中国人民银行金融研究所互联网金融研究中心副主任兼秘书长伍旭川，清华大学五道口金融学院博士研究生刘学
随着人工智能、机器学习和大数据等技术不断应用于金融领域，金融科技给用户带来前所未有的便捷和高效。金融机构逐渐认识到监管科技的重要性，并将监管科技应用于监管合规等多方面。金融科技的发展也给金融监管部门带来了很大的挑战，监管部门需要监管科技来平衡金融科技时代的发展与风险。
2017年是监管科技发展的重要一年，金融稳定委员会（FSB）于2017年11月1日发布《人工智能和机器学习在金融服务领域的发展和对金融稳定的影响》，表明金融科技和监管科技受到国际监管机构高度重视。2017年，国际监管科技协会（International RegTech Association）成立，并被银行科技网站（Bankingtech.com）评为2017年监管科技五大年度事件之一。本文接下来对科技在金融机构、监管机构中的作用及应用逐一进行分析。
以监管科技提升金融机构了解客户和监管合规水平
金融机构做好充分了解自己客户（Know Your Customer，简称KYC）工作，是平衡金融发展与风险的重要环节，只有金融机构真正了解客户的信息，才能正确地识别风险，做好风险防控工作。金融科技的发展颠覆了传统KYC并提出了更高的要求。传统KYC由于贷款对象集中、数额大，KYC的成本相对较低。随着网络小额贷款等快速发展，金融机构将面临数量巨大的贷款客户，传统的KYC过程则会耗费巨大的人力成本。金融科技时代的KYC，更多地需要通过线上来完成，对机器、数据和算法的依赖程度远远高于传统KYC在线下通过人力来实现。当金融机构采用金融科技和监管科技时，可以通过机器学习来实现KYC过程。比如，在审查和评估客户申请资料时，能够极大地提高效率，节省人力和时间成本；在计算风险得分时，可以根据风险得分对客户进行分级，确定哪类用户或产品需要进行额外的监督，从而对风险进行精确控制。
金融机构的KYC过程，不仅包括对客户的风险进行精准识别，更包括与客户发生的金融关系和行为是否符合监管要求（如反洗钱等）。因此，金融机构在KYC过程中还需要结合公共数据和私人数据对客户进行全面审查，这又将产生巨大的人力和时间成本。基于机器学习的风险评估也可以用于定期根据公共数据和私人数据源的审查，使用这些数据源可以对风险进行快速评估，同时还可以使用风险评分来帮助决策，以此来识别和锁定需要进一步重点审查的对象。比如，京东金融已初步建立起一套基于KYC流程和客户信息收集与验证的反洗钱模型，使用人脸识别、语音识别、设备指纹等人工智能技术，通过充分运用具备更高水平全局优化计算能力的人工智能和机器学习的方法，在提升获取客户信息的完整性与准确性的同时，更好地识别和应对系统性风险。
当前的一些网络借贷平台，部分是由此前的民间借贷从线下搬到线上，识别客户风险的能力较弱，或者使用了较差的数据分析技术，最终违约率较高，产生较大的催收成本，在实际催收过程中，甚至鼓动借款人在别的平台上去借钱来偿还自身平台的借款，这就进一步放大了风险的传染和系统性，不利于金融稳定和社会和谐。可见，金融科技时代下金融机构KYC的能力也应该成为行业准入的监管标准，由此可以激励金融机构通过监管科技来提升KYC和监管合规水平，做好金融风险的防范。
以监管科技提升监管机构识别风险的能力
数据质量是监管机构识别风险的基本条件，监管科技将在数据质量提升方面发挥重要作用。金融科技时代的监管难点首先源自数据方面，这主要表现在数据的粗放性（Extensive）和集约性（Intensive）程度都不断增加。数据的粗放性主要是金融交易所产生的数据体量越来越大，金融机构需要处理大量的业务数据，监管机构也需要处理大量的监管数据，同时金融交易的频度越来越高，参与的主体越来越多，随着许多实时交易将被纳入监管体系，需要监管的高频数据容量越来越大。数据的集约性主要是数据的复杂程度，随着金融交易的复杂程度提升，单个指标的数据往往不能反映交易本身的完整信息，需要大量不同指标的数据进行分析才能挖掘出金融交易背后的真正原因，金融科技的发展还产生了大量的非结构性数据，使得数据的复杂程度越来越高，增加了数据处理和数据分析的难度。
金融科技时代下金融机构KYC成本不断提升的同时，监管机构要全面了解其被监管的金融机构和金融市场运行的情况，其成本和难度也在不断增加，这就需要监管科技来提升数据的质量和分析处理能力。监管科技可以利用人工智能和机器学习来自动化处理金融数据，一方面可以获取大量和较为全面的金融数据，另一方面还可以使金融数据的质量符合监管的要求。比如，金融机构在向监管机构报送的数据中，经常会存在一些漏报和错报的情况，都需要人工审查才能发现这些问题，这就需要耗费大量的人力成本。在当前的监管体系中，监管人员审查和处理金融机构的数据是重要的工作，随着大数据带来的监管挑战，监管机构采用监管科技来处理数据将是趋势。
监管机构还可以使用机器学习来提升数据处理能力。比如，经过适当训练过的机器学习算法能够帮助识别数据鸿沟、数据不一致等问题，并且可以对交易进行配对或插入缺失数据。加拿大魁北克金融市场管理局（AMF）一份研究报告声称，其在金融科技实验室中已经成功测试了一种监督学习算法，能够从场外衍生品数据，比如浮动利率互换的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交易。监管机构还可以在通过人工智能和机器学习技术对这些数据及时分析和处理，发现潜藏在数据背后的金融欺诈等违法违规行为，提升风险的识别能力。比如，新加坡金融管理局（MAS）已开始探索通过人工智能和机器学习来分析可疑交易，识别出需要加强监管的高风险交易行为，使有限的监管力量可以投入需要重点审查和监管的交易行为中。澳大利亚证券和投资委员会（ASIC）通过自然语言处理（NLP）技术来提取证据材料的关键信息，通过可视化技术来制作所选择调查主体之间的关系图，以提高风险的识别能力。意大利银行（BdI）收集了银行资金转账的详细信息，并将这些信息与新闻报纸上的文章做相关性审查，涉及的结构与非结构性数据容量超过50G，通过这些信息的分析来打击银行体系的洗钱等犯罪活动。随着监管机构不断采用监管科技来提升监管有效性，金融科技时代下的金融发展与风险防范将得到更好的平衡。
以监管科技提升监管的实时性和有效性
金融监管大多集中在事后监管而事中监管不足，一旦发生较大的金融风险事件，对事后风险的处置能力很大程度上受制于对风险的识别和判断，需要的时间窗口越长，对金融系统的影响也就越大，带来的经济损失也越严重，监管的及时性就显得非常重要。事中的金融监管则能够及时地获取信息并能够快速地应对，类似当前城市管理的交通系统，可以实时地监测到城市里任何一个路段的车辆运行情况，监管科技也将发挥类似作用，通过提升监管机构的数据信息处理能力，使监管机构能够实时地掌握金融市场中每个交易主体的交易行为。
当金融交易的体量和复杂性随着金融科技的发展而不断增加时，监管的及时性决定了监管的有效性。如果监管能力不能跟上金融科技的发展，那么金融科技时代的“乌龙指”事件发生的频率将可能更高，对金融市场的破坏性也将更大。只有通过发展监管科技，对更多金融交易进行实时监管，提高风险识别和处置能力，将所有的金融风险事件尽可能地在当个交易日内及时地处理，才能控制风险的跨时、跨机构和跨区域传染，提升监管的有效性。
英国金融行为监管局（FCA）和货币与精神健康政策研究所（MMHPI）在2017年组织的一次会议中，就提出运用监管科技开发实时监测和监控技术，实时监测精神异常用户的常用银行账户，并对其异常消费行为进行识别。根据MMHPI的研究，患有精神疾病的用户遭遇个人财务危机的可能性是普通人的三倍，通过实时监控可以在识别出消费者是由于精神异常而产生不理性消费时，就可以锁定其银行卡来防止其过度消费。基于同样的原理，这种方法也可以用来识别盗刷银行卡行为，避免用户银行卡或信用卡丢失且密码被盗时的资金损失。监管机构也可以将监管科技应用于现有的金融交易系统中，探索识别金融市场交易中的“乌龙指”类的非正常交易，以及可疑的洗钱等非法交易，通过增加监管的实时性来降低金融风险。
本文刊发于《清华金融评论》2018年3月刊，2018年3月5日出刊，编辑：丁开艳
