型标准。规范数据利用，确保金融数据的准确、完整、及时。对数据定期研判，识别并纠正潜在数据质量问题，剔除无效冗余数据。严格执行脱敏技术、授权机制、数据加密等隐私政策，确保数据使用合法合规，保障用户隐私安全。在金融服务中，告知用户数据收集范围和使用目的，并获得用户许可，严格落实数据隐私保护，数据使用遵循有限、最小原则。制定标准化模型，确保模型的高质量性能和稳定性，针对模型特定用途进行适当改造。

加强数字监管，完善制度建设。建立以智能监管为核心的方案，平衡行业发展、技术应用和社会风险控制，构建数字金融健康稳定发展的制度基础，制定法律法规进行规范化监管。借鉴国际上监管沙盒制度的经验，积极推动智能监管的发展，采用监管沙盒模式以鼓励金融创新，加快推动智能监管的实施，建立容错机制。

加强政策引导。随着人工智能技术的快速发展，金融行业在推动金融创新的同时，积极应对人工智能技术带来的冲击。管理部门可鼓励金融机构通过设立新部门、寻求合作伙伴以及研发新技术等方式积极参与市场竞争，发掘长尾用户的潜在需求。同时，金融机构可结合业务实际设计个性化的金融服务产品和平台，建立更加完善合理的责任分担机制，完善企业内控制度，明确责任边界，适配金融服务的数字化、智能化。