AI与经济学的结合 掀起金融革新

以往投资者因缺乏相关知识，多对农业投资止步不前，这名学生因此看见了潜在商机，希望帮助贷与人做出更好的放贷决定，并提升资产证券化效率，让投资产品标准化，这样就能导引大量资金进入农业。陈辉认为，这块市场的庞大性无庸置疑，也有投入心血的价值。

学生并表示，利用AI与机器学习（Machine Learning；ML）的目标，不仅是更精准的预测农民贷款的违约风险，也要让算法能协助贷与人做出更好的决策，及更有效建构投资组合，以利资产证券化。因此第一个问题是，如何利用ML有效做出经济决策？

另一大目标，也是公司设定的最大竞争优势所在，帮助农民使用手机App，学习改善信用纪录，并让决定放贷与否的后台算法更加透明化，以利建立农民对金融体系的信任感。但疑虑在于，农民若看到算法如何运作，可能反过来操弄算法。假设贷与人将「是否会在午夜后买醉」设为信用评分项目之一，常午夜后买醉的农民知道了，可能自此弃信用卡改付现金，避免留下消费纪录。因此，如何强化算法，避免策略性攻击，是第二个重要问题。

陈辉说明，在发展ML算法时，要先了解两种可能出现的错误，即伪阳性与伪阴性：因错误预测信用风险而拒贷优良客户就是伪阳性错误，误贷信用不佳者就是伪阴性错误。

两种错误会导致截然不同的经济后果：拒绝好客户，仅是失去一次商机，但放贷给不良信用者，若对方不按时还款，就会造成投资损失。另外，信用好／坏者在市场中的比率，即「基本比率」的概念也很重要，假设不良信用者越多，则伪阴性错误出现的概率就会越高。综合考虑错误导致的经济后果以及发生概率，在以上假设中，比起伪阳，必须训练算法更警戒伪阴性错误出现的征万亿。方法是先推导出经济损失函数架构，教会算法注意错误以及权衡各种错误孰轻孰重。

接着是第二个问题，因为ML原理是检测归纳经验数据的统计关系，并应用到未来数据。但若存在策略性攻击，就要采取不同的数据归纳方式，因此旧数据不适用于未来数据。陈辉利用经济学中的赛局理论（Game Theory），将贷与人设定为先移动者。在赛局中，贷与人会先利用算法，决定放贷对象与金额，而借用人看到算法以后，就会调整策略，例如前述操弄信用纪录的作法。

在赛局达到均衡的状态下，贷与人会策略性设想借用人面对算法的可能反应，并预先作出回应，如区分实施各种策略性攻击的成本高低。举例来说，可以提高较难伪造的属性在算法中的权重，如收入或教育程度，而减少「午夜后买醉」的评分权重。陈辉最后作出结论，强调经济学能以更好的方式，融入AI与ML，这是令人兴奋的研究主题。

陈辉为芝加哥大学金融学博士与企业管理硕士（MBA），在MIT教授金融学分析与进阶金融学分析课程，研究兴趣包括资产定价以及与公司财务管理的关系、财务受限、信用风险与流动性风险等，以及稳健性、金融计量经济学与金融ML。

【时代30】Building a Better World在线大师论坛_陈辉

责任编辑：舒能翊