跳轉到

第六篇 第十三章 第一節：AI 進入風控——從評分卡到大模型#

1989 年，FICO 評分已統治美國消費信貸；2000s 之後，銀行的風控模型從統計回歸走向機器學習；2010s 深度學習進入反欺詐與信用評估；2020s，大語言模型（LLM）第一次能「閱讀」財報、合約與新聞——金融的「判斷」第一次可以外部化給機器。這是一部「決策自動化」的六十年史。

一、前因：三個技術時代的疊加#

  1. 統計時代（1950s–1990s）：FICO（1956創立）以邏輯回歸式評分卡取代信貸員的面談判斷——「可計算的信用」讓消費信貸規模化；
  2. 機器學習時代（2000s–2010s）：反洗錢（AML）、欺詐檢測、高維特徵——精度提升，但模型變成「黑箱」（監管要求可解釋性，催生 SHAP 等工具）；
  3. 生成式時代（2020s）：LLM 閱讀非結構化資料（財報、電話會議、監管文件）——「研報初稿、合約審查、盡調摘要」自動化——白領金融勞動第一次被端到端自動化。

二、AI 風控的運行模式#

  1. 「公平性」的新難題：模型會透過代理變數重建受保護屬性（郵編≈種族）——美國 ECOA、歐盟 GDPR 與 AI 法案先後對「自動決策」課予說明義務；
  2. 「系統性」的擔憂：所有銀行用同類模型 → 同步行為（2007 量化地震的 AI 版本）——模型趨同是新的金融穩定議題；
  3. 「審計化」：模型風險管理（SR 11-7，2011 美聯儲指導）成為標配——「誰為模型的錯負責」進入董事會議程。

三、後果#

  • 金融業的成本結構改變：研究、合約、客服、編碼自動化——初級分析師的職業路徑被重建；
  • 「模型治理」成為合規產業——審計、紅隊測試、偏差評估；
  • 「決策權」的轉移：從信用員 → 統計模型 → 機器學習 → 基礎模型，人類的角色從「判斷者」變為「治理者」——這一主題在 13.2（AI 科學家）、13.3（走向何方）繼續。

下一節：西蒙斯的傳人——參見 13.2 AI 科學家