金融 AI：从欺诈检测、信用评估到金融 LLM

为什么需要：金融本来就是靠数据做判断的行业

银行和信用卡公司每天都要做大量判断：是否批准这笔支付，是否向这个人放贷，这笔汇款是否涉及洗钱。过去依靠人工制定的规则（金额超过一定数额就核实，有逾期记录就拒绝）来筛查，但规则难以跟上新的作案手法，而且规则越多越容易相互冲突。因此，从历史数据中学习模式的机器学习很早就进入了金融领域。

XGBoost 论文（paper）在引言中说明机器学习的重要性时，也举了“欺诈检测系统保护银行免受恶意攻击者侵害”的例子。英格兰银行（BoE）和金融行为监管局（FCA）2024 年的调查（w2）中，金融机构认为 AI 目前带来的最大收益是数据与分析洞察、反洗钱（AML）与反欺诈，以及网络安全。

近来，AI 处理的不再只是数字表格，还包括文本。BloombergGPT（paper）列举了金融领域的自然语言处理任务，包括情感分析、命名实体识别（找出句子中的公司名和人名）、新闻分类和问答，并说明由于金融术语和语境复杂，需要专门面向金融的系统。因此，从“表格数据模型”和“金融 LLM”两条主线来看金融 AI，会比较容易理解。

核心思路：用多棵树处理表格数据

欺诈检测和信用评估的数据通常是结构化数据。每一行是一笔交易或一位客户，各列是金额、时间、商户、收入、逾期次数等值。处理这类数据长期使用的方法，是把多棵决策树叠加起来的梯度提升。

打个比方，它就像“错题本”。第一棵树先做一个粗略预测，第二棵树学习去纠正第一棵树的误差，第三棵树再进一步减小剩余误差。正如 XGBoost 论文（paper）所述，每个样本沿着每棵树的规则向下走，到达一个叶子（leaf），把这些叶子上的分数全部相加就得到最终预测。为防止树变得过于复杂，目标函数中还加入了正则化项，对叶子数量和叶子分数大小进行惩罚。

论文用竞赛结果展示了这种方法的普及程度：2015 年 Kaggle 博客上发布的 29 个获胜方案中有 17 个使用了 XGBoost，使用次数第二多的深度神经网络为 11 个。论文还提到，KDDCup 2015 中排名前 10 的队伍全部使用了 XGBoost。不过论文也补充说，在这些问题中，领域分析和特征工程发挥了重要作用。

如何运作：欺诈检测与信用评估的流程

实际流程大致如下。第一，收集交易记录、贷款申请等原始数据。第二，通过特征工程构造用于判断的列，例如“最近 1 小时支付次数”“与平常支付地点的距离”。第三，把过去已确认为欺诈的交易或实际逾期的贷款作为标签，进行监督学习。第四，训练好的模型对每笔新交易或申请给出风险分数。第五，分数超过阈值时拦截、暂缓，或转交人工审核。

金融数据有其特有的难点。欺诈在全部交易中极为罕见，类别不平衡严重，而且缺失值很多。XGBoost（paper）提出了处理大量缺失值的稀疏数据算法（sparsity-aware），以及在数据无法全部装入内存时从磁盘分块读取的结构。论文称，它在单机上比现有流行方案快 10 倍以上，在分布式环境中可扩展到数十亿个样本。

关键在于，模型输出的是“分数”，而不是“决定”。在哪个分数拦截、由谁做最终判断、向被拒绝的客户解释什么，都是需要由人和组织确定的运营设计。

发展脉络：金融专用 LLM 的两条路线

如果说表格数据模型处理的是数字，金融 LLM 处理的则是信息披露、新闻、报告等文本。第一个代表性案例是 BloombergGPT（paper）。Bloomberg 在构建 500 亿参数模型时，用近 40 年收集整理的金融文档构建了 3,630 亿 token 的金融数据集，并混入 3,450 亿 token 的通用数据。其核心是“混合训练”：既不只用金融数据，也不直接使用通用模型。作者报告称，这种方式在金融任务上大幅超过现有模型，同时保持了通用基准上的性能。该研究细致追踪了数据来源和使用权限，这一点在金融业也值得关注。

FinGPT（paper）则从相反的方向出发。该研究认为，BloombergGPT 这类专有模型依赖于独特的数据积累，因此需要人人都能使用的开源替代方案。于是它没有从头训练巨型模型，而是采用以数据为中心的方法，强调自动收集和整理互联网金融数据的流水线，以及轻量的 LoRA（低秩适配）微调。应用示例包括智能投顾、算法交易和低代码开发。

这两条路线与其说是相互替代，不如说处理的数据不同。贷款审批这类判断的核心仍然是表格数据模型，而 LLM 正在阅读文档、生成摘要、回答问题等方面不断扩大用途。

近期发展方向

第一，向信用评估模型引入外部知识的研究。推出新贷款产品时，几乎没有逾期数据，会出现“冷启动”问题。Ranking Prior Alignment（paper）是一种把专家、Teacher 模型或 LLM 给出的排序信息 Distill 到评分模型中的方法。它不仅适用于神经网络，也能以同样方式接入 XGBoost 的自定义目标函数，而且实际预测时不需要外部模型。该研究在超过 150 万个商户的行业数据上做了实验，并报告在公开的 Amex 数据上 5 个折的 AUC 全部提升（平均 +0.041）。

第二，验证金融 LLM“依据”的研究。FinRegQA-EU（paper）利用欧洲银行管理局（EBA）和欧洲证券和市场管理局（ESMA）的官方问答构建了监管问答数据集。用 SFT（监督微调）训练的模型在 LLM 评审的得分最高，但引用准确率（Citation F1）最低：它给出的引用多了两倍，但大多没有依据。DPO 和 GRPO 呈现出更简洁、引用准确率更高的折中；研究人员指出，LLM-as-a-Judge 会因为引用多就认为有依据并给分，因而无法识别编造的引用。

第三，公平性问题。财务信息不足研究（paper）向 Llama-3.1-8B-Instruct 输入了 96,600 个提示词，在财务条件相同、只改变投资者身份的情况下，测量其建议的股票配置比例变化多少。两种身份之间的平均差异，从提供全部财务信息时的 4.78 个百分点，扩大到完全不提供时的 10.34 个百分点。在没有信息时，模型会以并未被告知的收入、负债、储蓄作为依据；即使提供了全部信息，按性别划分的小幅差异仍然存在。

监管与责任：信用评估属于高风险 AI

欧盟 AI 法案附件 III（w1）在高风险 AI 领域中的“获得基本私人和公共服务”一项下，明确将评估个人信用状况或给出信用评分的 AI 列为高风险。但用于检测金融欺诈的 AI 不在此列。在人寿和健康保险中评估个人风险并确定保费的 AI 也包含在同一项中。也就是说，即使是同一个梯度提升模型，用于欺诈检测还是信用评估，其监管地位也会不同。

英国 BoE 和 FCA 的调查（w2，118 家机构回复）显示，75% 的受访企业已经在使用 AI（2022 年为 58%）。55% 的使用案例包含一定程度的自动化决策，但完全自主决策仅占 2%。另有 46% 的企业表示对自己使用的 AI 技术“只有部分了解”，主要原因是使用外部供应商的模型。84% 的企业设有负责 AI 体系的责任人。被列为当前风险的前 5 项中，有 4 项与数据有关：隐私保护、数据质量、数据安全、数据偏差与代表性。

金融稳定理事会（FSB）的报告（w3）超越单个机构，着眼于整个金融体系。它列出的可能放大系统性风险的 AI 相关脆弱性包括：第三方依赖和服务供应商集中、市场相关性（相同模型朝同一方向变动的问题）、网络风险，以及模型风险、数据质量和治理。报告还指出，生成式 AI 会增加金融欺诈和市场虚假信息的可能性，并要求各国当局加强对 AI 动态的监测、检视监管框架。

这些内容指向同一个结论。拒绝贷款或冻结账户会直接影响人们的生活。模型是辅助判断的工具，决策及其后果的责任由金融机构及其中的人承担。

局限与争议：可解释性、公平性、模型风险

可解释性：单棵决策树的规则可以直接读出来，但把数百棵树的分数相加的集成模型，无法一眼看出“这个人为什么被拒绝”。LLM 更难解释。正如 FinRegQA-EU（paper）所示，看似合理的引用并不能保证是真实依据；在财务信息不足研究（paper）中，模型还以并未被告知的事实作为理由。模型给出的解释本身也需要验证。

公平性：历史数据中积累的偏差会被模型原样学去。在 BoE 和 FCA 的调查（w2）中，数据偏差与代表性也被列为主要风险。只改变身份、建议就随之变化的现象（paper）说明，在金融咨询中使用 LLM 时，应设计为在获取充分信息后再作答。

模型风险管理：欺诈手法和经济状况变化时，数据漂移会导致模型性能下降。依赖外部供应商模型会降低理解程度（w2），而许多机构集中使用同一供应商会加大系统性风险（w3）。还需记住，本文中的性能数据都来自研究环境，并不保证实际运营中的性能。

延伸学习

如果想先了解表格数据模型，可以读 XGBoost（paper）第 2 章“Tree Boosting in a NutShell”，其中简要介绍了多棵树分数相加的结构和正则化目标函数。接着读 Ranking Prior Alignment（paper），可以看到在同样的 XGBoost 中引入外部知识、处理冷启动信用评估的近期方法。

金融 LLM 方面，把 BloombergGPT（paper）的引言和数据构成部分与代表开源视角的 FinGPT（paper）一起读，两条路线的差异会更清楚。评估和风险方面，推荐 FinRegQA-EU（paper）和财务信息不足研究（paper）。

监管和行业现状方面，按欧盟 AI 法案附件 III（w1）第 5 项、BoE 和 FCA 2024 年调查（w2）摘要、FSB 报告（w3）摘要的顺序阅读，视野会从单个模型扩展到机构，再扩展到整个金融体系。