|
图片来自网络 在上周五的文章关于人工智能和机器字习的连载一中（点我查看）， 主要讲了其概要和关于两者的背景定义以及推动其发展的因素，本篇主要阐述其代表性应用场景。主要包括以下几方面的应用：
代表性应用场景 金融稳定高度依赖人工智能和机器学习的应用。为了评估影响，需要考虑的问题包括哪种人工智能和机器学习工具会被用于做哪种决策，在什么事件，执行哪种金融功能，以及在哪里和人类介入水平如何等。在金融领域应用人工智能和机器学习有很多目的。其中的例于包括： 情绪指标：社交媒体数据分析公司使用人工智能和机器学习技术为一些金融机构提供‘情绪指标’。投资者情绪指标开发出来后就卖给银行，对冲基金，高频交易机构以及社交投资平台。 a. 交易信号：机器学习可以快速扫描并基于更多的信息源进行决策，帮助公司提高效率，降低成本.这是人类做不到的（见3.3部分）。机器学习技术也存在不足：机器学习可以找出过去结果中的一定模式，并且非常依靠这种过去的模式，所以这些工具很容易受到假信息的干扰。比如，在2013年4月，推特上出了两个关于白宫爆炸的虚假新闻，然后交易算法对这两则虚假新闻做出反应，由此在股票，债券，外汇和商品市场上出现一致的市场走势。随着机器学习的广泛应用，这类问题会进一步被放大。 b. AML/CFT和欺诈识别：一些公司在寻求提高效率同时降低成本和风险.同时又要符合监管规定，所以会在金融机构AML/CFT和欺诈识别方面应用人工智能技术。公司还可以使用机器学习进行信贷监测，降低风险。 本部分考虑了人工智能和机器学习的四种应用场景。分別是：i)以客户为核心的应用（前台），包括信用评估，保险和面对客户的聊天机器人；（ii)以运营为核心的应用（后台），包括资本优化，风险管理建模和市场影响力分析；（iii)金融场上交易和组合管理；（iv)金融机构将人工智能和机器学习用于监管合规（监管科技，RegTech)或公共部门用于监督（监督科技 SupTech）。对于每种应用场景，我们会有几个已经实现的或潜在的应用案例，还有对当前技术应用的未来预测。对微观和宏观层面将留在第四部分和第五部分。 3.1 以客户为核心的应用： 以客户为核心的应用是指信用评估，保险和面向客户的智能聊天机器人。人工智能和机器学己经在金融机构前台得到应用。大规模的客户数据可以输入新的算法模型中评估信用水平，由此对贷款进行定价。同样，这样的数据可以帮助评估销售保险和对保单定价的风险。最后，现在被称为聊天机器人或虚拟助手的人工智能界面己经逐渐可以和客户进行互动，他们可以用自然语言和用户互动。这部分会依次讨论。 3.1.1 信用评估应用 使用机器学习的信贷评估工具是为了加快贷款决策，同时能够限制风险累加。贷款机构长期依靠信用评估来为是否给公司和个人贷款决策。来自金融机构的交易和支付记录数据一直是很多信贷评估模型的基础。这些模型使用的工具像回归，决策树和统计分析，使用优先的结构性数据生成信用评分。但是，银行和其他贷款机构逐渐转向其他非结构性和半结构性数据源，包括社交媒体活动，移动手机使用和短信数据，对信用进行全新评估，提高贷款准确率。对这些新的数据源应用机器学习算法可以评估一些定性因素如消费行为和支付意愿。利用这些新数据可以更快，更好，成本更低的对借款人质量进行区分，最终带来更快的信贷决策。但是，使用个人数据也引发了其他政策问题，包括数据隐私和数据保护相关问题。 除了促进对信用更准确的分段评估，在信用评估中使用机器学习算法可以提高信贷决策效率。在一些市场中使用的传统信用评估模型，潜在的借款人必须有过去的借款信息，可以用来进行评估。在缺乏这些信息的情况下，就不会生成信用评分，一个潜 在的信用良好的借款人就无法获得贷款，也就无法建立自己的贷款记录。有了其他替代件数据源，并应用机器学习算法帮助评估信用和还款意愿，贷款机构就能够对是否贷款做决策，这在以前是不可能的。这一趋势会令信贷市场不发达的市场受益，在信贷市场较发家，则会导致信贷余额的增加不可持续。而且，在评估信用方面，机器学习的信用评估模型是否超过传统模型也没有经过证明。 过去几年，很多以传统银行无法服务的客户为主要目标的金融科技创业企业开始出现。除了在美国为人所熟知的互联网贷款企业之外，有一家公司正使用算法对数据进行分析，并将业务拓展到海外市场，如中国，中国市场上有很多借款人并没有信用评分。另一家伦敦的公司正为那些信用资料残缺不全的个体提供信用评估，其使用算法和另类数据源对那些因为一些小差错被贷款机构拒绝贷款的贷款申请进行评估。此外，一些公司正在想办法利用传统银行所拥有的海量数据，将这些数据同移动银行应用和人工智能结合对理财管理提供辅助，同时进行理财预测，这可能是简历信用历史的第一部。 在信用评估模型方面使用人工智能有优势也有不足。人工智能可以对大规模数据很快进行分析。由此，其可以推动形成可以处理大规模信用数据的信用评估政策，降低对某个个体进行信用风险评估的成本，扩大公司可以评估信用风险的个体数量。大数据应用于信用评估的一个例于应该包括非贷款模式，比如手机实时支付以及其他公用事业账单，这需要和其他数据结合。此外，没有信用记录或信用评分的人可以因为人工智能而获得贷款或申请信用卡，此前在传统的信用评估模型中缺乏信用记录都被视为申请人无法按时还款的一个重要指标因素。 但是，使用复杂的算法也会导致对消费者来说缺乏透明度 机器学习从另一个角度来说也是个 “黑箱”，会引起人们的担忧。当使用机器学习进行信用评估和信贷决策时，如果受到质疑则通常很难向消费者，审计师，监管机构解释其信用评估以及由此带来的信贷决策结果。此外，有些人认为使用一些新的另类数据源，如互联网上的行为或非传统的财务信息，可能会对信贷决策导致偏差。尤其是，消费者权益保护团体指出机器学习工具可能会产生一些关于借款人特征的组合，如简单的预测其种族或性别，很多地区的公平借贷法律禁止考虑这些因素。这些算法或许因为借款人少数族裔而认为其违约风险较高，也可能是因为同—族裔的借款人以前在申请贷款时通过审批的不多。 借款人和贷款产品历史数据对于这些分析工具的效果非常重要。同样，在各种金融环境下借款人-产品绩效数剧的可获得性，数据以及可靠性是这些风险模型的关键。而且，对这些新出现的人工智能和机器学习模型，缺乏相关数据，也缺乏这些模型在各种金融周期下的效果相关信息，有些监管当局己经指出这些问题。 3.1.2用于定价，市场推广和管理保险产品 保险业正使用机器学习来分析复杂数据，降低成本，提高盈利能力。因为分析数据从而进行定价是保险业务的核心，保险相关技术，有时候又被称为是‘保险科技’ （InsurTech），经常要依靠大数据分析。在保险科技中应用人工智能和机器学习在美国，英国，德国和中国很常见。 很多应用涉及到优化承保流程，对于保险公司收集的一些能够识别潜在高风险，降低索赔额，提高盈利能力的案例数据，这些应用可以帮助保险公司对这些数据进行分析。有些保险公司正在积极利用机器学习来优化定价或者保险产品的市场推广，这主要是融合实时，高度精细化数据进行的，比如网络购物行为或者远程信息（联网设备上的传感器，如汽车里程表）。有些公司或者会通过合作、收购或者非保险业务来获取这些数据。在很多情况下，当数据保护。监管政策要求的情况下，公司需要征得用户的同意才能使用及数据。 人工智能和机器学习应用可以大大改善某些保险环节效率。比如承保和理赔处理处理。在承保环节，大型的商业险和寿险或伤残保险可以基于自然语言处理，经由人工智能系统提高其效率。这些应用可以从过去的理赔数据中经过训练，为人类决策者突出某些关键考虑因素。机器学习技术可以用于决定维修成本，并且可以自动根据车祸事故损毁的严重性对车祸进行归类。此外，人工智能可以帮助缩短理赔处理时间，降低运营成本。保险公司也在探索人工智能和机器学习以及远程传感器（通过物联网接入）可以发现，在某些情况下可以预防保险事故发生，比如化学品泄漏或车祸。 这些方法可能会获得广泛应用。根据私营部门的预测，全球保险科技投资在2016年达到17亿美元。同时，26%的保险公司为数字领域的创业企业提供资本或非资本支持（比如，指导），17%的保险公司在内部设立了风险投资基金或者以高科技行业为目标的投资部门。同时使用机器学习可以为保险公司带来更准确的定价和风险评估。当然也有关于消费者保护方面滴担心，主要是因为可能会出现数据差错或某些群体被排除在外。 3.1.3 面向客户的聊天机器人聊天 聊天机器人是帮助客户交易或解决问题的虚拟助手。这些自动化程序使用自然语言处理自然语言（文本或音频）和客户交互，使用机器学习算法自我完善。很多金融机构已经使用了聊天机器人，通常是在其移动应用或者社交媒体账号上。还有很多金融机构正在测试阶段，所以聊天机器人会有很大的发展潜力，尤其是在年轻一代群体中，并且会越来越专业复杂。现在金融机构在使用的聊天机器人很简单，通常为客户提供账户信息或者对客户提出预警，或者回答简单的问题。值得观察的是聊天机器人的使用越来越多和通讯应用的使用有关系。 聊天机器人越来越向提供咨询建议或促进客户行动这些方向发展。除了辅助金融机构客户进行投资决策，金融机构还可以从聊天机器人和客户互动过程中获取客户信息，从而受益。落后的客户数据存储基础设施延缓了很多地方金融机构聊天机器人的发展，亚洲金融机构和监管机构己经开发山了更加专业的聊天机器人，并且现在己经使用得很多了。保险行业也在探索使用聊天机器人提供实时保险咨询服务。 3.2运营过程应用人工智能 金融机构可以在很多运营业务（后台）中使用人工智能和机器学习工具。一些应用包括：（i)银行资本优化；（ii)模型风险管理（回测和模型验证）；以及（iii)市场影响分析（大宗交易建模）。下面将会依次讨论。 3.2.1资本优化应用场景 资本优化，或者一定资金规模情况下实现利润最大化，是传统银行功能，高度依赖数学方法。人工智能和机器学习工具都是建立在计算能力，大数据和数学优化概念基础上的，可以提高资本优化效率，准确率，以及速度。在过去儿年，在学术界和行业内的专业人，利用机器学习优化银行监管资本都是一个非常关注的课题。在2012年，私人部门的观察家指出很多银行声称他们开展了很有意义的项目优化风险加权资产（RWA),并且节省了 RWA5%-15% 。资本优化在衍生品利润优化方面也需要做，比如MVA(margin valuation adjustment)，关于清算和双边保证的新监管规定也对优化资本和初始保证金在专业技术方面提出了新的要求。 人工智能和机器学习可以帮银行优化MVA，最近的研究表明在这些方面也有些进展。在MVA优化过程中，机器学习要结合以下方面降低衍生品初始保证金要求：（a)执行成对抵销衍生品交易（offsetting derivative trades) ; (b)和同一交易员执行抵销策略；（c)从一个交易组合中代替另一个交易组合中的交易。机器学习可以根据过去不同交易组合情况下初始保证金减少程度，在给定时间里发现减少交易的最佳初始保证金组合。在RWA和MVA优化中的进步可能会减少传统上标准化的监管资本要求，并且会降低对不可优化资本监管工具的过度依赖。 3.2.2模型风险（回测和模型验证）和压力测试 学术专家和业内人士通常认为回撤和模型验证中是人工智能和机器学习不久就可以应用的领域。很多银行正在考虑用机器学习来探索利用大量非结构性和半结构性数据集，并且要监督重要模型的输出。回测很重要，因为回测通常会用来评估银行的风险模型效果如何。在过去几年，美国和欧洲审慎监管机构重点关注银行使用的回测和模型验证工作，为模型风险管理提供指导。为回测设定很多条件可以考虑市场行为和其他趋势的改变，有希望减少在上述情景中低估风险的可能性。 有些应用已经出现。比如，一家全球跨国投资银行正在模型验证中使用无监督学习算法。其证券衍生品业务使用这类机器学习找出其压力测试模型产生的异常预测值。每天晚上，这些模型会产生超过三百万个计算报告监督监管情况、内部资本配置情况。无监督学习算法会在监督内部和监管压力测试模型中有助于模型验证，因为他们可以帮助确定这些模型是否在可接受的容忍度内运行或者偏离了最初的目标。他们还可以向经营风险模型提供其他输入，比如组织受到网络攻击的脆弱程度。 同样，人工智能和学习和机器学习技术也应用于压力测试，金融危机之后越来越多的压力测试已经对银行造成了困难，因为银行进行监管压力测试要分析大量数据。人工智能和机器学习工具的一家供应商已经密切的和一家大型金融机构合作开发工具帮助他们为银行压力测试构建资本市场业务模型。其开发的工目的是在给定违约概率和违约损失的场景分析中限制变量的数量。通过使用无监督学习模型分析大量的数据，其工具可以记录因为变量选择而出现的任何偏差，由此可以给模型带来更好的透明度。 并且，人工智能还可以帮助什么时候交易能够将市场影响降到最低。市场影响模型可以描述交易带来的影响是如何依赖此前的交易的。模型会避免将交易安排地过于密集，从而避免对市场造成严重影响。这些模型可以用于为一系列场景设计最可能的交易模式，然后随着真实交易情况的变化调整交易计划，使用监督学习技术进行短期预测，确定调整情况。银行业正在测试强化学习，教人工智能工具对限价订单中的订单不平衡（指令差额）和队列位置做出反应。 3.2.3 市场影响分析(大宗交易建模) 人工智能和机器学习可以对传统的市场影响模型形成补充。公司可以使用人工智能从稀少的历史模型中获得更多信息，或者帮助识别订单流中的非线性关系。自己学习还能够用来开发“交易机器人”，这些交易机器人可以教自己如何对市场变化做出反应。市场影响分析，主要是公司交易对市场价格的影响进行评估。由于公司比较担心交易带来的影响，尤其是大宗交易对市场价格的影响，对这些影响进行更准确的预测是确定交易时间以及实现交易执行成本最小的关键。 很多公司正在探索使用人工智能工具对某些交易造成的市场影响进行分析。公司自营交易，对市场价格的影响是难以建模的，尤其是对于流动性较差的证券产品。这些产品过去可以对比的交易数据很少。人工智能工具可以有助于强化正在使用的模型，或者是引入机器学习方法实现交易对价格和流动性的影响最小。对于那些非常活跃的系统重要性基金，其交易产生的收益中有2/3据估计会因为市场影响成本而损失掉。 机器学习也经常用于找出那些价格变动模式类似的债券50。这么做，机器学习要依赖更多的数据点，但市场交易量较少时可以更好地预测价格变化。由此形成的工具将债券分成一组一组的使用聚类分析，在每组中收集最可比地产品，评估单个债券的流动性。 3.3、交易和组合管理 人工智能和机器学习技术是资产管理公司和交易公司现在研究的重点领域。除了研发投入以外，有些公司现在使用机器学习设计交易和投资策略。人工智能投资策略的自主程度和人类参与程度每个应用都有所不同。本部分，我们会分析交易执行（主要是卖方）和组合管理（买方）的应用。 3.3.1.人工智能和机器学习在交易执行中的应用 交易公司希望人工智能和机器学习使用数据提高其销售能力。比如，分析过去交易行为可以有助于预测客户的下一个订单。交易会产生大量的数据，这些数的规模通常都可以由机器学习工具有效使用。如果目前使用语音转化成文本的服务趋势持续吸取，这会从电话执行的交易中获得额外的数据，这会和来自电于交易平台的数据融合在一起使用。 人工智能和机器学习能够更有效地管理风险暴露。交易所需要确定会员交易账户头寸风险增加需要介入，在这个过程中机器学习就可以作为风险建模地基础发挥作用。对于大型交易公司如银行，使用中央风险交易指南或基于人数据分析地风险管理技术可以让这些公司将各类业务产生的风险集中起来，从而更好地管理风险，优化资本使用。 人工智能和机器学习可以有助于交易监管合规。监管科技中应用人工智能就是深度学习推动的语音转化成文本的技术。这可以帮助公司满足非证券市场上交易前和交易后的透明要求。 3.3.2, 组合管理中人工智能和机器学习的范围 在组合管理中，人工智能和机器学习工具可以用于识别价格变化的信号，更高效地使用海量数据开展市场研究。机器学习工具也和现在系统性投资中使用的分析工具原理类似。主要的仟务是从那些可以预测价格变动的数据中找到信号，从而带来更高回报。 在资产管理公司中，机器学习可以广泛地应用于系统性基金（量化），很多都是对冲基金。资产管理公司中的人工智能团队会有很多成员帮助组合构建。行业中的一种观点是人工智能和机器学习要有效，交易员和宽客都需要对使用的工具有很好的理解，并且要有良好的监督。很多量化基金声称如果他们不理解某个预测是如何做出的，那么他们就不会很好地使用模型。机器学习工具在量化基金中集中应用也反映出机器学习是从数据中做出预测的基础方法，这就使得其和那种使用主观判断的投资方法区别开来。 同时，机器学习可能也只在一部分量化基金中得到应用。量化基金管理的资产规模高达1万亿美元，目前全球共同基金管理的资产规模达到40万亿美元。 自危机以来，量化基金管理的资产规模市场份额并没有出现明显变化，但是在2013到2016年量化基金执行的交易占比大约从13%翻了一倍达到27% 。换言之，有些交易是基于机器学习的。很难准确地量化哪些交易是由机器学习完成的，原因在于： ·很多公司都不愿意披露其相关信息。 ·当公司披露其使用机器学习相关信息时，对于机器学习这一概念并没有一个标准的定义或理解 ·有些交易或投资可能是主观做出的.但是从使用机器学习过程中获得了信息（程度不同）。 业内有人士估计纯粹使用人工智能和机器学习的机构管理的资产大约为100亿美元，但是这一数字在快速增加。 除了基金管理公司使用，专业机构也帮助基金管理公司使用机器学习工具从大量的新闻和市场研究中获取有价值的内容。在其他情况下，资产管理公司会使用第三方提供的人工智能技术构建指标。一个普遍的问题是人工智能和机器学习策略得出的有效交易信号会随着时间的发展效果越来越差，因为数据被广泛使用，由此要比其他投资者获得相对优势就没有什么价值了。 3.4人工智能和机器学习在监管合规和监督中的应用 人工智能和机器学习技术在被监管企业中广泛应用，主要用于监管合规，此外监管当局也应用于监督方面。监管科技经常被认为是专注于促进监管合规。更高效的金融科技细分领域。监管科技市场总额预计到2020年会达到64.5亿美元，年复合增长率为76% 。监督科技（SupTech)是由监管机构使用的技术统称。在监督科技中，人工智能和机器学习应用的目标是提高效率以及监督和管理的有效性。这两个方面可能会有重叠，但是我们会分开进行单独讨论。下面的有些例于主要来自学术领域。尽管还没有被监管或管理当局采用，但他们代表着未来的潜在应用方向。应用场景根据使用功能进行分组，即监管合规；监管汇报和数据质量;货币政策和系统风险分析；监督和欺诈识别。 3.4.1监管科技：金融机构监管合规应用 为了分析非结构性数据，监管科技可以使用机器学习结合然语言处理。除了用于监督交易员行为和通讯以保证透明度和市场行为合规，机器学习结合自然语言处理可以解释数据输入如电于邮件，口语单词，即时通讯，文档和大型数据。有些被监管机构正在很多情况下进行试验，希望能够提高其产品合规能力。 资产管理公司也可以使用自然语言处理来应对新的监管要求。在欧盟，投资机构必须遵守MiFID II，UCITS以及AIFMD法规的具体要求。公司可以利用自然语言处理和机器学习工具将这些监管政策解释成普通的语言。然后可以分析这些规定，并进行编程实现其自动化，从而将其融入其风险和报告系统，帮助公司遵守相关监管政策。这会减少为基金经理解释，实施以及更新监管规定所需要的成本，工作和时间。 了解你的客户（KYC)是人工智能和机器学习解决金融业一大痛点的又一个领域。KYC过程经常会成本很高，很耗费人力，并且在很多服务和机构方面都是重复性的。机器学习逐渐用于金融机构远程KYC过程，实施身份和背景审查。主要有两种使用方式：（1)评估识別文件中的图像是否和另一个匹配，（2)计算风险得分，公司会根据风险得分确定哪类个体或应用需要进行额外的监督。基于机器学习的风险评估也会用于定期根据公共数据和私人数据源的审查，比如违法者和社交媒体在警察那里的登记。使用这些数据源可以对风险进行快速评估，且成本很低。公司可以使用风险评分来帮助决策，是否需要花费时间和资金做全面的背景审查。 但是，对于其准确性的担心也导致很多金融机构还没有应用这些工具。 3.4.2.在宏观审慎监管和数据质量保证中应用 人工智能和机器学习方法可以通过将宏观审慎分析和数据质量保证自动化从而改善宏观审慎监管。各个地区出台了一系列新的报告要求，这都导致报告数据的规模更大，汇报频率更高，同时还要求金融机构按照时间要求提供更多的资源。在某些情况下 (比如，MiFID,AIFM框架下的交昜数据），获取的数据量对于监管当局来说是非常大的，所以按照传统方法监管部门是无法处理这些数据的。并且，重大误差，空白内容，以及其他数据质量问题都是在新的数据集中非常普遍，所以需要多加审查确保数据质量。机器学习可以有助于提高数据质量，比如，可以自动识别异常值（潜在错误）并标注出来。这就会降低成本，提高报告质量，同时又可以让监管当局高效地进行数据处理和宏观审慎监管。 同样，人工智能和机器学习可以帮助交易存储库（TRS)处理数据质量问题，提高交易存储的数据对监管当局和公众的价值。监管当局的报告要克服数据质量问题仍是充分利用交易存储库数据的关键难题61。应用机器学习技术可以帮助交易存储库一为场外衍生品或其他类型交易，如交易所交易的衍生品或证券融资交易一提高数据质量。特别是，经过适当训练过的机器学习算法能够帮助识别数据鸿沟，数据不一致，以及胖手指误差，并且可以对交易进行配对或插入缺失数据。监管当局业可以使用同样的技术。在这种环境下，Autorite des marches financiers du Quebec报告称其在金融科技实验室中己经成功地测试了一种监督学习算法，能够从场外衍生品数据比如浮动利率互换地非结构性自由文本字段中识别出异常类别。基于这一算法的预警可以自动识别不符合规定的清算要求的交易。 3.4.3.监督科技:中央银行和审慎当局的应用以及未来的应用 机器学习可以用于系统性风险识以及风险传播渠道。特别是，自然语言处理工具可以帮助政府当局识别，衡量，预测，估计市场波动，流动性风险，财务压力，住房价格以及失业。最近意大利银行的研究中，从推特帖于中得出的文本情绪信息可以用于分析随时间变化的条件下散户对银行的信仟。该指标可以对银行零售融资模型的预测带来挑战，并且可以在公众对银行体系不信任情绪增强的情况下，获取对金融稳定造成威胁的一些信息。并且，在意大利银行，为了准确地获取网络上最相关的额信息，新闻媒体的文章都会通过适当的自然语言处理工具进行处理，以评估公众情绪。 在另一个研究中，研究人员使用计算语言学和概率方法开发了一个模型来揭示美国规定的银行披露信息中的自然语言语义学。该模型发现早在2005年就存在和利率，抵押，房地产，资本要求，评级机构和市场化证券相关的风险。其他研究能够预测和预计市场结果以及经济状况，包括波动性和增长情况。 使用机器学习结合自然语言处理可以在大规模复杂数据中为监管机构重点关注的领域提供有价值信息。机器学习和自然语言处理结合使用，将交易数据库和市场参与者其他相关信息连起来。这包括，比如，融合并比较交易活动信息和行为数据如通讯等，并且可以将正常的交易场景和存在明显异常，需要进一步分析的交易场景进行对比。 中央银行可以使用人工智能辅助货币政策评估。2015年一项关于中央银行对大数据的兴趣调查中，发现中央银行预计会加大使用大数据用于宏观经济和金融稳定监管。最可能的应用可能是用于经济预测，尤其是预测经济指标如通货膨胀和价格。比如，39%的中央银行预计会使用大数据实时预测房屋价格。人工智能也可以用于预测失业，GDP，工业产出，零售销售，旅游活动以及商业周期（比如，用情绪指标和实时预报技术）. 最近的研究强调了这些方法是如何应用的。哥伦比亚大学的研究人员最近使用新开发的机器学习方法，结合观测研究，可以让公共部门和市场参与者能够：（i)‘评估’政策选择并将其和财务绩效指标衔接(ii)在不同的经济和政治环境下模拟政策影响；（iii)通过比较政策影响的变化趋势发现市场创新变化。为了研究 财政政策对不同地区的分配效;BDI开展的一项研究使用了动态因于模型，并使用了包括不同经济部门的变量据集。为了选择统计上最相关的独立变量，他们使用了自回归变量模型。研究人员目前正在评估机器学习工具在识别新的金融创新方面的潜力。研究人员己经使用了机器学习从金融论文，新闻中提取情绪和关键主题，以评估新闻、关注度和金融稳定之间的关系。 3.4.4 市场监管机构用来监督和识别欺诈 一些监管机构正使用人工智能进行欺诈和AML/CFT识别。澳大利亚证券和投资委员会（ASIC)正使用自然语言处理和其他技术将选取的主体和他们之间的关系制作视图，实现可视化，并进一步研究。为了打击银行体系的犯罪活动（如洗钱），Bdl收集了银行资金转账的详细信息，并将这些信息和新闻报纸上的文章 做相关性审查。相关性涉及到结构性和非结构性数据，文件大小超过50个GB。同样，新加坡金融管理局（MAS)正探索在可疑交易分析中利用人工智能和机器学习，找出那些需要进一步研究的交易，可以让监管机构将资源投入到高风险交易的调查中。 调査可疑交易经常很耗费时间，而且有时候也很可能会因为被监管对象提供错误信息而使得调查徒劳无功。机器学习正被用于识別复杂模式，突出那些非常严重又值得深入调査的可疑交易。有了机器学习方法分析来自交易，客户特征以及各种非结构数据的粒状数据，机器学习可以用于揭示不同特性和实体之间的非线性关系，可以发现非常复杂的洗钱和恐怖主义融资行为模式，这些行为无法通过个体提交的可疑交易文件发现。 市场监管机构还可以使用这些技术用于披露和风险评估。美围证监会研究人员利用“大数据”开发出文本分析和机器学习算法识别可能的欺诈和非法行为。某些风险评估工具也开始转向人工智能技术。比如，美国证监会工作人员使用机器学习识别SEC文件中的文本模式。有了监督学习，这些模式可以和过去的测试结果对比，以发现投资机构申请文件中存在的风险点。美国证监人员指出这些技术的效率非常高。尽管结果也会存在误报，这些误报可能不是恶意或有意为之。73对于投资顾问，SEC工作人员汇集了结构性和非结构性数据。无监督学习算法可以用于识別特殊的或异常的报告行为一包括主题建模和音调分析。74这一阶段的结果和过去测试结果结合，输入到第二阶段机器学习算法中预测每个投资顾问身上的风险概率75。在澳大利亚，ASIC使用机器学习软件识别某些细分领域中的误导营销活动，比如在投资顾问中没有执业资格的会计师。 |
|
|
