當前，世界主要經濟體普遍認識到人工智能將是下一個時代的科技制高點。俄羅斯總統普京2017年在Proye KTO Riya 論壇上指出，人工智能領域領先的國家將可統治世界。當前，美國在該領域處於領先地位。我國政府、企業和資本市場也高度重視人工智能。
人工智能運用廣泛，包括金融領域的諸多方面，也已有一些應用。比如，美國兩家公司EquBot LLC、ETF Managers Groupl 於2017 年10 月合作推出全球首隻應用人工智能進行投資的ETF—AIEQ ; 2018 年1月，我國躍然科技公司宣佈成立首款由人工智能系統運營管理的私募基金產品——躍然人工智能交易基金。在此背景下，有必要開始關注其金融影響。由於它在金融領域的應用尚處於新生的快速發展階段，應用方面的可用數據並不多，本文將嘗試提供初步分析框架。
一、明確幾個相關概念
一是人工智能。可定義為用於執行以往需人類智力執行任務的計算機系統理論與發展。
二是機器學習。它是人工智能的分支，可定義為設計一系列行動來解決問題的方法(即算法)，通過學習經驗來實現有限或無需人力干預下的自動優化、預測、分類，但不能用於因果推理。
三是深度學習。它是機器學習的一種形式，使用受大腦的結構與功能所啟發的“分層”算法。其算法結構被稱為人工神經網絡，可用於監督式學習、無監督學習、增強學習。近年，它在圖像識別與自然語言處理(NLP)等諸多領域取得豐碩成果。
四是自然語言處理。它是計算機科學領域與人工智能的一個重要發展方向，研究實現人與計算機之間用自然語言進行有效通信的各種理論和方法。
五是大數據分析。它可定義為對大型、複雜的數據集進行分析的過程。由此，人工智能概念包含廣泛，有諸多分支。
二、驅動人工智能用於金融領域的因素
(一)供給因素
1. 公共因素
(1)處理器速度加快、硬件成本降低、雲服務普及等因素，促使計算能力極大增強。(2)開發出目標數據庫、軟件、算法，促使數據存儲、解析、分析的成本大幅降低。(3)數字化和網絡服務日益普及，促使用於學習和預測的數據集快速增長。2009—2017 年，全球以數字形態存在的數據量從2澤字節(ZB)增至26 澤字節，增長了12 倍;而每太字節(TB)的存儲成本從9 美分降至0.5 美分，下降了94%。
2. 特有因素
(1)電子交易平臺、零售信貸評分系統等金融基礎設施日益完善，結構化的高質量市場數據日益增加，市場的電腦化使人工智能算法與金融市場實現了直接交互。(2)網絡搜索趨勢、收視率模式和社交媒體等數據集，以及金融市場數據日益增長，促使金融領域可供挖掘的數據來源日益增加。
(二)需求因素
1. 金融機構方面
因為人工智能具有降成本、獲風險管理收益、提高生產力從而增強盈利能力的潛力，促使金融機構將其用於滿足業務需求。Finextra & Intel認為，將其用於金融領域的優先順序為：優化客戶服務流程，在應用人工智能的系統與人員之間建立互動來加強決策，為客戶開發新的產品與服務。而這些應用可能導致“軍備競賽”，即市場參與者爭相跟上競爭對手的步伐。
2. 滿足合規性需求
(1)不斷出臺的數據法律框架、數據標準、數據報告要求、金融服務制度，提高了金融機構對合規性的需求，促使其不斷提高自動化水平並採用新的分析工具。(2)監管機構承擔著評估更大、更復雜、更快速增長的數據集的責任，需要更強大的分析工具對金融機構實施更有效的監管。
三、人工智能在金融領域的應用
(一)面向客戶的應用
1. 信用評分
以往的多數信用評分模型，使用金融機構的交易與支付數據(多數為非結構化數據)，並運用迴歸、決策樹、統計分析等工具來生成信用評分。近年，銀行等金融機構日益使用新型的非結構化與半結構化的數據來源(如社交媒體、手機和短信)來捕捉借款人的信用，並用人工智能來評估消費者行為和支付意願等定性因素，使篩選借款人的速度更快、成本更低。
機器學習算法能提高信貸可得性。以往的信用評分模型要求借款人有大量歷史信用信息，這些信息被認為是“可評分的”。若缺乏這些信息，則無法生成信用評分，即使信譽良好的潛在借款人，也難以貸款。而使用新型數據來源和機器學習算法，則能評估借款人的償債能力和意願，進而促成信貸決策。這尤能使信貸市場尚不成熟的經濟體受益，比如我國。
近年，有些國家湧現了一批將服務目標定位為銀行難以覆蓋到位客戶的金融科技創業公司。比如，有的使用算法和新型數據來源為信用檔案“瘦”的個人(之前被其他貸款機構拒絕)提供信用評分;有的利用大量傳統銀行數據，將手機銀行業務與銀行數據、人工智能整合起來，協助開展金融管理與預測，並以此作為開發客戶信用記錄的第一步。
2. 保險業
保險業將人工智能用於分析大數據並以此作為保險定價的基礎，其中保險科技(InsurTech)是關鍵。中、美、英、德等國在保險科技中採用人工智能的程度非常高，比如用於協助保險代理商利用保險公司所收集的大型數據集進行分類，找出風險較高的應用，以減少未來的索賠額。有的保險公司運用人工智能來整合實時、高度細化的數據(如在線購物行為或遙測)，以改進保險產品的定價或營銷。
人工智能還能顯著擴大保險功能，尤其在承保與理賠方面。承保方面，基於NLP 的人工智能系統能擴展大型商業承銷和人壽保險或傷殘保險業務。這些工具能從過去理賠的訓練集中學習，模仿人類的關鍵考慮。理賠方面，人工智能可用於確定維修成本並自動判定交通事故車輛的受損程度，減少索賠處理時間與運營成本。保險公司還在探索將人工智能、遠程傳感器用於檢測、預防發生可保事故，如車禍或化學品洩漏。
據Accenture(全球最大的管理諮詢、信息技術和業務流程外包的跨國企業)2017 年估計，2016年全球保險科技投資達17 億美元，26% 的保險公司為數字創業公司提供貨幣或非貨幣支持(如輔導)，17% 的保險公司在內部建立了風險投資基金或投資工具瞄準技術。
3. 聊天機器人
它是用於幫助客戶處理問題的虛擬助手。它使用NLP 以自然語言(即文本或語音)與客戶交互，並使用機器學習算法來優化。許多金融服務公司在其移動應用程序或社交媒體上引入聊天機器人。不過多數還處於試用階段，功能比較簡單，通常僅為客戶提供餘額信息、警報或回答簡單問題。它正加速向客戶提供建議並引導客戶採取行動的方向轉變，智能程度不斷提高。除了協助客戶作金融決策，金融機構還受益於聊天機器人與客戶交互所獲得的客戶信息。保險業也在探索使用聊天機器人來提供實時的保險建議。
(二)面向運營的應用
1. 優化資本
使用數學方法優化資本(即實現稀缺資本的利潤最大化)歷來是銀行追求的目標。而建立在計算能力、大數據、最優化數據概念基礎上的人工智能，能提高優化資本的效率、準確性與速度，因而成為學界與商界近年關注的話題。當前，幾乎所有銀行都在實施優化風險加權資產(RWA)的計劃，並取得明顯成效，節省了5% ～ 15% 的RWA。衍生品保證金領域也在優化資本，如調整保證金評估機制(MVA)。清算和雙邊保證金方面的新規，也提高了對有利於優化資本和初始保證金的先進技術的需求。
2. 模型風險管理和壓力測試
學者與業界認為，人工智能將很快用於模型風險管理。近年來，歐美審慎監管機構通過提供模型風險管理方面的指導，重點關注銀行所使用的回溯測試與模型驗證。回溯測試很重要，因為它通過一系列金融設置，能觀察市場行為與其他趨勢的變化，評估銀行風險模型的表現，以降低低估風險的可能性。也有企業和投資銀行使用無監督學習算法進行模型驗證，幫助判定這些模型是否在可接受的公差範圍內執行或偏離了預定目標。
另外，金融危機後日益增加的壓力測試，成為銀行面臨的一個嚴峻挑戰。當前，有些人工智能供應商與大型金融機構密切合作，開發工具來幫助它們對資本市場業務進行建模，以限制場景分析中用於損失違約率(LGD)和違約概率模型(PDM)的變量數量。這些工具使用無監督學習方法來審查大量數據，記錄與變量選擇相關的偏差，提高模型的透明度。
3. 市場影響分析
它用於評估公司的自身交易對市場價格的影響。Sebastian Day估計，最活躍的量化基金2/3 的交易收益因市場影響而受損。因而，準確估計交易的市場影響成為公司選擇交易時機並實現交易成本最小化的關鍵。而以往因歷史數據少，難以就公司自身交易對市場價格的影響進行建模，尤其是對流動性較差的證券。如今通過對原有模型進行擴展或引入機器學習方法，建立市場影響模型，能獲取更多信息，從而實現對市場價格或流動性影響的最小化。具體而言，該模型可用來描述如何以先前的交易作為起點，並避免交易安排過緊，使得市場總體影響小於各部分之和。同時，該模型可為一系列情景設定最佳交易時間表，然後根據真實的交易進度來調整，並使用監督學習技術來進行短期預測，從而確定這些調整。
(三)交易執行與投資組合管理的應用
1. 交易執行
(1)交易公司嘗試運用人工智能來改善其銷售能力。比如，分析客戶的歷史交易行為有助於預測客戶的未來訂單;隨著“語音- 文本”服務使用量的持續增長，這將產生電話交易方面的數據，並與電子平臺的數據池相結合。(2)提高公司管理風險敞口的主動性。人工智能可作為證券交易所風險建模的基礎，以確定會員的交易賬戶頭寸風險是否增加到需干預的程度。諸如銀行這類大型交易公司，通過使用基於大數據分析的風險管理技術來集中各類業務所帶來的風險，實現對風險的有效管理以及資本優化。
2. 投資組合管理
將人工智能和機器學習工具用於識別價格變動的新信號，並利用比現有模型更有效的大量可用的數據與市場研究，以預測不同時期的價格水平或波動性，從而產生更高的“不相關”回報。同時，資產管理公司還將機器學習廣泛應用於量化基金，其中多數是對沖基金。專業公司還向資產管理公司提供機器學習工具，以從大量新聞和市場研究中獲得有價值的線索。
(四)合規性與監管的應用
1. 合規性
(1)識別客戶身份。金融機構將人工智能用於解決最大的痛點之一“瞭解你的客戶(KYC)”，因為其代價高、費力且高度重複。近年，它日益用於金融領域的遠程身份識別與後臺預檢。它主要有兩種使用方式，即評估文檔中的圖像是否相互匹配以及計算風險評分，以確定公司的哪些人或應用需接受額外審查。基於機器學習的風險評分也用於常規性的定期檢查，並通常使用罪犯記錄和社交媒體服務等公共與其他數據來源。使用這些數據來源可快速、低成本地評估風險與信任。公司在KYC 調查中也使用風險評分來評估提高客戶風險等級的概率，以決定是否調整調查決定。
(2)遵守新規。比如，歐盟的資產管理公司須遵守《金融工具市場指令》(MiFID II)《可轉讓證券集合投資承諾》(UCITS)和《另類投資基金經理指令》(AIFMD)等法規。為此，公司利用NLP 與其他機器學習工具將這些法規譯為通用語言，分析與編纂成自動化規則，然後編入風險與報告系統，幫助企業遵守新規，降低投資經理解釋與執行新規所需的成本、精力和時間。
2. 監管報告和數據質量
(1)監管機構不斷提出新的報告要求，這使金融機構需要更多資源來及時完成報告，且報告頻率更高。這不僅使監管機構利用這些大量報告的數據時會面臨挑戰，而且這些數據往往存在重大差錯、空白字段和其他數據質量問題，需要額外檢查與數據質量保證。而機器學習能提高數據質量，比如自動識別異常情況並將其標記給統計人員或數據提供源。這樣既可降低成本、提高報告質量，又可更高效地進行數據處理與宏觀審慎監管。
(2)人工智能可提高場外衍生品交易數據庫的數據質量，提高交易透明度，防止濫用市場，保證監管機構對場外衍生品市場和活動有全面的瞭解，以實現G20 改革場外衍生品市場的承諾。具體而言，經適當訓練的機器學習算法不僅能匹配衍生品潛在交易與插入缺失數據，還能識別數據空缺、數據不一致和胖手指失誤等問題。此外，法國魁北克金融市場管理局在其金融科技實驗室成功測試了一種監督機器學習算法，能識別出場外衍生品數據中非結構化的自由文本字段的不同類別。當前，該實驗室正試驗基於此算法的警報，以自動檢測出不符合強制性清算要求的交易。
3. 貨幣政策與系統性風險分析
(1)央行將人工智能用於貨幣政策評估。例如，在宏觀經濟與金融穩定方面日益使用大數據，最常見的是經濟預測，尤其是通脹與物價等經濟指標;其他方面還包括預測失業率、GDP、售價格、旅遊活動與商業週期(如使用情緒指標、臨近預報技術)等。
(2)監管機構使用人工智能來識別系統性風險和風險傳播渠道，包括檢測、衡量、預測、預判市場波動性、流動性風險、金融壓力、房價和失業等情況。如意大利銀行將來自Twitter(全球互聯網訪問量最大的十個網站之一)的文本情緒看作是(隨時間變化)零售儲戶對銀行信任程度的代理變量，試圖從公眾對銀行體系不信任的增加中捕捉對金融穩定的潛在威脅因素。
4. 監測與欺詐檢測
(1)新加坡金融管理局(MAS)利用人工智能來檢測複雜的洗錢與恐怖融資行為模式(那些模式無法通過單個實體提交的可疑交易來觀察)，識別那些值得重點關注的可疑交易，以將監測資源集中在高風險交易上。
(2)美國證券交易委員會(SEC)利用大數據開發文本分析與機器學習算法來檢測欺詐與不當行為;使用機器學習來識別SEC 檔案中的模式，該模式在監督學習下還能與以往的考核結果相比較，以發現投資經理檔案存在的風險隱患。
(3)澳大利亞證券與投資委員會(ASIC)將NLP 與其他技術結合起來，從證據文件中抓取感興趣的利益實體及其關係，並實現這些關係的可視化;使用機器學習軟件來識別特定子行業的誤導性營銷，比如在未取得會計師資格的情況下向客戶提供理財建議。
(4)意大利銀行為了打擊通過銀行系統進行的犯罪活動(如洗錢)，將所收集的有關銀行轉賬的詳細信息與報紙信息關聯起來分析(包含了超過500 億字節的結構化與非結構化數據)。
四、人工智能對金融業的潛在微觀影響
(一)對金融市場的潛在影響
正面影響包括：第一，收集與分析更多信息，減少信息不對稱，促進市場參與者瞭解市場價格形成與各因素的關係，提升市場效率與穩定。第二，根據不斷變化的環境來快速調整交易與投資策略，改善整個金融市場的價格發現機制並降低整體交易成本。第三，提高交易速度與效率，增加金融市場的流動性。
負面影響包括：第一，若市場參與者使用相似的人工智能技術，可能會蘊藏金融穩定風險。第二，若基於人工智能的交易員表現更優，將激勵更多交易員採用類似策略，該策略的盈利能力可能因此降低。第三，內部人員或網絡犯罪分子可能利用高級優化技術和可預測的行為模式來操縱市場價格。第四，人工智能用於高頻交易可能成為新的脆弱性來源，即幾乎同時執行的大規模買賣活動可能加劇市場的波動性。
(二)對金融機構的潛在影響
正面影響包括：第一，促進更多金融機構使用人工智能來處理各種操作，實現日常業務流程的自動化;促進識別客戶需求併為其定製產品，將更多資源分配給有利可圖或有增長潛力的客戶。
第二，促進更早、更準確地開展風險評估，使金融機構更好地管理風險，減輕尾部風險，使整個系統受益;促進預測與檢測欺詐、可疑交易、違約和網絡攻擊等風險，提升風險管理水平。
第三，人工智能所具有的數據規模與開源特徵能促進金融機構與其他行業(如電子商務和共享經濟)之間的合作。
第四，用於檢測過度風險承擔和複雜交易，為金融機構設計更有效的風險管理對沖策略;促進更多信貸平臺實現借貸雙方的直接對連，減少對銀行貸款的依賴並降低銀行槓桿率，使金融機構的風險分擔結構更多元化。
第五，用於保險機構，有助於根據投保人的行為來不斷調整保費並提供個性化的保險政策，降低道德風險與逆向選擇的程度。
負面影響取決於其存在的不確定性：
第一，存在決策盲區。因金融機構和監管機構等人類用戶難以掌握人工智能進行交易與投資決策的流程以及通信機制，難以瞭解如何發生了不願發生的事以及需採取哪些防範措施。
第二，難以劃分損失責任。若由第三方開發的人工智能工具給金融中介造成巨大損失，執行交易的一方是否獨自承擔損失，監管機構和其他各方能否向工具開發商索賠?
第三，尚未解決依賴深度學習的交易之間發生共謀的識別問題。換言之，若算法交互的方式被人類視為共謀，那麼與人類一樣，其意圖證明(Proof of Intent)可能成為問題。
第四，可能低估風險。若每個投資者都在不充分了解應用程序及其尾部事件可能造成損失的情況下進行投資，則可能低估總體風險，並抬高分攤損失的費用(如訴訟成本)。
第五，高度依賴少數、重要的第三方蘊藏重大風險。若一家重要的人工智能供應商破產或遭受操作風險事件，則可能導致大量金融機構同時中斷運營。若人工智能用於金融機構的“關鍵任務”，風險可能更嚴重。
(三)對消費者與投資者的潛在影響
正面影響包括：第一，降低金融服務成本，讓消費者和投資者支付較低的費用與借貸成本。第二，促進消費者和投資者獲得更廣泛的金融服務。比如，提供機器人投顧，促進人們在各種資產市場的投資;對金融科技信貸進行高級信用評分，為消費者和中小企業提供更廣泛的資金來源。第三，通過大數據分析，把握每位消費者或投資者的特點，便於提供更多定製化與個性化的金融服務。
負面影響包括：第一，使用公共數據分析客戶特徵，可能引發數據隱私和信息安全問題。第二，可能引發信用評分、信貸提供和保險方面的歧視。即使不收集種族、宗教、性別等敏感數據，人工智能和機器學習算法也可能產生與這些指標有相關隱含關係的結果(如根據地理或個人的其他特徵)。
五、人工智能對金融業的潛在宏觀影響
(一)金融市場集中度和銀行系統重要性方面
1. 影響金融市場集中度
因僅少數大公司負擔得起開發與使用最具創新性的人工智能技術，因而壟斷性較高，會導致金融市場某些功能的集中度提高。同樣，能獲取大數據也是影響系統重要性的來源，尤其是若企業利用其特有的大數據來源而獲得大量範圍經濟的情況下。
2. 影響銀行系統重要性
若人工智能將銀行傳統服務“分拆”出去，使銀行專注於更狹窄的活動而不是提供全面服務，可能會降低大型全能銀行的系統重要性。而若全能銀行依賴相似的算法或數據，那麼其應對系統衝擊的脆弱性可能增加。若大型銀行成功地通過人工智能來增強市場力量，其系統重要性便增加。總體而言，當前難以判斷其對銀行系統重要性影響的程度。
(二)對金融網絡和相互關係的影響
1. 人工智能可能以新的方式強化金融市場與金融機構的關聯
例如，金融機構利用大數據的能力可能產生對以往不相關的宏觀經濟變量及金融市場價格更大依賴。當一些能產生“不相關”利潤或回報的算法被發現時，它們可能被大範圍使用，市場相關性因此會增加，原本不可預見的互連性將變得清晰起來。
2. 金融體系中更強的互聯性可能遭受極端衝擊的不利影響
例如，若大量金融機構的關鍵功能依賴於相似的數據來源和算法策略，一旦受到某一數據來源的衝擊，受影響的將不再是單家金融機構，而是成千上萬家看似相互獨立的金融機構。因此，集體採用人工智能工具蘊藏著危害金融穩定的風險。
六、對人工智能用於金融業的若干監管考慮
人工智能尚無統一的國際監管標準。鑑於它存在諸多風險，一些國際標準制定組織和監管機構分析了與算法交易相關的一些風險，並提出了加強人工智能監管的一些考慮，主要有以下幾個方面：
第一，國際證監會組織(IOSCO)分析了包括算法交易在內的新技術對市場監管的影響，提出了幾條值得考慮的建議，如數據收集與跨境合作。
第二，高級監管官組織(SSG，由世界各地監管當局高級代表組成的論壇)發佈了各國監管當局在評估銀行算法交易活動的實踐與關鍵控制時應考慮的原則。
第三，美國金融業監管局(FINRA)指出，開發基於人工智能和機器學習算法模型的公司，應有一個健全的開發過程，確保在每個開發階段都考慮到潛在風險。這對於避免市場濫用或導致無序的市場行為尤其重要。
第四，巴塞爾銀行監管委員會(BCBS)提出，健全的人工智能開發過程應與公司的內部政策與程序一致，並提供一個既滿足用戶目標又符合企業風險偏好與行為預期的產品。為支持新的模式選擇，企業應展示理論建設的開發證據、行為特徵和關鍵假設、輸入數據的類型與使用、數值分析程序和特定的數學計算、編寫語言與協議的代碼，並在每個開發階段建立制衡機制。
七、幾點重要的結論
儘管當前人工智能在金融領域運用方面的數據有限，但我們能看到諸多方面正積極使用人工智能，並改變著金融服務的方式。因而，現在就有必要開始思考人工智能對金融領域的潛在影響，而不是在潛在影響產生之後。雖然本文分析是初步的，但這種分析必將隨著其廣泛使用而逐漸加深。本文總結如下：
(一)人工智能有助於建立更高效的金融體系
一是面向客戶的應用，有助於更高效地處理信用風險信息以及更低成本地實現客戶交互;二是面向運營的應用，有助於改進風險管理、欺詐檢測、合規性管理，且成本更低;三是在投資組合管理中的應用，能更高效地處理信息，及早地降低價格失調及減少交易擁擠，提高金融市場的效率與彈性;四是在金融監管中的應用，能提高監管效率，可以更高效地分析、預警金融市場的系統性風險。
(二)可能產生若干家新的系統重要性機構
新技術的網絡效應和擴展性可能使人工智能服務日益由少數幾家大型技術公司提供，而金融機構考慮到這些供應商的聲譽、規模和互聯性，也可能選擇這類供應商。如此，未來可能產生新的系統重要性機構。而這一現象可能轉化為新的金融穩定風險，即若這類大公司發生重大的業務中斷或破產，則這種依賴關係與相互關聯將產生系統性負面影響。
(三)人工智能技術存在不可理解性或審計性
深化對人工智能技術的理解，是開展風險管理、增進公眾和監管機構對重要金融服務更大信任的重要條件。但現實是，許多公司在使用人工智能技術開發交易策略時，因其模型或算法過於複雜而難以理解，導致公司和監管部門都難以預測模型和算法所引導的行為將如何影響市場。而當模型的行為在市場中相互作用時，可能使金融市場產生意外或負面的後果。此外，監督機構現有的技能和專業知識能力也難以對人工智能模型/ 算法開展有效審計。由於無法把握其決策流程和通信機制，因而難以揭示其中蘊藏的新風險。
(四)人工智能可能帶來監管盲區
在金融機構依賴第三方提供人工智能服務的關鍵功能以及外包規則缺失或不被理解的情況下，一些供應商可能會遊離於監管之外。若這些工具供應商開始向金融機構或零售客戶提供金融服務，則這些金融活動也可能遊離於監管之外。鑑於這些擔憂，一些國際標準組織研究討論了一些監管規則，供各國參考借鑑。
閱讀更多 sidently 的文章
