编者按：为深入贯彻落实中央金融工作会议精神和《国务院关于加强监管防范风险推动资本市场高质量发展的若干意见》，扎实推进证券行业高质量发展，中证报价投教基地推出“防风险 促发展”专题，分享场外衍生品在强化证券行业风险防控能力，做好五篇大文章，为经济社会发展提供高质量服务方面的探索与实践成果。

作者：广发证券股权衍生品业务部课题组

人工智能（AI）是研究开发模拟人脑思维的理论、方法、技术及应用的一项前沿性学科，该项技术从20世纪50年代萌芽，再到2022年11月OpenAI公司发布聊天机器人程序ChatGPT的标志性事件发生至今，随着数据量爆炸式增长、算力迅速提升和新算法的不断涌现，人工智能的研究领域不断扩大，正逐步成为驱动新一轮科技革命的战略性技术。党中央、国务院一直高度重视人工智能发展。2023年4月28日，中共中央政治局会议指出，要重视通用人工智能发展，营造创新生态，重视防范风险。习近平总书记多次强调“要深入把握新一代人工智能发展的特点，加强人工智能和产业发展融合，为高质量发展提供新动能”。近年来，人工智能在境内外被广泛应用到银行、保险、证券等金融领域。这一趋势对于场外衍生品而言，既是机遇也是挑战。场外衍生品市场作为金融市场的重要组成部分，具有非标准化、灵活性高、精细化、业务链条长等特点，业务开展中涉及反洗钱、市场趋势判断、风险和运营管理以及大量的数据处理。人工智能，特别是其机器学习和深度学习技术，与场外衍生品市场的业务需求高度契合。但是人工智能在具体应用中也面临一系列挑战，包括但不限于：数据采集环节客户隐私和知识产权保护问题，数据处理环节的数据质量问题，模型输出结果的可解释性难题，以及模型治理层面的安全与合规挑战等。

本文总结了人工智能在境内外场外衍生品领域的主要应用场景，通过分析其在场外衍生品应用方面遇到的挑战，从宏观和微观两个层面对人工智能在场外衍生品领域的应用进行展望。

境内外场外衍生品业务中人工智能的主要应用场景

以境内场外期权为例，一般而言，其交易全流程包括：客户业务申请与资质审查、协议签署、交易询报价、交易达成、交易对冲执行、交易簿记和报送、盯市管理和追保、合约终止及结算。具体流程如下图所示：

图1 场外衍生品的标准交易流程[1]

本文将参考上述环节分别展开人工智能在场外衍生品领域的应用介绍。

▍人工智能在客户尽调和准入环节的应用

场外衍生品客户尽调和准入是业务的初始环节，该环节涵盖客户交易目的核查、资金来源审核、投资者适当性要求匹配及协议签署等关键内容。目前，人工智能的主要应用场景包括反洗钱、客户资料完备性识别和合同解析等。

1.反洗钱

反洗钱（Anti-Money Laundering,简称“AML”）是所有金融业务活动中（包含场外衍生品）客户尽调的关键。伴随金融交易的数字化和全球化趋势，传统上主要依赖于人工识别的AML工作方法，面临着如审核负担过重、新式洗钱手段层出不穷的挑战，这也导致目前金融机构识别并上报可疑交易活动的比率偏低，削弱了机构对洗钱可疑活动的识别分析能力。在这种背景下，2023年6月21日，谷歌云宣布推出反洗钱人工智能（AML AI）[2]，这款产品综合机器学习（ML）方法生成客户风险评分替代了传统的交易警报机制。基于银行提供的日常经营数据，评分模型对交易模式、网络行为和了解你的客户（KYC）数据进行综合分析，识别筛选高风险零售客户及企业客户。AML AI可通过处理具有较高复杂度的大规模数据集，以适应不同评分对象的个体差异，以此提供更准确的结果。资料显示该产品已由汇丰银行投入测试使用，汇丰银行反馈称其用于追踪虚假线索的调查时间大幅减少，AML AI提高了该银行在反洗钱识别、检测和预防洗钱活动的能力。

境内具体应用方面，中国工商银行BRAINS是该银行运用大数据和人工智能技术，按照“风险为本”要求打造的覆盖反洗钱工作全流程的智能反洗钱系统[3]。该系统以大数据分析、人工智能等技术为支撑，实现了基于客户维度开展身份识别及风险评级，系统支持大额可疑监控、甄别及上报闭环，还能提供统一的客户全景视图展示信息全貌。系统涵盖客户、产品和机构评级，可疑监控等多项流程，服务银行、基金等九类不同行业客户，每日监控7000万笔交易，协助机构大幅提升可疑交易上报率和可疑交易信息上报质量。

2.客户资料识别

机器人流程自动化(Robotic Process Automation，简称“RPA”) 是一种基于人工智能和机器学习技术的自动化软件，能够模拟人类在计算机上执行的操作，通过自动化处理大量重复、规则明确的日常事务，实现提升工作效率、减少人为错误和降低成本的目的。RPA被视为人工智能在业务流程自动化领域的一种应用，即AI人工智能助手的一种。在场外衍生品客户尽调和准入过程中，有证券公司积极应用RPA技术帮助提升资料收集、校验等环节的执行效率，减少操作差错，如在客户资料提交界面，运用RPA方法校验客户准入资料的完备性。

3.金融合同自动解析

摩根大通（J.P.Morgan）近年来在人工智能、自动化交易等领域投入大量研发资源，在一份2018年发布的策略更新报告中，详细介绍了该集团digital everything的科技战略。摩根大通创建了人工智能卓越中心（XAI COE），由人工智能研究所领导，将研究人员和从业者聚集在一起，开发和共享技术、工具和框架，通过在顶级AI/ML场所发布来推进最先进的技术。[4]2017年初，摩根大通开发了一款金融合同解析软件COIN（Contract Intelligence），这款工具利用机器学习技术驱动，并运行在摩根大通的私有云平台上。COIN只需要几秒钟就可以完成原先律师和贷款审核人员每年需要上万小时才能完成的工作，并且大大减少了以往人工分析可能出现的错误。摩根大通曾经每年由于人为失误造成的合同错误超过12000例，而COIN的应用则大大减少了这类错误的发生。

▍人工智能在产品定价和交易对冲环节的应用

场外衍生品定价模型方面，由于缺乏相对高流动性的市场，场外期权的价格往往直接由量化模型计算得到。场外衍生品对冲方面，一般是利用希腊字母Delta、Gamma、Vega、Theta等为对冲交易设定风险敏感性参数，基于希腊字母的计算和量化模型构成衍生品交易的基础。模型使用过程中，同样存在风险，其风险主要来源包含模型使用不当、模型设计错误、不正确的模型输入和假设、模型实现差错、模型由于市场变化不再适用等。如何降低模型风险的研究一直在进行中。早在2008年，摩根大通量化策略分析师Hans Buehler开始考虑用一种基于数据驱动的新方法开展衍生品对冲，依靠机器学习技术来对冲衍生品，而不是用传统的Black-Scholes等模型。Buehler的真正目标是让机器学习如何为复杂的场外衍生品形成可复制的投资组合，他将其称为“深度对冲”，并在一篇题为《Deep hedging》的论文中描述了这种方法。深度对冲模型使用强化学习方法将对冲交易的投资决策建模为神经网络模型输出，模型使用的特征集包括：对冲工具交易成本、市场动量信号、新闻舆情信号及历史对冲数据等。该模型不依赖于特定的市场模型及前提假设，能够将交易工具成本、流动性约束、买卖价差等真实市场信号纳入同一神经网络进行分析处理。Buehler通过实证分析认为基于该深度对冲模型的对冲结果相对经典Heston模型有一定的比较优势[5]。基于上述研究成果，2018年以来摩根大通开发使用Flow Trader(数据驱动对冲算法的一个分支)以对冲标准普尔500指数和欧洲斯托克指数(Euro Stoxx)，据其全球股票主管杰森•西佩尔(Jason Sippel)称，约70%的Euro Stoxx指数期权交易是机器自动完成[6]。

场外衍生品对冲交易可能受到宏观经济因素的影响。2023年，摩根大通推出一个人工智能驱动的鹰鸽模型（Robo-Fedwatchers），旨在破译美联储的政策信息并发现潜在的交易信号[7]。摩根大通的最新成果显示，当两次联邦公开市场委员会(FOMC)会议之间，发言人鹰派倾向的三个月平均值上升10个百分点时，短期利率大约会上涨10个基点。当模型显示美联储发言人在两次会议之间的鹰派立场上升时，下一份FOMC政策声明就会变得更加鹰派，这会导致一年期美债收益率上涨。相关模型的训练数据是过往25年以来的美联储声明和央行官员们的讲话，使用的是基于ChatGPT的语言模型，根据摩根大通所谓的“鹰鸽指数”（Hawk-Dove Score）对政策信号进行了从宽松到紧缩的评级，再将具体评分与一系列资产表现挂钩。通过预测政策的变化，发出可交易的信号。

▍人工智能在衍生品中台运营环节的应用

基于AI大语言模型的虚拟客服以其强大的自然语言处理能力和深度学习能力，在金融行业（包括衍生品业务）得到了广泛应用。2023年3月，彭博发布一篇关于Bloomberg GPT开发情况的研究论文《Bloomberg GPT: A Large Language Model for Finance》[8]，文章详细介绍了这一全新的大规模生成式人工智能（AI）模型。该大语言模型（LLM）专门针对各类金融数据进行训练，以全方位支持金融领域的自然语言处理（NLP）任务。金融领域的复杂性和独特的术语使其需要特定领域的模型。该模型为目前已知的最大的领域特定数据集，建立了500亿参数。为训练Bloomberg GPT，彭博构建了一个全面的数据集“FINPILE”，主要由英文金融信息组成，包括新闻、文件、新闻稿、网络爬取的金融文件，以及从彭博档案库中提取的社交媒体消息。同时彭博将FINPILE 与公共数据集进行叠加，成为了包含超7,000亿词例(tokens) 的大型训练语料库，其中彭博“FINPILE” 贡献了3635亿词例(tokens)，占比51.27% ，且该部分的数据质量更高。彭博基于BLOOM 训练了一个500 亿参数的纯解码器（decoder-only）因果语言模型，其在金融任务上的表现明显优于现有的类似规模的开放模型，同时在一般NLP基准测试中的表现仍持平或更好。该模型将帮助彭博改进现有的金融NLP任务，如市场情绪分析、命名实体识别、新闻分类和问题回答等。此外，还将调动彭博终端上的海量数据，将人工智能蕴藏的潜力带到金融领域。

随着国内大语言模型技术的逐渐优化，其在金融领域（包括金融衍生品）的客服和辅助研究等场景逐渐落地。根据观察，近两年国内部分交易商基于国内大语言模型开发的人工智能小程序，可供符合资质的用户及公司内部授权用户自助查询其场外衍生品的交易信息，包括标的信息、衍生品规模、资金保证金情况、合同以及合约状态、授信限额等。该工具的使用有效提高了衍生品业务的运营效率，同时方便内部授权员工随时查询其服务客户的交易情况，更加高效及时地服务客户。

▍人工智能在风险管理环节的应用

构建场外衍生品的风险监控指标体系(如风险价值潜在未来暴露、交易对手违约风险等)及相应的履约保障机制同样需要基于复杂的模型，相关领域人工智能模型得到了广泛运用。

在构建高效率的风险监控体系方面，AI/ML已在一定程度上成为提高效率和生产力同时降低成本的代名词。这些技术能够以更快的速度处理和分析大量非结构化数据，极大减少人为干预程度，降低运营、监管和合规成本。根据全球审慎监管机构的要求，AI/ML驱动的风险管理解决方案也可用于模型风险管理（回溯测试和模型验证）和压力测试。AI/ML解决方案帮助金融机构提高预测精度、优化变量选择过程，并进行更细致的数据分割[9]。这些解决方案被用于信用风险建模、欺诈检测和交易员行为监控。2024年3月，Johnson金融集团宣布与Derivative Path公司开展合作，使用云平台推进利率衍生品创新,包括风险管理。其中，Derivative Path是一家资本市场技术和衍生品服务的提供商，其使用人工智能等数据开发的云平台 Derivative Edge包含利率、外币和商品风险管理，可在衍生品交易的整个生命周期（从结构化到合规性）提供一对一的端到端支持[10]。

人工智能应用于场外衍生品面临全球挑战

鉴于人工智能在各领域应用过程中产生的风险日益暴露及其影响的不断提升，境内外关于人工智能的监管立法逐步增多，且多国监管口径逐步趋于一致。代表性的事件包括：

（1）2023年5月25日，新西兰信息专员办公室（OPC）发布《生成式人工智能指南》，指出生成式人工智能对新西兰公民个人信息的使用应遵守新西兰2020年《隐私法》；

（2）2023 年 7月10 日，中国网信办等七个部委联合发布《生成式人工智能服务管理暂行办法》，该办法明确规定其立法目的是促进生成式人工智能健康发展和规范应用；

（3）2023年11月，英国召开AI安全峰会，28个国家发布《布莱切利宣言》推动全球在人工智能方面的合作，共同识别风险以制定跨国政策缓释风险；

（4）2024年5月21日，欧盟理事会批准《人工智能法》，这一全球首部人工智能领域综合性监管法规遵循“基于风险”的方法，旨在规范人工智能的应用，侧重于制定与数据透明、分类分级监管和问责制度有关的规则，保护公民基本权利。该法将在2024年8月2日正式生效。

我们参考境内外相关人工智能立法规制，并结合人工智能在场外衍生品领域的应用实际，总结出人工智能在场外衍生品领域应用可能存在以下几个方面的挑战：

▍模型数据采集质量与隐私权保护的挑战

人工智能，尤其是机器学习（ML）需要大量的数据进行训练和优化，但这些数据可能存在质量问题、隐私保护问题等，尤其金融机构使用非自研的第三方人工智能服务，或者同一金融机构不同部门均需要使用同一客户信息进行人工智能系统数据处理等情况下，涉及数据来源的合法性、授权是否充分、隐私保护是否到位等问题。数据安全和隐私保护涉及多项法律，需要预防AI应用中侵犯个人隐私、泄露商业秘密、传播虚假信息等情况发生。欧盟理事会批准通过的《人工智能法》包含六项基本原则，其中关键的一点即为隐私和数据治理原则，要求人工智能提供者要开展数据治理，涉及使用数据训练模型的高风险人工智能系统必须加入训练、验证和测试数据集。根据《中华人民共和国个人信息保护法》，机构在收集和处理个人信息时必须明确目的、方式和范围，确保数据安全，防止数据泄露或非法使用，并需要获得数据主体的同意。另外，跨境场外衍生品业务等可能涉及数据跨境传输的情况下，还需要注意符合《中华人民共和国网络安全法》、《中华人民共和国数据安全法》等法律及《促进和规范数据跨境流动规定》等规范性文件的要求，针对信息类别、数量与传输地域履行安全评估和备案批准手续，确保数据传输活动的合规和安全。

▍人工智能模型输出的可解释性和透明度挑战

AI深度学习模型由于其复杂的内部结构常被视为“黑箱”，给监管机构和用户理解及验证模型决策过程带来挑战。基于算法“黑箱”的存在，如AI在场外衍生品运营环节的应用中，因客户对AI输出的过程无法获知，若结果与实际情况差异较大，则可能降低客户体验。《人工智能法》的另一重要原则为透明度原则，即人工智能系统的开发和使用方式应允许适当的可追溯性和可解释性，同时应使用户意识到他们与人工智能系统的交流或互动，以及适当告知用户该人工智能系统的能力、限制以及对其权利的可能影响，并要求在全生命周期的运行中，提供者对于人工智能的使用与运行进行日志留档，并提供给外界必要的透明度和相关信息。

▍人工智能技术的稳健性和安全性挑战

人工智能技术本身也可能存在一些技术风险，例如算法的准确性和稳定性、网络安全等问题，尤其是生成式AI技术的应用，其产生的内容可能会出现“编造”的内容，且从数据输入到结果产生并未形成可以完全验证准确的闭环，从而对使用者产生信息误导。尤其在场外衍生品定价、风险控制等领域的AI应用中，前述问题致使模型结果产生重大偏差将可能导致金融机构对冲受损，甚至出现风险暴露或风险交叉。《人工智能法》要求金融机构建立完善的技术风险管理制度和技术保障措施进行防范和管理，人工智能系统的开发和使用方式应尽量减少意外伤害，必须在随附使用说明中声明准确性指标，且能够抵御错误、故障，抵御有意利用系统漏洞第三方的攻击，并在出现问题时保持稳健。

人工智能在场外衍生品应用的展望

随着AI的广泛应用，场外衍生品市场面临着前所未有的变革和机遇。目前，从尽调准入到交易结算，AI逐步嵌入场外衍生品的各个业务环节，可以预见未来相关应用会更加广泛。为促进AI高效发展并确保其在金融行业的安全有效服务，可以从宏观和微观两个维度对其应用进行展望。

图2 AI在场外衍生品业务流程中的应用

▍宏观维度：顶层设计保障行业行稳致远

1、人工智能应用监管机制更加健全

2023年中央金融工作会议明确指出要加快建设金融强国，全面加强金融监管，有效防范化解金融风险。2024年1月16日，习近平总书记在省部级主要领导干部推动金融高质量发展专题研讨班上发表重要讲话强调，中国特色金融发展之路，既遵循现代金融发展的客观规律，更具有适合我国国情的鲜明特色，与西方金融模式有本质区别。参考2023年国家网信办联合多部委发布《生成式人工智能服务管理暂行办法》，办法明确生成式人工智能服务实行包容审慎和分类分级监管理念，在该理念指引下未来金融行业人工智能应用相关监管机制有望进一步健全，打造坚持发展和安全并重、促进创新和风险治理相结合的人工智能应用框架。

2、人工智能基础设施建设不断推进

从AI的发展历史可知，智能算力是AI规模发展的基础，而云算力是最优解决方案。不同机构各自研发的算力利用率较低，集中算力可以减少AI模型不同研发机构的重复投入。2023年4月，国家（上海）新型互联网交换中心（SHIXP）发布全国首个算力交易集中平台——上海算力交易平台，满足各行业对大模型的需求，试运行期间14家算力产业链相关单位与SHIXP签约并入驻平台。金融业对于人工智能的算力需求与日俱增，行业主体有望借力人工智能基础设施建设东风，进一步深入人工智能应用场景。

▍微观维度：最佳实践服务企业风险管理实现经营目标

1、构造AI模型治理和风险监测框架

金融企业构建完善的内部治理结构，有利于将AI应用决策过程贯穿企业经营管理和风险合规治理的全过程，使得AI应用更加符合企业的战略与风险管理目标。例如，在组织架构方面：企业可以通过设立建立AI数据治理委员会（或作为IT治理委员会的分会），涉及使用数据训练模型的高风险人工智能系统须加入训练、验证和测试数据集，这些数据集须经过适当的数据治理和管理实践。在模型管理方面：企业可以对内部使用的AI模型进行分类分级，建立、实施、记录、维护和定期对模型库进行评审回溯，用以识别和分析与人工智能相关的风险。通过积极探索运用AI模型治理有益举措，监督AI项目的决策、研发、测试和实施全流程，确保其满足透明性和可解释性、稳健性和安全性等原则，更好地服务企业战略目标与风险管理需要。

2、探索AI合规与效率的平衡点

金融企业完善AI相关的合规管理机制，包括数据来源的合规性、数据和系统的知识产品归属及授权的合规性，系统权限合规性、跨境数据使用的合规管理、系统使用履行报备程序的合法性等。通过这些措施，满足AI系统的合规性和道德性等原则。

3、着力培育员工AI专业素养

AI技术日新月异，未来金融企业有望进一步加强对高级管理人员和员工的AI知识和技能培训。对于AI系统的使用，人的作用并非仅体现在控制输入和使用输入，而是需要相关人员，尤其是系统负责人等管理人员能够理解系统局限性，并在适当情形下放弃或否决其产出，做到对于系统的干预和监督，必要时停止系统。通过提高员工对AI的理解和操作能力，可以更好地利用AI工具进行风险管理和决策支持，同时减少误操作和技术风险。

图片

【免责声明】本文信息仅用于投资者教育之目的，不构成对投资者的任何投资建议，投资者不应当以该等信息取代其独立判断或仅根据该等信息作出决策。本文信息力求准确可靠，但对这些信息的准确性或完整性不作保证，亦不对因使用该等信息而引发或可能引发的损失承担任何责任。