民粹主义为何抬头？凯恩斯主义为何诞生在1930年代，答案都在历史中： 了解历史知识对经济学者来说非常重要 过去十年中，全球民粹主义重新抬头。之所以被称为民粹主义，是因为我想不出还有什么别的词可以形容它，其本质上是极端政治。所有抵制全球化的论调和历史告诉我们：最后一次全球化浪潮发生在19世纪末，以一场世界大战结束。我们现在所处的动乱有滑向大规模热战的危险吗？如果答案是肯定的，我们应该从过去的事件中吸取教训，如果我们上次误入歧途，那需要知道下次应该如何规避。 对于经济学的学生来说，知道自己所学理论的来源是尤为重要的。它何时来自哪个国家的什么地方？科学经济学在18世纪得以发展，为什么是在18世纪而不是14世纪？它是特定时代的产物，要理解它，还必须具备一些那个时代的背景知识。比如为什么这些教义在这个时候被宣扬？凯恩斯主义经济体系也是如此，为什么它会在1930年代出现？如果不知道那时候大规模的失业持续了数年，有人就可能觉得凯恩斯体系很莫名其妙。学生必须知道这件事，这样他们才能辨别教授教给他们的东西是真是假。学习这些模型——它们是关于世界运作方式最新、最好的解释。此外，还得多问几个“为什么”。为什么在100年前他们没有这种模型？为什么他们用的模型大不相同？为什么卡尔·马克思会成为一个伟大的思想家？工业革命时期到底发生了什么事？因此，从这些原因来看，历史知识非常重要。 由于脱离历史，经济学面临被边缘化的危险 至于经济思想史，学生们确实应该清楚，个中观点确实莫衷一是，从来没有一个大一统的论断。我觉得直到近期，经济学界才基本统一在单一的新古典主义模型上。但是纵观整个经济史，有各种各样的模型，那时其实还不叫模型，因为一旦被称为模型，理论研究基本就到头了。因为随着模型越来越偏离事实发展，经济学会面临被边缘化的危险，除非它能自我更新。而它更新的是10年前出错的地方，因为这是冷战后时代最骇人的经济事件，而经济学家的传统模型并没有捕捉到这一点，他们认为这是不可能的，也不知道该怎么办，现在他们声称一切都已经解决了。每个人都意识到并非如此，但我们还是很容易放松警惕。 历史非常重要，可悲的是经济学界对历史的关注越来越少，所以，我认为经济学家所面临的挑战在某种程度上已经发生了。虽然不是完全相同的形式，但它们确实存在。 我们可以学习前人们是如何处理这些问题的。但是要成为一个好的经济学家，你必须还要具备很多其他的东西：你必须具有历史观，将自己置身于历史环境；你必须给自己心理建设，摆脱经济学人的身份束缚“人形机器”；你还要掌握一些社会学知识，要知道人与人之间是相互联系的；你也要对政治有所了解，了解政权和势力关系。因此，这不仅仅是历史，还涉及到一系列的学科，也许可以省去一些技巧性的东西，因为很多技术只是锦上添花的装饰品。 所以我呼吁：再平衡！重新平衡经济学家的教育，少一点技巧，多一些其他方面的知识。 历史的伟大之处，在于它能让你置身于变化之中，瞬息万变的历史洪流裹挟着我们前进。我们要从这里到那里，但我们又到底在哪里？历史不会重演，但常常前后呼应。通过历史，我们可以开始意识到自身处境以及未来可能面临的挑战！ 作者简介；罗伯特·斯基德尔斯基（Robert Skidelsky）：经济史学家、英国华威大学政治经济学荣誉教授。他的作品《凯恩斯传》获得了多个奖项，其中包括莱昂内尔·盖尔伯奖和美国外交关系协会奖。1991年，他获得英国勋爵爵位， 1994 年成为英国社会科学院院士。
“人工智能与金融业深度融合的新业态，是金融模式变革的方向，在大力发展的同时亦需要提防可能带来的系统性风险。”中国金融四十人论坛(CF40)资深研究员、中国证监会原主席肖钢12日在北京举行的“CF40·孙冶方悦读会”上说。 当天的活动上，发布了由肖钢本人牵头撰写的《中国智能金融发展报告(2019)》。该报告提及，人工智能技术加大了金融监管的难度，尤其智能金融应用往往以无须人工干预的方式运转，如果事前没有考虑控制手段，事后一旦出现风险很难管理。 肖钢分析称，由于人工智能主要依靠模型和算法，因此在该技术运用于金融市场时，一旦数据质量不高或出现偏差，则有可能产生蝴蝶效应，带来系统性风险。 例如，在资本市场上，事先设定的投资模型往往在实施中没有人为干预，这可能使得投资策略产生高度一致性，并在某个时点上对市场造成冲击，由此引发系统性风险。美股就曾经出现过“闪电崩盘”，道琼斯指数在极短时间内暴跌上千点。 “随着未来人工智能不断发展，这种风险是存在的”，肖钢指出，金融监管机构对此一定要有所预防，对人工智能算法本身要加强研究。首当其冲的是，在技术上要攻克“算法黑箱”问题，对模型的可解释性要加强监管，要能够解释清楚模型到底基于何种逻辑。 与此同时，还要将智能金融有关模型和算法的构建者、设计者一并纳入监管体系之中，相关从业者应具有认可的资质。 此外，对模型利用的极端情形亦要准备预案。肖钢表示，如针对类似美股“闪电崩盘”的事件，要事先设计好一些交易管控机制，“这样的机制可能若干年用不上，但一定要准备好”。
2020年8月7日-9日，第五届CCF-GAIR全球人工智能与机器人峰会，于深圳隆重举办。此次峰会由中国计算机学会主办，香港中文大学（深圳）、雷锋网联合承办，鹏城实验室、深圳市人工智能与机器人研究院协办。在大会第三日的「AI金融专场」中，《AI金融评论》邀请了6位最具代表性的顶尖AI金融专家，分享能够代表未来10年风向的智能技术方法论、产品逻辑和风险管理理念；也在2020这个特别的时间节点上，展望他们眼中的「AI金融新十年」。微众银行首席AI官杨强：联邦学习，重塑金融范式大会开场，微众银行首席AI官杨强教授首先登台演讲。杨强是国际联邦学习与迁移学习的领军人物，也是国际人工智能联合会（IJCAI）成立50多年来，首位华人理事会主席。微众银行目前已经有五年的经营历史，有大约两亿的个人用户和将近百万的小微企业客户。作为微众首席AI官，杨强教授认为微众银行之所以获得如此大规模的用户群，很大程度上是取决于技术上的创新，包括云计算、大数据和人工智能。他表示，获客、客户信用评估、客服等金融业务都有AI的影子，这当中的主线就是“如何将尽可能多的数据顺利使用起来”。而联邦学习这种“数据不动模型动”的做法，能实现“数据可用不可见”的目标，更好地助力金融。迁移学习和联邦学习也是如今比较突出的两项技术，可以把整个金融业务再往前推进一步。杨强认为，目前很多行业并没有真正意义上的大数据，缺乏高质量、有标注、不断更新的数据。如何保证各方数据私密不外传，又能保证数据更新？这就是分布性数据隐私保护、联合建模的挑战和需求——把小数据聚合起来成为大数据。加上现在人们愈发重视隐私，政府纷纷立法，对技术的监管趋严，联邦学习正为保护隐私带来了技术上的新思路。如何理解联邦学习？“邦”是指每个实体参与者地位相同，无论大小，提供的价值才是他们存在的意义；“联”是用一种方式把它们联合起来，保护隐私，一起做有意义的事情。联邦学习的宗旨是“数据不动模型动”，目标是“数据可用不可见”。数据可以用，但是这些原始数据是合作方彼此之间见不到的，所以一些散乱的小数据就可以成为虚拟的大数据。杨强教授介绍称，目前联邦学习主要有横向联邦（样本不同、特征重叠）和纵向联邦（样本重叠、特征不同）两种做法，前者更适用于to C场景，后者适合to B场景。他强调，联邦学习和分布式AI、联邦数据库的区别在于：过去这二者的数据形态、分布、表征皆为同类，但在联邦学习里它们可以是异构的；且过去联邦数据库目的是并行计算、增加效率，但现在数据本身属于不同的属主，所以需要做加密情况下保护隐私的计算。最后，杨强谈到了联邦学习在金融领域的应用。除了推荐系统，联邦学习也可以在征信系统和信贷业务上发挥作用，银行提供用户贷款的关键数据，合作方提供企业的交易数据，两方数据后联邦可让坏账率大幅降低。在保险业，则可以让不同的保险公司可以横向联邦，更好地建立个性化定价模型。平安集团首席科学家肖京：1%的效率提升，100亿的价值创造紧接着，平安集团首席科学家肖京博士上台发表演讲。肖京博士长期从事人工智能与大数据分析挖掘相关领域研究，目前主持平安集团的AI赋能与技术创新工作，包括智能化大数据分析等技术在金融、医疗、智慧城市等领域的研发和应用。他曾经指出，运营上1%的效率提升，就可以给平安集团带来100亿的价值——全集团180多万员工，每一点效率的提高带来的收益都十分明显。现场，肖京以「人工智能赋能金融业务」为主题，同与会者进行了分享讨论。他指出，金融市场目前面临越来越多的挑战和诉求，随着监管趋严，互联网和高科技企业、传统银行等金融机构的竞争愈加激烈；未来银行不管在体制还是技术上，都会更加开放，同时，金融机构的投融结合将成为明显的发展趋势，平安的经营管理也将逐渐向混业经营、精细化、轻资产化转变。肖京博士分享称，线上化和多线联动使平安集团实现渠道的实时触达，起到降本增效的目的；而智能化、尤其是AI技术的研发及应用，让集团真正实现数字化经营，形成业务生产和服务流程的重构。肖京认为，技术要和业务紧密结合，不光要形成具体解决业务问题的智能化方案和平台，更要形成规模化拓展AI应用的能力，覆盖各类场景，快速有效地实现业务环节的智能化，持续夯实关键技术和业务壁垒。他还透露，现阶段平安主要在进行智能化业务方案中台的建设，将技术与业务深度融合，抽象浓缩成中台组件，帮助业务快速组建前端服务机器人，将AI算法应用于不同的业务场景。“平安脑”智能引擎作为其核心框架，高效赋能集团各业务单位完善智能化建设。在此之前，平安前后花费了近一年时间，打通了集团内部的数据孤岛，整合到一个平台上，并建立了自动更新及质量控制机制，对原始数据自动化进行脱敏、整合、清洗、标准化等处理，并对这部分数据采取严格保密管理，建立有关数据安全、隐私保护的管理规范。此外，肖京博士也谈到了联邦学习技术。平安已经推出蜂巢联邦智能平台，以解决“数据孤岛”情况下数据不可共用的问题，平台具有安全性、隐私性、合法性的特点，目前已应用于动态保险定价、专属语音客服等多个场景。同时肖京也提到，联邦学习需要加密、分布部署、改变模型等具体细节，在沟通、开发、部署等各方面成本都较高，只有在必需的场合，平安才会使用联邦学习技术。在此次大会上，肖博士详细分享了不少平安的人工智能技术应用，比如多模态身份认证，准确率高、稳定性优、适用范围广，已应用于普惠小额贷款、银行保险账户开户、门禁等多个场景，通过微表情、人脸识别等技术提升平安普惠的放贷效率，将放款时间缩短至3分钟，违约率也大幅下降；平安的企业大数据知识图谱欧拉图谱，构建了专业的债券违约、财务造假、企业评级等多个模型，实现贷前贷中贷后、投前投中投后等业务领域的风险管理，预警防控企业金融风险；平安的图像识别技术也已经在车险理赔中发挥重要作用，其应用不仅可以在理赔早期就识别出欺诈的风险，每年减少几十亿元的风险渗透，还提升了业务效率，优化用户体验。京东数字科技集团副总裁程建波：AI时代下的风控理念随后，京东数字科技集团副总裁、风险管理中心总经理程建波，深入讲述了AI在风险管理中的应用实践。程建波先生先后就职于深发展银行、华夏银行、FICO等机构，具备传统金融与互联网跨行业经验，对行业有广泛和深入的了解，业务实践经验丰富。2014年8月，程建波加入京东，组建京东金融风险管理团队，推进了京东白条、金条等系列有行业影响力的产品的发展。他分享了很多颇具建设性的风控思路和理念。风险不仅是控制，更是主动选择的经营管理。管理风险意味着机遇。风险管理做的好不仅可以止损，还可以带来很多的商业机会。好的风险管理不是滞后的，而会更具有前瞻性。学习的过程是终生的，更需要预见式，而不是反应式。在大会现场，程建波首先和与会嘉宾分享了京东数科的三个阶段：数字金融、金融科技、数字科技。三个阶段里，不变的核心是一直将数字当作基因，不做和数字无关的业务。程建波强调新的技术一定要放在商业实践当中反复打磨，尤其是在线上业务中，风险管理的模式和传统相比有很大差别，虽然依然在解决一些老问题，比如信息不对称、如何了解用户、如何让大家理解产品并且使用。但是新的风控模式已经打破了以前的路径，企业仍需要做很多促进消费者理解的工作。此外，程建波认为有体系的产品建设十分重要。当技术积累到一定程度，比如微众银行建造的模型高达60个，最大的挑战是庞大的技术团队如何管理，比如平安的业务很大，1%的变动，就是几万亿的规模。这不再是单纯技术的问题，还需要构建一个复杂的框架体系，并且需要多团队联合作战。关于风控，程建波也向与会嘉宾分享了许多自己多年来的实践经验和思考。他认为风险一定是滞后的。如何在风险不断裂变的情况下更快速地预测用户的风险等级，对于风险管理人员来说是非常重要的，需要更多的技术储备。程建波还十分重视人才的培养和建设。他认为所有新兴的商业，对人才的要求都是全方位的，第一是和策略相关的专家，第二是AI科学家，第三是大数据的专家。原摩根大通执行董事黄又钢： 小微贷款风控模型中的算法探索第四位演讲嘉宾，是华尔街知名建模和风控专家黄又钢。他曾任摩根大通执行董事和花旗银行高级副总裁，拥有数十年的海外零售银行数据分析经验和前沿算法思维，今年回国与金融界顶尖技术大牛王强博士联合创立了弘犀智能科技有限公司，出任首席风控官。以《小微贷款风控模型中的算法探索》为主题，黄又钢和嘉宾及与会朋友们分享了自己在风控实践中的一些心得体会。黄又钢认为，中小微企业解决了国家80%的就业，这些企业的生存和贷款需求问题是需要关心和全力解决。但和上市的公司相比，这类企业信息透露不够充分，数据来源纷杂，数据格式不标准，数据更新周期不稳定，导致面向中小微企业的信贷产品难度更高。中小微企业信用贷款是一个世界性的难题，除了有国家层面的政策扶助，更需要顶尖人才的智慧和付出。在现场，黄又钢主要介绍了集成算法，降维算法、聚类算法和决策树算法。他指出，现在弘犀智能建任何模型一定是“双轨模型”， 即两个算法同时进行。主模型是传统模型回归算法，挑战者模型是机器学习算法。无论在美国还是中国，经典风控领域全都是以回归模型为主导，原因在于稳定性好，可解释性非常强。机器学习由于很难被解释，在美国的信贷场景基本不能合规落地。黄又钢解释了实操“双轨”建模中的几大过程：一是预测能力的比较； 二是变量维度的判断；三是对比同一个观测值，如何交叉使用；四是策略应用，即如何使用这个模型。通过模型、变量、维度和个体等层面的比较，他给出了机器学习相较于传统模型的优劣性分析，表示机器学习在准确性等方面比传统模型要好，没有概念和业务场景的限制；当回归模型与机器学习的结果冲突，适当配置后端策略是可以解决这样的问题。黄又钢指出人群分类在建模中的重要性，任何人群中都有可能包含不同的子群体。如果仅在全局人群上建一个模型、一条回归线很难解决所有问题，而将人群分类后做独立测试可能会更好地预测风险。决策树算法和聚类算法是人群分类中经常用到的算法，前者用树的方法把人群分为多个叶子，每个叶子表示一个子人群；从机器学习角度来看，决策树算法和聚类算法分别代表有监督学习和无监督学习。他认为，人群分类的概念听起来非常简单，实际操作相当复杂的。最终结果的评判标准一般是两个方面，一是算法层面的比较，二是预测准确性层面，特指各子人群模型汇总到全局人群上的预测准确性。黄又钢还分享了算法探索与创新方面有两个思路：一是单一的算法，从数学角度和（或）计算机角度，产生新的突破；二是两种（或多种）算法的相互嵌入和混搭形成新的算法。从实际应用的层面，“匹配”可能会更快地实现突破， 即现成的算法匹配特定的人群和特定的特征，就可能产生非常成功的应用，比如CNN算法在图像识别上的应用效果就是一个事例。他最后总结称，未来的方向是“算法+人群+特征”，也即，算法的突破，人群的细分，数据的深挖，及相互之间适当的匹配都可能产生革命性的突破。移卡集团副总裁奚少杰：支付企业的商业全链数字化赋能逻辑随后演讲的嘉宾，是移卡集团副总裁奚少杰。移卡是中国第二大二维码支付的服务提供商，有14%的二维码支付市场份额。截止2019年12月31号，移卡有530万的活跃支付商户，触达3.68亿消费者。作为移卡集团副总裁，奚少杰专注于中小微企业的数字化转型和商业服务，他本人也曾在腾讯任职多年，有着丰富的互联网和金融科技从业经验。现场，奚少杰为与会者带来了题为《数字化转型下的金融科技应用》的主题演讲。奚少杰首先叙述了第三方支付的发展历程，并认为简单的支付入口，比如二维码，已经不能满足整体的数字化升级的需求，他提出未来几年“产业支付”将驱动行业迎来新的一波发展。从技术角度（需求端和供给端）和宏观角度，奚少杰详细介绍了产业数字化升级的趋势，目前移卡不仅仅是单一的支付服务商，还逐步会成为综合的数字化服务商。这个服务不仅仅包括支付环节，还包括获客、留存、供应链等商户经营全链条的打通。奚少杰向与会者介绍，目前移卡也给商户提供了很多不同业务板块，包括基于SaaS的智能餐饮经营管理平台——智掌柜，涵盖点餐、收银、后厨管理、外卖、会员营销、营业报表等一体化功能，提高商家经营效率；基于区块链技术的商户优惠券聚合平台“约惠圈”，可以为商户提供优惠券创建、分发、领取、分享获客服务，助力商家打造私有流量池；支付和商户服务“好生意”，通过连接多种支付方式，帮助商户实现集中收银和一体化账单功能，同时为商家提供店铺管理功能，布局商户服务。在金融服务和风险管理方面，移卡在提供支付服务的过程中，结合了人脸识别等生物识别技术，这些技术在支付过程中为客户的风控、反欺诈、精准定位方面发挥了很大作用。在智能经营管理中，企业如何切入其中并为商家提供服务？奚少杰举例称，与商户合作时，可借助基于AI视觉识别的门店热力分析技术关注店铺的热点区域、到店客人的行为、商品陈列等与营业情况的关系，以帮助商户更好地管理会员、经营店铺。基于积累的数据，移卡还可以给商户提供精准的营销服务，提供客户留存、会员留存等服务；基于对商家的精准评估，可以提供贷款等金融产品的服务。普林斯顿大学教授范剑青：站在最高维，透视AI金融的运行本质本次专场的最后一位重量级嘉宾，是普林斯顿大学金融讲座教授范剑青。他是国际数理统计学会创办70年以来第一位华人主席，论文引用数多年位列世界数学家前十名，是素有统计学诺贝尔奖之称的CPOSS总统奖得主，也是《计量经济》、《商务统计》、《统计年鉴》等五个国际顶尖杂志的主编。在大洋彼岸的范教授，通过实时连线的方式，以“机器是怎么学习金融的”为主题，带来了长达1个小时的精彩报告。他从大数据与人工智能、稳健因子学习及其应用、债券风险溢价预测、高频交易预测，文本分析与金融投资，这五个板块向大家报告近年来他的研究团队的部分工作成果。在范剑青看来，人工智能是机器学习的平方，让机器自动学习机器算法、是机器学习的理想境界。而大数据赋能AI，从大数据相关的科学挑战衍生的新兴科学即为数据科学，他认为数据科学以应用为背景，其目的是想把大数据解决成智慧数据。他指出，大数据=系统+分析+应用，机器学习=统计+优化+实现环境。如今深度学习之所以能如此成功，范剑青认为它是权衡偏差和方差的有效方法，深度网络使高维函数更加灵活，而现在计算技术使大数据深度学习得到有效的实现。范剑青认为，在经济金融、生物医学、管理决策和人文社会中，机器学习有很多挑战和机遇。由于个体差异大，数据集未知，现在发生的事情与几年后的变量完全不一样，难以提取特征，需要各学科交叉。尤其是在金融行业，数据不平稳，随着时间而变，多人参与竞争的市场也是对金融的挑战。而机器学习本身就是为降低维数和预测而设计的，他认为机器能学习金融，尽管金融非常复杂，但它的形式是可预测的。以股票收益预测为例，可以通过高维线性模型、机器学习模型或是深度学习模型来处理。他强调，成功预测的属性一是大数据，二是鲁棒，三是模型具备市场的重要特征。他还详尽地用几个例子来说明溢价预测相关的问题，例如通过市场因子来预测债券风险；并介绍了现阶段可以使用的两种因子学习方法，一是传统主成分方法，二是利用投影主成分来操作。此外，范剑青也与现场观众介绍了文本数据如何协助股票投资决策，他表示现在可以通过对新闻内容的分析，解析文章对股票的褒贬程度。最后，范剑青总结称，资产定价本质上是预测问题，机器可以学习金融。他认为机器学习可以帮助处理大数据并从中选择重要因素和特征，能很好地应对过度拟合的问题，允许非线性学习极大地改善预测效果，将稳健性和对抗性网络提炼为定价，智能预测也会带来很大的经济收益。历届「AI金融专场」，均会吸引中国及欧美地区众多AI金融专家到场。在上一届论坛中，加拿大工程院院士、Citadel首席人工智能官邓力博士，加拿大工程院院士凌晓峰教授等多位重量级人物来到现场学习交流。杨强和黄铠在会场热切交流而在今年，包括黄铠、刘江川、王强等十多位IEEE Fellow以及各大金融机构的首席信息官/科学家来到现场，共同促进AI金融的产学融合与商业应用。（雷锋网雷锋网）黄铠教授在AI金融论坛的现场
在现代金融史上，没有一项技术比人工智能这颗核弹辐射的范围更广，更能决定命运了。它看准了金融行业数字化程度高、历史数据准确等特点，像熔浆一样无孔不入的流进金融的各个业务中，并给它们烫上了自己的烙印：智能投顾、智能风控、智能营销、智能客服......但同时，很多人也在质问它是否名副其实。国内好的智能投顾产品几乎为0，智能风控的效果太过依赖样本，智能营销推荐的商品让人“摸不着头脑”，智能客服遇到不会的问题秒变“复读机”。人工智能到底给金融带来了哪些改变？它是否真正产生了实实在在的经济价值？是雷声大、雨点小，还是真正解决了金融业务中的诸多痛点？每个人选择不同，答案不同。AI金融“四处碰壁”｜1000亿美元投入“大海”，愣是没砸出一个花来。AI这条路，真的不好走。即使是曾经一度成为世界首富的孙正义，最近也在人工智能的投资上栽了跟头。作为人工智能的头号粉丝，为了投资人工智能，过去的几年中，他筹集了1000亿美元的基金，其中大部分资金投资了以人工智能为中心的70多家公司，但战绩潦倒，仅2019年，软银便亏损了880亿元，相当于一年损失了两艘“伊丽莎白女王”级航母。其实，在现阶段的大部分行业中，AI能颠覆的场景并不多。即使在数字化程度颇高的金融行业，AI也并非一帆风顺。比如「AI风控」，因为事关财产安全，一直是银行等金融机构关注和投入的重点。一直以来，银行对「信用卡套现」等产业诈骗团伙十分头疼。一些不法分子利用漏洞，通过有组织的活动，将信用卡的资金提现，用于投资、赌博。而「AI风控」可以通过对个体骗贷行为的分析，找到某种联系，识别出诈骗团伙，进而做出相应的封卡措施，减少损失。但是，AI风控的效果的好坏十分依赖样本，如果样本的数量或者质量不达标，会严重影响风控的效果。在欺诈等场景中，样本天然比较充足，效果也相对较好。但是在信用卡盗刷、账户盗用等场景下，因为银行的防控力度比较强，发生的案件数量较少（能积累到的样本较少），使得AI风控的效果也是参差不齐。邦盛科技副总裁王雷认为：“样本的质量高低，很大程度上依赖于专家的经验。”而目前，AI专家人才紧缺，有经验的科学家更是凤毛麟角，这也使得AI风控在行业整体效率上难以提升。然而，相比智能投顾、智能营销、智能客服等AI在其他场景下的应用，「AI风控」取得的成果已殊为不易。在“AI+投顾”的场景中，智能投顾企业迟迟未能解决获客成本高、大多数投资人未能实现盈利的问题。虞爱是一家金融科技公司——悦保科技的CEO，他平时常常会接触到做智能机器人的客户，也喜欢体验新的产品和技术，在被问及AI在哪些场景中落地并不理想时，他首先就提到了智能投顾。他认为NLP需要对语义有更精准的理解，现阶段NLP只能实现部分流程的替代，若不能实现进一步突破，智能投顾公司与客户之间始终会存在一条看不见的“天堑”，很难进行有效且顺畅的交流。“此外，实现AI能力的基本要素在于数据的积累，而目前的情况是智能投顾公司积累的数据量普遍较少，这也阻碍了行业的进一步发展。”虞爱说道。在非常火热的“AI+营销”的场景中，消费者多元化的需求和市场上产品的稀缺，形成了鲜明的对比，商品的推荐效果并不理想。智能营销通过优化AI算法，根据购买商品的网络痕迹等非常有限的信息，为每一个客户构建用户画像。构建好画像后，把用户分层，然后和相应的标签进行匹配。“然而，智能营销的模型做的效果再好，也很难通过少量的产品满足消费者的全部需要。”专注于智能金融赛道的慧安金科CEO黄铃说。撬起AI金融的“支点”AI金融不是一条坦途，人工智能在金融领域每一个业务的落地过程都充斥了“分歧”与“争端”，想要更好地落地金融，需要共同的衡量标准和相对通用的技术指标。而这些标准，不仅能为技术提供方和使用方达成共识“牵桥搭线”，也撕开了一道AI金融难以大规模落地的口子。随着与科技公司的合作愈发紧密，金融机构逐渐摸索出一套比较通用的技术指标，比如KS值、AUC、F-score，来鉴别哪家金融科技公司的AI实力更强。KS值越大，表明正负样本区分的程度越好，AI模型越好；「AUC」（Area Under Curve）可以分析在一条曲线下的面积到底有多大，如果曲线下的面积越大，这个模型效果越好，反之模型效果越差；「F-score」，用来判断准确率。此外，模型覆盖率也是考验AI产品是否有很好效果的指标之一。假设模型可以覆盖1000万人，目标是需要触及客户900万人。如果在测试时，模型覆盖了1000人，触及到的目标客户达到901人，达到了模型的测试标准，但是，因为测试的样本量太少、测试的次数太少，不代表AI产品就达到了标准。AI模型也是有时效性的，随着时间的变化，它的性能是否会大幅下降？AI模型在更新的过程中，是否需要大量时间和金钱？AI模型和银行的核心系统在对接的过程当中是否简易？AI模型本身是否做的很标准化？这些都是在技术指标之外，银行使用AI产品时，必须要考量的标准。冰鉴科技CEO顾凌云说到：“部分金融机构，会执行一套客观的指标来考察AI企业的产品质量。以24小时、7天或者30天为一个期限，他们会时时刻刻监控模型的效果，一旦模型的效果超出规定范围，马上就会根据期限调整产品。即使你本身的模型效果很稳定，他也会每3个月做一次测评，每6个月做一次测评，每一年对供应商进行一次重新的测评和调换。”通过这种方法，金融机构可以保证他们使用的产品，一直由最佳技术实力的公司提供，而反过来，也不断磨砺和推动科技公司在技术上的不断创新与发展。｜给我一个支点，我能撬起整个地球。作为第一个掌握杠杆原理的科学家，阿基米德认为只要找到事物的内在规律，即使撬动地球也是一件自然而然的事情。但是，想要撬起「AI金融」这座大山却殊为不易，需要找到许多支点，除了推进金融科技公司和金融机构“达成共识”外，怎样驱动人工智能更加“智能化”和怎样促进监管与科技之间的“协同发展”，也是我们需要思考的问题。人工在前，智能在后｜人工与智能，孰好？这是一个自AI创立以来，人们就津津乐道的话题，也是每一个AI企业家都需要思考和抉择的问题。慧安金科CEO黄铃认为，人工和智能是互为补充的，具有完全不一样的属性。人工，可以在自己已有经验基础上做非常复杂的推理，能够根据一些蛛丝马迹做复杂的关联和分析，挖掘出潜伏非常深、伪装特别像的风险 。但是，人工也有几方面的问题。第一，要成为一个非常有经验的专家，需要长时间的积累和沉淀。第二，「人工」处理数据的“带宽”非常有限，一天只能处理几十个案件，发现很少的问题。而对于机器智能来说，「人工」的劣势，恰恰是它的优势。它有足够的带宽处理海量的数据，还可以按照一些推理规则或者机器学习模型，帮助人们减少工作。黄铃说：“我们可以通过准确率、覆盖率这两个量化指标，对人工智能产出的效果进行全面评估。通过ROI来判断这个人工智能项目是否取得了良好的效果。”按照目前的发展来看，AI在人脸识别、文本识别以及风控、合规和监管等场景，效果都非常好。有些领域，AI的水平和能力甚至超过人类，比如风控合规监管，机器可以达到人类97%或者98%的水平。但是相比人类，特别是非常资深的专家，AI的推理能力还是远远不够。“AI其实像一个被高考机器惯出来的孩子。”蚂蚁集团首席AI科学家漆远这样形容AI目前发展“偏科”的情况，好比一位有着特别强大记忆体的学生，能通过题海战术学习了大量知识点之后，做题效率极高，却不懂怎么推理。比如在智能风控领域，存在大量的欺诈分子，他们隐蔽身份的手法千变万化，机器也难以察觉。如何使用数据、对数据特征分析以及如何把特征组合起来，产生一个准确高效的信贷风控模型，十分具有挑战性，需要有经验的AI人才。监管与科技｜科技可向善，也可为恶。避恶扬善，是一个永恒的话题。邦盛科技的王雷认为：“机器学习等技术，最大的一个问题是不透明、不可解释。”而这一特征给监管带来了许多困扰。人工智能应用往往通过采用神经网络，使用算法产生结果，其复杂程度只有计算机可以理解，有时候连金融科技公司也不清楚人工智能是如何决策的。这种情形下，相关部门是否监管、如何监管科技公司成了一大难题。随着技术与产业的进一步融合，人工智能的决策可能涉及数百万美元——甚至是关系到人类的健康和安全，在金融等受到高度监管的行业中，不能解释人工智能的决策，对于企业和个体而言，都面临着极大的风险，这也给监管部门提出了更高的要求。人们往往认为监管与科技的关系是，先有人工智能等科技，后有监管，监管部门的技术与理念永远落后于科技公司，实则不是。品钛副总裁李惠科说到：“政府监管部门跟业界之间的讨论是非常频繁的，一些高级别的监管官员会直接在群里，提各种各样的问题和业内的公司管理者们一起进行思考。”科技企业在迅猛发展的时候，监管也在与时俱进，并参与和推动整个生态的发展。如果非要形容科技公司与监管之间的关系，科技公司就是非常前沿、时尚的法拉利跑车，而「监管」是在整个道路上面设计红绿灯、限速、停车等各种标志的交通规则。跑得再快的法拉利，受到交通规则的管制，到了路口，也要停下来；而红绿灯的设置，保证了科技公司这辆飞车不至于“超速行驶”或者“跑得太慢”。雷锋网雷锋网雷锋网
没有一条真理，可以解决人生所有的难题；也没有一项技术，可以帮助一家企业所向披靡。金融科技行业，纵使是一个简单的项目，也需融合算法、专家经验、工程部署、接口打通等一系列环节，才能完成一套解决方案，远不止一项单点技术就可以“打包票”。在这个过于信仰技术的时代，知道技术能做什么固然重要，知道它不能做什么也许更重要。为此，雷锋网《AI金融评论》策划了「AI能否解决金融刚需问题」系列选题，借同一个话题，对不同背景的受访者、产品和客群各异的企业们进行采访，期望在不同的商业和技术认知下捕捉观点碰撞的火花。在前三篇采访中，我们采访了冰鉴科技CEO顾凌云、慧安金科CEO黄铃、品钛执行副总裁李惠科。本系列的第四篇文章，由邦盛科技执行副总裁王雷讲述他从事「AI金融风控」多年旅程中经历的有趣故事。以下为王雷的亲身经历：“头疼”的难题一直以来，银行对「信用卡套现」的行为都十分头疼。信用卡，本质上是一种贷款。银行希望贷款用于消费，而不是炒股、炒房甚至赌博。但是，现实生活中，很多人并没有合规地使用这笔钱，从而衍生出了「套现组织」。对于银行来说，信用卡里的钱如果不是用于消费，而是用于投资、赌博，一是增大了这笔钱不能返还的风险，二是违背了国家的贷款政策。所以银行会通过一些技术手段，对套现行为进行识别、监测。邦盛科技之前就接到一个国有大行的订单，他们本身有一个在风控领域积累了很长时间和经验的优秀团队，但是还是希望在这个基础上更上一层楼，于是找到我们，希望通过金融科技公司的AI能力，引入解决问题的新思路。当时，这家银行已经能很好地识别出哪些个体的行为属于骗贷，但是对于那些变化多端、组织严密的“专业”骗贷团伙，还是有些束手无策。在项目初始阶段，客户对我们的期望很高，认为我们一定能通过更先进的技术和方法，通过对个体骗贷行为的分析，找到某种联系，识别出诈骗团伙。那会儿，其实许多机构还没能达到这样的水准，即使是行业里最好的金融机构投入了大量精力，也没能十分精准的识别出这些诈骗组织。而我们又处于创业初期，经验匮乏，当时并没有信心能完成这个任务。当然，有没有信心和做不做，是两码事。我们决定接受这个挑战。一口气“抓”了几千个犯罪团伙样本，是智能风控想要发挥作用的重要前提。想要通过AI识别出诈骗团伙，追本溯源，还是得从高质量的样本入手。而样本的质量高低，很大程度上依赖于专家的经验。在风控领域，专家的经验是比AI能力更稀缺、更重要的资源。比如薅羊毛是怎么薅的、什么样的行为是薅羊毛，专家会通过多年积累的经验和规则去识别哪些行为是“薅羊毛”、哪些行为属于盗卡、哪些是洗钱、哪些属于申请欺诈等等。我们团队中的优秀专家对这家银行的样本进行了分析，发现它们的样本质量不是非常好。于是专家们通过在风控领域多年的经验，对样本进行了加工，获得了一些我们认为比较好的样本。在此基础之上，我们使用了机器学习建模平台和关联图谱平台，把可疑的个人和团伙都甄别出来。那次，我们团队几个人在两个多月的时间里，揪出了大几千个「信用卡套现团伙」，几千个账户，并查出几十万张有问题的信用卡。经过那段时间的不断探索后，我们对整个行业的理解有一种豁然开朗的感觉。之前，我们在没有开始做“识别套现团伙”的工作时，认为这是一件很难的事。但下一次在做其他的事情，我觉得是可以解决的，而且思路非常清晰。其实，那次项目因为涉及到的银行体量非常大，我们面临的风险和压力也非常大。但是我们顶住了压力，积累了许多欺诈团伙的特征和画像，并对模型进行进一步的优化。后来这家银行通过我们提供的线索进行了调查，确定了这些人的确属于套现团伙，并降低了他们的信用卡额度，并对部分信用卡进行锁卡处理，效果非常好。也是因为这次经历，我对AI在「风控领域」的应用价值，有了更直观的认识，使得我对AI在风控场景下的应用，更加有信心。如今，邦盛科技为这家国有大行做了一个更大的项目，一个包含申请反欺诈、电子渠道交易反欺诈等全方位、全行级的反欺诈系统。而“识别套现团伙”成为了整个大型项目中的一个组成部分，继续为这家银行提供服务。抓住银行的心思之所想、解其所忧，才能抓住一个人的心。同理，想要获得银行大单，首先要认识它，然后解决它做梦都想解决的问题。在和银行客户打交道时，不一定所有时间、所有产品，它都会觉得满意。这时，我们需要对项目的效果进行量化，沉浸到它的角度思考问题，让它信任你。因此，我们会时时刻刻追踪AI产品的效果，并制定一系列可以看得见、摸得着的指标，让它对我们工作的效果有一个清晰的认识，建立信任感。比如拦截非法金额数目、对客户的干扰率程度、风险等级，我们会把这些有关风控的数据或者结果记录下来，作为统计最终模型好与坏的一个标准。我们一般建议客户，三个月或者是六个月调整或者优化一次模型。频繁的调整，不是银行的风格。对于银行等金融机构来讲，“稳定”压倒一切，其次才是改善。所以，他们对新技术的应用也是比较谨慎的。银行不会轻易改变自己现有的风控方法，因为改变意味着不确定的风险。只有观察到技术和效果真的十分稳定，他们才会采用新的技术系统。AI在信贷领域主要防控两种风险，一种是欺诈风险，另一种是我们常见的信用风险，比如我们年轻人十分熟悉的“芝麻信用”和“微信支付分”。一笔贷款的发放，银行得先判断它是否是有欺诈的风险，然后再判断它信用风险的高低。首先，金融机构最担心的事儿是被骗子欺诈，把贷款放给了骗子。当通过反欺诈技术将骗子拒之门外后，银行还要担心普通人能否正常还钱。普通人也有可能因为做生意经营不善、丢了工作或者社会环境的改变等因素，还不上钱，所以要判断他们的信用风险。在评估信用风险上，「评分卡模型」是可解释性非常好、也很稳定的一个模型，现阶段也使用的非常多，各家银行都是比较习惯使用这种传统的方式。所以，我们在这一领域，需要我们金融科技公司技术能力的场景并不多。而在反欺诈领域，越拉越多的金融机构开始接受机器学习模型。因为欺诈行为更具有隐蔽性，欺诈风险比信用风险更难以控制。而且业内一般需要六个月来训练控制风险的模型，上线模型至少又得三个月，加起来就是九个月。在这段时间里，整个市场的欺诈形式是会发生很大变化的，欺诈团伙发现金融机构会欺诈行为进行防控后，他们还会变换手法。针对这样的情形，邦盛科技专门在模型训练中设立了一个环节——特征工程。在这个环节中，我们尽量呈现出更多的特征，我们将几千到上万个特征输入到一个模型中，使它覆盖更多的可能性，虽然不能彻底解决问题，但通过这样的算法调优，欺诈行为的成本会越来越高。此外，银行需要考虑自己所用的技术，是否符合监管政策的要求。机器学习这类技术，最大的一个问题是不透明、不可解释。它使用的是非线性的算法，当模型说贷款可以放，但是它推理的过程是不可逆、也不可用文字解释的，这样在使用过程中就会受到一些限制。模型本身是一个算法的配合，我们也在尝试通过一些技术方式，来增强模型的解释性。AI不是万能的邦盛科技从创业初始，到如今与中国农业银行、中国建设银行、招商银行等多家国有大行合作，对行业的理解也是经历了一个从无到有的过程。但是AI也存在很多不能解决的问题。刚刚提到AI风控效果的好坏取决于样本。在欺诈等场景中，样本天然比较充足，而信用卡盗刷、账户盗用等场景下，因为银行的防控力度比较强，发生的案件数量较少，能积累到的样本也就较少，使得智能风控的效果也是参差不齐。现在，机器学习和AI应用在金融的各个领域都在尝试，但是每个银行对样本积累的重视程度也不一样，所以有的做的比较好，有的做的一般。目前我们对样本的依赖程度过高，所以业内很多公司也都在尝试无监督或者半监督的技术方式。有监督就是有样本，无监督就是无样本，半监督就是样本质量不够高。有监督的样本，是团队从业务中一点点积累下来，通过规则体系和专家经验，输入到模型，然后模型跑起来。采用无监督的方式，一般是因为团队没有积累样本，又没有这个领域的专家，于是依靠纯粹的算法，通过聚合量、聚类等数理关系，找出高风险的金融交易，提取这些异常的样本后让专家判断。无监督的流程是先通过模型得出结果，让人来判断，然后模型再根据人的判断的结果去优化。在实践中，我们不管用哪种技术方法，我们都会建议客户采用综合的解决方案，而不是单一的AI产品，这套解决方案包含着专家经验、规则体系、模型体系、图谱体系、大数据计算等，这些元素必须结合在一起才能形成解决问题的合力。社会上大部分的问题本身，都是一个很复杂的东西，它需要系统化的思路方法和技术才能解决，我们不能单一地认为依赖于某一个高新技术就能解决所有问题。我们每年会招很多新人进来，也会接触到很多新入行的创业者，我整体的感觉是，大家有点过于迷信技术，迷信高端的算法。任何一个技术的应用，都有前提条件，比如数据环境、样本质量。每一次对AI模型的调整，少则三个月，多则几年，运营的成本也非常高。如果环境条件不允许，技术就很难达到大家期望的状态。所以对于很多这些新入行的优秀人才，我建议先对这个领域有一个比较深刻的业务理解，看看没有能力给技术创造出一个好的环境出来。没有对业务足够深刻的理解，不能把没有达到期望的数据转化成高质量的样本，模型很难运转起来。
据美国有线电视新闻网15日报道，华盛顿大学卫生统计评估研究所的一个模型预测，到10月1日美国将有超201000人死于新冠肺炎。 预测表明，实现死亡病例下降很困难，9月和10月每日新增死亡病例将急剧上升。在新冠肺炎疫情早期阶段，白宫经常引用华盛顿大学卫生统计评估研究所的这一模型，它也是目前美国疾病控制与预防中心官网上精选的19个模型之一。 模型预测，截至10月1日，美国预计将有201129人死于新冠肺炎，死亡病例的浮动范围是171551例至269395例。
登录
工商服务
危机公关
金融律师
app开发
财税服务
金融牌照
网站建设
知识产权
企业征信
审计评估