引言
自金融出現以來，從業人員一直都面對著如何客觀有效地評估客戶信用等級這一問題。以中國大陸的信用評分發展史為例：在上世紀八、九十年代，深圳為了應對信用風險管理和貸款融資問題，推出紙本貸款證，後來此物演化為中國人民銀行的信用報告；2015年開始，徵信中心也提供“個人信用報告數字解讀”服務，然而因缺乏可持續的改善機制等因素，難以推廣[1]。經近30年的發展，這些傳統的信用評分體系 （以下簡稱傳統體系）的評級結果依然不夠穩定，某些時刻可信度也不甚理想，甚至會引起爭端，如信用卡申請、銀行貸款時會發生的個人信用評估錯誤。
傳統體系的挣扎
有學者和分析師指出，傳統體系依賴於線性分析各指標和主觀判斷結果，存在不足。如下例[2]，各企業的綜合分數是各指標評分值乘以參考權重再求和。
| 指標評分 | 參考權重 | 企業甲 | 企業乙 | 企業丙 |
| 資產負債率 | 50% | 9 | 8 | 8 |
| 速動比率 | 15% | 10 | 9 | 10 |
| 經營性現金流 | 15% | 6 | 8 | 8 |
| 高管變動 | 20% | 10 | 7 | 8 |
| 綜合分數 | —– | 8.9 | 7.25 | 7.5 |
從表格中，我們可以看到企業甲的分數最高，企業乙的分數最低。然而，如我們選擇決策樹，即上述四個指標評分中，有一項低於7，則該企業接近違約或信用等級低，我們便會認為企業丙的信用最高，企業甲的信用最低，因其經營性現金流指標評分只有6。
從此例中我們發現，傳統體系建模過於簡單和理想化，與複雜的實際情況相差甚遠；或是依賴主觀判斷，在公信力和說服力上有所欠缺。實際上，傳統體系因其相對簡單，對基礎假設依賴性強。一旦基礎假設有偏頗，得出結果的參考性會大打折扣。更致命的是，評級公司有時難以保持應有的客觀中立性。上述例子也表明，傳統體系的評級結果沒有前瞻性或指導性。
人工智能與信用評分體系的結合
早在2018年，中國信息通信研究院安全研究所便認為人工智能技術可提升信用評估、風險控制的工作效率和準確度[3]。傳統體系面對海量的、各式的數據時，分析過於簡單，信息處理量也有限。然而，現在人工智能技術可對大量文本、圖片和影像等非常規數據進行整合，並快速分析消費數據和互聯網交易行為數據等新興數據。基於人工智能的信用評分體系 （以下簡稱新型體系），也會在一定程度上去除主觀因素的影響。學者也從學術層面證明，新型體系優於傳統體系[4]。
國內外許多企業、評級公司和政府機構已經開始推廣並採用新型體系：
- 德勤中國採用了自然語言處理技術（NLP），開發了具有實時預警和監測功能的“德勤智慧債券”債券風險平台。這一平台在2018年前10個月，對中國債券市場的預警準確率達到100% [5]。
- 美國的Zest AI公司發展了新型體系。客戶在需要提供信用等級的各項申請中，通過率增加了20%～30%；在申請批准率不降低的情況下，客戶的壞帳和違約事件下降了30%～40% [6]。與傳統體系相比，新型體系可找到信用更好的客戶，也能幫助服務供應商更好地避免違約等情況。
- Neurensic 公司用新型體系識別對交易公司構成風險的行為，同時自動檢測和跟蹤高風險活動 [7]。
- 香港金融管理局在2019年11月發佈了《應用人工智能的高層次原則》[8]和《認可機構就應用大數據分析及人工智能的消費者保障》[9]兩大指導性文件，在一定程度上鼓勵了本港企業應用新型體系。
- 香港應用科技研究院也將人工智能技術與金融科技相結合，為中小微企業開發新型模型，助其申請貸款[10]。
人工智能技術的落地和大語言模型的助力
雖然新型體系優點多，但訓練人工智能需大量的數據和計算資源，無形之中是一種阻礙。因此，我們可以使用已經訓練好的人工智能模型，例如ChatGPT，來幫助我們開發新型體系。主流大語言模型已支持上傳文檔和使用Code Interpreter這一插件，結合具體要求來分析，生成自然流暢的結果。如圖1所示，使用大語言模型幫助構建新型體系主要涉及兩個步驟，一是數據的預處理和預分析，二是模型的選擇與構建。
下面這個案例[11]嘗試使用ChatGPT發展新型體系，對提供的數據進行分析並以此構建新型體系。如圖21所示，ChatGPT也可根據數據提出一些較為宏觀和實際的分析結果與看法，為技術人員提供參考。
然而，更準確和客製化的新型體系需要更多數據，部分數據可能會較爲敏感，需要我們慎重考慮來合規合法獲取這些數據。再者，用戶的數據會首先上傳至開發公司的伺服器，由大語言模型處理後再返回結果，有第三方參與了數據的訪問和分析過程。在數據隱私和安全日益受重視的今天，我們需要考慮相關風險。
未來之展望
我們可以看出，企業需要隱私性強及高性能的大語言模型來發展新型體系。OpenAI在2023年8月23日推出了ChatGPT Enterprise[12]，提供無限制的、性能更強的GPT-4訪問，並且提供數據加密傳輸服務，兼顧大語言模型性能，爲新型體系構建提供了更好的選擇。學者也在Natural上發文，認為包含GPT在內的大語言模型，可以幫助優化現有的信用評分體系[13]。可以預見，在不久的將來，將會有更多的企業和評分機構採用新型體系。
參考文獻：
[1] 《徵信業管理條例》十週年回顧，汪路，2023年9月1日
[2] 人工智能是信用風險管理的發展方向，卓逸，2021年7月27日
[3] 人工智能安全白皮書，中國信息通信研究院安全研究所，2018年9月
[4] 姜明輝. (2017). 優化個人信用評價，促進社會治理創新. 社會治理. (9), 66-71
[5] 信用風險管理中的人工智能，德勤，2020年
[6] Zest AI
[7] Neurensic
[8] 應用人工智能的高層次原則，香港金融管理局，2019年11月1日
[9] 認可機構應用大數據分析及人工智能的消費者保障，香港金融管理局，2019年11月5日
[10] 中小微企業替代信貸評估平台，香港應用科技研究院，2020年
[11] 如何用ChatGPT幫你自動分析數據，玉樹芝蘭，2023年5月14日
[12] Introducing ChatGPT Enterprise，OpenAI，2023年8月28日
[13] What large language models like GPT can do for finance，Rita Cucchiara，2023年7月5日
在此感謝 InnoHK、香港特別行政區政府及人工智能金融科技實驗室（AIFT）對本文的支持。
(AIFT竭力但不能保證內容之準確和可靠，亦不會承擔因任何不準確或遺漏而引起的任何損失或損害。)
