今年FRM考试的“Current Issues”文章中有一篇题为《Machine Learning- A Revolution in Risk Management and Compliance》（机器学习-风险管理与合规的变革），其中有一个问题很有意思：
我们知道，现在的金融机构会运用“机器学习”（“人工智能”的另一种说法）技术来分析处理大数据，通过建立更加精密的模型改进金融风险预测，比如银行现在拥有海量的贷款数据作为数据源去分析信贷风险，研究正常还款和不正常还款的行为。（具体可参考人工智能一定越像人越好吗？|品职FINTECH“阔”论沙龙）
但是机器学习虽然总结了历史数据的规律，却存在着一种业内称为“黑匣子”的问题，即“新的建模方法通常比传统方法表现更好，然而隐含在这些算法决策背后的原理往往是普通银行高管或监管机构难以理解的，甚至亲自设计算法的分析师也无法理解”（来自GARP协会报告，作者：穆迪分析经理Tony Hughes）。
简单来说，类似咱们日常生活中叹为观止的“黑科技”，功能强大又迷之高级。可大部分人理解不了原理也就一笑了之继续享受科技带来的好处即可；但是银行家们、金融风险分析师们真有点忍受不了，西方的专家们无奈地戏称它为新技术的“fig leaf”遮羞布——本义为无花果叶，长下图这样，眼熟不？
那么，为啥银行业会对人家的遮羞布这么敏感，就是受不了呢？
解释力度不强
“黑匣子”问题的实质在于：虽然机器学习根据海量数据建立模型总结出规律，但是解释力度不强。具体表现为：
模型越复杂，预测性能越精准，但解释“为什么是这个结果”却越弱。模型只能展示出数据之间的相关性而无法揭示产生现象的原理和因果关系。
过度拟合的问题，也就是把偶然当成必然。它的解决方法一般也就是通过大量工作解决数据偶然性和稀缺性问题；如Bagging，就是利用不同的子样本运行成百上千次模型取平均数。
这些问题会给银行带来一些顾虑，以下详细说两种。
强烈依靠数据的模型准确性到底如何？
我们知道，银行业务与经济周期之间的关联很紧密，就单说借贷行为吧，在经济繁荣和经济低迷期的表现都有很大差别。
比如一个能预测信用卡违约情况的模型，即使再怎么准确，那也是在现有阶段所能得到数据的基础上汇总而来，但是我们无法确定这个模型在发生经济衰退中的表现如何。
虽然我们可以利用“压力测试”（FRM考试知识点之一哦）的方法对模型进行评估。但在构建压力情境方面，过去的20年中我们只有一次这样的危机事件——2008年金融危机算是比较大的了。
就算在这个情境下回测结果证明我们的模型也确实表现出不断上升的损失与实际相符，但只用了2008年的数据进行的测试——没有大量大萧条或者大危机情境下的数据作为大样本参照，我们无法断言2008年的数据就能代表“典型”的压力事件情境，也就无法真正证明，这个模型能准确模拟出未来可能发生的极端情况下银行系统遭受到的最大信用违约损失。
当然，如果我们能够精确地用压力测试来评估出新模型的性能，并且发现明显优于替代方案，那么就没有理由反对机器学习也就是人工智能建模的应用。
可惜在现实世界中，由于难以保证压力测试的有效性，银行系统也只能别别扭扭地使用着这些带着朦胧感与“遮羞布”的新式模型。
监管机构等各方的态度如何？
另外，银行很难向监管部门比如银行审查员和模型验证团队解释清楚复杂模型的奥秘。那么，监管机构有可能看不懂，会要求模型尽量简化和清晰。这也为银行放手运用新技术带来影响。
但是银行审查员之流可能会对他对黑科技缺乏了解感到遗憾，但他无法否认其卓越的表现。迄今为止，各项测试与实践结果都表明机器学习建模更加准确。虽然我们答不上来“为什么”这个问题，但是人家预测违约事件等等就是比其他分析师预测准确得多。
比如在本世纪初美国的一次对信用评分模型的运用实践中，风险分析师利用它来评估银行抵押贷款申请审核小组的绩效。
结果发现用这个模型进行审核之后，原本被人工审核通过的客户被拒绝了而另一些客户则理应被接受，并且按照这样的结果重新计算，该银行将得到更高的收入和更低的信用损失。换句话说，这个贷款审核团队即使工作不要钱，也完全可以被人工智能替代了……
其实，以上种种问题也从另一个侧面解释了为啥人工智能等FINTECH技术在现实银行业中的推进总是顾虑重重（相关文章见FINTECH第二期）——所有人都知道它很牛、很有效率，但是很多地方会受到这层“遮羞布”的影响，想委以重任，怕惹争议、又怕它不“实诚”回过头来反噬主人……
但是说到底，我们还是会不断地想方设法来钳制它、驯服它，更好地运用它。即使银行业过去普遍对“黑匣子”存在疑虑，但是随着社会的进步与发展，“机器学习”的名号正在获得可信度与更广泛的接受度。
“白猫黑猫，抓住老鼠就是好猫”，只要新模型优势明显，它就可以很好地在银行实施，无论其复杂程度如何。
配图来源网络
