以人工智能算法監測預警的金融風控大數據平臺建設研究

高翔?李遠輝?許傳斌?唐亮

摘 要 近年來，受經濟下行、商事制度改革過渡期、群眾金融知識普遍缺乏等因素影響，非法集資犯罪手段不斷翻新，支付方式更加多元，擴散速度不斷加快，犯罪活動周期大大縮短，非法集資案件持續呈高發趨勢。通過大數據、人工智能等技術建立企業金融風險監測預警大數據平臺，以構建立體化、社會化、信息化的監測預警體系，及早引導、規范、處置非法集資行為，遏制非法集資高發勢頭，已成為當前防范和打擊非法集資的必要手段。

關鍵詞 金融知識;非法集資;支付方式

1 背景

隨著國家對金融市場管控政策的不斷調整以及互聯網金融的快速發展，非法集資項目推介的主渠道向線上轉移，犯罪手段不斷翻新，支付方式更加多元，擴散速度不斷加快，犯罪活動周期大大縮短，且不斷向新的行業、領域蔓延。涉案公司基本處于“無前置審批”、“無行業標準”、“無準入門檻”、“無規范性文件管理”的“四無”狀態，呈作案手段電子化、網絡化，傳播途徑多樣化，行業分布廣泛化等特點，隱蔽性極強，很難提前發現，給打擊非法集資工作帶來了新困局。

據處置非法集資部際聯席會議（簡稱聯席會議）辦公室統計，2018年全國新發非法集資案件5693起，同比增長12.7%;涉案金額3542億元，同比增長97.2%，達歷年峰值。案件集中于東部經濟發達地區和部分中部省市。投融資中介機構、互聯網金融平臺、私募基金、商業零售等領域風險突出，新發案件占總數的44.2%，涉案金額占總額的65%。新發互聯網集資案件數占比30%，涉案金額和人數分別占到69%和86%。

2 現狀及問題

當今非法集資手段出現電子化、網絡化、傳播途徑多樣化、行業分布的廣泛化等特點，面對互聯網時代非法集資出現的新特點、新趨勢、新手段，傳統的防范監管模式已經不能適應，無法在出現風險苗頭時及早發現并有效處置，基本都在案發后被動地打擊處置。金融監管主要以被動監測為主，監管部不能及時發現企業非法集資行為。加之企業非法集資行為的識別、預警、發現、處置，涉及多個部門，目前沒有高效手段進行整合。實現省、市、縣、街道（鄉鎮）"四級聯動"。構建一個高效的主動監督、全社會的廣泛參與、處置有序的金融風險防范平臺成為當務之急。

3 建設內容

以大數據和云計算為技術支撐，通過技術創新和模式創新，對企業實時監測，從線下基礎數據信息等多個維度進行全方位分析、按照風險指數分級預警，利用風險防控關口前移，做到早識別、早預警、早發現、早處置;以人工智能粗糙模糊神經網絡模型（RST-FNN）于金融風險預警平臺的運用，提高工作效率節約金融風險防范和處置成本，實現主動發現風險、評估風險、固化證據、判斷趨勢、及時干預和聯合打擊六大目標。堅決守住不發生區域性、系統性金融風險的底線，推動地方金融治理由傳統的被動監管、粗放監管、突發式應對向主動監管、精準監管和協同監管模式轉變。使非法集資案件高發頻發勢頭得到遏制，存量風險及時有效化解，增量風險逐步減少，非法集資監測到位，預警及時，防范得力。切實維護金融秩序和社會穩定，以及人民群眾財產安全。

4 平臺框架

平臺框架按照信息化項目建設的結構層次進行劃分，分為基礎層、支撐層、應用層三個層次。

應用層：通常信息化建設的表現層就是軟件應用界面，或者是業務操作子系統，但是平臺的應用層除了本平臺之外，還需要建設一個對外服務的接口，實現企業金融風險的引導、規范和處置。

支撐層：數據管理層通過數據采集、數據存儲、數據處理、數據分析和數據挖掘包括企業基本信息，互聯網輿情數據，招聘數據，財務數據等形成數據庫。以及基于數據存儲的標準、規范等。

基礎層：基于現有電子政務外和政府數據基礎平臺。

5 人工智能算法

將粗糙集理論（RST）[1]與模糊神經網絡（FNN）相結合的技術對現存的人工智能算法進行改進和優化。粗糙集理論能有效地分析不精確、不一致不完整等各種不完備的信息，對數據進行分析和推理，揭示潛在的規律。模糊神經網絡同時具有神經網絡和模糊邏輯的優點，其具有很好的學習能力，采用并行分布處理方法使得快速進行大量運算成為可能，并且能夠同時處理定量、定性知識。以粗糙集模糊神經網絡（RST-FNN）模型[2]應用于金融風險預警平臺，預警非法集資企業。粗糙集的知識約簡對平臺數據具有去噪消冗，彌補了平臺指標體系對模糊神經網絡的“維數爆炸”災難。應用結果表明，該模型在平臺預測準確性較高，利用粗糙集理論對模糊神經網絡的輸入數據進行預處理，提取其中的關鍵成分作為神經網絡的輸入以及初始規則的組成元素，可以簡化神經網絡的拓撲結構，且具有結構精簡、收斂速度快及泛化能力強、提高訓練樣本、縮短訓練時間等特點。

6 核心數據庫及應用模型建設

根據監測范圍，以全國企業法人庫為基礎，結合微博、微信、貼吧、媒體等互聯網全量輿情數據，構建核心數據庫，對企業進行穿透分析，分析異地非法集資的企業股東、高管等關聯關系，對企業經營活動進行動態監測。建立“人工智能風險監測模型”，可以對行業領域風險排查、監測預警和集中整治提供數據支撐。

通過完善基礎應用，打通、融合橫向數據源，整合各類信息資源，利用機器學習、自然語言處理、神經網絡技術，構建企業金融風險指數分析模型，從海量數據中篩選出與企業金融風險高度相關的幾類指標，構建“風險指數”模型。“風險指數”分數越高，該企業風險就越高。通過全方位的風險模型監測，對疑似金融風險企業進行分級預警，構筑金融風險防控體系。

7 風險處置對接

平臺根據設置的預警閥值進行自動預警，以短信方式通知監管專員。監管專員可查看信息列表，根據風險詳情及工作經驗判斷該預警是否派單給相關部門排查。若派單排查，平臺自動發送短信到相關單位管理員手機，接收任務上門排查，根據排查情況報送平臺，監管專員依據情況處置。

8 成果

金融風險監測預警平臺通過機器學習、自然語言處理、神經網絡技術，構建非法集資風險指數分析模型，通過人工智能、機器學習從海量數據中篩選出與企業非法集資風險高度相關的幾類指標，建立“風險指數”模型，構建全方位、及時的非法集防控體系。相比同類平臺，有明顯的技術優勢和實用應用效果。

區域企業金融風險監測預警大數據平臺的建成，實現了立體化、社會化、信息化監測預警機制，加強信息監測和分析研判，及時掌握苗頭性、敏感性信息和線索，科學防范，早識別、早預警、早發現、早處置，著力防范化解金融風險。

參考文獻

[1] Pawlak Z.Rough sets[J].International Journal of Computer and Information Science，1982，（11）：341-356.

[2] 黃福員.金融風險預警的RST-FNN模型研究[J].人工智能，2013， （31）：7078-7082，7095.

作者簡介：

高翔（1979-），男;學歷：碩士，職稱：中級工程師，現就職單位：長沙市天心閣大數據研究院（人工智能信息中心），研究方向：電子系統工程。