監(jiān)管領域的大數(shù)據(jù)和人工智能應用探索
——以虛假貿(mào)易融資行為分析為例

（中國人民銀行西寧中心支行 青海西寧 810001）

金融科技的快速蓬勃發(fā)展，增強了我國金融服務的可獲得性，助推了普惠金融的有效實踐，提升了金融資源的配置效率，為金融市場的發(fā)展注入了生機和活力，但金融科技在極大地改變著金融市場格局的同時，也對其“事中事后”產(chǎn)生的海量數(shù)據(jù)和異常行為監(jiān)管帶來新的挑戰(zhàn)。監(jiān)管科技是以數(shù)據(jù)為核心和驅(qū)動的新金融監(jiān)管解決方案，金融大數(shù)據(jù)應用普及并嵌入金融行為，可有效防范和化解金融風險，提高金融監(jiān)管效率，穩(wěn)定金融市場秩序和維護金融體系安全。

一、貿(mào)易融資形勢與異常特征分析

從整體趨勢上來看，自2018年以來，我國貿(mào)易融資總體規(guī)模呈現(xiàn)加速下降的態(tài)勢，主要以國內(nèi)貿(mào)易融資為主。除1、3月出現(xiàn)明顯波峰外，其余月份貿(mào)易融資額基本趨于平穩(wěn)，波動主要系銀行業(yè)各金融機構(gòu)在年初集中完成信貸投放所致（圖1）。且國內(nèi)貿(mào)易融資以美元為主要融資幣種。

圖1 2018 年以來全國貿(mào)易融資規(guī)模走勢 單位：億美元

從相關(guān)性上來看，我國貿(mào)易融資規(guī)模與進出口總量及離岸轉(zhuǎn)手買賣交易總量呈較大的正相關(guān)性。在2018年2月和2019年2月，我國進出口總量和離岸轉(zhuǎn)手買賣總量急劇下降，貿(mào)易融資總量也隨之大幅下降，而隨著3月進出口總量快速拉升，貿(mào)易融資也相對活躍(圖2)。

圖2 貿(mào)易融資、進出口及轉(zhuǎn)口貿(mào)易總量情況 單位：億美元

從行業(yè)結(jié)構(gòu)來看，聚焦比例大幅提升的行業(yè)是數(shù)字經(jīng)濟與先進制造業(yè)。貿(mào)易融資排名第一，緊隨其后的為批發(fā)業(yè)、電器機械與器材制造、化學原料制造等，而大幅下降的行業(yè)是房地產(chǎn)業(yè)、非金屬礦物制品業(yè)、黑色金屬冶煉和壓延加工，貿(mào)易融資同比平均下降44.2%（圖3）。

圖3 貿(mào)易融資行業(yè)分布情況 單位：億美元

從地域分布來看，貿(mào)易融資區(qū)域分布主要集中在我國的東部和沿海經(jīng)濟發(fā)達地區(qū)，但中西部地區(qū)活躍度明顯增強，有向中西部地區(qū)轉(zhuǎn)移趨勢（圖4）。

圖4 貿(mào)易融資區(qū)域分布情況 單位：億美元

從異常特征上來看，貿(mào)易融資企業(yè)是基于銀行提供的授信額度或通過承兌匯票質(zhì)押、信用擔保、質(zhì)押擔保方式，提高融資杠桿、增加融資期限，擴大融資規(guī)模。虛假貿(mào)易融資存在以下幾個主要特征：一是融資期限較長。虛假貿(mào)易融資期限多在180天以上，甚至出現(xiàn)多筆360天期限的貿(mào)易融資。二是多在異地銀行辦理貿(mào)易融資業(yè)務，呈現(xiàn)頻率高、規(guī)模大、交易對手單一、交易時間集中的特點。據(jù)統(tǒng)計，企業(yè)使用重復交易單證辦理的貿(mào)易融資中，異地銀行家數(shù)占比75%。三是貿(mào)易型公司為造假主力，由于此類公司沒有固定生產(chǎn)場所，僅在上下游企業(yè)間轉(zhuǎn)移貨物，易于躲避監(jiān)管部門的現(xiàn)場核查，又便于獲得出口獎勵等政府臨時性補貼；四是融資資金用途與還款資金來源與進出口貿(mào)易背景關(guān)聯(lián)度低，多是套取外匯資金結(jié)匯使用，再以企業(yè)間拆借資金償還為目的。

基于以上分析結(jié)論，在以大數(shù)據(jù)為基礎的新金融監(jiān)管中，利用大數(shù)據(jù)及人工智能技術(shù)對虛假貿(mào)易融資企業(yè)交易行為進行分析研究，提煉交易特征并應用到未來貿(mào)易融資企業(yè)的行為識別中具有重大實踐意義。

二、基于機器學習融資異常行為識別

在機器學習中，區(qū)分貿(mào)易融資企業(yè)是正常或異常屬于人工智能中的分類問題，對于分類問題，可以應用無監(jiān)督學習與有監(jiān)督學習方法開展分析并根據(jù)測試結(jié)果和現(xiàn)場檢查確定其可行性。

（一）無監(jiān)督學習

該方法無外部學習指導，具有探索未知性的優(yōu)點，更易發(fā)現(xiàn)被忽略的新特征、新規(guī)律。把負面主體與目標主體混合后，按照K-Means聚類算法（又叫K均值算法，在給定一個數(shù)據(jù)集和需要劃分的數(shù)目k后，該算法可以根據(jù)某個距離函數(shù)反復把數(shù)據(jù)劃分到k個簇中，直到收斂為止）。其主要特點是能處理大數(shù)據(jù)集，且時間復雜度不能太高，同時能處理現(xiàn)實中不同類型的屬性。高維性、可解釋性、可用性強、成熟度較高，從時空維度分析交易屬性并進行分類，使同一類別內(nèi)的個體具有盡可能高的同質(zhì)性，而不同類別之間則具有盡可能高的異質(zhì)性。

使用SAS統(tǒng)計分析系統(tǒng)搭建智能分析模型組合，如圖5所示，通過實驗參數(shù)優(yōu)化，得出在所有目標主體與負面主體混合的貿(mào)易融資企業(yè)分為30個類簇時，聚類效果最好，類別最少，如表1所示。對表中占比大于70%以上的分類可以實施精準判斷簇中存在的樣本有較大的虛假可能性。

圖5 無監(jiān)督的機器學習建模過程

表1 類簇分布情況

（二）有監(jiān)督的機器學習

相較無監(jiān)督機器學習，有監(jiān)督的學習更具主觀能動性，通過給負面樣本與正面樣本打注標簽，分別交與機器進行數(shù)據(jù)特征學習，并在學習過程中進行教師糾正認知，風險識別精準度更高。

根據(jù)模型學習條件，將正面樣本和負面樣本集合進行數(shù)據(jù)分集，并建立模型：

表2 數(shù)據(jù)分集

根據(jù)模型學習條件，按照7：3 的比例，將正面樣本和負面樣本集合進行數(shù)據(jù)分集，如表2 所示，變量“biaoshi”代表分類對象，數(shù)值型值“0”代表正常企業(yè)，“1”代表異常企業(yè)。

應用多種有監(jiān)督的分類模型展開實驗（如圖6所示），再通過識別率等比較條件，選擇最優(yōu)模型進行優(yōu)化調(diào)整。本部分使用了較成熟且良好的“決策樹”“boosting（同質(zhì)集成學習器）”“神經(jīng)網(wǎng)路”“l(fā)ogtic回歸”“HP神經(jīng)”等模型進行學習。同時為增加學習的多樣性，增加了“集成”學習策略，即采用異質(zhì)的集成學習策略，進行綜合評判。

由圖6所示，整個學習識別過程為：首先裝載數(shù)據(jù)，其次進行“數(shù)據(jù)分區(qū)”，然后分別應用各類模型進行學習，并利用“模型比較”模塊對所有子模型的評價指標綜合判定，最終推選出最優(yōu)模型。由表3可得，經(jīng)過上述模型學習比較，最終得出“HP神經(jīng)”模型為最優(yōu)，應用驗證集測試，誤分類率低于5%，已完全滿足模型實際應用的條件。

圖6 有監(jiān)督的機器學習建模過程

表3 最優(yōu)模型推選比較

優(yōu)化后的“HP神經(jīng)”網(wǎng)絡學習結(jié)構(gòu)，如圖7所示，整體為三層網(wǎng)絡架構(gòu)，輸入層輸入主體交易屬性指標，隱藏層是直連學習計算，輸出層判斷正常與異常，通過教師樣本進行結(jié)果修正，反饋隱藏層神經(jīng)元，優(yōu)化神經(jīng)元激活函數(shù)，增加學習動量項，加速學習效率，提升學習識別精準度。

圖7 HP 神經(jīng)網(wǎng)絡結(jié)構(gòu)示意圖

經(jīng)過學習優(yōu)化后，應用驗證樣本集，測試HP神經(jīng)網(wǎng)絡模型的學習成果。結(jié)果如表4所示，目標為“0”（正常企業(yè)），結(jié)果為“0”，機器判斷結(jié)果一致；目標為“0”，結(jié)果為“1”（負面企業(yè)），機器誤判結(jié)果；目標為“1”，結(jié)果為“0”，機器漏判結(jié)果。對于整個樣本集，正確識別率達到95.8%。至此，完成整個訓練。導入訓練學習完成后的模型，機器自主甄別貿(mào)易融資型企業(yè)，選擇分類結(jié)果是“1”，并且評分概率大于90%的企業(yè)作為可疑企業(yè)，模型應用效果良好。

表4 HP 神經(jīng)網(wǎng)絡模型準確率驗證結(jié)果

三、金融科技成果應用結(jié)論

跨境貿(mào)易融資某種程度上是當前境內(nèi)外匯率和利差等原因造成的企業(yè)資金擺布行為，其中有利用真實貿(mào)易背景套利的行為，也有虛假的交易背景摻雜其中。隨著宏觀形勢不斷變化，積極運用人工智能開展對異常貿(mào)易融資的分析，是大數(shù)據(jù)時代的主要方向。通過應用人工智能的數(shù)據(jù)分析方法，虛假貿(mào)易融資行為甄別的自動性、時效性和成案率均得到有效提高。應用無監(jiān)督機器學習與有監(jiān)督機器學習方法，在測試樣本中取得了高精準識別率，在實際案件查處過程中得到了有效驗證，具有良好的應用前景。一方面可以解決貿(mào)易融資現(xiàn)場監(jiān)管耗時耗力且難以實現(xiàn)穿透性監(jiān)管的痛點，最重要的也是在基于大數(shù)據(jù)為趨勢的貿(mào)易融資行為，改變現(xiàn)有的監(jiān)管模式，借助人工智能的手段進行精準識別和風險預警。另一方面可以改變過去傳統(tǒng)的以分業(yè)監(jiān)管和現(xiàn)場監(jiān)管為主的監(jiān)管手段和方式，利用監(jiān)管科技手段實現(xiàn)多角度、廣覆蓋的監(jiān)管，并實現(xiàn)以非現(xiàn)場混業(yè)監(jiān)管為主，現(xiàn)場監(jiān)管為輔的融合監(jiān)管，提升監(jiān)管的層次、深度和覆蓋面。

四、展望及建議

（一）“數(shù)據(jù)孤島”仍需突破

監(jiān)管科技依托于大數(shù)據(jù)，目前受限于業(yè)務種類，部門的數(shù)據(jù)使用風險問題，不具備共享性，易形成數(shù)據(jù)孤島，如果要突破這類問題仍存在巨大障礙，雖然現(xiàn)有的數(shù)據(jù)體量很大，但數(shù)據(jù)孤島的數(shù)據(jù)無統(tǒng)一標準，維度也不盡相同，因此無法進行高效分析利用，進而轉(zhuǎn)化為指導合規(guī)行為的決策和行動能力，監(jiān)管科技的市場價值無法實現(xiàn)，數(shù)據(jù)價值和共享信息安全之間仍然需要一個平衡點，建立數(shù)據(jù)安全保障更是監(jiān)管科技面臨的挑戰(zhàn)。監(jiān)管科技以數(shù)據(jù)驅(qū)動、數(shù)據(jù)聚合、數(shù)據(jù)處理、建模分析為基礎，必須加強數(shù)據(jù)互通，打破數(shù)據(jù)孤島，構(gòu)建監(jiān)管部門與金融機構(gòu)之間的數(shù)據(jù)交換共享機制，整合現(xiàn)有的大數(shù)據(jù)平臺，打造全行業(yè)數(shù)據(jù)集合。同時制定統(tǒng)一的數(shù)據(jù)采集標準口徑、數(shù)據(jù)交換標準，加強數(shù)據(jù)綜合利用，并建立數(shù)據(jù)安全的等級保護機制，為數(shù)據(jù)共享保駕護航。

（二）負面主體清單歸集類型較單一

我國自2015年實施市場負面主體清單制度以來，市場環(huán)境得到凈化，市場秩序得到維護，在配置市場資源，規(guī)范市場化運行中發(fā)揮了重要的作用，同時也為應用新監(jiān)管科技奠定了良好的數(shù)據(jù)基礎。負面主體清單是各監(jiān)管部門在處置違法違規(guī)行為過程中收集的主體相關(guān)信息。通過數(shù)據(jù)層面提取負面主體的相關(guān)交易行為，應用大數(shù)據(jù)與人工智能，分析異常特征規(guī)律，同時可以作為關(guān)系發(fā)現(xiàn)原點，利用關(guān)系圖譜技術(shù)，可以將與負面主體存在直接或間接關(guān)聯(lián)的主體都打上標簽，建立關(guān)系規(guī)則，可以有效提高數(shù)據(jù)監(jiān)管效能，化被動監(jiān)管為主動出擊，在海量的數(shù)據(jù)中快速、精準識別異常，提高篩查結(jié)果準確率，使隱藏的違法違規(guī)行為完全暴露，同時也可以根據(jù)數(shù)據(jù)特征，為今后的政策制定和優(yōu)化提供重要的參考依據(jù)。對負面主體信息的采集較為單一，一是監(jiān)管部門收集的負面主體違規(guī)行為信息采集較為單一，不能完全還原違規(guī)行為發(fā)生的前因后果和行為動機。二是未能有效采集負面主體的上下游信息，負面信息較為片面，沒有聯(lián)動作用。三是負面主體的違規(guī)風險評價指標仍為空白。針對以上存在的不足，可以通過建立信息系統(tǒng)進行違規(guī)行為錄入過程中的采集自動化，同時加強對上下游的主要信息進行聯(lián)動采集，從而可以形成對負面主體在監(jiān)管事項下的完整違規(guī)行為畫像，同時業(yè)務專家進行風險評級設定，同時結(jié)合人工智能等方法進行輔助量化，建立規(guī)范、合理的風險評價指標，加強市場風險預警功能。

（三）“黑箱”原理可解釋性需加強

在上述應用的有監(jiān)督學習模型中，雖然具有主觀能動性，具備指導糾正學習能力，調(diào)整優(yōu)化的過程可干預，識別異常的精準度更高，適用性可判斷等優(yōu)點，但是其缺陷也相對較為明顯，即特征不可解釋的“黑箱”原理，模型輸出結(jié)果主要服務于金融監(jiān)管的各項活動，但監(jiān)管部門不能僅僅依靠不可解釋的模型結(jié)論對市場主體進行處置，還需要專家經(jīng)驗和現(xiàn)場檢查佐證，才能最終查實。因此監(jiān)管制度對于模型可解釋性提出了極高的要求，使得涉及的“黑箱”原理的模型難以在業(yè)務場景中推廣落地。這需要在技術(shù)層面進行突破，在無法了解數(shù)學根本原理的情況下，可以通過對識別其它結(jié)果輔助工具進行二次分析，總結(jié)規(guī)律和經(jīng)驗，統(tǒng)計數(shù)值分布情況，從中發(fā)現(xiàn)應用結(jié)果可跟蹤追溯與驗證。

（四）人才儲備隊伍需要加強

監(jiān)管科技是金融、監(jiān)管、技術(shù)的有機融合。從事監(jiān)管科技開發(fā)，運營的人才需要具備復合的背景知識，既能夠把握金融市場的脈搏，熟悉監(jiān)管政策，還需要理解技術(shù)架構(gòu)，當前缺少此類領域的從業(yè)人才，這也使得監(jiān)管科技的發(fā)展有類似短板的木桶，無法符合監(jiān)管科技行業(yè)各方的利益訴求，在一定程度上造成實踐應用的環(huán)境欠佳，制約監(jiān)管科技的發(fā)展。鼓勵科技創(chuàng)新是發(fā)展監(jiān)管科技的應用之義，監(jiān)管部門應用科技部門加強合作，共同研發(fā)基于人工智能，機器學習的監(jiān)管工具，提高金融監(jiān)管效率，注重對復合型人才的培養(yǎng)。