摘要：人工智能的快速发展给当今金融行业带来无限的想象空间，除了在图像识别和数学模型之外，2014年新出现的Regtech让人眼前一亮，金融行业强监管属性，以及全球金融监管的运动式监管、突发性管理模式，有望能够通过科技手段落地。但其随后泯然众人不免让人嗟叹这片蓝海的命途多舛。本文对金融Regtech背后的AI技术进行深入研究，挖掘金融Regtech昙花一现的背后原因，试图寻找一条未来可期的发展之路。
关键词：AI；NPL技术；金融；合规；Regtech
一、Regtech的发展之路
2008年金融危机之后，金融行业对于监管要求日益增强，从巴塞尔协议不断修订，到国内频繁的监管发文，金融自身固有的强监管属性，以及金融监管的运动式监管、突发性管理模式，与人工智能爬虫技术、自然语言处理技术（以下简称“NPL”）天然具备极强的镶嵌性。
2014年，人工智能进入复苏阶段，语音识别、图像识别成为了谷歌等传统科技公司新的突破点，以自动驾驶为标志的新一轮科技军备竞赛拉开帷幕。同时，在英国英国金融行为管理局FCA发布《ProjectInnovate:Callforinput》，首次提及监管科技，并逐步获得国际认可，被认定为是能够有效解决监管机构和公司合规两端需求的新技术。
随后，在2015年、2016年多家独角兽公司建立、探索之后，2017年，Regtech进入突飞猛进的发展阶段，根据中国信息通信研究院金融科技行业专家何阳在《监管科技（Regtech）前沿技术与应用研究》一文中指出，以英、美为首的国家，金融监管科技公司已形成一定的规模化：
国家
英国
美国
爱尔兰
卢森堡
澳大利亚
中国
数量
42
41
13
12
6
0
就中国情况来看，2017年6月，十三五规划提出要大力倡导金融科技Fintech以及Regtech的研究和应用。但旋即，在2018年，Regtech开始进入细分阶段之后，国际监管科技投入虽在不断加大，但金融科技公司发展开始陆续进入平稳阶段，出现新增少、并购少、小公司推出等比较明显的发展特征，而中国在Regtech领域持续沉默，金融监管投资领域甚少有“重大突破”传出，与之对应的则是，互金、银行、证券、影子银行等业务监管文件的频繁发布。
根据笔者不完全统计，2018年，金融监管方面文件150余篇，在发布时间呈现明显的运动式特征：（按月/监管主体统计发布的金融监管文件统计情况）
同时，中国监管素有“周五发文”惯例，甚至不少文都是周五下午发布，以2019年商业银行领域重磅监管文件《商业银行股权管理暂行管理办法》为例，其文件正式对外时间即2018年1月5日（周五）下午。
以上运动式、突发性的金融监管是有其内在背景和业务逻辑的，监管往往落后于实践是金融行业监管的通病，例如最著名的巴塞尔协议素有5年后监管的“美誉”，以2008年次贷金融危机为例，其所引发的流动性风险管理，直至2013年巴塞尔协议才正式定调。
但这些弊端不在本文讨论范围内，金融监管典型的“运动式、突发性”两个缺陷特征恰恰可以通过人工智能来实现完美应对：
1.通过爬虫技术定期登陆监管机构页面，监控监管机构发文情况，并实时下载新发文档；
2.NPL对下载文档第一时间进行语义识别、解析，解读条款进入业务监控逻辑，实现监控准则的实时更新。
以上动作可以避免投资经理、风控人员过度依赖自身知识储备、职业道德素养、投入大量精力在合规方面等弊端，可见，NPL所参与的Regtech是极具价值的。
本文将通过对Regtech技术逻辑的解析和应用难题两个方面，去探寻Regtech的未来发展之路。
二、金融合规领域Regtech的技术解析
作为Regtech的核心技术，爬虫和NPL是最关键的核心技术。
Step1爬虫通过合理、定时、有效的读取指定网站的公告发布网页，及时获取监管机构发布最新文档，自动下载后放入数据库；
Step2数据库内对监管文档，通过自然语言处理识别监管文档、与前序制度/其他关联制度进行比对，分析监管要求，解析文档成为细分监管要求，并通过内部系统接口，将监管要求嵌入内部业务系统，从而实现监管到落地的全自动流程。
在NPL内部处理环节，前期可通过有监督的深度学习构建基础监控逻辑框架，并匹配业务框架完成后，后续NPL处理完全可以根据语义处理自动流转，无须再经人工参与或仅经少量人工参与环节，如定期根据业务范围调整或修正目标标的。
在公司内部，管理层或业务人员在执行业务时，无需额外注意相关监管要求，在业务过程中使用自提醒、自控制：
图示：公司内部Regtech基础逻辑框架
三、Regtech在国内环境下的优缺点
在公司角度，监管科技因其自动化、标准化，在业务应用环节有着极为明显的比较优势：
1.节约成本：除了能够极大的解放业务人员精力外，Regtech极大的解决了信息获取及时性、解读及时性、落地要求的及时性和持续性等一系列动作，可大大节约公司在合规专业人才方面的稀缺、培养周期、团队成本、合规检查成本等。
2.提升效率：Regtech以标准的系统化、精准化为根本，能够一定程度上解决“大公司病”，避免合规角色由人来自执行过程中所造成的知识盲区、灰色管理、合规角色因相互推诿造成的失位情形等一系列问题。从监控发现新文档，到落实到具体执行环节，完全可以在8小时工作日内完成，极大解放公司的运营潜力。
此外，公司内部Regtech与监管Regtech的对接能够充分降低监管成本、信息透明度等一系列规模效益。
但当前Regtech发展似乎进入瓶颈，英美等国家Regtech创业公司并未出现显著增长，且Regtech应用层面也暂时未见市场通吃的明星产品。特别在中国，互联网金融发展如此迅速的时代背景下，Regtech仍呈现一片荒漠的情况。对此，笔者对Regtech技术细节进行深入研究，发现Regtech在应用层面越来越多的出现各类阻碍：
1.数据源获取难度
监管文件来自于政府官方网站，使用爬虫技术获取公开信息本身虽不存在合规风险，但频繁、不正当爬取数据也往往不被政府所允许。同时，政府网站往往有相对完备的反爬虫等安全管控措施，爬取数据难度相对其他网站偏高。另外监管机构的复杂程度也往往是造成数据获取不全的一大原因，中国地方政府往往会根据自身经济环境，在总框架下设立个别单项监管文件，或其他农林牧副渔等非金融类监管机构，也会就普惠金融等金融行为进行规范。数据获取的准确性、完整性往往有其自身局限。
2.数据一致性、外部影响性难以确保
当前中国金融监管呈现的是多头监管态势，央行、证监会、银保监会、国务院金融稳定委、财政部等各领一方经济领域，但在实际业务中，金融市场与财务往往糅合在一起，某部委发布的监管文件往往会影响其他业务。以会计准则为例，金融资产分类变动会通过资产负债表，与公司风险偏好产生化学发应，从而导致公司投资方向的潜在变化。同时还会存在某监管条款经相关部门调整、直属监管机构仍未调整的“时间差异”，解读后数据条款相互矛盾等情形。该情形在人工状态下可经过适当调整，但如果完全使用Regtech机器处理，则往往难以产生合理结果。
3.语义识别困难
编程语言仍旧以英文为主，NPL的初始语言处理也往往基于英文，例如NPL的核心处理技术数据平滑，通过采集发生频次p（x=r）来处理。但中英语言差异，导致这项技术在面对汉字时处理效能极低。产生该情形的根本原因在于汉语与其他语言的根本性差异，汉语在表达一句话时，口气可能存在变化导致语句重点不同表达意思不同，且完整语句中，不存在类似英文词与词之间空格现象，纸面文字的切断也会根据不同语境产生变化确，最典型的案例就是：民可使由之不可使知之。
P（x=民可）与p（x=民可使），在语言平滑技术中，将产生极大的统计差异，从而导致语言呈送失败。
同时，不同方言或口音之间，非标准化语言表达也往往造成语义的难以识别，如西南官话中，好多钱代表的是普通话中的多少钱，但普通话里的好多钱则有其他含义。服务器远在网络的另一端，如果没有明确的输入场景，是极难准确进行语义分析的。
中文相对其他语言更复杂、词义更丰富、语句结构更加复杂，也是造成当前国内暂无任何Regtech独角兽产生的重要因素之一。
4.NPL技术自身缺陷
NPL作为人工智能的代表性技术之一，与语音识别、图片识别领域对比来讲，其发展缓慢还存在着其他客观因素。如NPL自身的缺陷就已经限制了Regtech的发展速度，训练语料的缺失制约着NPL技术的成熟度，目前尚无商业级别NPL进入Regtech市场，Regtech发展缺乏基础行业突破。
还有如公司不同，在Regtech应用级别上也难以统一，证券公司与消费贷款公司在遵循监管的不同，导致Regtech技术在两家公司之间应用完全不同，进入细分场景后的行业壁垒造成Regtech技术交流无效性，也是减缓Regtech发展速度的重要原因。
四、Regtech的发展前景
尽管当前Regtech暂时面临理论突破和技术基础突破两大局限性，但在当今人人向人机社会转折的重要时期，人机语言互动是未来必将产生重大突破的核心科技领域，大量的经济资源、尖端科技仍在源源不断投注于语言处理领域，监管科技仍旧是当前金融科技的重要研究领域。
据剑桥替代金融中心在2019年日本金融科技活动FINSUM发布的《GlobalRegtechBenchmarkingReport》，2018年Regtech全球从业人员已有44000人，行业利润达5亿美元。可见Regtech在当前全球金融监管趋严的态势下，已显示出其巨大的商业价值潜力。
当今中国互联网金融、金融科技公司、商业银行、投资机构的快速发展也为Regtech留下了充足的市场空间，伴随更多产业投入和技术领域突破，在未来，Regtech势必将有蓬勃发展。
参考文献
[1]Emmanuel Schizas,Grigory McKain,Bryan Zhang,Altantsetseg Ganbold,Pankajesh Kumar,Hatim Hussain,Kieran James Garvey,Eva Huang,Alexander Huang,Shaoxin Wang,Nikos Yerolemou。《The Global Regtech Industry Benchmark Report》[C]日本金融科技活动FINSUM发布，日本东京，会议年：2019.
[2]FinancialStabilityBoard。《Artificial intelligence and machine learning in financial services Market developments and financial stability implications》[OL]，https://www.fsb.org/2017/11/artificial-intelligence-and-machine-learning-in-financial-service/.
[3]何阳.《监管科技（Regtech）前沿技术与应用研究》[OL]，http://www.caict.ac.cn/kxyj/caictgd/201904/t20190417_197906.htm.
作者简介：徐皓（1990.01-），男，山东省潍坊市人，作者单位:中信银行信用卡中心，当前职务：银行职员，当前职称：中级，学历：金融本科，研究方向：风控，投资。
论文作者:徐皓
论文发表刊物:《知识-力量》2019年11月52期
论文发表时间:2019/11/27
标签：金融论文; 技术论文; 科技论文; 公司论文; 业务论文; 金融监管论文; 爬虫论文; 《知识-力量》2019年11月52期论文;