郭俊逸 陸昊鋮 吳仕琦 陳嘉健

金融科技的應(yīng)用旨在利用先進(jìn)的科技手段，推動金融服務(wù)的創(chuàng)新與變革，從而使得金融服務(wù)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(jì)，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(yīng)各種信息；到了20世紀(jì)，計算機(jī)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(jìn)入21世紀(jì)，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(jì)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(jī)器學(xué)習(xí)和深度學(xué)習(xí)等方法，人工智能模型能夠處理和分析大量復(fù)雜的金融數(shù)據(jù)，協(xié)助金融機(jī)構(gòu)進(jìn)行快速準(zhǔn)確地分析和決策，從而提高金融服務(wù)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(jī)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(yīng)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(yīng)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(fēng)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(dāng)今這個金融市場中，如何應(yīng)對這些挑戰(zhàn)，使得金融科技和人工智能的應(yīng)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(yīng)用在當(dāng)前金融領(lǐng)域存在的問題和風(fēng)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(yīng)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(jìn)行訓(xùn)練，OpenAI公司的G P T 3.5 模型使用1 7 5 B 個參數(shù)進(jìn)行訓(xùn)練，而目前效果最好的GPT4則使用多達(dá)1T個參數(shù)作為訓(xùn)練數(shù)據(jù) （S SOMAN，H G RANJANNI，2023）。由此可見，用于訓(xùn)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(xùn)練數(shù)據(jù)進(jìn)行預(yù)測，良好的訓(xùn)練數(shù)據(jù)可以幫助人工智能模型得到更準(zhǔn)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(fù)雜性使得數(shù)據(jù)預(yù)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(yīng)各類數(shù)據(jù)特性的人工智能模型預(yù)處理變得更為復(fù)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(jī)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(dǎo)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(yù)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(jī)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(jǐn)慎態(tài)度（B FANG，P ZHANG，2016）。部分私人金融機(jī)構(gòu)可能出于保護(hù)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(jìn)行訓(xùn)練，然而，對于一些短期內(nèi)收益起伏較大的金融機(jī)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(xùn)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(yīng)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(dǎo)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(xué)習(xí)和預(yù)測，從而影響模型的準(zhǔn)確性和穩(wěn)定性。

過擬合問題

過擬合（Overfitting）是機(jī)器學(xué)習(xí)和統(tǒng)計模型中的一個現(xiàn)象，其體現(xiàn)為模型在處理訓(xùn)練數(shù)據(jù)或歷史數(shù)據(jù)時表現(xiàn)優(yōu)異，然而在應(yīng)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(jìn)行準(zhǔn)確預(yù)測。具體來說，模型在訓(xùn)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(xùn)練數(shù)據(jù)中學(xué)習(xí)潛在規(guī)律。產(chǎn)生過擬合的原因包括模型復(fù)雜度過高、數(shù)據(jù)量過小、數(shù)據(jù)噪聲幅度大，以及訓(xùn)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(xué)習(xí)技術(shù)應(yīng)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(yù)測準(zhǔn)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(yīng)，這導(dǎo)致了金融市場具有較高的隨機(jī)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(xué)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(yù)期的結(jié)合，這意味著當(dāng)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(yù)測結(jié)果也會相應(yīng)地受到影響。此外，由于金融市場的隨機(jī)性，模型可能會在不斷地訓(xùn)練中過度適應(yīng)歷史數(shù)據(jù)中的噪聲，從而無法有效預(yù)測未來的趨勢，以至于造成人工智能模型預(yù)測結(jié)果偏差較大。

人工智能模型的偏見和公平性

當(dāng)前，普遍使用的人工智能模型的決策依據(jù)主要來源于訓(xùn)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(xùn)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(xùn)練過程中可能會無法判斷，甚至?xí)W(xué)習(xí)和復(fù)制這種偏差，從而導(dǎo)致其預(yù)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(yù)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(xùn)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(dāng)人工智能模型應(yīng)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(dǎo)致某些群體在使用金融服務(wù)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(yù)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(dǎo)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(dǎo)致一些嚴(yán)重的社會問題，尤其是在對模型準(zhǔn)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(jìn)行信貸評估時，如果訓(xùn)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(dǎo)致算法在評估信貸風(fēng)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(jìn)行不公平的高風(fēng)險評估。第二，投資策略：在使用算法制定投資策略時，如果訓(xùn)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(dǎo)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(jìn)行訓(xùn)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(fù)雜的算法在極短的時間內(nèi)進(jìn)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(jìn)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(dǎo)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(dǎo)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(fēng)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(xué)習(xí)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(xùn)練過程中進(jìn)行復(fù)雜的數(shù)學(xué)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(fù)雜的模型，例如深度神經(jīng)網(wǎng)絡(luò)，包含大量的隱藏層和參數(shù)，導(dǎo)致模型的決策過程十分復(fù)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(luò)（Convolutional Neural Network）或循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network），數(shù)據(jù)的復(fù)雜性也會導(dǎo)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。“黑箱”這一特征導(dǎo)致人工智能模型缺乏透明度，從而使監(jiān)管機(jī)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(rèn)為是非常重要的一個因素。監(jiān)管機(jī)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?xí)`反某些金融法規(guī)。例如，歐洲的通用數(shù)據(jù)保護(hù)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(jī)構(gòu)產(chǎn)生信任危機(jī)，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(jìn)行有效的風(fēng)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(dá)成目的的同時也不會危害到人身安全。對于應(yīng)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(fēng)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(yīng)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(yuǎn)影響的罕見事件，這類事件的特點是預(yù)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(yù)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(yīng)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(fù)雜的經(jīng)濟(jì)系統(tǒng)互動，在當(dāng)前經(jīng)濟(jì)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(fù)雜，可能會導(dǎo)致黑天鵝事件；三是政策因素，不可預(yù)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(dǎo)致俄羅斯和烏克蘭地區(qū)的實體經(jīng)濟(jì)受到嚴(yán)重打擊?；A(chǔ)設(shè)施遭到破壞，工廠停產(chǎn)，供應(yīng)鏈中斷，這些都直接影響了生產(chǎn)和貿(mào)易。進(jìn)而，這種影響會擴(kuò)散到全球范圍，尤其是對那些與這兩個國家有密切經(jīng)濟(jì)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(yīng)國，沖突可能導(dǎo)致能源供應(yīng)中斷，進(jìn)而推高全球石油和天然氣價格，影響全球經(jīng)濟(jì)的穩(wěn)定。再者，沖突引發(fā)的政治和經(jīng)濟(jì)不確定性會導(dǎo)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(fēng)險規(guī)避的心理大規(guī)模拋售股票和其他風(fēng)險資產(chǎn)，導(dǎo)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(fēng)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(yù)測的。并且其引起的一系列經(jīng)濟(jì)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(yīng)用的重要阻礙之一。黑天鵝事件的預(yù)測難度很大，人工智能模型對于此類事件的預(yù)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(yù)測準(zhǔn)確度會有一定下降。人工智能模型的預(yù)測失準(zhǔn)會導(dǎo)致金融機(jī)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(jì)損失。此外，黑天鵝事件發(fā)生后，模型將不得不進(jìn)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(fēng)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(yīng)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(yīng)用也逐步擴(kuò)大。然而，這種發(fā)展趨勢在某種程度上導(dǎo)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?！耙允窞殍b，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(dǎo)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(jì)發(fā)展產(chǎn)生了深遠(yuǎn)影響，被經(jīng)濟(jì)史學(xué)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(yù)測，未來20年，美國有47%的工作面臨被技術(shù)取代的風(fēng)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(wù)，如數(shù)據(jù)處理、審計以及某些類型的客戶服務(wù)，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(dǎo)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(jìn)而導(dǎo)致社會不滿情緒的上升。盡管人工智能的發(fā)展和應(yīng)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(jìn)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(fēng)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(yīng)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(hù)措施不足，可能會導(dǎo)致數(shù)據(jù)泄露，對個人或者企業(yè)造成嚴(yán)重?fù)p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(yù)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(dǎo)致其在金融決策中的表現(xiàn)不穩(wěn)定，甚至可能出現(xiàn)嚴(yán)重的錯誤。例如，如果一個模型對價格波動的預(yù)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(yīng)用中可能會導(dǎo)致嚴(yán)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(yīng)用越來越廣泛，它們也成了攻擊者的目標(biāo)。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(yù)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(zhǔn)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(rèn)真對待并謹(jǐn)慎管理。隨著人工智能的不斷演進(jìn)以及其在金融業(yè)務(wù)中的日益廣泛應(yīng)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(jī)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(yīng)用可能會打破金融市場的平衡。在中國，政府的干預(yù)對于經(jīng)濟(jì)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(yīng)用可能會對政府干預(yù)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(yù)的問題，以及可能打破資源分配平衡，導(dǎo)致財富兩極化。首先，如前所述，人工智能模型的復(fù)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?fù)雜的算法和大量的數(shù)據(jù)，這使得其決策過程往往難以理解和審查，進(jìn)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(yù)的能力。這是因為人為干預(yù)通常涉及對復(fù)雜的社會和經(jīng)濟(jì)問題的理解，需要在各種利益之間進(jìn)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(hù)，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(yīng)用可能會打破資源分配的平衡，導(dǎo)致財富的兩極化。因為人工智能模型的開發(fā)和應(yīng)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(jì)問題。

例如，通過LSTM股價預(yù)測模型的預(yù)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(yù)測準(zhǔn)確率，但其無法準(zhǔn)確預(yù)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(zhǔn)確預(yù)測復(fù)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(yīng)用的建議

盡管當(dāng)前的大部分人工智能技術(shù)在金融領(lǐng)域的應(yīng)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(yīng)用提出建議。

政府

在人工智能技術(shù)井噴式發(fā)展的當(dāng)前，政府和有關(guān)部門應(yīng)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(wù)的公平性等都有嚴(yán)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(jī)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(yīng)的實踐，對于推動人工智能模型在金融領(lǐng)域的成功應(yīng)用至關(guān)重要（吳漢東，2017）。

政府和有關(guān)部門應(yīng)考慮以下幾方面：第一，數(shù)據(jù)保護(hù)與隱私政策，規(guī)定如何收集、存儲、處理和共享個人和機(jī)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(jī)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(jī)構(gòu)在使用人工智能進(jìn)行決策時，應(yīng)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(fēng)險管理政策，需要有針對使用人工智能的金融機(jī)構(gòu)的特殊風(fēng)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(fēng)險；第五，人工智能責(zé)任和監(jiān)管政策，明確人工智能在金融交易和決策中的責(zé)任，建立相應(yīng)的監(jiān)管機(jī)制，確保人工智能的合規(guī)使用；第六，人工智能教育和培訓(xùn)政策，推動在金融機(jī)構(gòu)內(nèi)部進(jìn)行人工智能教育和培訓(xùn)，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(jī)構(gòu)、人工智能企業(yè)以及公眾共同參與和建設(shè)，從而為人工智能在金融領(lǐng)域的應(yīng)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(yīng)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(jī)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(jìn)行加密，是保護(hù)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(yīng)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(shè)施，確保使用的云服務(wù)或物理數(shù)據(jù)中心具有高級別的安全保護(hù)措施。數(shù)據(jù)中心應(yīng)該有嚴(yán)格的物理安全措施，以及高級的網(wǎng)絡(luò)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(yán)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(jìn)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(fēng)險。第五，建立有效的數(shù)據(jù)泄露應(yīng)急響應(yīng)機(jī)制，即使有最好的安全措施，數(shù)據(jù)泄露的風(fēng)險仍然存在。因此，應(yīng)制定數(shù)據(jù)泄露應(yīng)急響應(yīng)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(xùn)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(yīng)定期為員工和用戶提供數(shù)據(jù)安全培訓(xùn)，幫助他們了解如何保護(hù)數(shù)據(jù)，避免高風(fēng)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(xùn)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(shè)計職位，將一些職位的重點從執(zhí)行任務(wù)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(yīng)合理選取模型。隨著時代的進(jìn)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(fù)雜的神經(jīng)網(wǎng)絡(luò)，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(yīng)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(fù)雜問題簡單化，實現(xiàn)多元化的目標(biāo)。在選擇模型的時候，企業(yè)和從業(yè)者應(yīng)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(luò)（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(wù)需求，選擇的模型應(yīng)與具體的業(yè)務(wù)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(xué)習(xí)適合創(chuàng)建市場模型、創(chuàng)建交易模型、風(fēng)險分析、價格走勢預(yù)測等，信貸風(fēng)險評估、欺詐檢測、市場走勢預(yù)測等；強化學(xué)習(xí)（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(yīng)該不僅能做出準(zhǔn)確的預(yù)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(yīng)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(jī)構(gòu)能夠解釋其信貸決策的原因，在這種情況下公司應(yīng)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(yīng)考慮到技術(shù)實現(xiàn)的可行性。一些復(fù)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(shè)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(jìn)經(jīng)濟(jì)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(yīng)用應(yīng)基于維護(hù)社會穩(wěn)定的前提。

在使用人工智能模型時應(yīng)注重人工與智能相結(jié)合。具體來說，人類和機(jī)器在不同的任務(wù)上各有優(yōu)勢，機(jī)器擅長處理大量數(shù)據(jù)、執(zhí)行復(fù)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(yīng)該讓人和機(jī)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(jī)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(jī)械師、維修工等（許怡，2022）。企業(yè)、政府和社會有必要通過適當(dāng)?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(jī)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(yīng)執(zhí)行完整的風(fēng)險管理流程。金融機(jī)構(gòu)和企業(yè)在使用人工智能技術(shù)的時候需要進(jìn)行風(fēng)險評估與風(fēng)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(yīng)定期進(jìn)行全面的風(fēng)險評估，識別和量化使用人工智能可能帶來的各種風(fēng)險，包括數(shù)據(jù)隱私和安全風(fēng)險、技術(shù)風(fēng)險、合規(guī)風(fēng)險、業(yè)務(wù)連續(xù)性風(fēng)險等。不僅如此，在使用人工智能算法的時候應(yīng)進(jìn)行算法審核，保證其性能、可靠性和公平性。金融機(jī)構(gòu)和政府應(yīng)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(yīng)制定適合自身情況的風(fēng)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(fēng)險管理是人工智能在金融市場廣泛應(yīng)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(fēng)險管理，金融機(jī)構(gòu)才能充分利用人工智能，同時避免或最小化可能的負(fù)面影響。

關(guān)于人工智能模型在金融領(lǐng)域應(yīng)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(yīng)用于金融領(lǐng)域的人工智能模型中。因此，對于金融機(jī)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(yù)測準(zhǔn)確性，還有助于有效防范風(fēng)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(jìn)步將帶來更多可能性。隨著科技的進(jìn)步，越來越多新的算法不斷涌現(xiàn)，例如深度學(xué)習(xí)、強化學(xué)習(xí)等，將為人工智能模型在金融領(lǐng)域的應(yīng)用帶來更多的可能性。深度學(xué)習(xí)技術(shù)可以通過模仿人腦神經(jīng)網(wǎng)絡(luò)來理解和學(xué)習(xí)復(fù)雜的金融模型，從而實現(xiàn)更精準(zhǔn)的預(yù)測。而強化學(xué)習(xí)則可以通過不斷與環(huán)境互動和學(xué)習(xí)，達(dá)到優(yōu)化決策的目的，這對于金融機(jī)構(gòu)在不確定環(huán)境下的決策有著重要價值?？梢灶A(yù)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(luò)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(fù)雜的功能。自動化指未來的模型會具備自我學(xué)習(xí)、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(xué)習(xí)、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(jìn)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(xué)效應(yīng)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(jìn)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(fēng)險而實施的一項監(jiān)管要求方面的實際應(yīng)用（Jonathan，2022）。一些大型金融機(jī)構(gòu)正在逐步認(rèn)識到，量子計算在未來具有深遠(yuǎn)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(jī)構(gòu)的團(tuán)隊正積極探索量子計算在金融領(lǐng)域中的優(yōu)化效應(yīng)，并對其在人工智能模型中的潛在應(yīng)用可能性進(jìn)行深入研究。邊緣計算作為云計算的一種補充，進(jìn)一步推動了微型機(jī)器學(xué)習(xí)（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(jìn)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(yīng)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(jìn)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(yù)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(yù)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(jī)構(gòu)更好地適應(yīng)市場的快速變化。

結(jié)語

盡管人工智能在金融領(lǐng)域的應(yīng)用道阻且長，但是其在數(shù)據(jù)處理、風(fēng)險預(yù)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(jìn)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(yán)格的監(jiān)督和科學(xué)指導(dǎo)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(fēng)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(wù)進(jìn)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(yīng)用道路上的難題，為今后實現(xiàn)這一具有深遠(yuǎn)影響的轉(zhuǎn)型做準(zhǔn)備。