人工智能对金融价值链的影响与发展策略研究

沈子杰 匡甜甜

摘 要：当前，金融业正处于人工智能发展的新阶段，作为提升经营效益的有效途径，人工智能正成为推动金融机构数字化转型的核心驱动力。通过赋能金融价值链，人工智能使金融机构能够获得更加精准的决策与分析能力、更高的执行效率和更加全面的风控体系。虽然现阶段我国金融业在布局人工智能过程中存在着一系列发展痛点，但随着数据管理能力的逐步提高、智能化决策能力的不断进步、模型解释工作的充分开展和高级人才的加速培育，我国金融行业智能化进程将稳步推进。与此同时，香港银行业的人工智能部署经验值得内地银行业借鉴。展望未来，人工智能将重构金融机构业务体系，业务办理将全面挣脱传统网点束缚，深耕人工智能是我国金融业未来的发展大势。

关键词：人工智能；价值链；比较优势；数字化转型；金融价值链；智能化

本文索引：沈子杰，匡甜甜.<变量 2>[J].中国商论，2024（07）：-118.

中图分类号：F832 文献标识码：A 文章编号：2096-0298（2024）04（a）--06

1 引言

新冠疫情的爆发加速了银行业人工智能转型的步伐。根据麦肯锡报告，全球银行业的净资产收益率至少5年内都无法恢复到疫情前水平，其中全球银行业净资产收益率ROE，从2019年的8.9%下滑至2020年的5.4%，2021年触底下降至1.5%，其中北美降至-1.1%、欧洲降至-1.8、亚洲发达市场降至-0.2%、新兴亚洲降至-0.2%、中东和非洲降至3.7%、拉丁美洲降至5.2%、中国银行业降至8.6%。与此同时，零利率市场环境还会持续压缩净息差，银行必须重新思考基于风险中介定位的业务模式，银行管理层若不采取行动，全球银行业ROE将会继续下滑，利润率也将进一步承压，多数地区银行业ROE也将转为负值。数字化的快速发展正使得客户对于金融智能化期望增加、领军金融科技公司及平台公司正在加速人工智能技术布局、数字生态系统也正在加速传统金融服务脱媒，如果银行不能尽快将智能化作为其核心战略，就可能面临着被竞争对手超越和被客户抛弃的风险。因此，在零利率、去中介化背景下，如何提升金融收益与运作效率已成为重要议题。为实现利润增长，银行必须采取包括提高产出、强化风险管理和优化主权资本等在内的多种干预政策，而人工智能技术则为这些措施的达成提供了一个良好的解决方案，利用人工智能技术能够打造效率引擎、推动金融自动化基础设施建设、强化风险管理，从而推动资本优化目的达成。

近年来，人工智能技术发展的主要推动因素在于可利用数据量的增加、网络带宽的增加以及机器学习算法的持续进步，人工智能的应用范围已从固定执行预先设定好的应用程序，逐步发展为执行类似于人类大脑的思考，利用大数据技术进行海量数据培训，在循环反馈机制作用下构成神经网络。银行与其他数据分析技术相比，AI算法能够完全利用输入数据自行建模，这一特性决定了AI技术相较其他数据分析技术而言更加智能和灵活，同时AI还能利用不同的训练数据集合实现自优化，在现阶段布局到金融业务领域，能够取代或增强人类的判断，还能达成近乎实时的客户储备数据分析，降低传统人为的出错概率并发挥数倍于人工的高效作用。综合上述各项优势，银行希望利用AI技术赋能价值链，用以优化整体业务流程、达成实时决策以及实现自动化批量业务处理的能力。银行若想成为人工智能银行，则需要实现整体转型，由部门内部小范围的人工智能技术实验，逐步转向面朝银行内部整体发展人工智能技术，但在此过程中银行面临着诸多的转型发展痛点，而如何解决这些问题已成为业界普遍关注的焦點。鉴于人工智能技术对于银行价值链的影响以及如何在银行内部应用的问题是近年来较新的研究领域，国内相关研究文献较少，并且缺乏一定的针对性，故本文参考近年来国外知名咨询机构有关人工智能与银行业的最新研究报告，用以探究人工智能对银行价值链的影响、香港地区人工智能技术的布局与比较优势、现阶段我国银行业布局人工智能的发展痛点和转型策略，以期为我国银行界人工智能技术的发展提供一些参考建议。

2 人工智能对银行价值链的影响

银行拥抱人工智能能够提供全方位的智能化与个性化服务，对银行的价值链带来深远影响。在银行价值链的核心流程与支持流程中，人工智能带来了诸多创新模式，不仅为银行提供了全面的智能化分析与决策手段，还将银行自动化水平推向了新高度。人工智能在银行内部的应用范围，从产品和解决方案、风险管理与核校、产品营销与咨询，再到信息技术、人力资源和财务管理，所带来的潜在优势十分显著。利用人工智能，银行拥有更加智能化的数据分析方法来提升服务质量和客户获取能力，帮助银行创造收入；通过提高自动化程度，能够降低人工错误发生率、提高资源利用效率和金融运作效率，从而降低整体运行成本、提升经营效益；通过从海量数据中获得价值信息，不仅能为银行创造新的发展机遇，还能够更好的防范银行内部与外部风险。麦肯锡（McKinsey）的一份研究报告提出，人工智能和机器学习有可能在金融和IT领域额外创造1000亿美元的收入，每年可以为银行释放约10000亿美元的增量价值（数据来源：“The executives AI playbook，” McKinsey.com.）。综上所述，银行价值链在人工智能技术的赋能下，银行得以获得三个关键能力：更精准的分析与决策能力、更高的经营效率与盈利能力以及更加完备的风险控制体系。

第一，更为精准的分析与决策能力。深入了解客户行为和市场产品需求，是提高银行竞争力的关键要素，银行为提高竞争力需要为客户提供更精准的服务以保持和扩大现有的市场份额。银行正在寻求将内部客户数据与外部数据结合起来，与外部非银行金融机构形成数据合作伙伴关系，利用开放银行解决数据获取问题，应用编程接口API帮助银行与第三方的服务商连接和协作，共享客户授权的金融数据，从而便利银行利用人工智能分析技术产生对客户行为的详细画像，根据客户概况、交易历史和其他数据建立客户个性化标签，为银行客户获取提供切入点。对于个人客户而言，智能化银行能够精准识别消费者的消费模式、提供全面的个性化资金管理方案和储蓄投资建议。针对企业客户而言，智能化银行能够为企业客户制定贷款解决方案、匹配和寻找供应商与买家。人工智能通过赋能以机器人投资顾问、智能数据分析、银行远程客户端等为代表的应用，优化了金融价值链，这类技术正帮助银行获得更精准的客户分析能力与决策能力，从而为客户提供更灵活、更加全面的解决方案。

第二，更强的经营效率与盈利能力。对于商业银行来说，找到更经济的方法降低人工出错概率，提升经营效率与盈利能力至关重要，这也是银行寻求人工智能技术赋能金融价值链的重要因素，而人工智能所带来智能自动批量化处理，为上述目标的达成提供了有效的解决方案，AI使银行业务流程实现自动批量化处理走向现实，这有利于保持银行所提供服务的性价比，提高金融经营效益。与此同时，随着开放API支持与业务合作伙伴之间共享越来越多的数据。有了Open API所有信息都可以实现数字化并被银行计算机系统所理解，未来银行系统可以更容易地集成相关数据和信息，从而更容易实现端到端的全面自动化批量处理过程。

第三，更加完备的风险控制体系。人工智能可以通过考察交易历史、市场趋势和客户信用记录等数据，在保证精确度的同时能够简化传统风险管理流程，在风险管理流程中，对可能发生的风险情景进行全面监测，以达成降低传统金融风险的目的。

3 香港银行业人工智能技术业务布局与比较优势

3.1 香港银行业人工智能技术业务布局

香港地区银行业已将AI作为提高效率、降低成本、强化反欺诈能力和提高客户参与的重要方式，将AI技术整合到銀行多个关键职能领域，包括前线业务、风险管理、后台运营（清算、结算与财务）和客户服务。在香港银行业内部，目前已通过审批采用和计划推出的人工智能应用程序已经超过50款。相关数据显示，香港地区银行业人工智能技术应用最广泛的领域为风险管理领域，AI应用规模占已采用和计划推出人工智能技术总数的57%，主要应用场景为反洗钱、客户尽职调查、网络安全维护；其次是客户服务领域，规模占到17%，主要应用场景包括远程客户注册、客户服务机器人和个性化产品推荐；前线业务占比为12%，主要应用场景包括算法交易，财务建议与信用评分；后台运营领域人工智能技术用例的占比为14%，主要应用领域包括自动化操作、智能合同分析、债务管理与客户信息管理（数据来源：HKIMR Applied Research Report No. 2/2020）。而在所有的人工智能应用中，最受香港银行业欢迎的三项AI应用为处理运营任务的自动化批量处理、用于检测欺诈与支持风险管理的机器学习程序以及用于客户服务中心的机器人客服。

具体来看，香港地区银行业人工智能应用目前已广泛布局于核心金融领域、客户管理领域、银行职能领域和各银行服务渠道。首先，在核心金融领域，人工智能技术已广泛应用于银行客户管理、金融产品创新与定价、贷款业务和抵押品管理，在该领域应用人工智能技术能够维护银行账户的可操作性、更好的向客户提供增值服务、支持创新金融产品研发、实现产品价值最大化定价以及提高数据集的管理效率，香港银行业在该领域主要的AI应用案例包括智能客服、金融产品定价程序和数据集管理系统。其次，在客户管理领域，人工智能技术在香港银行业已广泛应用于客户服务、客户获取与客户画像，目的是用以提升服务质量、提高客户搜集能力、实现精准的客户需求分析与客户细分。在该领域，人工智能主要的应用案例包括客服机器人、客户情感分析机器人、客户流失预测、个性化产品推荐以及远程客户端服务。再次，在银行职能领域，香港银行业在该领域的人工智能应用布局最为广泛，主要应用场景包括欺诈检测、自动编码与功耗管理、清算与结算、报告与合规文件处理、人才管理、风险评估检测和交易支付等领域，在该领域主要的AI应用案例包括反洗钱、欺诈检测、客户分析、网络安全检测、智能识别系统、智能合同分析、自动化文件批量处理、基于自然语言技术生成报告、员工行为监督、经济与数据预测和风险管理。最后，在银行服务的渠道方面，人工智能技术广泛布局在银行手机端、网上银行端、银行客服中心、自动柜员机、智能柜台等渠道上，用以帮助客户实现远程注册、快捷的业务办理以及用于提升自动柜员机（ATM）的现金管理效率。当然，在上述之外的其他领域，香港银行业人工智能技术应用还广泛布局于企业贷款、投资与证券、财富管理、消费融资、现金管理与信用卡等领域，用于支持银行信用评分、达成算法交易、优化资本运作效率、增强投资组合管理效率、提供财务建议以及提升卡片管理系统的运作效率。

3.2 香港地区人工智能发展相较内地的比较优势

首先，秉承人工智能发展人才先行策略。一方面，香港的大学院校在人工智能技术相关领域表现一直较为出众，例如计算机科学及信息系统、电子工程、数学等学科的表现在世界大学排名中位居前列，校内科研投入的稳步增长将相当数量的科研课题转化为科技成果，这些优势为香港地区人工智能技术的发展孕育了土壤。与此同时，香港金管局较为重视人工智能人才培养，早在2016年香港金管局便与高校相关技术院系合作，用以鼓励银行和大学共同开发人工智能相关项目，加速学生将理论知识转变为实践经验与科技成果的过程，提高应届毕业生在这一领域的相关技能，提早积累行业经验并确定适合自己的技术研究方向。这一做法为香港银行业扩大金融科技人才库，减少金融科技人才缺口打下了坚实的基础。另一方面，香港金融界近年来继续加大科技人才的引进力度，持续扩大科技人才市场，为海内外符合条件的、拥有先进分析技能的数据科学家和能够创建、部署和管理人工智能应用程序的数据工程师提供更快速的就业通道安排。

其次，金融科技领域发展全球领先。香港作为全球排名前列的国际金融中心，拥有扎实的信息科技基础设施，科技领域的发展较为成熟，近年来以信息通讯科技、物联网、人工智能、新材料、生物科技为代表的初创企业正迅速崛起，加上香港存在有大量地区性金融机构营运，两者叠加，近年来为香港地区培育出了全球领先金融科技生态，香港地区成为全球金融科技公司较为理想的营运地点，本地金融科技企业数量呈现增长趋势，截至2023年末香港地区金融科技企业已超500家，其中包括数家全球领先的人工智能和技术咨询公司。这些金融科技公司给香港以银行业代表的金融服务行业带来了较大影响，同时香港经管局也在加强银行与金融科技公司之间的合作方面发挥着重要作用，为香港银行开发新的技术应用提供支持，本地区零售与非零售银行通过与金融科技公司合作、成立金融科技子公司等途径，为传统银行实现智能化转型、构建人工智能架构提供快速、专业的解决方案，加速了香港银行业在财富管理、机器人顾问、语音与生物识别、网络安全、反欺诈等领域的智能化发展步伐。

最后，拥有较全面的银行业人工智能发展指引。AI技术在银行内部的部署会受到外部监管的影响，不仅会导致银行AI投入积极性不高，还可能会导致银行采用相对保守的方式进行AI应用开发，为了解决这一问题，香港金管局通过参考业界稳健做法，结合香港人工智能发展实际情况，向银行业提供了包括应用人工智能的高层次原则通告等在内的系列人工智能应用程序发展指引，帮助银行业更好的应对所带来的风险管理新挑战，指引为香港银行业提供了一个有利的环境和更加清晰的监督框架，促进银行更合理、公平和审慎地使用这项技术。在完善的政策指引下，银行能更清晰地了解与 AI 应用程序相关的监管和合规要求，不用再过分担心在重大投资后可能会出现的违规风险，而是将注意力转移到应用人工智能技术提供业务解决方案的层面。

4 现阶段我国银行业布局人工智能的痛点

第一，核心系统薄弱与运营模式阻碍。这主要表现在核心系统薄弱与运营模式过时两个方面。一方面，传统银行核心系统往往缺乏支持人工智能应用程序所需的计算能力和实时数据分析所需的数据储存容量，核心系统无法快速扩展且灵活度仍待提高，维护基础架构所需耗费的时间成本也高，团队需要花费较长时间来建设用于开发测试的技术环境。同时，受银行传统组织架构的影响，银行的数据储备还分散在多个独立的业务和技术团队的系统之中，业务数据被限制在多个部门中难以集成、无法跨系统传输、缺乏数据主干，再加上核心系统错误率偏高、刷新率较低，这些因素均不利于人工智能在银行内部开展数据分析任务。另一方面，大多数传统银行都是围绕着不同的业务线进行组织且功能过于细分。银行高层单方面定义的目标往往与部门间所设定的策略缺乏一致性，孤岛式的工作团队和突击式的目标实现过程，导致人工智能技术在测试开发过程中频繁出现延误、成本超支抑或是新技术产品性能不足等问题。

第二，优质人才资源及高质量数据限制。优质人力资源的缺乏和数据主干薄弱掣肘了金融人工智能发展。首先，数据和尖端算法人才稀缺，缺乏具备数据挖掘和算法专业知识，同时掌握金融知识的人才是掣肘银行人工智能发展的现存痛点之一。由于技术发展处在初级阶段，人工智能作为一项新兴技术，相关标准并不健全，技术标准和协同机制仍未完全统一并且所涉及的技术构成较多，这意味着商业银行在技术选择上需要多种解决方案，加之银行高层普遍倾向于依赖第三方技术而不是选择自主研发，造成在AI开发过程中多个关键功能普遍由多家技术供应商所提供，技术布局碎片化现象较为严重，这在后期不同技术功能之间会牽扯大量知识产权问题，银行需要协调的技术公司和技术人员多、协调难度也大。正是自身技术短板及人才劣势钳制了银行内部人工智能AI的发展，在理想情况这些系统与应用应由银行自主开发才能与其他竞争对手形成差异化竞争优势。其次，用于训练与验证AI模型的数据质量高低对模型性能影响也很大，因此银行需要对非结构化数据或质量较差的数据进行重大清洁工作，为了保证数据的充分性，银行还要针对内部分散于不同业务线和业务系统当中存量数据进行充分整合，若这些数据处置不当则发挥不出AI的数据挖掘价值，数据质量限制对于人工智能模型的训练仍是较大的挑战。鉴于AI模型在部署前使用历史数据进行培训和验证至关重要，银行还需要确保算法适用于现实生活中的真实情况，上述任何环节出现问题均会导致 AI模型行为发生严重的预测与决策风险。

第三，监管环境变动所带来的不确定性。伴随各国采取新法规保护与赋予公民权利，全球数据法规正处于变革期，针对人工智能技术的监管规则不仅涉及云端服务、个人数据、财务数据的使用，还涉及财务安全、就业、人力资源、全球及区域经济增长领域，这些规则的变动正在以多种方式，影响银行业人工智能的发展。银行担心监管规定的变动会增加银行在未来针对人工智能AI投入的各项支出成本，使银行面临额外的运营风险、声誉风险、法律和战略风险。银行不仅需要遵守本地区个人资料隐私条例，海外数据隐私条例和行业标准的出台与变动还可能影响银行的人工智能AI发展进程，在数据使用方面，这些问题使得银行在使用哪些数据、如何使用数据的问题上难以拿捏，现存数据也尚未详细界定数据使用权与转让权利等。新技术在运用的初期本身就具备不确定性，而由监管变动所造成的技术成本投入之外其他隐性成本的增加，也会使商业银行面对于人工智能AI技术的开发与运用考虑再三。

第四，不可预见性风险现阶段仍难以有效规避。人工智能在利用训练数据进行机器学习和深度学习的过程中，存在着不可预见性，算法黑箱得出的结论往往难于及时精准定位到出现错误的具体发生环节。欧洲资本需求指令（CRD IV）指出，银行面临的人工智能模型风险是指人工智能模型做出的决定可能会在设计、实施或使用此类模型时出现错误。（1）人工智能在决策过程中普遍不会向客户提供清晰的释义及结论推导过程，人工智能通过机器学习模仿训练数据当中人脑所做出的决策判断会包含有存在判断偏差的信息，当人工智能学习了带有偏见色彩的数据，人工智能在决策过程中就可能会发生无意识歧视等错误，造成不可预见的风险。这类错误对于该决策所涉及利益相关方缺乏模型解释力，客户对于此类决策的质疑和行业并未在制度上就应该如何对该类不当决策所涉及的利益相关者提供保障进行规定，这对于风险管控极为严格的银行业来说是不可接受的。（2）在模型设计、模型训练、模型测试和模型验证的层面，如果缺乏技术严格控制就有可能导致输出不准确，同时程序当中安全漏洞可能会让内部或外部的参与者操纵人工智能模型的输出结果导致错误决策。此外，云计算和开源技术的大量使用会间接导致AI模型开发的分散化，如果没有内部风险控制部门或经验丰富的模型开发人员的适当验证，使用第三方模型产生的缺陷也可能会导致银行AI软件做出错误决策。

5 我国银行业人工智能转型策略的实施

第一，了解自身人才结构，培育高级AI人才。人才是银行在激烈竞争中立于不败之地的关键资源，银行应充分了解自身人才结构和现有员工的素质情况，通过制定指标来评估银行人工智能员工的能力，如教育背景、相关经验和专业资格，从中挑选有技术背景的银行技术人员，将其培育为银行内部高级人工智能专业化人才。当前对于人工智能人才培训的方式主要有两种，一种是与业内AI专家密切合作，银行通过聘请海内外专家进行前沿AI技术交流、与行内人员合作开发新的AI应用程序，以此来熟悉模型设计和验证方面的最新技术，提升行内高级技术人员AI能力；另一种是可以将本行的高级人工智能人才派遣至外部人工智能技术领先的单位或部门，进行外部有关数据科学和机器学习技术的技术培训，自我员工培训是银行吸收AI技术所产生的全部价值的最佳途径。与此同时，在银行内部除了上述AI高级人才的培养外，参与银行运营的大多数员工也都应列入人工智能应用培训计划，用以加速银行整体人工智能业务能力的提升，更好的处理人工智能所涉及的相关环节，这是银行应对未来智能化转型的重要举措。此外，银行业若想短期内提升自身核心竞争力，也可通过逐步落实人才引进计划来实现，通过设置优厚的待遇以吸引海内外高素质科技人才。

第二，強化数据管理，提升数据可用性。数据是人工智能发展的第一要义，在整个银行组织中，部署人工智能需要提升金融数据管理能力。在银行内部，确保数据的可用性与可操作性是人工智能分析的关键，由于数据的可用性会随着数据壁垒的消除而提高，当多个部门同时使用相同数据进行操作时，能够增加团队的协调性。首先，行业要建立数据标准，这有助于实现数据整合、数据共享与金融系统间交互操作。其次，要解决银行内部数据获取的孤岛问题，通过搭建现代API架构可以有效地解决信息、数据、技术、产品的信息壁垒，控制对银行内外数据的访问并显著提升技术框架的灵动性，实现内部系统和外部平台无缝获取数据，满足人工智能数据分析需求。再次，要搭建高效的数据治理框架确保数据质量，重点是要实行数据集中式管理。集中式管理能够跟踪数据源和验证数据的准确性，集中式管理模式下数据被获取后通常会被纳入数据库中进行集中清理和标记，并将不同用途所需的数据相互区分，在所输入数据中通过将需要清理的低质量数据和重点标记以供未来分析的高质量数据区分开，提升分析的精准性。最后，银行要制定数据脱敏相关规范，保证人工智能在搜集与使用数据过程中，采取相适应的管理措施，确保客户个人信息安全。银行可通过开发额外的控制和监控工具确保数据安全，在数据安全方面可以通过零信任设计原则和集中式指挥控制中心来保护数据，还可以运用API Theft等评估软件来测试其机器学习模型、银行相关数据和AI模型是否受到网络窃取，增强数据安全性。

第三，加速核心技术部署，提升银行智能化决策能力。为了达成实时面向客户提供个性化信息处理和决策的目标，银行需要提升智能化决策能力，将决策制定的速度与敏捷性植入金融决策基因之中。首先，为了实现智能化转型、提升人工智能决策能力，银行需要部署高级分析、机器学习等能够覆盖整个业务领域的决策模型。而为达成这一目的，除了需要业务团队和分析人才之间通力协作之外，还需要打造成熟的模型开发工具。其次，为了促进部署之后的持续改进，银行需要建立定期评估绩效、人工智能模型的风险管理等一系列的循环反馈机制，用以促进人工智能的持续进步。同时，银行还需要促进包括自然语言处理、计算机视觉技术、人工智能代理机器人、增强或虚拟现实技术等在内的一整套人工智能模型在金融核心业务流程中的快速发展布局，这些技术的应用同样能够起到辅助决策作用，增加数据的储量与覆盖面、加速银行的决策能力，提升客户体验和银行的运营效率。当然并不是所有的银行都有能力开发AI技术，许多银行可能掣肘于人才的缺乏和必要的投资兴趣来开发这些新兴技术，但在自主开发之外，对于非敏感性数据的AI模型开发，银行能够采用成熟的外部人工智能解决方案，通过应用程序编程接口（API）支持的架构从专业的供应商那里快速获得并集成这些新兴能力，在后续不断对这些新兴技术进行持续试验，用以测试和改进应用程序、评估潜在的风险，在拿到具体实验数据之后再判断在行内具体部署哪些技术。

第四，面向监管机构与客户，提供充分的模型解释工作。2021年，中国人民银行发布了《人工智能算法金融应用评价标准》，该标准详细规定了人工智能算法应用在金融领域的应用范畴。在AI算法的可解释层面，标准从可解释性评价维度、建模准备、建模过程、建模过程四个方面就人工智能的可解释评价进行了详细规定。基于以上评价标准，文章认为银行应该建立与自身AI开发条件相符合的治理和风险管理框架，在应用人工智能技术开展财富管理、智能投顾、智能营销等相关业务时，首先应面向金融监管机构，提供包括人工智能系统算法实现机制与理论、人工智能模型的主要参数定义与选择、投资数据治理报告、模型机器学习与数据训练方法、人工智能培训方案、资产配置逻辑、责任归属说明等在内的全面解释。其次，对于接受了银行采用人工智能技术所提供的产品及服务的消费者，应对其设立独立的智能管理账户，同时银行应给予消费者充分提示使用现行的人工智能算法可能会带来的使用风险，向其解释所接受的人工智能产品及服务所涉及的AI技术模型运作的基本原理，只有在消费者对于人工智能产品与服务有基本认知基础上，才可对其提供涉及人工智能技术的金融产品及相关投资服务，这一手段能够提升银行内部和外部不同利益相关者对于银行AI服务的接受程度，给银行声誉带来积极影响。

参考文献

朱方伟，姜宝泉.银行人工智能的技术应用限制[J].中国金融，2021（12）：74-75.

刘爱成.疫情冲击下银行非接触服务的模式转型与思考[J].新金融，2020（9）：61-64.

肖翔，王平，周钰博.人工智能金融应用原则思考[J].中国金融，2020（13）：64-65.

黄志凌.金融智能化不可忽视的模型风险[J].武汉金融，2020（6）：3-10.

季成，叶军.智能银行：关键要素、重点场景和完善路径[J].南方金融，2020（3）：74-82.

王蕊，颜大为.开放银行生态圈的理论基础、经验探索与发展路径[J].西南金融，2019（11）：70-79.

HKMA. Reshaping Banking with Artificial Intelligence. December 2019[R].https：//www.hkma.gov.hk/eng.

PwC A practical guide to Responsible Artificial Intelligence （AI）. 2019[R].https：//www.pwc.com/gx/en/issues/data-and-analytics/artificial-intelligence/what-is-responsible-ai/responsible-ai-practical-guide.pdf

CB Insights. Fintech trends roport Q1 2020[EB/OL].http：//www.cbinsghts.com.

McKinsey. Visualizing the uses and potential impact of AI and other analytics. April 2018[EB/OL]. https：//www.mckinsey.com/featured-insights/artificial-intelligence/visualizing-the-uses-and-potential-impact-of-ai-and-other-analytics.

Faggella， Danial. Bank Reduces Money-Laundering Investigation Effort with AI. December 2018[EB/OL]. https：//emerj.com/ai-case-studies/bank-reduces-money-laundering-investigation-effort-with-ai/