人工智能、大数据与金融风险管理.pdfVIP

2025年第5期金融监管研究

人工智能、大数据与金融风险管理

刘春航

摘要：近年来，人工智能技术的快速发展让金融机构更好发挥大数据分析的威力，在风险

管理领域降本增效等方面展现出巨大潜力。金融机构在抓住战略机遇的同时，也需要关注人工

智能技术应用中可能存在的风险，并采取有针对性的措施，以确保人工智能的安全有效开发应

用。虽然现有的监管框架对金融机构数字化转型、模型风险、操作风险、合规风险、外包管理、

数据安全等领域的管理已经提出了明确要求，但由于新一代人工智能技术本身的特质，金融行

业在算法鲁棒性、模型可解释性、数据治理、操作风险以及系统性风险的管理方面将面临新的

挑战。近期，国际和国内的实践经验均表明，用好人工智能离不开科学有效的人类干预和管理，

包括有效的人工智能管理架构与流程，提升人工智能算法的鲁棒性、可解释性和安全性，大数

据环境下的良好数据治理，以及有效的人类干预与问责机制等

关键词：人工智能；大数据；风险管理；金融监管

中图分类号：F833文献标识码：A

金融业是知识和技术驱动的行业，一直是科技进步的受益者。近年来，人工智能技术的快

速发展使金融机构能够更好发挥大数据分析的威力，在风险管理领域提升效率、降低成本等方

面展现出巨大潜力。在抓住战略机遇的同时，金融机构也需要关注人工智能技术应用中可能存

在的风险，采取有针对性的措施，以确保人工智能的安全有效开发应用。

一、从传统统计模型到深度学习

近年来，机器学习等技术的发展拓展了人工智能在金融领域的应用，将分析数据类型从传

统的统计数据拓展到了大规模、多维度、多种类的大数据，使金融机构在风险管理这一核心职

能领域取得了长足进步

（一）传统统计模型奠定风险计量基础

从全球银行业的范围来看，早期银行风险计量模型的普及始于上世纪90年代，以传统

的统计模型为主，用于计算风险敲口的违约概率（PD）、违约损失率（LGD）和违约时口

刘春航，研究员，国家金融监督管理总局科技监管司。本文为作者的学术思考，不代表所在单位观点。

2人工智能、大数据金融风险管理总第161期

（EAD）等计量监管资本的关键参数。其目的是审慎测算贷款客户或项目在完整经济周期内的

平均风险水平和资本要求。除了资本计量以外，传统统计模型还被广泛运用于业务规划、信贷

政策、风险监测、绩效评估和薪酬管理等领域

传统统计模型所用数据以客户经营财务以及征信等统计数据为主。数据长度一般要求跨经

济周期，以平滑模型对特定事件和特定时间段的敏感性。其优点是透明度高、可解释性强、模

型输出比较稳定。然而，对于特定客户、交易和风险口的风险管理而言，传统统计模型不

易体现不同微观个体和交易的特有风险情况；模型所关注的指标通常限于单维的财务或信用数

据，仅能反映经营结果，风险预警作用不强；同时，由于短期数据波动被整合统计所平滑，不

能体现短期违约特征，对于实时风险监测作用较弱

(二)“大数据风控”亲

机器学习技术开启新篇章

作为人工智能的重要领域，机器学习使用大量数据样本通过算法进行训练而得到相应的模

型，从而获得对新数据进行预测的能力。机器学习技术大幅拓展了金融机构在风险管理中能有

效处理数据的种类和规模，从经过统计流程收集整合得出的汇总财务和信用数据，拓展到形式

丰富、格式多样的大数据领域，包括交易流水、租金支付、缴税记录、股权变更等描述微观经

济主体的行为或交易数据。基于逻辑回归、随机森林、K近邻、支持向量机、XGBoost等算法

的大量回归和分类模型，在风险管理业务场景中广泛投人应用。

基于机器学习的风险管理模型采用多维度、多因素和多视角的大数据分析，能够覆盖的风

险因子种类和数量大幅增加，从而成为“大数据风控”的基础。其优点是，对于特定行业、客

户、交易的风险识别及监测的敏感性和时效性都显著优于传统的统计模型。随着“大数据风控”

活动在金融机构经营管理流程中的比重逐渐上升，人工智能的应用场景拓展到了许多经营管理

和风险管控的具体业务活动中，包括客户分类、集团客户识别、风险定价、反洗钱检测和反欺

诈预警等。机器