本文摘要：摘 要：金融科技本质上是风险科技，不会改变金融的本质。金融科技运用背后体现的是金融体系风险管理能力的增强，金融科技的广泛运用体现了其降低金融风险的功能。金融科技有助于金融机构增强风险管理能力，进而提升企业价值，而监管科技有助于金融监管当局更加有效地实
摘 要：金融科技本质上是风险科技，不会改变金融的本质。金融科技运用背后体现的是金融体系风险管理能力的增强，金融科技的广泛运用体现了其降低金融风险的功能。金融科技有助于金融机构增强风险管理能力，进而提升企业价值，而监管科技有助于金融监管当局更加有效地实施风险监管、降低监管成本。随着金融科技运用深入，金融监管风险管理的重心将会部分地从传统金融类型风险向法律风险、信息科技风险、第三方外包风险等非金融类型风险转移，并从微观金融风险向系统性金融风险转移，形成风险的“双漂移”机制。为此，金融监管当局应主动拥抱金融科技，积极探索应用金融科技提高监管效率的措施，提高监管人员应用金融科技的专业能力;在现行监管框架中融入金融科技，并进一步改革监管框架以适应金融科技发展;完善金融科技监管的跨国合作，共同应对金融科技可能带来的金融风险。
关键词：金融科技;金融监管;互联网金融;监管科技;金融风险;风险管理
根据金融稳定理事会(FinancialStabilityBoard，FSB)的定义，金融科技(Fintech)是科技驱动的金融创新，能够创造新的金融模式、新的金融应用、新的金融服务流程和产品，从而改变金融市场、金融机构和金融服务提供方式的全新金融业态。金融科技对金融业将产生多维、深度的影响。金融产品是风险与收益的组合，金融市场是交易风险的场所，金融机构是经营金融风险的主体。金融科技推动了金融机构风险管理体系建设从传统风控手段和方法向基于金融科技的前瞻性智能风控中台建设转化，使得对金融风险的实时监测成为可能。
金融科技的本质是风险科技，因为金融业务的核心是风险管理。无论是智能投顾，还是精准客户营销，背后都是在优化风险组合的基础上实现收益的最大化。金融科技通过增强金融机构风险监测、分析、预警、处置能力提升金融机构的风险管理水平，进而提升金融机构的核心竞争力。因此，金融机构运用金融科技的背后都体现了风险管理的功能，都闪烁着风险防控的思维，金融科技是通过提升金融机构的风险管理能力来增加金融机构的价值。随着金融科技运用的深入，金融风险管理的重心将会部分地从金融类型风险向非金融类型风险转移，从微观金融风险向系统性金融风险的转移，形成风险的“双漂移”机制。
一、金融科技的主要功能
(一)风险管理功能：提升金融机构风险管理水平金融机构是经营金融风险的企业。风险管理是金融机构的核心竞争力，金融机构经营模式的核心是承担风险并获取收益。在日常风险管理工作中，金融科技在提高风险管理效率、捕捉风险信息、提升金融机构风险管理专注性和准确性等方面都发挥了巨大作用。以人工智能和机器学习为代表的“金融科技”技术会影响金融机构的风险决策行为。
比如，人工智能能够分析和建立投资者情绪指标(SentimentIndicators)，这些数据对于对冲基金、投资银行等金融机构的交易员判断金融市场的风险状态具有重要作用。机器学习也能够处理远超出人类处理信息能力的信息量，并且进行快速决策。在反欺诈、监测反恐融资方面，人工智能和机器学习能够帮助金融机构快速识别可疑交易。具体来讲，金融科技主要在以下方面得到金融机构的广泛应用：
第一，评估零售客户信用风险，精确化贷款定价。金融机构通过机器学习对客户的海量数据进行信用分析，进而得出该客户的信用质量，为贷款定价。这种方式会加快贷款决策速率，并降低信用风险。在此过程中，每一个个体的交易数据和支付历史以及其他结构性数据都会变为信用风险评估模型(比如回归分析、决策树模型、统计分析等)的输入变量。随着计算机技术的快速发展，非结构化数据，比如社交媒体活动、社交软件中的聊天信息都能够有助于金融机构评价一个人的信用质量，继而增加贷款信用风险评估的准确性。
另外，机器学习使得处理定性数据成为可能，比如消费者行为和支付意愿等。这样，即使以前没有信用历史的借款人，也能够以合理的借贷成本获得贷款，这增加了金融的普惠性，也帮助了社会建立信用体制。但需要说明的是，使用人工智能、大数据等金融科技对借款人个体数据和金融产品表现的历史数据的依赖性很强。数据的可得性、质量和可靠性会直接影响模型表现效果。此外，金融科技有助于增加金融体系的透明度，帮助投资者评估风险。在许多领域，大数据技术的应用能够降低金融市场中存在的信息不对称。随着大数据应用技术的完善，金融市场参与者能够准确评估特定风险，进而根据特定的风险制定特定的计划。在中小企业融资领域，金融科技可以用来评估中小企业的信用风险，有助于市场投资者准确评估信用风险。
第二，评估保险公司客户风险，精准化保险营销。保险业是管理纯粹风险的行业。当前，保险业正推广使用机器学习分析复杂数据，进而降低风险成本，提高收益水平。对于保险业来讲，合理对客户风险进行定价和甄别是保障盈利能力的关键，也是提升保险公司竞争力的关键，因此有时会把保险公司使用金融科技的情景称作“InsurTech”。InsurTech在保单发放方面，能够辅助保险公司判断客户风险，并筛选客户。商业保险公司在定价和营销保险产品时会实时使用高精度数据分析消费者的网上购买行为。在车险方面，机器学习技术能够测算维修成本，自动决定交通事故损失的种类。同时，保险公司可以使用远程遥感技术提前预警事故，从而降低赔付成本。
第三，评估金融机构偿付能力，精细化资本计提。资本是金融机构最稀缺的资源，将风险与资本关联起来的偿付能力监管是金融监管核心理念。在给定资本约束条件下，如何进行资本优化是金融机构面对的核心问题。资本优化过程是一个消耗大量资源的过程。金融科技所依赖的人工智能和机器学习技术以其强大的计算能力和大数据分析能力，有效的提高资本优化的准确性和运算效率。
在实务领域中，基于机器学习来计算监管资本获得了广泛关注(FSB，2017a)。McKinsey(2012)研究发现，使用机器学习算法来优化风险加权资产会使结果降低5%-15%。在金融衍生产品交易的清算和监管中，机器学习算法对于初始准备金要求的精确计算已经必不可少(Kondratyev和Giorgidze，2017)。机器学习通过抵消交易员相同的交易头寸和交易策略来实现上述目的。在初始准备金要求的约束下，机器学习可以给出最优的降低准备金要求的交易策略。总之，金融科技技术能够以最低的成本保证金融机构的偿付能力，进而提高金融风险管理效率。第四，评估风险计量模型准确性，精巧化回测检验。金融风险管理对金融计量模型准确性的要求非常高，因此在金融机构风险管理流程中必不可少的一个环节是模型验证与回测检验。
一些全球性的大型金融机构已经开始将不受监管监督的机器学习算法运用在股票衍生品交易中，汇总反常数据来进行模型验证(FSB，2017a)。在每一个夜晚，该系统能够进行300万次运算，进而得出资本配置和限额管理的具体数目。在这个过程中，机器学习系统会对所产生的极值数据进行算法处理，来判断这些极端情况是否处在可以接受的范围内。第五，评估投资绩效，精益化风险分散。智能投顾有助于金融风险共担机制的形成。
首先，定制化策略有助于分散金融风险。对金融科技的分析表明，智能投顾或者机器学习能够降低金融市场“方向性交易(Directionaltrading)”的规模和频率。在理想情况下，人工智能投资顾问能根据每个投资者的个体风险偏好定制化地为投资者服务，形成不同类型的交易策略。在市场处在正常的状况下，定制化的投资策略相关性极低。其次，金融科技能降低投资者参与资本市场的门槛，而更多的投资者意味着更的风险分散化。
再次，人工智能以及机器学习等技术能够更好的处理资本市场信息，制定更好的对冲风险策略，防止资产价格单边波动，具有一定的降低市场波动性的作用。最后，新型的金融科技平台能够将投资者和借款人直接关联起来，减轻银行体系的信贷压力，降低银行体系的信用风险，使得经济体对银行贷款的依赖性降低，风险渐渐从银行体系转移出来，从而在金融体系中形成不同类型金融机构风险共担的局面。
(二)风险监管功能：监管科技提升金融监管效能
评估金融科技对金融体系风险的影响非常困难。一方面，监管当局和金融机构缺乏足够的数据评估各种类型金融科技的潜在影响，金融机构变革营运模式可能带来风险。另一方面，由于金融科技发展历史相对较短，监管当局尚未有效构建风险数据报告机制。虽然金融科技给金融体系带来了新的风险，但不可否认，金融科技也有降低金融体系风险的作用。人工智能和机器学习等技术在金融监管领域有着重要的应用，即监管科技(Regutech)。监管科技能够使金融机构更有效率、更加低成本的满足监管当局的合规要求(FCA，2015)。根据FSB(2017a)的预测，全球监管科技市场规模将在2020年达到64.5亿美元。具体来讲，监管科技主要在以下四个方面在金融监管领域得到广泛应用：
第一，降低合规监管成本。机器学习结合自然语言处理能够监测交易员的交易行为和相互间沟通的内容，从而增加金融市场的透明度，约束金融市场中交易员的交易行为。在资产管理领域，自然语言处理被用来应对新的金融监管。比如在欧盟，投资经理需要遵守《金融工具市场指令》、《可转让证券集合投资计划》、《另类投资基金管理人指令》等复杂的监管指引。资产管理公司使用自然语言处理技术将这些监管指引转化为通俗语言，进而将这些规则整合到原有的风控系统中，降低合规成本。此外，在KYC(了解你的客户)领域，监管科技有助于识别风险客户，提前采取监控措施。
第二，提高风险数据精度。智能化监管让数据自己说话(乔宇锋，2021)。首先，机器学习技术能够低成本的保证监管数据报告质量，发挥大数据的价值。2008年金融危机爆发后，为加强宏观审慎监管，不论是在频率上，还是在报告数量上，各个国家对金融机构风险数据报告的要求与日俱增。为了保证报告质量，金融机构纷纷投入了大量资源。但随着数据报告数量的增加，金融监管无法使用传统方法对数据进行分析，因此无法发挥数据的最大价值。
此外，随着数据报告量的增加，数据集合会存在数据错误、空值数据等质量问题，如何在提高数据精度前提下保障数据质量，也是监管当局需要考虑的问题。IIF(2015)指出，机器学习能够识别数据集合中的极值，能够以更低的成本保证报告数据的质量。其次，提高交易仓储(Traderepositories，TR)数据的价值。FSB(2017a)认为，监管在最大化TR数据的价值方面存在欠缺。对于场外衍生产品交易、外汇衍生产品交易、融资融券业务，机器学习能够有效识别数据残缺、数据缺乏一致性、“胖手指”失误问题等。魁北克金融市场管理局已经成功在金融科技实验室运用监管机器学习算法从OTC衍生产品市场中的非结构化文本数据中提取特定的数据类型，比如互换交易的浮动利率方。
第三，管理系统性金融风险。
首先，预测金融市场风险。金融科技能够被中央银行用来进行系统性风险评估，监测传染风险。自然语言处理技术能够判别、测度、预测、预判市场波动、流动性风险、未来金融压力情景、房价、失业率(Bholat等，2015)。意大利中央银行使用Twitter数据来判断零售客户对商业银行的信任程度，进而提前判断公众对金融体系的信心。意大利中央银行还使用自然语言处理从报纸信息评估公众情绪。美国的实践经验表明，通过使用计算语言学分析银行强制性的披露信息能在2008年金融危机之前的2005年分析未来利率风险、住房抵押贷款风险、房地产价格风险、资本充足率风险、信用评级等问题(Hanley和Hoberg，2016)。
其次，助力货币政策实施。FSB在2015年的调查显示，各国中央银行期望使用大数据技术实施货币政策，保证宏观经济和金融体系稳定。在货币政策实施方面，大数据技术的主要使用方向是预测价格与通货膨胀，尤其是房地产等资产价格。再次，帮助政策效果评估。机器学习可以使市场参与者根据金融部门表现评估政策效果、模拟在不同经济政治环境下经济政策的影响(O’Halloran等，2015)。金融研究办公室(OfficeofFinancialResearch，OFR)使用机器学习评估公众对金融创新的关注程度，通过公开发表的信息提取公众情绪信息，研究公众情绪与金融稳定之间的关系。
第四，监测恐怖主义融资、反洗钱与欺诈交易。澳大利亚证券与投资委员会(ASIC)使用自然语言处理技术，从大量的证据文件中提取目标实体，并研究各个实体之间的关联，进而发现违法交易。意大利中央银行为了打击银行业犯罪活动，使用机器学习技术提取银行交易信息，并将其与公开报纸上的信息关联起来，其数据处理量每次达到50GB。新加坡金融管理局(MAS)正在开发人工智能和机器学习技术来分析可疑金融交易。为了降低监测违法交易成本，防止犯罪嫌疑人进行防御性反抗，机器学习技术往往能够识别更为复杂交易模式，并留下证据，能发现交易主体之间的非线性关系，这对侦测洗钱行为和恐怖主义融资行为都有巨大的帮助。
美国证券交易委员会(SEC)使用大数据技术开发文本分析系统和机器学习算法发现违规交易行为，并使用人工智能技术评估风险。在监督学习(Supervisedlearning)技术下，SEC可以将金融机构当前提交的文档与历史的文档资料进行比对，从而更加准确的找到以往的案例。虽然这种方法也会出现失误，但对监管当局提前检查有很好的指导意义(Bauguess，2017)。此外，SEC还使用非监督学习(Unsupervisedlearning)算法发现投资顾问的异常行为，并将所发现的行为与以往案例对比，从而预测投资顾问的未来表现(Bauguess，2017)。ASIC也是用机器学习软件发现市场中的不当行为，比如未取得资质的会计师提供金融咨询服务。
二、金融科技的风险特征
(一)增加系统性金融风险
金融科技的迅猛发展导致金融体系的关联度急剧增加，进而放大了冲击在金融体系的传染，增加了金融体系的脆弱性程度。虽然在微观层面，金融科技会有助于金融机构降低金融类型的风险，但在宏观层面，金融科技却存在引发系统性金融危机的可能性。
第一，放大市场波动。金融科技会导致金融体系在面临负面冲击时出现过度波动。首先，信贷资金供给在面临负面消息时会出现过度紧缩。当市场突然宣布某一金融科技贷款平台不良贷款率上升时，投资者的敏感情绪会出现巨幅变动，导致信贷市场资金供给会迅速蒸发。小额投资者由于信息不对称程度高，投资决策受到不良贷款率信息的影响会更大。
其次，智能投顾所导致的羊群行为会显著高于传统资产组合方法，大额交易会增加资产价格的单边波动性。再次，金融科技会在一些情景下降低资金借贷成本，放松借贷标准，导致一些投资者低估风险。如果这种情景持续下去，为了与金融科技企业竞争，传统金融机构也会有低估风险的动机，风险补偿不足，金融体系整体风险承担过度，信贷市场波动性上升。
第二，增加传染风险。首先，金融科技容易引发流动性风险。流动性风险具有系统性特征，其传染性极强。对于流动性风险，期限错配风险是重要的风险类型。金融科技往往会涉及到借贷业务，因此期限错配不可避免。在某些情况下，金融科技企业会通过贷款展期或者到期日之前出售贷款来实现期限匹配，或者在一些金融科技平台上，平台会向投资者出售一份贷款出售期权。这种扩张速度和业务模式不免会让人联想起2008年金融危机，尤其是当金融科技企业平台作为期限结构转换的中介时，流动性风险极易爆发。另外，客户为了获得高收益，会使用金融科技产品将资金在不同种类的账户，甚至在不同类型的金融机构之间转移。这虽然增加了金融效率，但会影响客户的忠诚度，且资金的快速转移容易引发系统性流动性风险。
其次，声誉风险会引发传染风险。金融科技增加了市场主体对信息的敏感性，进而导致风险传染可能性的增加。比如，某一个金融科技平台出现大量不良贷款，市场中的参与者会认为其他金融科技平台也会面临类似的问题，进而出现恐慌。再次，交易策略的趋同化会导致适得其反的效果。
Kirilenko和Lo(2013)指出，人工智能以及机器算法交易由于缺乏必要的监管会导致金融市场中出现意想不到的传染风险。一旦金融体系面临困境，流动性需求上升时，算法交易会引发交易的趋同性，进而风险通过资产价格渠道影响了所有金融机构。这说明，当金融机构积极使用不同来源的大数据信息开发交易策略、形成自身的竞争优势时，可能导致实质性的相关性增加，即看似不相关的行为会收敛至相关性，增加传染风险。
第三，产生新型系统重要性金融机构。首先，金融科技会重塑集中度。金融科技导致金融体系关联度增加，但这种关联度往往会集中于几家金融科技企业，这些企业的共同特征就是掌握了人工智能、机器学习等先进的技术。同样，具有大数据资源的企业也会具有这种优势。因此这几家金融科技企业就具有了金融体系基础设施的角色。比如分布式账本技术在证券清算交易环节具有广泛的应用，因此使用分布式账本技术、提供证券清算服务的金融科技企业将是系统重要的。
另外，数字货币、个人征信或者是智慧钱包都在日常支付中应用广泛。总之，这些新兴的系统重要性金融科技企业具有一定的垄断性，一旦成功抢占了市场，其他参与者无法代替其地位，一旦倒闭会导致金融服务无法正常提供。其次，改变传统金融机构的系统重要性。金融科技会在某些方面替代传统金融服务，因此可能会降低一些金融机构的系统重要性。但反过来，如果一家成熟的大型金融机构已经赢得了公众的信任，并且积极拥抱金融科技，其系统重要性会显著增加。
(二)增加非金融类型风险
金融科技没有改变金融的本质，不会带来新的风险类型，但它会引发风险类型重心的漂移，即微观金融风险类型的重点将会从以传统金融风险漂移至非金融类型风险。在金融机构(微观个体)层面，金融科技会导致金融机构从关注传统金融风险转移至重点管理非金融类型风险。
第一，法律风险。金融科技会导致监管制度性漏洞，出现法律风险。首先，金融科技企业处在监管半径之外，没有被有效监管覆盖。一些金融科技企业向受监管的金融机构提供金融服务，但其往往不在金融监管的半径之内，或者其受到的监管强度显著低于监管半径内的金融机构。因此，这些金融科技企业的快速发展会对金融体系稳定形成威胁(FSB，2017a)。
比如，数字货币能够顺利运行的前提是，在一个市场主体相互不信任的环境下，设计方案蕴含的激励机制能够支持主体之间的交换。虽然数字货币当前表现良好，但也是仅仅在有限的测试环境内，不排除在未来，设计方案的不稳定性迅速暴露(FSB，2017a)。其次，已有的法律和规则无法有效覆盖金融创新活动，因此需要修订法律和监管准则。这种准则的修订横跨前台和后台，从客户交流到信息系统。比如，智能机器投资顾问与客户沟通所产生问题的责任认定事宜，区块链跨境交易导致的数据隐私泄露问题。这些都需要法律和监管规则的重新修订，甚至还需要国际金融监管的协作来应对。
第二，信息科技风险。金融体系当前正在不停的遭受网络攻击，金融科技的运用会使得信息科技风险更为突出。当越来越多的金融机构通过金融科技关联到同一个交易网络时，金融体系遭受网络攻击的可能性就会变高。金融科技增加了金融普惠性背后的含义是金融体系的节点变多，但同时也会导致黑客攻击的机会变多。
为了避免被黑客攻击而导致的数据损失，许多金融机构都建立了自己的数据中心，并将数据在多个服务器上存储，但这会增加信息科技风险的管理成本。因此金融机构的信息科技水平如果没有与时俱进，则金融市场中由于信息技术导致关联度的增加会将信息科技风险放大。应用软件接口(API)、云计算等技术的快速发展导致关联度的增加，导致银行体系暴露在信息科技安全风险敞口之下，将大量敏感性的数据置于潜在的泄露风险中(BCBS，2018)。
第三，第三方外包风险。陆岷峰(2021)指出，应重新定义商业银行与第三方金融科技公司之间的目标和定位。
首先，第三方外包风险会衍生出其他各类风险。相对来讲，金融机构在金融科技方面都缺少足够的专业经验，因此其信息科技系统可能无法适应金融业的快速变化。在这种情况下，金融机构不可避免的将许多金融业务外包给第三方金融科技企业，增加了金融交易的复杂性、降低了透明度，从而使得数据信息泄露、数据安全、网络犯罪、洗钱行为等问题非常突出。如果第三方外包商出现了破产，但为了保证金融服务和信息系统的可持续性，金融机构可能需要承担第三方外包商的破产成本，接管该企业。
其次，对风险的控制权减弱。大量引入第三方外包机构会导致整个金融价值链中风险管理责任承担变得非常模糊，金融机构使用第三方科技产品会导致对经营风险的管控超出了自身的组织体系。如果第三方外包机构是全球的主要市场参与者，是主要的服务提供者或客户端接口的设计者，则第三方外包业务会形成新的集中度风险。为了保护自身和客户，金融机构需要小心谨慎的与第三方外包机构签订合约，尽量保证风险在可控的范围内。
再次，增加了反洗钱和防范反恐融资的难度。在交易过程中，金融机构有责任甄别洗钱交易或者恐怖融资交易。但是在实际操作中，金融机构不可避免的需要为第三方的客户提供交易服务。如果该客户使用银行卡或者银行账户进行交易，商业银行就有责任对客户进行甄别和筛选。但与第三方合作的结果很可能是交易自动化程度提高，但交易的透明度会降低，因此银行对这些违法违规交易的控制力将会减弱。
三、加强金融科技风险监管的建议
金融科技所体现的创新思维为市场参与主体带来了大量的机会，拓展了金融边界，但也带来了一些新的不稳定因素。新的金融发展形势再一次考验监管当局的智慧。
第一，金融机构当局应主动拥抱金融科技。监管科技对提升金融监管有效性具有重要意义(秦文岩，2021)。首先，金融监管应积极探索应用金融科技提高金融监管效率的措施。金融科技为金融企业带来了巨大的机会，同理，人工智能、机器学习等技术也会给金融监管带来发展机遇。金融监管可以运用金融科技增加数据获取的频率，实现风险数据的实时更新、监管流程的自动化处理等。但信息系统的不兼容、治理结构的不兼容、数据透明度不高也会阻碍上述功能的实现。
一些国家的金融监管当局正在尝试使用人工智能技术处理非结构化数据，通过大数据技术增加金融监管的覆盖面;基于分布式账本技术的风险报告系统有助于监测市场交易者的风险敞口。比如，在英格兰银行，基于自然语言处理的人工智能能够发现金融机构报告中存在的敏感性信息，能够识别监管数据报送中的极端数据。其次，金融监管人员要增加自身的专业水平，以应对金融科技的挑战。金融科技带来业务模式的创新，这需要金融监管人员进一步掌握专业知识来增强监管的专业水平。
不可否认，传统的审慎监管分析流程和技术方法仍旧需要，但金融监管需要设立独立的部门来应该金融科技带来的风险挑战。这个部门的员工应具备政策分析与研究能力、上岗资质、与公众沟通和交流、使用监管科技手段(FSB，2017b)。这对于许多国家来讲，都是一个资源不断投入的过程。不断开展工作坊(Workshop)、加强员工培训、举办学术界与金融科技企业的交流会都是增加人力资源素质的有效渠道。此外，吸纳IT专家、数据科学家、数学家与统计学家进入金融监管当局，也是提升金融监管人员能力的重要措施。
第二，在现行监管框架中融入金融科技。首先，金融科技会产生新型的系统重要性金融机构，因此应将金融科技所产生的新的系统重要性金融机构纳入监管框架中，使之受到更为严格的监管、有更高的损失吸收能力、对其制定救助计划。其次，重视金融科技企业产生的影子银行业务。一旦金融科技企业提供金融服务，其也会面临流动性、杠杆率、期限错配等流动性问题。再次，对金融科技的监管应与金融结构相适应。比如针对近年来快速发展的股权众筹融资以及网络贷款，金融监管当局应及时制定新的监管规则，或者是在现有监管规则基础上进行扩展性修订。
参考文献
[1]BaselCommitteeonBankingSupervision.SoundPracticesImplicationsofFintechDevelopmentsforBanksandBankSupervisors[R].2018.
[2]BauguessSW.TheRoleofBigData,MachineLearning,andAIinAssessingRisks:ARegulatoryPerspective[R].SSRNElectronicJournal,2017.
[3]BholatD,HansenS,SantosP,Schonhardt-BaileyC.TextMiningforCentralBanks[R].SSRNElectronicJournal,2015.
[4]FCA.CallforInput:SupportingtheDevelopmentandAdoptionofRegTech[R].2015.
[5]FSB.ArtificialIntelligenceandMachineLearninginFinancialServicesMarketDevelopmentsandFinancialStabilityImplications[R].2017a.
[6]FSB.FinancialStabilityImplicationsfromFinTechSupervisoryandRegulatoryIssuesthatMeritAuthorities’Attention[R].2017b.
[7]HanleyKW,HobergG.DynamicInterpretationofEmergingSystemicRisks[J].SSRNElectronicJournal,2016.
作者：刘志洋
转载请注明来自发表学术论文网：http://www.fbxslw.com/dzlw/29180.html
