王倩：对于企业发行的债券类借款，人们可以通过机器实现其模型的风险度量与计算。相对来说，个体借款人还款行为较难被量化。

　　随着计算机和大数据的发展，近两年人工智能技术越来越多的应用于诊断疾病、翻译语言和驾驶汽车等。世界经济论坛报告显示，全球针对人工智能创业企业的投资从2011年的2.82亿美元增长到2015年的24亿美元，与此同时并购交易也在加剧。

　　现在，人工智能又成为金融科技的热点项目，它被用于交易风险评估和实施监管、市场趋势预测等，打通金融机构、供应商和客户之间的信息壁垒。人们利用人工智能提高工作效率，降低运营成本，迎合多变的市场环境，发展新型商业模式。

　　随着人工智能应用范围的不断扩大，它逐渐渗透到各个领域，也包括金融领域，例如P2P、众筹、理财咨询等。那么其中必须存在的信用评估能通过人工智能来解决吗?

　　无论是P2P还是众筹等，但凡涉及到与信用产品有关，无论是贷款还是债券等，都离不开信用评估。现行的网贷与众筹解决信用评估的方案，略有偏颇，我个人认为其评估的结果同真正这些产品所蕴含的风险还有一定的距离，结果并不理想。

　　信用评估伴随着每个与信用产品相关的过程中。顾名思义，信用产品蕴含信用风险，人们需要对这个风险进行定性、定量，这就要求有一个合适的评估风险与价值的方法。信用风险是借款人无愿望或者无能力支付其所借贷的款项而产生的风险，这里其所借贷的款项既有贷款也有债券等。由于这些信用产品的风险都与人的行为举止相关，所以对其评估多半也无法完全标准量化。

　　目前，评估信用风险的方法无论采用何种形式，无外乎下列几种方案。作为借款人一方，它可以是个体人，也可以是一个企业。个体人贷款时，我们要评估他的信用偿还能力所蕴含的风险;企业作为借款人时，我们针对的是一个实体的还款能力，它相对比较好量化些，因为有相对更严格的法规相束缚。企业的贷款还款行为相对于个人贷款还款行为相对较理性，而且它的数据数量与质量也优于个人的信贷记录，从而也相对能够被理性量化。尤其对于企业发行的债券类借款时，人们可以更好的来通过机器实现其模型的风险度量与计算。相对来说，个体借款人还款行为较难被量化。在评估信用风险的时候，企业类借款人，其信用风险受人的行为举止的影响较个体借款人来说，较容易被标准化与量化。金融市场上也有很多模型来进行对企业借款人的信用风险的计算，它们相对比较成熟。而个体借款人还款行为的模型中，基于人的行为举止的评判指标较多，这些指标都相对较难准确被标准化与量化。

　　提及私人贷款的信用风险，人们首先想到的就是信用评级。信用评级的方案可以分为数理统计方案、人为的判断评估等大类别。信用评分就是最常见的一种，它通常来评判借款人的可信度与按时性如何，这个过程不太容易被标准化。一般来说，这种依赖人为判断的方法的主观性与复杂程度要远远高于基于统计的计量方法。

　　在我国的科技金融市场，以P2P与众筹为例，甚至也包含智能投顾，其针对的借款主体多半是私人借款人，针对它们信用评估的方案以这些人为判断评估的方法为主。它们大多是一些针对人的行为举止等无法被完全量化的问题与指标，然后为给这些问题的回答打分。评估机构不同，其所针对的重点与问题和积分也相互有差异，很难被标准化与统一化，特别是积分等。针对的人群不同，方案也大相径庭。

　　基于人为的判断方法通常关注人潜在的还款能力和意愿、借款人未来进项账目的质量(例如现金流是否稳定、期限多久、额度多大、未来产生这些现金流的可能性等，这些指标对于企业和个人来说，尤其是个人，都较难被量化成统一的标准)、借款人还款的灵活性、借款人的可信度与诚实度、其行为的不确定性以及提供的信息质量等。这些都属于较难被量化与标准化的指标。并且，一个有从业经验的专业人员综合各种因素做出的主观判断结果，往往优于纯粹按照数理统计模型所计算评估出来的结果。这也是为什么在这个问题上，现阶段机器可做的极其有限。一个简单的例子，机器取代不了心理学家的职能。而在做贷款信用评分的时候，那些人为的判断方法多半离不开这些因素的影响。

　　我们以个人信用评分系统为例，它通常按模型所预测的目标划分为六种类型：风险评分、收益评分、流失倾向评分、转账倾向评分、循环信贷倾向评分与欺诈评分。大部分这些评分所需要的指标，都需要建立在主观判断与评估的基础上，并且其对于从业人员的专业理解力也有一定的要求。

　　而对于那些以来数理统计方法的指标来说，我们建议也配合上人为的专业判断力作为补充。所谓相辅相成，就是这个道理。人工智能在很大程度上方便了人们的生活，但是必须对其进行理性认识。

       编辑：silence