应对金融领域人工智能的风险：数据治理和管理至关重要

监管机构意识到，投资行业数据治理 (DG) 和数据管理 (DM) 实践薄弱将带来破坏性影响和安全威胁。许多投资公司并未制定全面的 DG 和 DM 框架，以跟上其利用机器学习和人工智能 (AI) 等新技术的雄心勃勃的计划。该行业必须定义数据和 AI 工具的合法和道德用途。监管机构和金融行业需要在国家和国际层面进行多学科对话，以确立法律和道德标准。

迈向数据效率和有效性的步骤

首先，在短期、中期和长期内设立多个切实可行的目标。接下来，制定一个初步时间表，将工作划分为可管理的阶段：例如，先启动一些小型试点计划。如果没有明确的目标和截止日期，您很快就会回到日常工作中，听到业务部门那句过时的话：“数据治理和管理是 IT 的工作，不是吗？”

首先，明确愿景非常重要，其中包括设定日期的里程碑。您可以考虑如何在过程中满足最后期限。在定义和建立 DG 和 DM 流程时，您应该考虑面向未来的系统、流程和结果。特定的数据定义、程序和决策政策是否与公司的整体战略相关？您是否有管理承诺、团队参与和客户？

正如我在第一篇关于这个主题的文章中指出的那样，在 DG 和 DM 计划方面最成功的组织是那些采用T 型团队方法的组织。即由业务主导、跨学科技术团队支持的合作伙伴关系，其中包括数据科学专业人员。设定切合实际的期望和展示成就将是必不可少的原则，因为 DG 和 DM 框架不可能一蹴而就。

为什么 DG 和 DM 在金融服务中如此重要？

对于投资专业人士来说，将数据转化为完整、准确、前瞻性和可操作的见解比以往任何时候都更为重要。

归根结底，信息不对称是金融服务的一大利润来源。在许多情况下，人工智能支持的模式识别能力使人们能够从深奥的数据中获得洞察力。从历史上看，数据主要是结构化和定量的。如今，完善的自然语言处理 (NLP) 模型也处理描述性数据或字母数字数据。数据和分析对于确保金融行业的监管合规性也至关重要，金融行业是世界上监管最严格的业务领域之一。

无论您的数据和人工智能模型多么复杂，最终，“人性化”都会显著影响用户对数据和模型有用性的感知，而与实际观察到的客观结果无关。不以“人性化”原理运作的数据和技术的有用性不太可能被用户和管理团队正确判断。当聪明的人类看到没有因果关系的相关性被基于人工智能的模型识别为模式时，他们会认为结果有偏差，并避免根据结果做出错误的决策。

金融服务中的数据和人工智能驱动计划

随着金融服务越来越多地由数据和人工智能驱动，许多计划、项目甚至问题都开始发挥作用。这正是 DG 和 DM 发挥作用的地方。

问题和目标定义至关重要，因为并非所有问题都适合采用人工智能方法。此外，缺乏足够的透明度、可解释性和可问责性可能会导致金融市场出现潜在的顺周期性和系统性风险。这还可能与现有的金融监管、内部治理和控制以及风险管理框架、法律法规和政策制定不兼容，而这些框架和政策制定正在促进金融稳定、市场诚信和良性竞争，同时保护金融服务客户，而这些方法历来都是基于技术中立的方法。

投资专业人士经常使用模型无法获得的数据，甚至基于其知识和经验的第六感来做出决策；因此，在人工智能建模和人机交互设计中进行强大的特征捕捉，即从产品设计开始以及在数据和人工智能产品的整个生命周期中进行人为监督作为保障，至关重要。

金融服务提供商和监管者需要具备技术能力，能够操作、检查数据和基于人工智能的系统，并在必要时进行干预。人类的参与对于可解释性、可解释性、可审计性、可追溯性和可重复性至关重要。

风险日益增加

为了正确利用机会并降低数据量和各种类型的增加以及新推出的人工智能支持的数据分析和可视化带来的风险，公司必须开发其 DG 和 DM 框架，并专注于改进对数据和人工智能辅助工具的控制以及合法和道德使用。

大数据和人工智能技术的应用并非大型资产管理公司、银行和经纪公司的专利，这些公司有能力和资源在海量数据和尖端技术上进行大量投资。事实上，规模较小的公司可以接触到数量有限的数据聚合器和分销商，它们以合理的价格提供数据访问，以及少数几家主要的云服务提供商，它们以低成本提供常见的人工智能模型。

与传统的非人工智能算法交易和投资组合管理模型一样，许多金融服务提供商使用相同的数据和类似的人工智能模型，可能会引发羊群行为和单向市场，进而可能增加金融体系流动性和稳定性的风险，尤其是在压力时期。

更糟糕的是，自学（例如强化学习）人工智能模型的动态自适应能力可以识别相互依赖性并适应其他市场参与者的行为和动作。这有可能在没有任何人工干预甚至用户不知情的情况下造成意想不到的串通结果。缺乏适当的融合也会增加非法和不道德的交易和银行业务的风险。由于人工智能模型能够以完全自主的方式学习并动态适应不断变化的条件，因此使用相同或相似的数据和人工智能模型会放大相关风险。

解释和重现利用大数据的人工智能模型的决策机制的难度使得降低这些风险变得具有挑战性。鉴于当今地域和资产类别之间，甚至在捕获的因素/特征之间，复杂性和相互关联性，大数据和人工智能的使用需要特别小心和关注。DG 和 DM 框架将成为其中不可或缺的一部分。

大数据和基于人工智能的模型的透明度、可解释性、可解释性、可审计性、可追溯性和可重复性有限，是尚待解决的关键政策问题。缺乏这些因素与金融服务提供商的现有法律法规、内部治理和风险管理与控制框架不相容。它限制了用户了解其模型如何与市场互动的能力，并导致潜在的市场冲击。它可以放大与顺周期性、趋同性、流动性下降和市场波动性增加相关的系统性风险，尤其是当大多数市场参与者使用第三方标准化数据和人工智能模型时。

重要的是，用户在压力时期无法调整策略可能会导致急性压力期间的情况变得更糟，从而加剧闪电崩盘类型的事件。

金融服务领域大数据驱动的人工智能是一种增强人类能力的技术。我们生活在法治国家，只有人类才能采取保障措施、做出决策并对结果负责。

参考

Larry Cao，CFA，CFA 协会（2019），投资管理领域的 AI 先驱，https://www.cfainstitute.org/en/research/industry-research/ai-pioneers-in-investment-management

Larry Cao，特许金融分析师，特许金融分析师协会 (2021)，T 型团队：投资公司组织采用人工智能和大数据，https://www.cfainstitute.org/en/research/industry-research/t-shaped-teams

Yoshimasa Satoh，CFA（2022 年），机器学习算法和训练方法：决策流程图，https: //blogs.cfainstitute.org/investor/2022/08/18/machine-learning-algorithms-and-training-methods-a-decision-making-flowchart/

Yoshimasa Satoh, CFA 和 Michinori Kanokogi, CFA (2023)，ChatGPT 和生成式 AI：对投资专业人士意味着什么，https://blogs.cfainstitute.org/investor/2023/05/09/chatgpt-and-generative-ai-what-they-mean-for-investment-professionals/

Tableau，数据管理与数据治理：差异解析，https://www.tableau.com/learn/articles/data-management-vs-data-governance

KPMG (2021)，什么是数据治理——财务应该扮演什么角色？  https://advisory.kpmg.us/articles/2021/finance-data-analytics-common-questions/data-governance-finance-play-role.html

德勤 (2021)，建立“不断发展”的财务数据战略：强大的企业信息和数据治理模型，https://www2.deloitte.com/us/en/pages/operations/articles/data-governance-model-and-finance-data-strategy.html

德勤 (2021)，定义财务数据战略、企业信息模型和治理模型，https://www2.deloitte.com/content/dam/Deloitte/us/Documents/process-and-operations/us-defining-the-finance-data-strategy.pdf

安永 (2020)，金融机构推动下一代数据治理框架的三大优先事项，https://assets.ey.com/content/dam/ey-sites/ey-com/en_gl/topics/banking-and-capital-markets/ey-three-priorities-for-fis-to-drive-a-next-generation-data-governance-framework.pdf

OECD (2021)，金融中的人工智能、机器学习和大数据：对政策制定者的机遇、挑战和影响，https: //www.oecd.org/finance/artificial-intelligence-machine-learning-big-data-in-finance.htm 。