人工智能技术在互联网金融中的应用及安全风险探析

范 敏，管 琳

（合肥师范学院 经济与管理学院，安徽 合肥 230601）

党的十九大报告中，习近平总书记指出，“深化金融体制改革，增强金融服务实体经济能力”。这为新时代中国特色社会主义市场经济的金融建设指明了方向。作为一种金融创新，互联网金融为行业的发展注入了新的活力，但发展过程中安全风险日益凸显，尤其是P2P平台相继出现了不同程度的兑付危机，亟需不断完善技术规范和金融监管。随着人工智能技术的蓬勃发展和逐渐成熟，其可以助力于互联网金融业务的信息、服务、风控、资产管理等诸多方面，并帮助决策、预警、防范互联网风险和系统性金融风险。作为国内较早参与人工智能研究和开发的工程师之一，李开复曾提出一个观点：“人工智能最好的应用领域是互联网金融。”

目前国内对人工智能和互联网金融的研究主要包括互联网金融安全风险与监管机制研究和人工智能在互联网金融领域的应用研究两个方面：张承惠（2016）提出应根据暴露的问题有针对性地规范网络金融活动，对网络金融平台采取差异化的监管和风控制度，加强跨部门协调监管，强化对正规金融机构的行为监督，加大对非法集资的打击力度，加强投资者风险教育[1]。侯建强等（2016）认为基于互联网信息技术的支付创新改变了传统金融的信息行为，信息来源多元化和信息处理技术提升同时给互联网金融风险管理带来了新的技术和资源[2]。胡辰（2017）从P2B产业特征出发,以问卷调查分析的方式,论证P2B互联网金融风险结构路径,由此提出P2B互联网金融风险可控的七大原则[3]。中国人民银行武汉分行办公室课题组（2016）梳理了人工智能在金融领域应用的现状及发展趋势，并结合金融行业特点，分析人工智能应用可能带来的影响，并在此基础上提出对策[4]。程东亮（2016）绍了人工智能在金融领域的应用现状，并分析了其发展中面临的风险，基于此提出加强访问控制和身份认证、出台审计措施和监控措施等建议[5]。

当前探讨人工智能背景下互联网金融问题的文献资料还较少，现有互联网金融安全风险及监控机制的研究还是基于过去的技术标准，因此本文拟从人工智能在互联网金融领域的主要应用出发，分析人工智能时代互联网金融面临的安全新隐患，并基于算法、合作、规范、监管等四个角度提出相应的管理策略。

一、人工智能技术在互联网金融领域的应用分析

（一）运用机器学习和神经网络助力决策预警

互联网金融领域基本上属于纯数据的领域，无论是用户信息还是交易信息，都是以数据的形式存在，而人工智能所具备的复杂数据处理能力和准确的机器学习能力正好可以对海量的互联网金融数据进行运算、分析和学习。从用户角度来说，如果提前设置合适的评分规则和决策体系，那么人工智能可以作为在线智能理财顾问，根据运算分析结果和用户个人投资履历为其提供合适的金融投资计划，并且可以为用户计算风险以供参考。人工智能在互联网金融决策方面的运用，主要是指为客户提供基于算法的在线投资顾问和资产管理服务，通常被称为智能投顾。2017年10月，EquBot LLC、ETF Managers Group共同推出了全球第一只应用人工智能、机器学习进行投资的 ETF：AI Powered Equity ETF(AIEQ.US)。

从平台角度来说，神经网络可以根据海量、复杂的大数据对经济形势、市场走向作出精准的判断，同时对系统性金融风险或者互联网风险进行预警。例如充分运用认知计算、智能机器人过程自动化、身份解析、网络分析、机器学习和其他高级分析功能，能够加快尽职调查，帮助互联网金融企业有效地理解和管理现有交易监控系统产生的大批反洗钱警报。结合人工智能技术特长，各金融机构可以提高客户认证的速度和准确性，收集负面新闻以了解客户要求，从而减少误报，加快对反洗钱警报审查的调查。与人类工作相比，人工智能的稳定性更高，不会疲倦，分析决策不会受到外界因素影响。

（二）运用深度学习和知识图谱完善智能风控

风险控制是金融行业最核心的问题，对无法直接与用户面对面的互联网金融尤为重要。无论是投资还是信贷，都需要在风险的高与低之间找到一个平衡点。以个人用户风控为例，传统的金融业务是无法服务大部分个人客户的，主要是因为目前的风控手段无法对所有的个人客户进行精准的风险识别，所以当银行和P2P平台无法通过风控系统判断用户的信用时，这部分用户便无法获得所需要的服务。这种情况之下小贷公司包括颇受争议的校园贷快速崛起，带来了新的互联网金融监管问题。

人工智能的出现刚好为问题提供了解决思路，可通过深度学习和知识图谱去对大量的、多维度的数据去做相应的知识挖掘，同时可以通过收集和分析历史特征数据来对未来行为进行预测，有效地去“刻画”一个人或者一个公司，从而判断其信用情况。如表1所示，传统风控模型是以线性模型为主，基于的数据维度包括人或者公司的基本特征信息比如年龄、工资、工作单位等，特征一般不超过50。而人工智能风控模型主要是以集成模型、深度学习为主，特征数量大于1000。

表1 人工智能风控模型和传统风控模型的对比

基于知识图谱的反欺诈则是基于深度分析海量数据之间的关联找到可疑点，然后进一步进行数据挖掘和清晰，通过语义网络和语言处理建立知识图谱，数据总量越多，知识图谱的效果越好，基于知识图谱中可观察到的交易特征变量和给定“正确答案”的案例，智能模型从正确的答案中辨别黑白，从而进行正确的风险预测。同时，在一些交易、账户登录等场景应用无监督机器学习模型，在没有“正确答案”的标签数据的情况下，通过分析欺诈用户和正常用户行为模式的异同，识别欺诈风险。

人工智能一方面提高了互联网金融的工作效率；另外一方面利用人工智能代替人类对金融进行审查监管，可有效控制金融活动中潜在的非法行为，避免人为隐患和道德风险。

（三）运用语言识别与处理功能打造智能客服

语言识别与处理技术的成熟使得真正 “能听会说、能思考会判断”的智慧型机器人正在逐步投入使用，智能机器人一方面专业知识精度很高，可以满足用户多方面的需求，另一方面可以通过深度学习识别用户的需求，真正做到“看人下菜碟”。同时由于机器人不具备人类情感、用户对机器人客服的好奇心等因素，可能会有效提升用户对服务的满意度。

被人工智能赋能的智能客服将变得更加聪明，能快速读懂用户的心思、需求，实现与用户的互动，通过语言识别和大数据的分析则可以准确捕捉到用户的预期，可以根据用户心理活动准确告诉对方，其需要的信息在哪里。由于每个人的需求不同，用户会感觉服务是为其量身打造的，有利于精准营销的开展。

二、人工智能时代互联网金融面临的安全风险

（一）黑客攻击智能化演变，自我学习使得非法入侵难以探测

随着人工智能技术的发展，黑客攻击也日益智能化，部分网络攻击软件能自我学习，模仿互联网金融系统中用户的行为，并通过这种方法不断掩盖自己的真实身份，长时间停留在金融数据库和系统之中，甚至会被误认为是合法用户。此时如果安全防护技术或措施不完善，互联网金融平台可能会受到非法入侵和控制，造成严重的经济损失。

（二）深度学习算法存在缺陷，智能投顾应用有效性不高

人工智能通过深度学习之后，根据评价标准做出判断，基于深度学习算法的交易执行程序能在以毫秒计算的时间内自动完成各类金融交易，如果这个过程中算法交易程序存在缺陷，对个人用户而言投资误判可能带来一定经济损失，对平台而言，误判可能会导致金融风险，甚至会影响到国家金融稳定。事实上深度学习本身确实存在一定缺陷，例如对于输入数据的细微抖动，深度学习就会出现算法失效的情况。

另外深度学习的基础是海量数据，如果没有庞大的底层数据做支撑，其计算出来的结果就有待商榷，这也是目前在国内智能投顾应用有效性不高的根本原因。

（三）非法获取或使用个人信息，用户隐私得不到保障

人工智能通过海量数据的收集和计算，实现了对用户的信用评估。合理运用这些数据的目的是为了给用户提供便利服务和帮助，但如果出于其他目的非法采集和使用这些数据，就可能会造成用户隐私得不到保障。从一定程度上说，人工智能时代人的“金融透明化”趋势不可逆转。但必须明确，任何机构或个人在收集、利用个人信息时，需先得到用户授权。用户有知情权和选择权，即知道哪些信息被收集以及选择是否让渡。此外，所有信息应归属于用户本人，诸如互联网金融公司等商业机构只是“借用”，它们所拥有的应当是数据分析的结果，而不是其所有权和处置权。

当前数据已经成为优质资产，过去因为系统漏洞或防护能力不强等原因，一些知名互联网公司都发生过黑客入侵，造成大量用户隐私数据泄露的事故，黑客利用技术非法窃取互联网金融数据库中的私人信息用于勒索或其他违法用途。

（四）智能风控存在安全隐患，对抗样本使得风控漏洞防不胜防

作为一项发展中的新兴技术，人工智能系统当前还不够成熟。一方面，深度学习的算法缺陷可能会导致计算结果异常，那么人工智能系统的可靠性会受到质疑，而在互联网金融系统中安全和稳定可靠是用户最为看重的素质，一旦用户信心受到动摇，便会造成客户资源的流失。另一方面，图像识别问题中，攻击者将对抗样本输入机器学习模型，让机器在视觉上产生幻觉，从而让系统产生误判。依赖于数据的机器学习算法、深度学习算法本身存在很大的缺陷。对抗性生成网络，则利用这种缺陷，设计新的架构去生成模型。目前的机器学习严重依赖于数据的分布，如果数据分布本身很复杂，或者是人为地把它变得复杂，黑客如果有手段去生成恶意的样本，就会导致识别不出来，或者识别错误。如果干扰被用在互联网金融风控领域，后果则会十分严重。

三、基于人工智能的互联网金融安全管理策略探析

人工智能让互联网金融公司在精细化经营管理的基础上为客户提供更优质、更可靠、更安全的服务体验成为一种可能。但是由于人工智能技术还不够成熟和完善，需要采取一系列的应对措施，妥善应对人工智能给互联网金融带来的安全、隐私、伦理问题和其他风险。

（一）加强技术研发，不断完善深度学习算法

近年来深度学习的成功条件可以归纳为 “大数据+大规模计算能力+复杂模型+高效算法”，以深度学习为代表的智能计算模型在并行计算和海量数据的共同支撑下快速发展，但其依然存在一定缺陷，例如基于梯度的学习相当缓慢，算法需要下降很多很多的梯度才能学会模式，用于高维预测则相当艰难；深度学习在处理约束条件方面表现很差；复杂模型的训练很不稳定；无法对未知的实体进行推断等等。因此未来人们需要加强研发可解释性更高的计算模型；部署更多的硬件，以期实现自动化超参数搜索；在架构方面尝试自动归一化和处理高维数据，改善特征处理；推动可预测的智能系统研发。

（二）加强金融监管，确保智能风控体系良性运转。

为了应对人工智能带来的风险挑战，需强化立法研究，明确人工智能背景下互联网金融领域的法律主体的变化，对其相关权利、义务和责任做出新的阐述，建立和完善适应人工智能时代的金融法律法规体系。同时应该确保互联网金融监管部门能把握重点环节，确保风险防控耳聪目明，形成人工智能、互联网金融发展和监管强大合力，补齐监管短板，避免监管空白，保证智能风控体系良性运转，确保互联网金融领域的资产质量稳定，将风险抵补能力始终控制在合理水平。

（三）控制伦理风险，制定人工智能技术研发规范

从纯粹的技术角度来看，不必对人工智能存在过多疑虑，但在解决实际问题的过程中还需要注意人工智能时代的安全与伦理问题，因为那些人工智能系统可能有意或者无意地被不安全或者存有瑕疵的数据训练过，当人工智能系统做出决策与执行时，人们并不希望其行为违背人类社会的基本伦理和道德准则，因此在人工智能的系统设计和开发阶段，就需要时刻考虑这一问题。因此，需要建立起人工智能的伦理准则和技术研发规范，人工智能系统的研发者需要对产品做出伦理和道德风险评估，以确保人工智能系统不会做出反人类、反社会的行为。

（四）推动全球合作，共同应对安全挑战

人工智能和互联网金融安全风险是全球各国共同面临的问题，首先应呼吁全球各个国家积极参与人工智能的伦理准则和技术规范的制定，推进技术标准和安全标准的全球统一化；其次明确互联网金融机构、政府与国际组织各自的职责，加强人工智能行业和互联网金融行业的监管；最后加强人工智能伦理和安全风险等问题的合作研究，使人工智能技术成就能更好地服务于互联网金融领域。

四、总结

人工智能的触角正在慢慢渗透到互联网金融的各大领域，互联网金融应用的多样性和复杂性相比过去大大增强，而安全性和复杂性是成正比的，这也就使得人工智能时代的互联网金融安全问题变得更加严峻。加强技术研发和金融监管，不断完善法律法规和技术规范，可以有效促进人工智能在互联网金融领域快速健康的发展。

参考文献：

[1]张承惠.关于互联网金融风险的思考与建议[J].经济纵横,2016,No.365(4):93-96.

[2]侯建强,王喜梅.支付创新、信息行为与互联网金融风险管理[J].财经科学,2016(10):36-45.

[3]胡辰.P2B互联网金融风险控制模式及实际应用[J].财经问题研究,2017(9):47-53.

[4]中国人民银行武汉分行办公室课题组,韩飚,胡德.人工智能在金融领域的应用及应对[J].武汉金融,2016(7):46-47.

[5]程东亮.人工智能在金融领域应用现状及安全风险探析[J].金融科技时代,2016(9):47-49.