介紹

在信用風險管理過程中應用人工智能（AI）已成為銀行業(yè)的熱門話題之一。 在進行有關AI應用的行業(yè)調(diào)查之后，香港金融管理局（金管局）在2019年11月發(fā)布了《應用人工智能的高層次原則》和《認可機構應用大數(shù)據(jù)分析及人工智能涉及的消費者保障事宜》。這是香港監(jiān)管機構就認可機構應用AI方面的首批明確發(fā)文。 已采用或計劃采用AI解決方案的銀行需要識別與高層次原則的差距，同時熟悉業(yè)界應用AI的最新發(fā)展。

機器學習

最簡單來說，AI可定義為機器對人類智能的模擬。 這是一個快速發(fā)展的領域，涵蓋了機器解決各種問題的過程。 機器學習（ML）是AI的一個子領域，它使電腦可以通過數(shù)據(jù)自身學習。 計算能力的進步促成了各種機器學習算法，例如深度學習、隨機森林、梯度提升算法（如XGBoost和LightGBM）、聚類分析（如k-means和DBSCAN）等。

機器學習算法中常見的程序，包括回歸、分類、形成網(wǎng)絡和判別分析（聚類），都十分適用于信用風險管理。 德勤研究發(fā)現(xiàn)，機器學習算法在各種應用的預測能力（例如預測違約）都優(yōu)于傳統(tǒng)模型。 此外，機器學習算法還可用于非結(jié)構化數(shù)據(jù)分析，包括文本分析。這使機器學習在信用風險管理方面的應用更多樣化，例如透過分析媒體報導對信用預警信號進行建模。

信用風險管理中的應用

AI在信用風險管理中的應用雖仍屬萌芽階段，但隨著可用數(shù)據(jù)的急劇增長和機器學習算法的不斷進步，可預見這個領域?qū)⒂芯薮筮M展。從以下兩個近來急速發(fā)展的應用示例可見一斑：

1.    違約概率

傳統(tǒng)的違約概率（PD）模型在很大程度上依賴于邏輯回歸(logistic regression) 。該模型相對容易理解，數(shù)十年來亦一直是市場最佳實踐，但是傳統(tǒng)模型無法捕獲實際數(shù)據(jù)中可能存在的所有復雜關系。也就是說，傳統(tǒng)方法未盡用能從數(shù)據(jù)中發(fā)掘的預測能力

德勤法國進行的有關PD建模的案例研究發(fā)現(xiàn)，多項模型表現(xiàn)指標均表明，使用隨機森林、梯度提升和堆疊法在構建PD模型中優(yōu)于邏輯回歸模型。在適當?shù)臈l件下，在模型估計中采用機器學習方法很大可能會提高模型的準確性。

不過，機器學習在提升模型準確性的同時，通常亦會令模型變得難以解釋。機器學習之所以常常被稱為"黑匣子"，是因為很難以直觀的方式解釋其模型輸入和輸出之間的關系。也正因如此，業(yè)內(nèi)人士和監(jiān)管機構都不時對采用機器學習方法提出質(zhì)疑。當模型的可解釋性對于金融監(jiān)管機構來說仍然是一大關鍵時，也許這些質(zhì)疑的聲音在未來幾年也不會消停。

最近，各界開始協(xié)同合作，試圖打開機器學習信用模型的這個"黑匣子"，為機器學習模型得到更廣泛的應用踏出了重要的一步。例如德勤法國開發(fā)了一個名為“Zen Risk”的解決方案，結(jié)合了傳統(tǒng)回歸算法和機器學習算法兩者的優(yōu)勢，產(chǎn)出準確且可審核的模型。

2.    信用預警信號

信用預警信號通常用于識別違約風險顯著上升的實體。 傳統(tǒng)的預警系統(tǒng)通?；诖罅课唇?jīng)實證的指標，并且嚴重依賴專家判斷。

AI擅長使用大量的高速數(shù)據(jù)來進行信用違約預警。憑借足夠的計算能力，AI算法能透過不同來源的指標提高預警信號的準確性。

自然語言處理技術（NLP）的出現(xiàn)也使分析文本信息變得可能。 NLP在我們的日常生活中的例子不勝枚舉，包括翻譯軟件、智能手機虛擬助手、銀行智能客服等。 從社交媒體帖子到傳統(tǒng)報刊的財經(jīng)新聞，只要是書面媒體，NLP都可以將其用于信用分析中，取代以往須由人工執(zhí)行的繁瑣工作。

從德勤中國開發(fā)的“德勤智慧債券”解決方案中可以看到NLP的出色表現(xiàn)。德勤智慧債券是具有實時預警和輿情監(jiān)測功能的債券信用風險管理平臺。于2018年前10個月進行的試行測試結(jié)果表示，其對中國債券市場的預警準確率達到100％。

挑戰(zhàn)

金管局在2019年第三季進行的一項調(diào)查顯示，香港銀行業(yè)應用AI的首五大障礙是：缺乏具備AI專業(yè)知識的員工、數(shù)據(jù)量不足、AI的設計倫理、數(shù)據(jù)隱私和安全、以及法律和合規(guī)挑戰(zhàn)。

由于信用風險管理一直是監(jiān)管機關高度關注的領域，銀行應特別留意以下的挑戰(zhàn)：

1.    合規(guī)性

金管局的一大工作重點就是監(jiān)管銀行的風險管理能力。他們期望金融機構擁有更透明、可審核的風險測量框架和業(yè)務決策流程。其《應用人工智能的高層次原則》發(fā)文中強調(diào)了董事會的責任、企業(yè)內(nèi)部的專業(yè)知識、可審計性、數(shù)據(jù)質(zhì)量、第三方管理和數(shù)據(jù)保護。

金管局是否會允許應用AI信用風險模型以作監(jiān)管報告用途還是未知之數(shù)。 不過，既然以"黑匣子"聞名的AI模型都顯然難以解釋，那銀行如何提升其解釋性、透明度和可審計性來滿足監(jiān)管期望的問題將無可避免。

為了獲得金管局的批準，銀行還應遵守金管局在《認可機構應用大數(shù)據(jù)分析及人工智能涉及的消費者保障事宜》中提出的要求，例如治理和問責制、公平原則、透明度和披露要求以及數(shù)據(jù)隱私和保護。

盡管金管局尚未發(fā)布有關采用AI法規(guī)的時間表，但銀行在開發(fā)AI解決方案時應積極與金管局進行磋商，以確保能滿足監(jiān)管要求。

2.    模型治理

在投入大量時間和資源訓練AI算法之后，模型結(jié)果仍然可能是難以解釋，甚至導致決策失誤。 如果模型沒有適當?shù)慕忉?，使用AI模型可能會帶來比以往更大的模型風險。

為了應對與AI相關的風險，需要對風險管理框架進行調(diào)整，例如模型開發(fā)的假設和方法論，模型輸入和控制措施都需要重新檢視。 模型解釋和動態(tài)校準之類的程序?qū)τ诰S護AI模型也是不可或缺的。

3.    數(shù)據(jù)質(zhì)量

無異于傳統(tǒng)的信用風險模型，AI模型也對數(shù)據(jù)敏感。由于訓練AI模型需要足夠大而全面的數(shù)據(jù)集，銀行在處理跨平臺和跨系統(tǒng)的大數(shù)據(jù)時應特別注意數(shù)據(jù)標準化、準確性、有效性和完整性。錯誤的數(shù)據(jù)應該盡早發(fā)現(xiàn)并糾正。

除數(shù)據(jù)質(zhì)量外，銀行應采取措施去緩解有關處理大數(shù)據(jù)時的風險，例如數(shù)據(jù)隱私、網(wǎng)絡安全和計算能力。 此外，銀行應注意其他相關規(guī)定，例如跨境數(shù)據(jù)處理，云計算等。

下一步是什么？

應用AI將逐漸成為信用風險建模中的一個不可缺少的環(huán)節(jié)。 除了金管局調(diào)查顯示香港 89％的銀行已采用或計劃采用AI，金管局首席執(zhí)行官余偉文在2019年香港金融科技周主題演講中亦提到，金管局已在AI應用和合規(guī)科技 (RegTech) 的開發(fā)取得進展。 香港的銀行業(yè)亦可觀望其他地區(qū)的相關監(jiān)管發(fā)展作為自己的參考。例如，新加坡金融管理局發(fā)布的《新加坡金融部門在使用人工智能和數(shù)據(jù)分析中促進公平，道德，問責和透明度的原則》（FEAT）里面就有不少值得香港金融機構借鑒的內(nèi)容。

隨著技術的快速成熟和對AI模型更深入的理解，我們預計在未來三到五年內(nèi)，金融服務領域的AI應用將會有可觀的增長。AI影響的范圍包括欺詐檢測、模型驗證、壓力測試和信用評分等領域。但是，由于大多數(shù)AI算法的黑匣子性質(zhì)，相應的治理框架仍較落后。這將影響機構的模型治理框架，并且需要高質(zhì)量的數(shù)據(jù)來確保AI正常運行。

為了利用AI解決方案展現(xiàn)的可能性并贏得金融監(jiān)管機構的信心，信用風險從業(yè)人員應密切關注AI在其自身組織中的實施進程，并開誠布公地與主管表達自己的想法。