對人工智能技術在普惠金融中應用的思考

謝林

【摘? 要】目前，人工智能技術在普惠金融的實踐中已經得到了較好的應用，主要是基于Logistic模型、決策樹、神經網絡以及支持向量機等模型的應用。但在實踐應用過程中，經營數(shù)據(jù)的不完整性和不連續(xù)性、人工智能系統(tǒng)在統(tǒng)計模型中的應用較為簡單、特定信息和數(shù)據(jù)的集中運用以及“強化學習系統(tǒng)”的弱解釋性都成為相關人員必須解決的問題。同時，對于未來人工智能技術在普惠金融發(fā)展中的應用，論文提出了幾點有益的建議。

【Abstract】At present， artificial intelligence technology has been better applied in the practice of inclusive finance. Its application is mainly based on Logistic model， decision tree， neural network， support vector machine and other models. However， in the process of practical application， the incompleteness and discontinuity of business data， the application of artificial intelligence system in statistical model is relatively simple， the centralized application of specific information and data， and the weak interpretation of "reinforcement learning system" have become the problems that must be solved by relevant personnel. At the same time， for the future application of artificial intelligence technology in the development of inclusive finance， the paper puts forward some useful suggestions.

【關鍵詞】人工智能技術;普惠金融;應用

【Keywords】artificial intelligence technology; inclusive finance; application

【中圖分類號】F832.1;TP18? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文獻標志碼】A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文章編號】1673-1069（2020）03-0136-02

1 引言

近五年來，我國一直十分重視普惠金融的發(fā)展，在2015年發(fā)布了《推進普惠金融發(fā)展規(guī)劃（2016—2020年）》，要求各大商業(yè)銀行在2017年之前設立專門的部門負責普惠金融業(yè)務的發(fā)展，并于2017年在北京召開了“全國普惠金融業(yè)務研討會”。同時，近年來人工智能技術在金融領域的應用呈現(xiàn)爆發(fā)式增長。以中國建設銀行為例，截至2018年底中國建設銀行以人工智能技術為風險控制基礎的普惠金融貸款余額達到了6310億，較2017年增長了2125.15億元，增幅達到了50.78%。因此，本文在整理歸納人工智能技術理論的基礎上，對人工智能技術在當前普惠金融業(yè)務應用中的問題進行了深入分析，并就未來人工智能技術在普惠金融業(yè)務發(fā)展中的應用提出了幾點建議。

2 人工智能技術在普惠金融中應用的理論分析

當前，人工智能技術在普惠金融中的應用主要集中在對小微企業(yè)的信用風險評價領域，而且主要是以“有監(jiān)督學習”為主，主要包括數(shù)據(jù)回歸、客戶分類以及模型預測幾個方面，特別是決策樹、神經網絡、支持向量機等模型方法均已成為人工智能技術在信用風險評價中的主流理論基礎。

2.1 Logistic模型應用的理論分析

近年來，一些學者應用人工智能技術進一步推進了Logistic模型在信用風險評估中的應用。熊正德等學者（2017）構造了狀態(tài)轉移方程，反向推測每類客戶的違約概率，利用有序分類Logistic模型及ROC檢驗進行了信貸業(yè)務的實證研究[1]。阮素梅（2018）則利用L1懲罰Logit模型，實證檢驗網貸信用違約的關鍵因素，并利用混淆矩陣與ROC曲線等分類評價方法，檢驗模型的違約預測效果，研究發(fā)現(xiàn)L1懲罰Logit模型具有很好的變量選擇功能，可以有效地識別影響信用違約的關鍵因素，降低管理者的監(jiān)管成本[2]。L1懲罰Logit模型能夠獲得比普通Logit模型、支持向量機等更好的預測效果，既能夠從總體上實現(xiàn)對信用違約狀態(tài)的準確預測，又能夠細致分析關鍵影響因素對違約概率造成的影響。

2.2 決策樹算法應用的理論分析

有部分研究分析了決策樹算法在信用風險評價中應用的效果，得到了較好的實證研究結果。Sideny（2014）提出使用決策樹等有監(jiān)督學習方法的預測欺詐行為，并通過變量篩選的方法，針對真實的在線商業(yè)數(shù)據(jù)，構造出一個比用所有變量更穩(wěn)定、準確率更高的決策樹模型[3]。王程龍等（2016）同時發(fā)現(xiàn)決策樹模型在解釋貸款違約原因、劃分信用等級以及降低違約率等方面具有適用性強、精確度高、可解釋強的優(yōu)勢。

2.3 神經網絡方法應用的理論分析

神經網絡因其在非線性模型回歸預測中的良好特性，得以更好地應用在高維度的信用風險評價模型中。目前，大量的文獻也對這類方法的應用進行了理論研究和實證分析。吳斌等人（2017）在考慮P2P中“軟信息”較多、“硬信息”缺失的特點基礎上，提出了基于BP神經網絡的信用評估模型，通過“人人貸”平臺收集的樣本數(shù)據(jù)進行實驗驗證，結果表明改進神經網絡評估模型比傳統(tǒng)BP神經網絡模型有更強的學習能力和預測能力。李昕等人（2018）應用BP神經網絡模型對P2P借款人信用評估進行實證測評，結果表明該模型具備良好的特征抽取和知識發(fā)現(xiàn)能力。

3 當前人工智能技術在普惠金融中應用存在的問題

區(qū)別于以往依賴個人和專家經驗的傳統(tǒng)風險評估控制系統(tǒng)，以算法和人工智能技術為基礎的智能化風險評估控制系統(tǒng)雖然幫助金融機構有效地降低了普惠金融業(yè)務運營的成本，也極大地拓寬了數(shù)據(jù)應用分析的廣度和深度，但是在當前的應用實踐中依然存在著不少的問題。

首先，存在小微企業(yè)經營數(shù)據(jù)不完整和不連續(xù)的問題。財務報表不規(guī)范，經營周期短，重要財務憑證不齊全等問題是小微企業(yè)在信貸業(yè)務受理過程中常見的問題和障礙，對于數(shù)據(jù)分析和應用而言，這也往往是數(shù)據(jù)層的問題，與算法或計算能力無關。因此，在業(yè)務的實踐中，我們往往可以看見技術工程人員和業(yè)務管理人員之間的爭執(zhí)，一方表示“巧婦難為無米之炊”，而另一方則會憤怒地指責工程師根本不懂業(yè)務，提出的要求不切實際。

其次，當前人工智能技術還僅僅是對風控模型的初級應用。一般而言，大部分金融機構會采用多變量風控因素評估模型，即主要是以特征財務比率和企業(yè)主要經營指標作為影響變量，并基于數(shù)理統(tǒng)計推導而建立起來標準模型，包括線性判別模型、線性概率模型、Logit模型和Probit模型等。這些風控模型往往含有前提假設限制性較強、數(shù)據(jù)要求較高、靈活性和包容性較差等缺點。因此，金融機構在通過應用金融科技開展風險管理時，僅將模型分析結果作為傳統(tǒng)人工風控判斷的輔助工具，或者將風險標準定得過高，從而將大量小微企業(yè)排除在外。人工智能技術在應用中還只是發(fā)揮了統(tǒng)計測算的功能，并不能在模型的修正或預測方面提供更有效的幫助。

再次，特定信息和數(shù)據(jù)的集中運用降低了風險管理的有效性。目前，較為成功和有效的小微企業(yè)信貸產品都會基于一些特定的信息和數(shù)據(jù)。這些信息和數(shù)據(jù)往往和不良率有著十分高的相關度，數(shù)據(jù)的真實性和權威性也可以得到保障，例如稅務數(shù)據(jù)或支付數(shù)據(jù)等。這些“賦值”超高的數(shù)據(jù)不僅互相之間具有很強的共線性，而且其貢獻度極大。因此，一旦這類數(shù)據(jù)“造假”或“缺失”，整個風險控制模型便會“失真”。

最后，人工智能技術的可解釋性太弱。由于金融機構在采用人工智能技術對風控模型進行強化學習時，一定會遇到“黑匣子”的問題，即系統(tǒng)分析得到的最終結論很難被有效解釋，這就使得風險管理部門在應用該系統(tǒng)時無法獲得有效的“正反饋”，不能準確地知道變量因子和違約概率之間的邏輯關系，從而難以判斷系統(tǒng)風險分析的正確性和有效性。更糟糕的是，風險部門無法據(jù)此和業(yè)務部門有效地溝通下一步業(yè)務發(fā)展中風險控制所關注的主要因素。

4 總結與建議

隨著大數(shù)據(jù)在普惠金融業(yè)務場景中的深入融合，人工智能技術當前遇到的問題都能在發(fā)展過程中得到解決，并將金融服務提供給傳統(tǒng)金融理論和風險評價模型難以覆蓋的小微企業(yè)群體。因此，本文也對未來人工智能技術在普惠金融發(fā)展中的應用提出幾點建議：一是利用人工智能技術對目標客戶進行更為有效的分類，進一步加強“無監(jiān)督學習”技術在潛在目標客戶分類中的應用。利用大數(shù)據(jù)挖掘和人工智能技術中不斷發(fā)展的分類算法，將看似無序的海量潛在客戶進行有效的分類，再由業(yè)務部門根據(jù)分類結果開發(fā)和創(chuàng)造新的金融產品予以匹配客戶的風險特征，滿足其不斷增長的融資需求。二是利用人工智能技術實現(xiàn)產品定價的差異化和個性化。人工智能技術技術的應用使得客戶的歷史經營數(shù)據(jù)和市場的海量數(shù)據(jù)可以更好地為客戶的風險特征進行“畫像”，也進一步使得金融產品的個性化和差異化具備了很高的可行性。三是進一步提高“強化學習系統(tǒng)”的可解釋性和可應用性。四是要構建人工智能系統(tǒng)的“自我糾錯”機制。

【參考文獻】

【1】熊正德，劉臻煊，熊一鵬.基于有序logistic模型的互聯(lián)網金融客戶違約風險研究[J].系統(tǒng)工程，2017，35（8）：29-38.

【2】阮素梅，周澤林.基于L1懲罰Logit模型的P2P網絡借貸信用違約識別與預測[J].財貿研究，2018，29（2）：54-63

【3】Tsang S，Koh Y S，Dobbie G，et al.Detecting online auction shilling frauds using supervised learning[J].Expert Systems with Application，2014，41（6）：3027-3040.