人工智能在風險管理中的應用

1、人工智能在風險管理中的應用以中國債券違約預期為例前言隨著金融服務公司的合規(guī)性及其風險管理系統(tǒng)的實時性和處理復雜問題能力的要求的提高，許多公司正逐步將人工智能用于改善當前的流程。機器學習模型具有更細化和更深入分析大量金融和非金融數據的能力，可以提高風險管理和合規(guī)的分析能力，幫助分析師在單個證券層面和更廣泛的多資產組合層面做出更明智的決策。然而，與此同時，從傳統(tǒng)的風險管理系統(tǒng)轉向新的AI范式也給許多金融機構帶來了較大的挑戰(zhàn)。迭代性(Iterativeness)和適應性(Adaptiveness)AI的本質AI系統(tǒng)區(qū)別于其他類型分析系統(tǒng)的共同因素：AI系統(tǒng)應用了迭代的自適應“學習”過程（iterat

2、ive, self adaptive learning processes）。這種根據輸出結果進行自動調適(self adjustment based upon on the feedback of output）的能力正是當前大多數AI應用的真正標志。See below.機器學習(Machine Learning) vs. 傳統(tǒng)統(tǒng)計方法 (Traditional Statistical) ML：不需要對問題和數據做出預先假設，在學習之前不需要減少數據量，并且是數據越多越好，旨在解決數據量和高維度問題，模型形式也無需提前提出。TS：對于問題和數據的特征具有相當的認知或給出特定的假設，通常來說，

3、模型形式也會基于某種理論給予假定，在建模之前會采用抽樣、減少輸入、降維等方法減少數據量。人工智能(AI) 機器學習(Machine Learning)區(qū)別：機器學習是AI的核心技術，涉及從數據中學習，但AI還有其他的要求。完整的AI解決方案應該在數據識別、數據測試和基于數據測試的決策方面實現自動化，機器學習本身是挖掘和發(fā)現關聯性，但一般不涉及決策本身。監(jiān)督學習(supervised learning)在“監(jiān)督學習”中，算法得到一組包含標簽的“訓練”數據，比如交易數據集，可能某些數據點包含欺詐性/非欺詐性的標簽。該算法將“學習”一種通用的分類規(guī)則，用于預測余下的不在訓練集中的數據分類為欺詐性/非

4、欺詐性。無監(jiān)督學習(Unsupervised learning)“無監(jiān)督學習”是指提供給算法的數據不包含標簽，要求算法通過識別簇（clusters）的方式尋找規(guī)律。例如，可以設置無監(jiān)督機器學習算法來尋找具有難以定價的、流動性差的證券。如果能為非流動性證券找到合適的數據集群，則可以使用簇中其他證券的定價來幫助流動性差的證券定價。半監(jiān)督學習(Semi-Supervised learning)強化學習（Reinforcement learning） 屬于有監(jiān)督和無監(jiān)督學習之間的一種模式。在這種情況下，提供給算法一個沒有標簽的數據集，為每個數據點選擇一個動作，接收有助于算法學習的反饋信息（可能來自人類

5、）。比如，強化學習可以用于機器人、博弈論和自動駕駛汽車。深度學習(Deep learning)深度學習是機器學習的一種形式，它使用由大腦的結構和功能所啟發(fā)的，通過“層”（layers）的方式工作算法進行學習。深度學習算法，其結構被稱為人工神經網絡，可用于有監(jiān)督、無監(jiān)督或強化學習。機器學習算法選擇的權衡：精確性與可解釋性AI在風險管理領域的主要應用（1）以客戶為中心（或“前臺”）的應用，包括自動信用評分及精算決策系統(tǒng)；（2）以運營為重點（或“后臺”）的應用，包括資本優(yōu)化、模型風險管理和市場影響分析；（3）金融市場的交易和資產組合管理； （4）人工智能和機器學習在監(jiān)管科技方面的應用，包括金融機構合

6、規(guī)（regulatory compliance，RegTech）或監(jiān)督（supervision，SupTech）。下面對于每個應用將給出一些已經正在使用或者可能使用的范例。38%的金融公司已經在某種程度上使用了人工智能當前影響領先的金融機構已經開始招聘首席AI官并投資建設AI實驗室和孵化器銀行AI機器人很常見智能個人投資產品可大規(guī)模使用從2019年開始，CFA考試將增設AI部分2017年企業(yè)用于AI技術/軟件的花費估計在12億美元左右許多企業(yè)正在構建定制的內部解決方案 行業(yè)變化成功案例摩根大通采用AI處理文件（由30萬+小時縮短為秒）對沖基金正在使用AI來檢測人類難以察覺的市場變化三大信貸機構

7、采用AI進行風險評估AI與信用風險管理信用風險是交易對手未能履行合同義務而產生的經濟損失。傳統(tǒng)上，金融機構采用經典的線性、邏輯和概率模型來預測信用風險；Altman等人（1994）對財務困境和破產預測的傳統(tǒng)統(tǒng)計方法與神經網絡算法進行了第一次比較分析，得出結論：兩者結合的方法顯著提高了準確性 現在，各機構越來越關注使用AI和機器學習技術來增強信用風險管理實踐。有證據表明，由于能夠對非結構化數據進行語義理解，因此可以通過利用AI和機器學習技術顯著提高信用風險管理能力。AI運用于信用風險管理的驅動因素批發(fā)信貸：評估公司/實體層面信用風險和相應的衍生品的復雜性增加為機器學習打開了大門。 比如，Son

8、et al（2016）使用2001年1月至2014年2月不同期限和不同評級的日度CDS進行研究，表明深度學習在提出實際對沖措施方面優(yōu)于傳統(tǒng)基準模型。零售信貸：確定個人信用價值的大量潛在變量 比如，ZestFinance（見后面的幻燈片）。越來越多的檢驗證實了機器學習的有效性。在消費者貸款方面，Khandani等人（2010）提出了一種基于決策樹和SVM的機器學習技術，對實際貸款數據進行測試，結果表明可節(jié)省高達25的成本。AI與市場風險管理AI和機器學習在管理市場風險，尤其是交易模型風險方面也很有用。交易模型一般在最初會起作用，但隨后會出錯。因此確定市場對模型的轉變點至關重要，但由于臨時或永久的

9、市場變化，模型是否會崩潰并不總是很清楚，傳統(tǒng)的測試技術無法提供可靠的答案。 這為yields.io等服務創(chuàng)造了機會，yields.io使用機器學習來監(jiān)控、驗證和調整交易模型，不斷檢查數百萬個變量，以識別可能需要進一步調查的錯誤測試結果。AI與操作風險由于操作風險涉及人為決策，操作風險通常比財務風險更難管理。 AI和機器學習可以幫助：處理非典型數據 - 交易、網絡關系、電話和消息對話等的文字描述 檢測洗錢和欺詐行為例如，Nordic KYC Utility是由五家主要的Scandinavian銀行創(chuàng)建的，它使用一系列機器學習技術和傳統(tǒng)的檢測工具，以確保銀行履行其“了解客戶”的反洗錢義務。AI與金

10、融反欺詐銀行試圖通過評估最好的方式來保護其系統(tǒng)、數據以及最終客戶來控制欺詐， AI能夠引入更好的流程：加快日常工作的步伐，最大限度地減少人為錯誤；處理非結構化數據以篩選出相關內容或負面新聞，確定個人的關聯性，以評估風險較高的客戶和網絡；建立基于行為的交易者檔案，其中交易數據、電子和語音通信記錄等使銀行能夠觀察新出現的行為模式，以預測潛在風險并檢測員工之間的聯系；使銀行能夠根據可疑活動的類型和所涉及的風險級別生成警報并確定其優(yōu)先級AI與模型風險管理回測和模型驗證回測在傳統(tǒng)上用于評估銀行風險模型的表現。在BCG的客戶銀行至少有20個已經在：使用無監(jiān)督學習算法的幫助模型驗證；檢測其壓力測試模型生成的

11、異常；通知監(jiān)管、內部資本分配和限制監(jiān)控。壓力測試金融危機后壓力測試的使用增加對銀行構成了挑戰(zhàn)，因為他們正在努力分析大量數據以進行監(jiān)管壓力測試。AI可以：協(xié)助建立資本市場業(yè)務以進行銀行壓力測試；針對默認損失和默認模型概率，優(yōu)化場景分析中使用的變量數；記錄與變量選擇相關的任何偏差，從而通過使用無監(jiān)督學習方法審查大量數據，從而產生具有更高透明度的更優(yōu)模型。AI與監(jiān)管科技RegTech 是 FinTech 關注合規(guī)性的一個類似領域，旨在幫助企業(yè)滿足日益增長的合規(guī)要求。在這一領域，AI / ML開始發(fā)揮重要作用，需要評估大量的數據以及這些數據的非傳統(tǒng)性質。機器學習在純 RegTech 意義上的關鍵優(yōu)勢：

12、能夠持續(xù)監(jiān)控公司活動 - 獲取實時洞察力，從而避免違規(guī)行為，而不必在發(fā)生違規(guī)后處理違規(guī)行為的后果。 由于更好的監(jiān)控，以及自動化減少了主要金融機構每年在合規(guī)方面花費的估計700億美元中的一部分，因此能夠釋放監(jiān)管資本。監(jiān)管科技運用案例美國證券交易委員會（SEC）利用大數據開發(fā)文本分析和機器學習算法，以檢測可能的欺詐和不當行為。SEC工作人員使用機器學習來識別SEC文件的模式，通過監(jiān)督學習，可以將這些模式與過去的檢查結果進行比較，以發(fā)現投資經理提交的報告中的風險。SEC工作人員指出，這些技術在找到適合執(zhí)法的語言方面比隨機技術好五倍。SEC使用無監(jiān)督學習算法來識別獨特或異常報告行為。AI監(jiān)管科技的兩個

13、突出的市場參與者IBM（收購了Promontory，一家600名員工的RegTech初創(chuàng)公司）現在提供一系列AI驅動的解決方案，以降低監(jiān)管科技的成本，體系了該領域廣泛的行業(yè)興趣，而不僅僅局限于創(chuàng)業(yè)公司。一個例子：實時語音對話分析，通過結合其現有的IBM Watson AI專業(yè)知識和Promontory特定領域的專業(yè)知識，將語音轉換為文本，然后使用自然語言處理將對話進行分類進而篩選出不合規(guī)的類別。Waymark：機器學習的其他應用，包括使用自然語言處理自動閱讀和解釋監(jiān)管文件的含義，倫敦創(chuàng)業(yè)公司Waymark目前向金融機構提供這一服務。AI和機器學習在風險管理中的挑戰(zhàn)與未來（I）在AI和機器學習在

14、風險管理領域充分發(fā)揮其潛力之前，需要解決一些重要的實際問題。適用數據的可用性。數據通常存放在跨部門的孤島中，可能在不同的系統(tǒng)上，并且可能存在限制數據共享的內部政治和監(jiān)管問題。重要數據甚至可能不被記錄為數據，而是保留為公司的非正式知識；是否有熟練的工作人員來實施這些新技術。高盛（Goldman Sachs）和其他公司最近試圖通過在印度建立一個可容納7000名工人的校園來解決這個問題，因為在印度這些技能的流行程度更高；完全自動化的危險/建立適當的Algo-Human互動的煩惱。案例:AI 風險: Blackbox Algo 是否導致了 KnightCapital 4億美元的損失 ?在人工智能方面，

15、從數據收集到決策制定過程是部分或完全自動化的過程，人類監(jiān)督的需求將變得更加緊迫。目前，金融深度學習所帶來的風險可能太大，無法廣泛應用于行業(yè)。 神經網絡和深度學習方法由其基礎算法定義，遺憾的是這些算法并非絕對可靠。 這一點在Knight Capital 2012年的威脅穩(wěn)定性中很明顯，由于錯誤交易算法，Knight在45分鐘內凈損失超過4.4億美元。深度學習通常是一個黑匣子 給它一個輸入就提供了輸出，沒有解釋為什么它給出這個輸出。由神經網絡產生的大多數深度學習模型的可解釋性很低，因此即使是創(chuàng)建算法的程序員也不能真正理解或能夠解釋神經網絡如何預測特定結果。人工智能和機器學習風險管理的挑戰(zhàn)（II）透

16、明度是日益流行的機器學習中的深度學習中一個重要問題，因為模型在輸入數據和輸出決策之間的隱藏層的基礎上進行工作。這種類型的黑匣子系統(tǒng)不利于有效的風險監(jiān)督，并且可能導致監(jiān)管合規(guī)性問題，尤其是在證明模型有效性方面。與此相關的一個更嚴重的問題是，不同公司使用的模型可能會收斂于類似的交易最優(yōu)化，從而導致系統(tǒng)性風險以及公司虧損。道德問題。比如，在美國，貸款決策中的歧視受到廣泛的立法反對。通常，這些限制被納入AI的編碼規(guī)則和有關信用風險和貸款決策的機器學習技術。然而，隨著深度學習變得越來越流行，警察更難以判斷該模型是否會無意中使用這些紅線的代理變量做出決策。隨著越來越多的非典型數據被納入風險管理，尤其如此。

17、隨著時間的推移，這些道德問題可能會增加。數據：傳統(tǒng)與非傳統(tǒng)在美國，債權人依賴于FICO評分，在評估您是否有能力償還貸款時會考慮借款歷史。 對于那些已經獲得貸款并按時還款的人來說，該系統(tǒng)運作良好，但它排除了那些不在數字金融系統(tǒng)中的人，無法獲得首次貸款。您可能不認為電子郵件主題行中的單詞數量與您有關，但至少有一家公司認為該指標可以幫助確定您償還貸款的可能性。案例一：使用非傳統(tǒng)數據的信用評分總部設在新加坡的LenddoEFL是少數使用替代數據點進行信用評分的創(chuàng)業(yè)公司之一。 這些公司審查行為特征和智能手機習慣，為新興市場的消費者建立信譽模型，而新興市場的標準信用報告幾乎不存在。 除了分析財務交易數據外

18、，Lenddo的算法還考慮了以下因素：是否避免郵件主題行只有單個詞沒有描述（意味著你關心細節(jié)）您是否經常在智能手機上使用財務應用程序（意味著您認真對待您的財務狀況）。圖書館中使用前置攝像頭拍攝照片的比例，因為自拍意味著是年輕人，幫助公司劃分客戶群。案例二：ZestFinanceZestFinance是一家快速發(fā)展的美國金融科技公司，它利用大數據技術進行信貸承銷。在機器學習的幫助下，其專有平臺ZAML處理傳統(tǒng)上被信用承銷商忽略的大量數據，以識別存款不足的信譽潛在客戶，并降低信貸決策的風險。ZAML使用與FICO相同的變量，以及非傳統(tǒng)的“元變量”(meta-variables)來理解借款人憑證。它收集多達10000個數據點來計算APR，平臺只需幾秒鐘即可完成決策。使用非傳統(tǒng)衡量標準評估信譽：ZestFinance（續(xù)）用于衡量信譽的非傳統(tǒng)指標示例：訪問賭博網站的搜索歷史、可能使用的虛擬專用網絡、或使用的搜索術語類型，將潛在的借款人聚集到更高風險的組中；在線支出的歷史可以支持申請人在申請借款時報告的收入、搜索表明職業(yè)流動性上升，這可能會