在人工智能時代建立信任 亞洲金融市場實務藍圖︳專欄

在投資價值鏈中，AI正迅速擴展分析的廣度、深度與速度。大型語言模型（LLMs）能總結研究報告、分類文件、提取關鍵資訊及回應查詢，直接支援基本面分析、風險管理及合規監測等團隊。
CFA協會近期的研究指出，自然語言處理（NLP）已成為金融分析的基礎技術。LLMs提供靈活、多用途的解決方案，並可無縫整合至投資流程中。

機遇已至且已在眼前

AI的影響亦可量化。在面向市場的應用方面，機器學習系統可以融合多種演算法與特徵組合，提升市場波動預測的準確性，協助投資者作出更準確的風險調整與倉位配置。
不少金融機構亦利用AI簡化監管申報流程，例如從內部系統提取數據、針對法規改動而對內部政策作出調整，並令操作程序的更新自動化。

隨着AI技術規模日益擴大，透明度與問責性已不可或缺。可解釋性是負責任AI應用的核心基石。

管治為先不可後置

金融從業員必須能夠清楚說明模型如何得出結果、所使用的數據來源及其限制。可解釋AI（XAI）工具可以協助從業員理解模型結果、診斷偏差，並向客戶及監管機構清晰交代AI在決策過程中的角色。
從專業倫理層面，透明度是一項基本原則。因此，定期審核、清晰記錄模型方法理論與數據來源，以及持續與持份者溝通，皆為建立與維持信任的關鍵。在這個高利害的環境下，人類在AI決策流程中的監督角色仍必不可少。
優質的AI應用，關鍵在於完善的制度流程，而不僅是技術程式碼。AI管治應融入企業風險管理框架，涵蓋明確的責任定義、模型清單、變更控制及效能監察等機制。

這種負責任文化，須從數據管治開始，包括數據驗證、私隱保障，以及確保數據從來源至決策過程之間的全程可追溯性。
金融機構應定期測試模型的風格漂移（style drift），在涉及重大投資或客戶影響的情況下保留人類參與決策的角色——即所謂人環系統。
AI建議要持審慎態度及批評性思維，而不是盲目接受。
要加强管治，建議以下實務做法：如增強模型的可解釋性； 定期進行內部與外部審核； 確保訓練數據多樣化以減少偏見； 保障網絡安全與資料私隱放在第一位，以及在關鍵決策中保持人類的監督及參與。
此外，積極參與監管討論及跨界別專業培訓，有助縮減科技發展與監管預期之間的落差。

法規框架與跨境挑戰

對於經營跨境業務的亞洲機構而言，法規差異構成一大挑戰。目前，歐盟的AI法案採用風險導向原則；美國則偏向強調風險管理，而英國則依據行業特性進行監管。這些差異均對持有國際業務的機構帶來合規壓力。
除了金融機構，各地對AI供應商的法規要求也不一。若金融機構使用外購模型與數據，也須加強對第三方供應商的盡職審查。
幸而，亞太區的金融機構不需從零開始。國際組織如電機電子工程師學會（IEEE）、歐盟與經濟合作暨發展組織（OECD）等所提出的框架，已就核心原則達成共識，包括透明度、公平性與問責原則。
制定與這些標準一致的內部政策，有助機構在本地法規演變及跨境合規要求日益嚴謹的情況下，更有效地展示其合規能力。

將原則轉為實務流程

透過以下的清單，董事局及企業領導層可將以上原則轉為可持續執行的實務流程。
（一）從客戶與應用場景出發：明確定義問題、可接受的誤差範圍。
（二）人類監督介入點，再選擇技術方案。
（三）數據管治：偏見往往源自樣本選取。應梳理資料來源、取得授權、確保數據健全並持續測試其代表性與穩定性。
（四）模型設計須具可解釋性：優先選用支援事後解釋（post-hoc interpretation）的模型與工具，並以簡明語言記錄模型用途、輸入、限制及監控機制。
（五）量化及監察效能：建立模型目錄，設立效能門檻、回測機制及異常提示。

（六）維持人類問責：在涉及受託責任的決策中保留人類審批，並抽樣審核AI建議，以確保結果公平與合適。
（七）界定第三方風險：審核供應商的數據權限、安全機制、模型管治與事故應變能力；留意監管責任或會跨境延伸。
（八）防止「AI漂洗」。
（九）以實證支持技術，並培訓前線人員誠實解釋AI功能與限制。
（十）投資於人才：推動涵蓋數據素養、模型解讀與道德判斷的培訓計劃，協助專業人員負責任地應用AI。
CFA協會在全球不斷重申：創新與誠信必須並肩而行。若能審慎運用AI，亞洲資本市場將能得到更深、更廣的發展，並提升韌性。這不會自動發生，而是必須靠行業參與者，積極構建值得信賴的AI系統及相應的人才能力，並以問責、透明與道德內建於每一個AI工作流程之中。