磋商人工智能在金融市场中的应用进程分析其成长中存在的难题_人工智能_技巧
［德］雅各布·斯凯梅尔（Jacob Schemmel） 撰(1) 余 涛 译(2)
\r\r人工智能与金融市场相辅相成。对付一个险些所有参与者都完备按照利润最大化逻辑行事的行业来说，人工智能技能能够实现快速打算、海量数据处理和准确预测的潜能都甚是诱人。因此，金融决策的强大数学条件引发了这样一个问题：为什么金融市场无论如何都须要人为成分？这个问题在很大程度上只是修辞性的（目的是引起人们把稳），由于目前大多数人工智能工具都缺少繁芜性。然而，自20世纪90年代初以来，人工智能技能就一贯被用于金融领域，在战胜打算缺点和其他毛病等方面作出了显而易见的贡献。数字化扩大了战胜前述毛病的努力和可能性。拥有基于人工智能技能所带来的商业模式的金融机构正数以百计地进入市场；银行与保险公司或是将自己的人工智能部门独立出来以匆匆其增长，或因此数十亿美元为代价来获取这门技能。人工智能技能是不可避免的——至少在金融市场中的某些特定领域是这样。本章磋商了人工智能技能在金融市场中的运用进程，剖析了在其飞速发展中存在的难题，展示了人工智能技能在各个领域的运用（拜会第一部分）并描述了紧张的金融监管机构对人工智能技能采纳的方法（拜会第二部分）。接下来，本章研究了通过人工智能履行的管理和对人工智能本身的管理（拜会第三部分）。本章末了总结了不宁愿地利用人工智能会导致的紧张问题（拜会第四部分）。
\r\r 一、金融市场中的人工智能\r\r在磋商人工智能为金融市场带来的变革时，大多数不雅观察家并不担心浮夸人工智能的主要性。大家都在评论辩论一个新时期1和金融做事的新方案。2然而，同样毫无疑问的是，这一影响深远的变革仍处于抽芽阶段。3尤其是各部门的发展水平参差不齐，各不相同。当前，确实有一些人工智能的运用已经达到了险些完备取代人类事情的水平。然而在其他领域，人工智能的支持只不过是一幅蓝图。
\r\r1. “业务—客户”关系：“机器人顾问”
\r\r客户关系领域是利用人工智能技能较为领先的领域之一。降落做事职员本钱的潜力刺激了交互算法的显著增长，这些算法不仅仅用于金融做事。4在业务客户关系中，人工智能紧张用于帮助客户和机构进行繁芜的决策。
\r\r许多机构已经在利用人工智能技能来供应个性化的投资建议，并通过所谓的“机器人顾问”5对零售金融做事的投资进行监控。只管大多数利用中的机器人顾问仍由人力投资顾问监管，但它们明显有向独立机器人顾问发展的趋势。6虽然很多机器人投资顾问项目仍旧处于早期阶段，但它们还是被客户和顾问职员根据特定的策略与风险偏好来制订与调度投资决策。大多数项目以一种相称根本的办法运行：人工智能技能通过讯问有关用户风险画像的预设问题来评估用户的投资策略。7然后，它剖析当前的市场信息，并为前述投资策略打算出最可行的投资操持。在大多数情形下，人工智能是通过剖析有关投资产品、风险分类和市场预测的信息来进行评估的。8然而，人工智能的紧张优点不但是它拥有卓越的打算能力。据称，人工智能投资支持还能增加金融做事9的可得到性，降落交易本钱，10并供应合理且踏实的投资建议。然而，实践表明，机器人顾问仍远未实现前述的高期望。纵然在ETF交易的稳定环境下，对相同风险特色进行处理的人工智能工具所带来的回报也高度相异。11算法开拓和信息支持彷佛仍旧是一项具有寻衅性的任务。
\r\r人工智能技能在零售业的另一个突出运用是消费者贷款，这是一个与算法存在惯有联系的领域。信用评分是对几十个数据点进行繁芜打算的结果。人工智能技能可以成倍地进行繁芜打算。12自2006年以来，美国的市场放贷机构和其他放贷公司利用机器学习对潜在借款人进行信用评分。13然而，对这种商业模式来说，与人工智能技能的打算能力同样主要的是在过去几十年里可用的大量的个人数据。这些被利用的个人数据的范围十分广泛，从俱乐部会员信息到社交媒体活动和发短信的习气都有。14与大型商业银行也雇用的“机器人顾问”不同，人工智能信用评分大多由较小的企业进行。这些金融科技（FinTech）公司补充了银行业在2008年及之后的金融危急中退出放贷市场时所留下的空缺。15只管市场放贷业的增长速率惊人，但它也显示出一个新生的金融行业会涌现的所有特色：消费者对贷款处理、可调利率，乃至是敲诈行为或身份敲诈等的投诉都不少见。16
\r\r与零售业的情形不同，在保险行业的核心领域中，人工智能还未达到不可或缺的程度。17不过，机会彷佛很多：保险公司可以利用人工智能技能来仿照由于历史数据丢失而无法精确建模的新风险，开拓包括动态定价和自动承保在内的模块化保险单，并为其客户履行动态灵巧的个人定价。18大型保险公司对动态的（即行为的）定价模型尤其感兴趣，这些模型已经在许多项目中进行了测试。事实上，这个分外的运用程序彷佛拥有巨大的潜力：从代理到各个用户的单独数据的变革将大大提高风险评估的准确性。因此，大家对前景的预测都挺乐不雅观：一些不雅观察家乃至认为这是未来的一个地震式的变革。19
\r\r2. 金融市场和金融机构：“电子人金融”
\r\r数十年来，算法一贯被运用于金融市场的交易中。机器交易的稳步扩展与机器人顾问的发展有着相同的缘故原由：更高的效率、更低的本钱、更少的缺点、更快的实行和更强的数据打算能力。如今的市场环境是可以说是由“超级打算机”塑造的。20在数字时期，没有算法支持的交易至少看上去是轻率的。
\r\r因此，金融市场上的大多数买卖都是由算法或自动化交易员完成的。21这些机器险些都由无需监督的算法来操控。与大多数机器人顾问不同的是，这些机器能够自己实行交易。它们可以在没有人类确认或指示的情形下***、购买或持仓。因此编码是至关主要的。它所利用的基本数据点包括：交易什么资产、创造什么产品、出脱前要确定的价差幅度、持有的头寸规模以及要处理或避免的经纪交易商。所有算法还要配置关键的限定参数。然而，大多数自动化交易员都有一个更加繁芜的设置。22他们整合了某些经济模型假设，既能打算政治、交通、景象或其他事宜对风险评估的意义，也能检测市场感情和趋势，还能在几秒钟内更新和实行市场预测。直到最近，前述事情还须要高度繁芜的操作，这些操作是由人工后台办公室编写的算法完成的。为了描述人类编码和算法实行之间的这种紧密联系，学界创造了“电子人金融”这一术语。23但这种算法交易仍旧局限于程序员可以想到的事宜，而人工智能却解除了这些限定。因此，监管机构预测，在可预见的未来，人工智能的利用范围将更加扩展。24
\r\r高频交易（HFT）是一个已经采取人工智能技能的自动交易领域。它是一种自动化交易形式，通过在速率、快速交易和高订单交易比率上的竞争产生利润。25自动化交易员频繁地买卖相对少量的资产，且投资期限很短，因而从价格的变动中获利（定向交易）。在金融危急之前，高频交易一贯是一种占主导地位的交易形式，其为市场带来的收入高达数十亿美元。然而，高频交易的高利润率导致了竞争对手之间的拉锯战。结果，它的上风趋于平缓，利润也开始低落。26为了重新建立竞争上风，交易员转而利用深度学习网络或深度神经网络（DNNs）开拓的模型来更准确地预测价格变动。27“神经网络”被设计用来仿照人脑28的信息处理能力，并从20世纪90年代初开始运用于金融领域。29而人工神经网络（ANNs）由内部互连的处理器组成，可以对多个输入旗子暗记进行加权聚合。它们能够识别高维空间中的繁芜模式并从中提取关键信息。30然而，人工神经网络只有几层处理单元，因此其输入是有限的。31另一方面，深度人工神经网络或深度神经网络可以被描述为更繁芜的人工神经网络形式，由于它们利用了多个隐蔽层。当通过每一层时，数据被处理，尺寸被缩小，直到模式被识别。这种设计使深度神经网络能够处理更多的输入数据，即处理原始数据。近期在无监督和有监督机器学习领域的发展也使得深度神经网络的结果更加可靠，并且增加了可以参与的隐蔽层的数量。
\r\r在投资组合管理领域，人工智能技能也在发挥越来越主要的浸染。投资组合或资产管理展现了金融资产的平衡、重组和分配，以保持某些（长期）目标。各个目标的繁芜性和方差常日很高，须要多层次的数据剖析。在这个领域，人工智能已经被用来识别价格变动的新旗子暗记。它通过检测数据集中的干系性和隐蔽的发展来预测价格在不同韶光范围内的水平和颠簸。32尤其是对冲基金正在利用人工智能工具来构建投资策略。然而，完备自动化的人工智能的构造化资产实际很少见。据估计，无人监管的人工智能技能只辅导了共同基金的环球市场流动性的2.5%旁边。33
\r\r3. 合规性：“监管科技Ⅰ”
\r\r自经济危急之后，金融机构面临着更加严格的监管哀求。尤其是欧盟对其大部分金融市场法进行了彻底的改革，个中的一些新规定被批评为过于严苛，给金融机构带来了过重包袱。然而，人工智能技能却可以通过自主运用规则来帮助金融机构减轻一些合规性包袱。
\r\r在改革中，谨严监管部分的改革较为突出，涉及了一些旨在确保银行稳定的制度哀求：如成本哀求。截至目前，大多数国家已经履行了至关主要的巴塞尔协议Ⅲ。34该协议哀求银行必须保持一定的风险成本比率，这一比率决定了银行所持有的监管成本水平。35在该比率方程中，风险评估是最主要的成分，由于风险权重资产是银行成本中最主要的部分。36巴塞尔协议Ⅲ许可银行对信用风险采纳基于内部评级的方法，以减少对外部信用评级的依赖。在这种情形下，关于银行是否该当利用人工智能技能来更精确地确定风险关系和发展之间的问题，已经被谈论了相称长一段韶光。37一些银行已经在利用人工智能技能来验证其内部风险模型的输出，以及检测由内部压力测试模型产生的非常预测。38
\r\r另一个人工智能技能有助于提高合规本钱效益的领域即市场行为监管领域，尤其是在该领域最近刚制订了反洗钱规则的情形下。39这些规则哀求银行网络和存储有关客户的某些关键信息（“理解客户”），40但由于本钱和职员需求剧增，实际上该哀求很难达到。目前的“理解客户”流程紧张是高水平的人工和数据密集型任务，但由于在此流程中必须要先核实身份，进而创造可疑活动，且须要建立行为者之间的联系，而这些任务彷佛对打击洗钱活动成效不大。41由此，许多不雅观察家同等认为，“理解客户—人工智能”（在“理解客户”过程中利用人工智能技能）不仅可以显著降落本钱，而且可以提高洗钱侦查的整体质量。42因而，近年来，越来越多的银行履行了机器学习技能来支持或进行“理解客户”和洗钱识别流程。43但由于人工智能技能在此环节中的表现是由其得到的数据质量所决定的，以是一些银行正考虑建立一些通用数据库。最近，斯堪的纳维亚的五大银行：荷兰中心银行、丹麦银行、瑞典北欧联合银行、瑞典商业银行和瑞典北欧斯安银行共同创建了“北欧理解客户平台”（Nordic KYC Utility），这是一个用于共享商业客户数据来为银行和客户肃清“理解客户”阻碍的平台。44
\r\r4. 新成员：“金融科技”
\r\r人工智能技能及其在金融领域的多种运用推动了金融初创企业的显著增长。金融科技企业已成为重塑金融业的新的紧张推动力。金融科技参与金融做事业可以用三个整合阶段来描述：（1）充当数据代理，网络和授权人工智能剖析（数据代理）的组合数据或结果；（2）向有限范围的业务供应做事，通过人工智能剖析（垂直整合）辅导其信贷决策；（3）充当利用人工智能供应做事和产品的全方位做事金融机构（横向多样化）。45
\r\r详细而言，横向多元化的金融科技技能对传统金融做事供应商的商业模式产生了巨大影响。它们的优点在于本钱效益高、具备易得到性和供应客户友好型的做事，这知足了数字时期的所有哀求。传统的金融做事常日将投资管理集体化，基于消费者的风险管理，他们常日***大量包装好的产品，46由于要成为具有本钱效益的做事供应商，须要将客户储蓄集中到集体投资中。在此过程中，消费者向基金和抽象的金融产品投资，而不知道其资金的吸收者或借款人。与此同时，传统的做事供应商也方向于向客户供应一揽子交易。一站式的办法对供应商有着显著的本钱效益，但也给做事顾问带来了不正当的勉励。与此相反，金融科技给客户供应的是符合其哀求或身份的定制化做事。早期的产品，如点对点金融做事或在线众筹，也传达出消费者授权的理念。
\r\r然而，只管金融科技企业彷佛通过剔除中介机构（即商业银行）的办法来支持非中介化，但它们在这方面的浸染仍相称有限。47大多数不雅观察人士都认为，中介是金融市场的主要组成部分，它使供需得以匹配且创造出便利客户的产品同时不能被淘汰。因此，金融科技导致的是再中介化或代价链分解，48而不是去中介化。49
\r\r只管从监管角度来看，这些发展彷佛相称传统，但数据代理金融科技公司的涌现可能仍具有寻衅性：它们在高度监管下的金融做事中引入了一种新的知识分布构造。由于人工智能工具的供应者不一定是金融做事供应者本身，因此，管理金融做事的法律并不完备适用这个过程。此外，近年来的技能发展导致了供应商的垄断。如果人工智能技能也涌现这种情形，那么人工智能技能的供应商可能因此很快地得到系统干系性。50
\r\r 二、对金融市场中人工智能进行监管的方法\r\r常日，金融市场的监管者在涉及新技能发展时会犹豫未定。在目前的情形下彷佛也是如此：由于前已述及的人工智能运用大多仍处于开拓初期，大多数监管机构尚未采纳行动。算法交易作为机器支持交易的唯一形式，已经存在了几十年，彷佛是这个规则的例外。然而，环球各地的监管机构都已经把稳到人工智能技能，并正以越来越严格的审查监督事态发展。
\r\r1. 环球层面
\r\r金融稳定理事会是一个由20国集团（G20）确当局和央行官员组成的小组，卖力评估和监测环球金融市场的系统性风险，最近它揭橥了一份关于金融做事中人工智能技能和机器学习的报告。51报告中的结论是，如果对人工智能技能带来的详细风险进行适当管理，它将显示出巨大的潜力。它提高信息处理效率的潜力可以增强金融市场的信息功能。52因此，价格将更准确地反响交易资产的内在代价。此外，人工智能技能有可能提高金融机构的盈利能力，降落各领域市场参与者的本钱，同时也可能有利于顾客。53金融稳定理事会乃至创造了合规和监管方面的潜在改进之处。54然而，报告也指出了与人工智能运用干系的严重风险，如网络效应和其可扩展性可能会引发不受监管的第三方依赖关系。同时，人工智能可能会导致金融市场和机构“出乎猜想”地联系在一起。55末了，可审计性的缺失落是金融稳定理事会的一大忧虑。56金融机构利用的人工智能工具是一个“黑箱”，金融机构无法阐明它们的决定。这种不透明模型的广泛利用可能导致评估和坚持金融稳定的能力大大降落。57
\r\r2. 欧洲层面
\r\r欧洲金融市场监管局最近对人工智能和大数据的上风和风险进行了剖析。58与金融稳定理事会比较，这份欧洲报告的语气要守旧得多。只管这些保留见地可能是报告将大数据剖析视为一项独立技能而非人工智能运用的详细不雅观点的结果，但其结论与说话符合：欧洲金融市场监管局认为人工智能还不足成熟，进而无法对其发展作出预测。然而，报告承认，人工智能是一个可以改进对捕获数据的创造模式、分类、评估和预测的关键工具。59
\r\r欧盟委员会采纳了更加乐不雅观的态度。在金融技能行动操持中，欧盟委员会承认人工智能技能是改变欧洲金融业的紧张驱动力之一，并确定了一些促进技能进一步发展的监管寻衅，例如，以纸质为中央的表露哀求。60为了防止监管确定性和辅导的缺少成为人工智能和其他金融科技的紧张障碍，欧盟委员会创建了一个欧盟金融科技实验室。该实验室旨在在监管机构之间建立有关技能发展及其市场影响的能力和知识。欧洲银行管理局也履行了类似的行动，61首次会议的重点是云外包等数据问题。
\r\r算法交易和高频交易是唯一由欧盟监管的领域，在该领域中，人工智能技能找到了干系的用武之地。关于金融工具市场的改动指令和相应的法规（MiFID II/MiFIR）62规定了某些基本规则。算法交易者须要确保他们的系统具有可规复性和精良性能。63他们还须要将自己从事的算法交易、64保存算法交易的信息、算法监督人的详情以及有关合规和风险系统的记录等关照给监管者，供监管者在五年内随时调用。65交易场所还需安装在算法交易导致市场混乱时限定其交易的系统，包括限定未实行订单的比率、减慢订单流量和逼迫最小报价单位。66从事高频交易的机构也受到类似的监管，但须要提交额外的信息：它们必须存储已下订单的信息，包括取消订单、已实行订单和交易场所的报价。67
\r\r3. 国家层面
\r\r对付人工智能技能监管的国际实践中所展现出的谨慎，在国家层面也可以得到表示。传统金融市场强劲的国家将新技能视为竞争上风，而其他国家则方向于不雅观察其发展动态。只管欧盟致力创建一个单一的市场，但这种差异纵然在欧盟也是存在的。
\r\r（1）美国
\r\r作为最大的金融市场所在国，在提到对新金融技能的监管时，美国常日是领头羊。最近，由于政府事情的重点在于促进经济增长和充满活力的经济市场，政府和当局对人工智能运用表现出了浓厚的兴趣。作为这些努力的一部分，美国财政部最近提交了一份关于“非银行金融、金融科技和创新”的报告。68该报告详细先容了人工智能的投资趋势、技能确当前运用以及对其未来用场的预测。69作为与人工智能运用干系的问题，该报告谈论了市场供应商之间高度集中的发展、敲诈检测的潜在规避、可审计性的缺少、失落业和数据隐私问题。70在这种背景下，终极的建议相称出人意料：“财政部建议，金融监管机构……应重视金融做事行业的利用案例和运用，包括肃清支配人工智能技能的监管障碍。”71为此，金融行业监管局目前正在就人工智能技能监管哀求的办法搜聚业内见地。72
\r\r这一行动符合特朗普政府对高频交易的态度。关于美国证券交易委员会是否该当修正15b9-1规则，73以强化对高频交易员的监管，从而遇上欧洲的监管，这场谈论还仍没有结果。74短命的美国商品期货交易委员会高频交易监管提案曾在奥巴马政府期间谈论过，乃至涉及监管机构对HF交易员算法的访问，但现在看来都只是一个迢遥的回顾而难以落实了。75
\r\r（2）德国
\r\r作为欧盟的一个成员国，德国已将欧洲有关高频交易的规则转化为海内法。因此，从事高频交易的机构须要得到授权［德国《银行法》（Banking Act, Kreditwesengesetz—KWG）第32（1）1节和第32（1a）节第4项d目］，并须要标记由算法实行的交易［德国《证券交易法》（Stock Exchange Act, Börsengesetz—BörsG）第16（3）节第2项］。适用于所有算法交易的其他哀求已被《证券交易法》第80（2）节所取代。根据《证券交易法》第80（2）节规定，金融做事供应商的娱乐算法交易必须确保交易系统具有足够的弹性和容量［《证券交易法》第80（2）3节第1项］，76防止缺点订单［《证券交易法》第80（2）3节第2项］，并担保算法交易不能用于市场滥用或其他造孽目的［《证券交易法》第80（2）3节第3项］。此外，金融做事供应商还须要制订遇险方法和报告保存机制，不仅可以立即停息贸易，还可以进行后续调查［《证券交易法》第80（2）4节第3项］。末了，《证券交易法》第80（2）5节哀求从事算法交易的金融做事供应商向其主管监管机构以及各自的交易场所注册。77这种对算法交易的监管方法将详细方法留给了金融做事供应商。各条款的宽泛说话许可金融做事供应商拥有本色性的自主权。78合规性将有多种形式。79金融做事供应商必须利用算法交易来做市，以知足其他哀求。由于算法交易在市场流动性中的关键浸染，它们必须关照各自的交易场所，并签订条约，规定市场的范围和类型以及交易工具的特色。为了履行这些协议，金融做事供应商将不得不根据协议条款调度其做市商算法。
\r\r然而，德国的整体监管计策彷佛更为平衡，或者——从个人不雅观点来说——更为谨慎。德国联邦金融监管局的一项相称技能性的研究先容了人工智能技能也有如下问题：“必须让所有干系职员清楚，大数据与人工智能（BDAI）带来了风险和机遇。”80当然，报告也指出了人工智能技能带来的机遇。然而，它传达出这样一种信息：这些机会只与私人机构有关，而当局紧张须要关注风险和监管问题。这解释德国政府的人工智能计策根本没有提到金融市场。81德国的做法与美国财政部和金融行业监管局的做法存在显著差异。
\r\r（3）英国
\r\r英国的做法表明谨慎的德国路线并非源自其欧盟成员国身份，与德国不同，英国并没有表现出如此谨慎。作为欧洲的金融中央，英国奉行的计策旨在进一步增加人工智能和金融科技在金融市场的利用。
\r\r推动这一做法的最成功的英国实践之一是“监管沙盒”。“沙盒”作为测试环境的观点是由打算机科学发展起来的。它描述了新软件或未知软件的测试环境：将程序与主操作程序或做事器隔离运行，以减少毁坏性事宜的蔓延。英国金融行为管理局的监管沙盒也有类似的名称，目前正在接管第五批申请者。82在前四批实践中，共测试了六个人工智能运用程序。与其模型“沙盒”不同的是，监管沙盒是在一个真实的市场环境中运作的，并非伶仃于真实市场。83然而，严格的注册程序，有限的授权，以及所谓的沙盒工具是为了保护消费者免受经济丢失。申请人必须知足（1）完善的测试操持，以及（2）一个真正创新的产品，（3）旨在英国市场，（4）有利于消费者，但（5）不随意马虎适应当前的监管框架。沙盒工具还确保英国金融行为管理局和沙盒业务之间的密切互换。他们接管由指定的个案官员供应的个别辅导，这不仅可以为其供应非正式辅导，还可以完备免除某些监管哀求。84然而，欧盟法律对沙盒特许权造成了限定。欧洲法规不许可提升运用哀求且成员国当局必须适用欧盟法律，不能给予豁免。英国金融行为管理局声称，这种监管环境有助于相互学习和理解，并使该机构能够在新产品和做事中建立适当的消费者保护保障方法，85其紧张目标是建立和保持英国作为金融中央的竞争上风。
\r\r然而，迄今为止最了不起的履历输出还是沙盒本身。在其他法律统领区，86乃至在美国，都表现出了对类似项目的需求，沙盒为类似的努力树立了榜样。87然而，英国金融行为管理局还有更大的操持：与11家金融监管机构互助，成立环球金融创新网络（GFIN），旨在创建一个“环球监管沙盒”。88
\r\r 三、金融市场中人工智能技能的管理\r\r人工智能技能的涌现不仅带来了一个更加有利可图的未来希望，同时也重现了一个古老的承诺——一个对监管机构和行业都公正的竞争环境。几十年来总是头大且精疲力竭的监管机构可能会追遇上金融机构的步伐。89
\r\r1. 人工智能的规范与监管：“监管科技Ⅱ”
\r\r对付人工智能技能来说，人们对其给予厚望，希望人工智能运用程序通过卓越的数据处理性能、高效性以及预测市场发展和合规违规行为的能力，使行业和监管机构的同行触手可及。90
\r\r（1）监管：“机器人警察”
\r\r目前，人工智能技能已经被一些监管机构所采取，如英国金融行为管理局、澳大利亚证券投资委员会和新加坡金融管理局。该技能使这些监管部门的数据处理能力得以提升。91尤其是美国证券交易委员会绝不掩饰笼罩其目前利用人工智能工具来创造潜在的市场不当行为。92目前，无监督人工智能进行的自然措辞处理技能被用于剖析提交给委员会的大多数文件（招股解释书、提示、投诉和转介）。此外，司法和检讨部门也正在利用人工智能工具来帮忙他们的事情。通过处理财务文件等文稿，人工智能技能能够识别潜在的不当行为或敲诈机构和贸易商，从而有助于有效地支配资源。只管目前在测试的每个阶段仍须要人工操作，但美国证券交易委员会彷佛致力于在未来形成完备自动化的识别。93
\r\r（2）规范：“机器可读的和可实行的规则手册”
\r\r2007年后，金融市场监牵制度在很大程度上依赖于报告的数据来评估宏不雅观和微不雅观的经济风险。这些报告的哀求对付金融机构来说是一个巨大的本钱驱出发分。为了减轻合规性的包袱，提高数据的质量和准确性，英国金融行为管理局和英格兰银行正在对紧张规则手册英国金融行为管理局手册和谨严监管局手册进行评估，从而研究其报告责任是否可以调度，以实现机器自动报告。94该项目虽然仍处于早期阶段，其核心内容，如这些方案将从哪些数据中网络信息以供报告，仍需加以处理。然而，金融行业监管局对其已经表现出了兴趣。95
\r\r目前，学界谈论的另一个更具野心发展路子是动态监管。96支持该路子的情由相称刀切斧砍：金融市场法很快就会因市场的发展而过期，因此监管必须适应其发展，须要拥有随机应变性和反周期性。这一点在考虑人工智能技能和大数据推动的金融活动发展时尤实在用。因此，显然，金融科技必须与监管科技（RegTech）相联系起来。人工智能打算和数据处理将被用来持续监控金融市场和金融机构，而人工智能监管机构则从事有标记的交易，防止预测中的市场失落灵。这可能会为“宏不雅观”监管决策开释出主要的打算能力。97然而，考虑到监管的目的，这样的发展须要一个独立且高度繁芜的人工智能系统。98
\r\r2. 未来人工智能管理的主要方面
\r\r人工智能具备超越当前金融机构的可能性。然而，迄今，多数监管机构采纳技能上中立的做法必须进一步实行，直到情由不再充分。未来的监管必须适应各自的人工智能造成的问题，但某些关键点已经可以确定。99
\r\r（1）任务分配
\r\r至关主要的是，人工智能技能的管理和问责将由其用户来承担。100只管人工智能的编码和技能支持可能外包，但当人工智能运用于金融市场时，利用机构必须对其交易的合规性卖力，以免产生巨大的道德风险。在大多数情形下，技能中立和严格运用现有规则就足够了，101但在其他情形下，显然，应适用以下履历法则：无监督人工智能交易必须遵守涉及任务、奉告投资者责任和威信报告的规则。交易丢失应由利用人工智能技能的机构或作出知情决定将其投资委托给人工智能的投资者承担。
\r\r（2）重新定义系统主要性
\r\r人工智能技能很可能导致开拓分布的变革。截至目前，很多金融机构正在设计自己的算法。然而，人工智能的高度繁芜性及其（目前）高昂的开拓本钱可能会导致系统外包的涌现。由于大多数数字化发展导致了高度的市场集中和准垄断，金融市场人工智能也会涌现同样的情形。这不仅会对竞争法产生一定影响，而且可能忽略系统的主要性。如果依赖于人工智能技能的市场渗透，代码中的一个小故障都可能会带来灾害性的后果。因此，监管机构应密切关注人工智能分销商的发展情形。如果很大一部分金融市场人工智能技能是由非金融机构的承包商开拓的，则应将干系的市场行为和谨严监管扩大到该承包商。
\r\r（3）坚持可审计性
\r\r人工智能技能面临的最大寻衅之一便是缺少可审计性。金融市场的监管和监督取决于参与者的理性和可评估的行为。模型越不透明，就越难准确评估市场状况，而这些模型正影响着投资决策。只管自动化决策的可复制性存在技能限定，但至少须要坚持基本的阐明。102因此，如果人工智能技能涌现故障、导致崩溃或行为不合理的情形，除非对缺点给出合理解释，否则应禁止人工智能技能和类似人工智能的技能参与市场互动，并且打消重复发生的可能性。
\r\r此外，人工智能技能目前正在被引入一个稳定的市场环境。然而，人工智能技能如何与高度动荡和危急驱动的市场互动，将是市场稳定的关键。103因此，在将人工智能整合到无法大略关闭的算法中之前，人工智能该当展示出它在危急情形下的表现。这同样适用于低流动性的市场环境。
\r\r（4）报告的调度和公开
\r\r数据是人工智能技能的核心资源。因此，报告和公开规则应该加以调度，以使人工智能更加智能。这也会引发早该进行的改革。104目前的报告情形并不尽人意，不仅因其是书面的，也由于它没有为监管机构供应理解当前交易所需的信息。105由欧盟委员会发起的金融科技实验室或英国金融行为管理局的监管沙盒是跟上这些发展的第一步，但它们还远远不足。监管者须要对他们正在监控的交易环境有一个连贯完全的理解：应哀求每六个月报告一次有人监督和无人监督的人工智能技能运行情形。自主实行（即不可审计）的人工智能技能应以较短的韶光间隔报告，并解释交易金额、资产、价格和其他主要数据点。106末了，当局应确定监管科技中人工智能技能实行基本监测和监督职责所需的数据点。根据结果，应改变向当局报告的职责。
\r\r此外，必须进行信息表露规则的改革。107自20世纪初，信息表露彷佛就永久性地结束了。他们精雕细琢的文本和华美的措辞不适宜这样一个数字占主导地位、投资者甘心阅读资产负债表而不是年度账目的时期。因此，为了推进知情的市场环境，降落知情的人工智能信息公开的准入水平，应对干系规则进行修正。
\r\r（5）减少监管套利
\r\r金融创新不会受限于国界。如果一项技能能担保更高的利润率，它就会进入其他国家和国际市场。立法者很少有资格放弃海内家当的盈利机会和各自的税收收益。因此，那些犹豫未定地靠近人工智能的监管机构该当主动与更有活力的同行展开谈论，以防止监管机构竞相压底。当然不会有适用于环球的方法，但在金融稳定理事会成员108之间就紧张问题达成协议仍彷佛是可能的。
\r\r（6）消费者保护
\r\r在未来几年的适应中，人工智能技能将运用于险些所有的金融做事领域。小缺点和系统崩溃将是可以被接管的，以期得到更有效的市场和更高的利润率。但纵然机构承担交易本钱可被接管，消费者仍须要戒备此类事宜。最低限度的预防方法应是明确解释人工智能交易或利用建议，并用简短易懂的措辞解释人工智能交易的风险，即所有投资的可能丢失。109此外，消费者该当意识到，人工智能技能尚无法在原则上阐明其投资决策的运作。110
\r\r歧视是人工智能技能引起的另一个问题。人工智能一定会将刻板印象内化，并作出相应的行为。111因此，最主要的是，要么制订明确的规则，规定哪些特色可能影响自动决策，要么以本色上防止歧视的办法教诲人工智能。不管若何，监督都是关键。
\r\r此外，不雅观察金融机构将如何处理消费者数据将是至关主要的。由于人工智能在得到构造良好的数据时学习得最快，因此利用消费者数据的动机很高。这导致了几个问题。例如，如果另一家机构购买人工智能技能，必须确保他们不能再次从人工智能中提取这些数据。112
\r\r（7）监管的独立性
\r\r末了，在评估人工智能时，监管和监督当局必须保持独立。监管者须要在这个有前景的领域建立独立的专业知识。自我监管的主见该当被反对。113人工智能技能将如何发展，它将带来多大影响，它将如何改变金融市场，这些都无法预测。监管机构必须连续掌握事态发展，并有能力阻挡其不肯望的事态发展。在大多数情形下，金融市场监管须要从事后监管转向事前监管。114当人工智能技能越来越趋向于被金融市场监管时，这一点就显得尤为主要。人工智能技能如何与规则互动，以及是否会表现出规避行为，将对其对金融市场的影响至关主要。为了担保金融体系的稳定，某些规则须要以源代码的形式编入在人工智能技能中。
\r\r 四、人工智能与金融市场：走向新的未来\r\r众所周知，不雅观察家们不怕浮夸人工智能技能对金融市场未来的主要性。事实上，它的前景的确令人叹为不雅观止：它们使真正有效的市场成为可能，这些市场能够打算所有可用的信息，显示资产的内在代价，并相应地分配成本。115有了人工智能，教科书式标准的金融市场终极成为现实的（迢遥的）机会终于存在了。116然而，这样一个状态并不会仅靠自己而产生，它须要一种积极主动的国际监管方法予以帮助。
\r\r1. 先发上风
\r\r德国对金融市场中的人工智能技能的态度相称犹豫。究竟是由于德国监管机构对人工智能技能对金融市场的影响持疑惑态度，还是由于他们对自己在这方面的专业知识的评价没有如英国这些国家高，目前尚不清楚。然而，可以把稳到的是，美国和英国对付人工智能技能的运用没有显示出类似的限定。他们果断地推进了金融市场人工智能领域的创新和增速。虽然人们把稳到安全和系统方面问题，但他们认为这是次要的。这将反响在人工智能技能的基本事理中，即编码和辅导。然而，人工智能技能须要事前监管。遵照德国或欧洲监管机构做法的监管机构应意识到，谨慎的行动方针就放弃了先发上风，即对发展产生重大影响的上风，同时也放弃了在未来几十年取得可比成果所必需的努力。现在必须阻挡未来的事后补救。人工智能技能有可能系统地改变金融市场，因此将自然而然地得到系统主要性。117
\r\r2. 以往履历教训
\r\r将金融市场发展的监管辅导权交给其他法律统领区不会延迟其推进。如上所述，金融创新并不受限于国界。在一个比以往任何时候都更加相互关联的环球金融环境中，人工智能技能很可能已经在欧盟辅导了大量的贸易和投资，欧洲机构持有大量完备或部分由人工智能技能掌握的投资。上一次金融危急让许多监管者大吃一惊，由于相互关联的投资规模没有得到精确评估。118这是一个不可再被重复的缺点。由于金融做事业没有全国性地发展，故而，在这方面，人工智能和信用违约互换或债务抵押债券之间没有差异。
\r\r 注释\r\r1. BaFin（2018）, p.19.
\r\r2. WEF（2018）.
\r\r3. FSB（2017a）, p.1.
\r\r4. Edwards，第79页及以下：最常见的是咨询算法，它不仅打算市场数据，还打算用户的个人信息，以便在与公司开展业务时为消费者供应辅导。
\r\r5. Lightbourne（2017）, pp.652 et seq.
\r\r6. KPMG（2016）, p.3.
\r\r7. 机器人投资顾问不一定是谈天机器人。对机器人投资顾问的利用，拜会本书亨内曼文章的第12段。
\r\r8. Chiu（2016）, p.88.
\r\r9. Bradley（2018）, p.74.
\r\r10. Chiu（2016）, p.89.
\r\r11. Lightbourne（2017）, pp.663 et seq.
\r\r12. 关于有缺陷的数据聚合的潜在影响，拜会本书蒂斯比克文章的第7段。
\r\r13. Bruckner（2018）, p.13.
\r\r14. Odinet（2018）, p.785.关于这种算法对一个人的自主性的影响，拜会本书恩斯特文章的第4—5段。
\r\r15. Odinet（2018）, pp.783, 800 et seq.
\r\r16. Odinet（2018）, pp.829 et seq.
\r\r17. 然而，投资组合管理仍旧是保险公司的核心职能。
\r\r18. WEF（2018）, p.111.
\r\r19. E.g. Balasubramanian et al.（2018）.
\r\r20. Ling（2014）, p.568.
\r\r21. Yadav（2015）, pp.1618 et seq.
\r\r22. Narang（2013）, pp.8 et seq.
\r\r23. Ling（2014）, p.572.
\r\r24. BaFin（2018）, p.11.
\r\r25. Seddon and Currie（2017）, p.300.
\r\r26. Osipovich（2017）.
\r\r27. Seddon and Currie（2017）, p.305.
\r\r28. Kaastra and Boyd（1996）, p.234
\r\r29. Trippi and DeSieno（1992）, pp.27 et seq.
\r\r30. Arévalo et al.（2016）, p.424.
\r\r31. Schmidhuber（2015）, p.85.
\r\r32. FSB（2017a）, p.18.
\r\r33. FSB（2017a）, p.19.
\r\r34. FSB（2017b）, p.3.
\r\r35. BCBS（2011）, pp.12 et seq.对其法律地位的简要总结，拜会Schemmel（2016）, pp.460 et seq.
\r\r36. 关于风险加权银行成本与非风险加权的最低杠杆率之间的关系，巴塞尔协议III将其作为基于风险的成本哀求的后盾，拜会Gambacorta and Karmakar（2016）, pp.3 et seq。
\r\r37. Angelini et al.（2008）and Danielsson et al.（2017）.
\r\r38. FSB（2017a）, p.16.
\r\r39. Anagnostopoulos（2018）.
\r\r40. 31 CFR 103.121（USA）. Article 8 Directive 2005/60/EC（European Union）—sometimes referred to as “customer due diligence”.
\r\r41. Craig（2018）.
\r\r42. Aziz and Dowling（2018）, p.10.对其他可能的运用的磋商，拜会Neufang（2017）。
\r\r43. Milne（2018）.
\r\r44. Nordea（2018）.关于数据力量对竞争的影响的谈论，拜会本书亨内曼文章的第20段及以下。
\r\r45. Zetsche et al.（2018）, p.410.
\r\r46. 拜会下文Chiu（2016）, pp.71 et seq.
\r\r47. Chiu（2016）, pp.83 et seq.
\r\r48. BaFin（2018）, pp.65 et seq.
\r\r49. Lin（2015a）, p.655.
\r\r50. Lin（2016）, pp.168 et seq.
\r\r51. FSB（2017a）.
\r\r52. 拜会下文 FSB（2017a）, pp.24 et seq.。
\r\r53. Cf. see paras 6 et seq. and 2 et seq..
\r\r54. Cf. see paras 10 et seq..
\r\r55. FSB（2017a）, p.1.
\r\r56. 对所谓的“可阐明的人工智能”的谈论，拜会本书威施迈耶文章的第27段及以下，本书拉德马赫文章的第33段。
\r\r57. FSB（2017a）, p.2.
\r\r58. Joint Committee（2018）.
\r\r59. Joint Committee（2018）, p.22.
\r\r60. European Commission（2018）.
\r\r61. EBA（2018）.
\r\r62. Directive 2014/65/EU. Regulation Nr. 600/2014.
\r\r63. 拜会下文Čuk and Waeyenberge（2018）。
\r\r64. Article 17 Directive 2014/65/EU.
\r\r65. Article 26 para. 3 Regulation Nr. 600/2014.
\r\r66. Article 48 Directive 2014/65/EU.
\r\r67. Article 17 para 2 subpara 5.
\r\r68. 第13772号行政命令第1条规定的关于管理美国金融系统的核心原则。
\r\r69. US Treasury（2018）.
\r\r70. US Treasury（2018）, pp.56 et seq..
\r\r71. US Treasury（2018）, p.59.
\r\r72. FINRA（2018）, pp.6 et seq..
\r\r73. 17 CFR 240.15b9-1.对政治背景的磋商，拜会Bain（2018）。
\r\r74. 关于最新的建议，拜会Morelli（2017）, pp.220 et seq.关于导致当前制度之事宜的简介，拜会Poirier（2012）。
\r\r75. BaFin（2018）.
\r\r76. 拜会本章第21段。
\r\r77. 这一哀求是为了转置说话险些相同的2014年欧盟第65号指令的第17（2）1条，注册责任的存在是为了使监管机构能利用2014年欧盟第65号指令的第17（2）2条的规定，即《证券交易法》第4（1）节规定的审计权力。
\r\r78. 只管欧洲证券和市场管理局（ESMA）已经发布了指南，进一步明确了一些哀求：指南2 ESMA/2012/122（EN）。关于准则及其（准）法律效力，拜会Schemmel（2016）, pp.459 et seq.。
\r\r79. 这是一种基于原则的方法，拜会Schemmel（2016）, pp.487 et seq.。
\r\r80. BaFin（2018）, p.3.
\r\r81. Bundesregierung（2018）.关于此点的比较，拜会House of Lords（2017）。
\r\r82. 拜会后文 FCA（2018a）。
\r\r83. FCA（2017a）, pp.4 et seq. Arner et al.（2017）, p.371：因此，一个更恰当的术语可能是“临床试验”。
\r\r84. 对伞形沙盒的界定，拜会Zetsche et al.（2017）, pp.85 et seq.。
\r\r85. FCA（2017a）, pp.6 et seq..
\r\r86. E.g. Australia, Singapore, Switzerland, Hong Kong, Thailand, Abu Dhabi and Malaysia. On this with further references Arner et al.（2017）, p.371.
\r\r87. Thomas（2018）; rather hesitant Peirce（2018）.
\r\r88. FCA（2018b）.
\r\r89. 对数字化带来的寻衅的磋商，拜会Lin（2017）, pp.1253 et seq.。
\r\r90. 对人工智能的机构监管的某些细节的磋商，拜会本书赫姆斯特鲁维尔文章的第20段及以下。
\r\r91. Broeders and Prenio（2018）, p.10.
\r\r92. Bauguess（2017）.
\r\r93. Bauguess（2017）；对有关人工智能和司法的宪法框架和紧张问题的先容，拜会本书拉德马赫文章的第23段及以下。
\r\r94. FCA（2017b）.
\r\r95. FINRA（2018）, pp.8 et seq.（机器可读的规范手册）。
\r\r96. 对此的进一步磋商，拜会Baxter（2016）, pp.589 et seq.; Guihot et al.（2017）, pp.436 et seq。有关法律技能的创新规管的谈论，拜会本书布赫霍尔茨文章的32段及以下。
\r\r97. Baxter（2016）, p.603.
\r\r98. 对金融做事监管的首创者的磋商，拜会Fenwick et al.（2017）。
\r\r99. 因此，设立一个中心人工智能机构彷佛不切实际。拜会Scherer（2016）, pp.395 et seq。
\r\r100. 关于竞争法下任务归属的谈论，拜会本书亨内曼文章的31段及以下。
\r\r101. 关于CTFC的实行政策的谈论，拜会Scopino（2015）, pp.279 et seq.。
\r\r102. 对通过阐明来理解代理的磋商，还可拜会本书威施迈耶文章的第25段及以下，本书拉德马赫文章的第33段。
\r\r103. See also Wall（2018）.拜会本书赫姆斯特鲁维尔文章的第65—69段，磋商了如何利用人工智能改进行政程序以搪塞监管的繁芜性的建议。
\r\r104. 对其他寻衅的磋商，拜会Packin（2018）, pp.211 et seq.。
\r\r105. 关于信息监管的规范性约束的磋商，拜会本书威施迈耶文章的第16段及以下。
\r\r106. 本书威施迈耶文章的第22段，赞许定制的路径。
\r\r107. Lin（2015b）, pp.508 et seq..
\r\r108. 拜会本章第18段。
\r\r109. 关于消费者是否也该当被奉告非个性化结果的问题的磋商，拜会本书恩斯特文章的第48段。
\r\r110. 拜会本章第18段以及前注53。
\r\r111. 关于此议题更为详细的阐明，拜会本书蒂斯比克文章的第3段及以下。
\r\r112. 关于一样平常数据保护规则和人工智能的磋商，拜会本书马奇文章的第7—9段。
\r\r113. On this Guihot et al.（2017）, pp.431 et seq. 关于公共行为者的任务和可能的监管类型的磋商，拜会本书霍夫曼-里姆文章的第21段及以下、第58段及以下。
\r\r114. Lee et al.（2018）.
\r\r115. 对现有的空想化经济模型的磋商,拜会Parkes and Wellman（2015）（谈论了理性经济人）。
\r\r116. 已作必要的改动，即通过人工智能谈论“完美司法”的承诺,拜会本书拉德马赫文章的第39—42段。
\r\r117. 对系统保护的主要性的磋商，拜会本书霍夫曼-里姆文章的第29段及以下。
\r\r118. See report of the German Parliament Deutscher Bundestag（2009）, p.91 and passim.
\r\r 本章参考文献\r\r1. Anagnostopoulos I（2018）Fintech and regtech: impact on regulators and banks. J Econ Bus. https://doi.org/10.1016/j.jeconbus.2018.07.003.
\r\r2. Angelini E, di Tollo G, Roli A（2008）A neural network approach for credit risk evaluation. Q Rev Econ Finance 48:733—755.
\r\r3. Arévalo A, Niño J, Hernández G, Sandoval J（2016）High-frequency trading strategy based on deep neural networks. In: Huang D, Han K, Hussain A（eds）Intelligent computing methodologies—12th International Conference（ICIC 2016）, Proceedings Part III. Springer, Basel, pp.424—436.
\r\r4. Arner DW, Barberis JN, Buckey RP（2017）FinTech, RegTech, and the reconceptualization of financial regulation. Northwest J Int Law Bus 37:371—413.
\r\r5. Aziz S, Dowling MM（2018）AI and machine learning for risk management. https://doi.org/10. 2139/ssrn.3201337.
\r\r6. Bain B（2018）Flash-boys regulation fight returns to U.S. derivatives agency. https://www.bloomberg.com/news/articles/2018-02-14/flash-boys-regulation-fight-returns-to-u-s-deriva tives-agency. Accessed 7 Feb 2019.
\r\r7. Balasubramanian R, Libarikian A, McElhaney D, McKinsey&Company（2018）Insurance 2030—the impact of AI on the future of insurance. https://www.mckinsey.com/industries/financial-services/our-insights/insurance-2030-the-impact-of-ai-on-the-future-of-insurance. Accessed 7 Feb 2019.
\r\r8. Basel Committee on Banking Supervision ［BCBS］（2011）Basel III: a global regulatory framework for more resilient banks and banking systems. https://www.bis.org/publ/bcbs189.pdf. Accessed 7 Feb 2019.
\r\r9. Bauguess SW（2017）The role of big data, machine learning, and AI in assessing risks: a regulatory perspective. https://www.sec.gov/news/speech/bauguess-big-data-ai. Accessed 7 Feb 2019.
\r\r10. Baxter LG（2016）Adaptive financial regulation and RegTech: a concept article on realisticprotection for victims of bank failures. Duke Law J 66:567—604.
\r\r11. Bradley CG（2018）FinTech's double edges. Chi-Kent Law Rev 93:61—95.
\r\r12. Broeders D, Prenio J（2018）Innovative technology in financial supervision（suptech）—the experience of early users. FSI Insights on policy implementation No 9. https://www.bis.org/fsi/publ/insights9.pdf. Accessed 7 Feb 2019.
\r\r13. Bruckner MA（2018）The promise and perils of algorithmic lenders' use of big data. Chi-Kent Law Rev 93:3—60.
\r\r14. Bundesanstalt für Finanzdienstleistungsaufsicht ［BaFin］（2018）Big Data meets artificial intelligence. Challenges and implications for the supervision and regulation of financial services. https://www.bafin.de/SharedDocs/Downloads/EN/dl_bdai_studie_en.pdf?_blob1/4publicationFile&v1/4.11. Accessed 7 Feb 2019.
\r\r15. Chiu I（2016）Fintech and disruptive business models in financial products, intermediation and markets—policy implications for financial regulators. J Technol Law Policy 21:55—112.
\r\r16. Craig P, Ernst&Young（2018）How to trust the machine: using AI to combat money laundering.https://www.ey.com/en_gl/trust/how-to-trust-the-machine%2D%2Dusing-ai-to-combat-money-laundering. Accessed 7 Feb 2019.
\r\r17. Čuk T, Waeyenberge A（2018）European legal framework for algorithmic and high frequencytrading（Mifid 2 and MAR）: a global approach to managing the risks of the modern tradingparadigm. Eur J Risk Regul 9:146—158.
\r\r18. Danielsson J, Macrae R, Uthemann A（2017）Artificial intelligence, financial risk management and systemic risk. SRC Special Paper 13.
\r\r19. Deutsche Bundesregierung（2018）Eckpunkte der Bundesregierung für eine Strategie Künstliche Intelligenz. https://www.bmbf.de/files/180718%20Eckpunkte_KI-Strategie%20final%20Layout.pdf. Accessed 7 Feb 2019.
\r\r20. Deutscher Bundestag（2009）Beschlussempfehlung und Bericht des 2. Untersuchungsausschusses nach Artikel 44 des Grundgesetzes, BT-Drucks. 16/14000. https://dip21.bundestag.de/dip21/btd/16/140/1614000.pdf. Accessed 7 Feb 2019.
\r\r21. European Banking Authority ［EBA］（2018）. https://www.eba.europa.eu/financial-innovation-and-fintech/fintech-knowledge-hub. Accessed 7 Feb 2019.
\r\r22. European Commission（2018）FinTech Action plan: for a more competitive and innovative European financial sector. COM（2018）109 final. https://eur-lex.europa.eu/legal-content/EN/***/HTML/?uri1/4CELEX:52018DC0109&from1/4EN. Accessed 7 Feb 2019.
\r\r23. FCA（2017a）Regulatory sandbox lessons learned report. https://www.fca.org.uk/publication/research-and-data/regulatory-sandbox-lessons-learned-report.pdf. Accessed 7 Feb 2019.
\r\r24. FCA（2017b）Model driven machine executable regulatory reporting TechSprint. https://www.fca. org.uk/events/techsprints/model-driven-machine-executable-regulatory-reporting-techsprint. Accessed 7 Feb 2019.
\r\r25. FCA（2018a）Regulatory sandbox. https://www.fca.org.uk/firms/regulatory-sandbox. Accessed 7 Feb 2019.
\r\r26. FCA（2018b）Global Financial Innovation Network. https://www.fca.org.uk/publications/consultation-papers/global-financial-innovation-network. Accessed 7 Feb 2019.
\r\r27. Fenwick M, Kaal WA, Vermeulen EPM（2017）Regulation tomorrow: what happens when technology is faster than the law. Am Univ Bus Law Rev 6:561—593.
\r\r28. Financial Industry Regulatory Authority ［FINRA］（2018）Technology based innovations for regu-latory compliance（“RegTech”）in the securities industry. https://www.finra.org/sites/default/files/2018_RegTech_Report.pdf. Accessed 23 Oct 2019.
\r\r29. Financial Stability Board ［FSB］（2017a）Artificial intelligence and machine learning in financial services. Market developments and financial stability implications. http://www.fsb.org/wp-content/uploads/P011117.pdf. Accessed 7 Feb 2019.
\r\r30. Financial Stability Board ［FSB］（2017b）Implementation and effects of the G20 financial regulatory reforms. 3rd Annual Report. http://www.fsb.org/wp-content/uploads/P030717-2.pdf. Accessed 7 Feb 2019.
\r\r31. Gambacorta L, Karmakar S（2016）Leverage and risk weighted capital requirements. BIS Working Papers No 586. https://www.bis.org/publ/work586.pdf. Accessed 7 Feb 2019.
\r\r32. Guihot M, Matthew A, Suzor N（2017）Nudging robots: innovative solutions to regulate artificial intelligence. Vand J Entertain Technol Law 20:385—439.
\r\r33. House of Lords（2017）AI in the UK: ready, willing and able?, Report of Session 2017-19. https://publications.parliament.uk/pa/ld201719/ldselect/ldai/100/100.pdf. Accessed 7 Feb 2019.
\r\r34. Joint Committee of the European Supervisory Authorities（2018）Joint Committee Final Report on Big Data, JC/2018/04. https://www.esma.europa.eu/sites/default/files/library/jc-2018-04_joint_committee_final_report_on_big_data.pdf. Accessed 7 Feb 2019.
\r\r35. Kaastra I, Boyd M（1996）Designing a neural network for forecasting financial and economic time series. Neurocomputing 10:215—236.
\r\r36. KPMG（2016）The expansion of robo-advisory in wealth management. https://www2.deloitte.com/content/dam/Deloitte/de/Documents/financial-services/Deloitte-Robo-safe.pdf. Accessed 7 Feb 2019.
\r\r37. Lee KY, Kwon HY, Lim JI（2018）Legal consideration on the use of artificial intelligence technology and self-regulation in financial sector: focused on robo-advisors. In: Kang BB, Kim T（eds）Information security applications. 18th international conference—WISA 2017. Springer, Basel, pp.323—335.
\r\r38. Lightbourne J（2017）Algorithms & fiduciaries: existing and proposed regulatory approaches to artificially intelligent financial planners. Duke Law J 67:651—679.
\r\r39. Lin TCW（2015a）Infinite financial intermediation. Wake Forest Law Rev 50:643—664.
\r\r40. Lin TCW（2015b）Reasonable investor（s）. Boston Univ Law Rev 95:461—518.
\r\r41. Lin TCW（2016）Compliance, technology, and modern finance. Brook J Corp Finan Commer Law 11:159—182.
\r\r42. Lin TCW（2017）The new market manipulation. Emory Law J 1253:66—1314.
\r\r43. Ling TCW（2014）The new financial industry. Ala Law Rev 65:567—623.
\r\r44. Milne R（2018）Nordic banks in anti-money laundering tie-up. https://www.ft.com/content/86e4e4e2-64a6-11e8-90c2-9563a0613e56. Accessed 7 Feb 2019.
\r\r45. Morelli M（2017）Implementing high frequency trading regulation: a critical analysis of current reforms. Mich Bus Entrep Law Rev 6:201—229.
\r\r46. Narang RK（2013）Inside the black box: a simple guide to quantitative and high frequency trading, 2nd edn. Wiley, Hoboken.
\r\r47. Neufang S（2017）Digital Compliance—Wie digitale Technologien Compliance-Verstöße vorhersehen. IRZ 2017:249—255.
\r\r48. Nordea（2018）Nordic banks to explore common KYC joint venture. https://mb.cision.com/Main/434/2535839/851433.pdf. Accessed 7 Feb 2019.
\r\r49. Odinet CK（2018）Consumer Bitcredit and Fintech Lending. Ala Law Rev 69:781—858.
\r\r50. Osipovich A（2017）High-frequency traders fall on hard times. http://www.wsj.com/articles/high-frequency-traders-fall-on-hard-times-1490092200. Accessed 7 Feb 2019.
\r\r51. Packin NG（2018）RegTech, compliance and technology judgment rule. Chi-Kent Law Rev 93:193—218.
\r\r52. Parkes DC, Wellman MP（2015）Economic reasoning and artificial intelligence. Science 349:267—272.
\r\r53. Peirce HM（2018）Beaches and Bitcoin: remarks before the Medici Conference. https://www.sec.gov/news/speech/speech-peirce-050218. Accessed 7 Feb 2019.
\r\r54. Poirier I（2012）High-frequency trading and the flash crash: structural weaknesses in the securities markets and proposed regulatory responses. Hastings Bus Law J 8:445—471.
\r\r55. Schemmel J（2016）The ESA guidelines: soft law and subjectivity in the European financial market-capturing the administrative influence. Ind J Glob Leg Stud 23:455—504.
\r\r56. Scherer MU（2016）Regulating artificial intelligence systems: risks, challenges, competencies, andstrategies. Harv J Law Technol 29:353—400.
\r\r57. Schmidhuber J（2015）Deep learning in neural networks: an overview. Neural Networks 61:85—117.
\r\r58. Scopino G（2015）Do automated trading systems dream of manipulating the price of futures contracts? Policing markets for improper trading practices by algorithmic robots. Fla Law Rev 67:221—293.
\r\r59. Seddon JJJM, Currie WL（2017）A model for unpacking big data analytics in high-frequency trading. J Bus Res 70:300—307.
\r\r60. Thomas LG（2018）The case for a federal regulatory sandbox for Fintech companies. N C Bank Inst 22:257—281.
\r\r61. Trippi RR, DeSieno D（1992）Trading equity index futures with a neural network. J Portf Manag 19:27—33.
\r\r62. U.S. Department of the Treasury（2018）A financial system that creates economic opportunities: nonbank financials, Fintech, and innovation. Report to President Donald J. Trump Executive Order 13772 on Core Principles for Regulating the United States Financial System. https://home.treasury.gov/sites/default/files/2018-08/A-Financial-System-that-Creates-Economic-Opportunities%2D%2D-Nonbank-Financials-Fintech-and-Innovation_0.pdf. Accessed 7 Feb 2019.
\r\r63. Wall LD（2018）Some financial regulatory implications of artificial intelligence. J Econ Bus. https://doi.org/10.1016/j.jeconbus.2018.05.003.
\r\r64. World Economic Forum ［WEF］（2018）The new physics of financial services. Understanding how artificial intelligence is transforming the financial ecosystem. http://www3.weforum.org/docs/WEF_New_Physics_of_Financial_Services.pdf. Accessed 7 Feb 2019.
\r\r65. Yadav Y（2015）How algorithmic trading undermines efficiency in capital markets. Vand Law Rev 68:1607—1702.
\r\r66. Zetsche D, Buckley RP, Arner DW, Barberis JN（2017）Regulating a revolution: from regulatory sandboxes to smart regulation. Fordham J Corp Financ Law 23:31—103.
\r\r67. Zetsche D, Buckley RP, Arner DW, Barberis JN（2018）From Fintech to Techfin: the regulatory challenges of data-driven finance. N Y Univ J Law Bus 14:393—430.
\r \r\r(1) 作者为德国弗莱堡大学政治科学与法哲学研究所研究员。
\r\r(2) 译者为东南大学法学院讲师。
\r\r\r本文系作者个人观点，不代表本站立场，转载请注明出处！
