场外衍生品市场AI应用的风险治理与完善路径
编者按：为深入学习贯彻党的二十届四中全会精神，更好服务“十五五”发展目标和金融强国建设，促进衍生品业务稳步发展，中证报价投教基地推出“风险管理工具系列”专题，聚焦场外衍生品在提供适配长期投资的风险管理工具、服务实体经济发展中的功能作用，展现其在助力经济社会高质量发展中的实践路径与创新成果。
作者：广发证券股份有限公司股权衍生品业务部和稽核部课题组
本文基于人工智能在场外衍生品领域的应用实践，系统分析了AI技术在模型可靠性、策略趋同、黑箱问题、数据隐私、大模型特有安全风险等方面带来的新挑战，并提出相应的风险应对与治理建议。在模型应用难点方面，文章指出AI的随机性与幻觉问题对场外衍生品定价与风险管理构成重大风险，建议通过组件分离、提示工程、人机协同、分级应用等手段提升模型的可靠性与可复现性。同时，强调从数据治理、持续学习与混合建模等方面应对AI幻觉。针对策略趋同放大波动的风险，建议通过算法报备、交易监控提升市场透明度，并通过数据与模型多样性激励降低同质化风险。在黑箱问题方面，提出引入可解释AI技术（如SHAP、LIME、反事实推理）和构建全生命周期模型治理框架，以增强模型透明度与可审计性。关于客户隐私数据保护，建议实施本地化部署、信息隔离、动态权限控制与隐私增强技术，构建纵深防御体系，确保数据安全与合规。针对AI大模型特有安全风险，如提示注入、模型攻击与服务中断，提出构建多层动态防御、模型资产分级加密与弹性服务架构等措施。最后，文章结合境内外监管立法趋势，提出建立分类分级监管框架，强调在智能客服等标准化领域优先试点，在核心业务领域坚持“试点先行、逐步深化”的原则，确保技术创新与风险控制的动态平衡。
随着人工智能技术，特别是生成式AI（GenAI），在场外衍生品运营、客户服务、定价、风险评估和交易策略中的应用日益深入，其模型应用的难点也带来了新的挑战。与传统量化模型相比，AI模型，尤其是深度学习模型，因其高度非线性和对训练数据分布的敏感性，更易在市场环境发生结构性变化时出现性能衰减与输出不稳定。
当前业界的痛点集中体现在：其一，AI内在的随机性（Non-determinism）导致模型输出难以完全复现，严重影响了在场外衍生品领域应用的可靠性、一致性及审计追踪；其二，“AI幻觉”（AI Hallucination）会生成看似合理但实则错误的定价或风险信息。这既可能源于错误或不可靠的训练数据对模型的误导，也可能源于市场环境、监管政策或行业实践的突发性变化，导致实际场景与训练数据分布产生显著差异，进而引发模型在适应过程中出现性能退化与知识遗忘。这些挑战对于结构复杂、流动性较差且缺乏权威定价基准的场外衍生品而言，潜在风险尤为巨大。
针对上述痛点，目前的应对思路正从单纯追求模型精度转向可靠性（Reliability）与可复现性（Reproducibility）并重，主要方法包括通过技术手段剥离并控制模型中的随机组件、采用联邦学习等隐私计算技术构建高质量数据基座以从源头减少幻觉，以及建立分级的模型风险管理框架，审慎地将AI的非确定性纳入应用场景的考量之中。
在人工智能技术的应用过程中，随机性是其内在特性之一，尤其在使用生成式模型和概率性推理方法时更为显著。为提升AI系统在场外衍生品等金融场景中的可靠性与一致性，可通过组件分离、控制增强和场景分级等方式对随机性进行约束与管理。例如，在模型推理阶段关闭随机层、固定随机种子，通过提示词工程约束输出空间，以及依据业务重要性对应用场景实施分级治理，从而在特定领域中降低随机性带来的不确定性风险。
然而，随机性控制与模型性能之间存在天然的张力。当施加过多确定性约束时，AI系统可能退化为近似规则引擎或传统数值模型，不仅丧失其处理高维非线性问题的能力，也可能削弱其泛化性和创新性。过度追求确定性输出将削弱AI相对于传统方法在处理复杂场外衍生品方面的优势。
因此，应对AI内在随机性的核心并非追求完全消除不确定性，而是在“可控随机”与“生成多样性”之间寻求平衡。一个良好的AI系统应在保证输出合理性与稳健性的前提下，保留一定的探索和生成能力，从而在合规与创新、确定性与灵活性之间取得科学平衡。这既是技术挑战，也涉及算法伦理和治理哲学的深入思考。以下为常用的应对AI内在随机性的措施：
1、降低内在随机性，提升模型可复现性。
实施组件分离与确定性推理，分离GenAI组件，分析确定GenAI系统中导致非确定性产生的组件，在对输出结果确定性要求较高的场外衍生品应用场景中，关闭相关带有随机性的组件，确保模型在推理结果的一致性。
例如，在场外衍生品履约保障业务中，对于履约文本的分析、对客户推送追保通知、解答客户在履约保障方面的疑问等场景下，可以使用较为完整GenAI，提高工作效率。但在盯市、追保金额计算等场景，则可以禁用模型中的随机层，确保生成结果稳定、可复现。此外，建立环境一致性管理体系，封装模型及其所有依赖库，确保从研发到生产的环境完全一致，也能有效避免因环境差异导致结果偏差。
2、通过流程优化与控制机制约束随机性
一是通过提示词工程引导生成式人工智能产生稳定的输出结果。通过提供上下文、示例和明确格式，可以缩小模型的输出空间，从而降低随机性。例如，可为利率互换产品估值任务设计结构化提示模板，明确要求模型按“贴现曲线构建→浮动端现金流预测→固定端现值计算→利差调整”等多步骤输出估值过程及中间结果，避免模型自由发挥导致的计算逻辑不一致
二是构建人机协同与多层校验机制。在关键决策环节引入人工监督，构建“人在环中”（Human-in-the-Loop）的混合决策体系。以建立三级校验机制为例：首层为系统自动校验（主要对逻辑一致性、数值合理性进行检测）；第二层为交叉验证（与传统模型或市场一致性检验对比）；第三层为专家复核，尤其针对高风险或低置信度输出。
例如可建立适用于场外衍生品业务的三级校验机制：首层为系统自动校验，包括逻辑一致性（如期权价格正负值是否与对应期权品种一致）、数值合理性（如希腊值是否在理论范围内）等；第二层为交叉验证，将AI输出与传统定价模型（如Black-Scholes模型）、市场共识价格或历史交易数据进行比对，识别显著偏差；第三层为专家复核，尤其针对复杂衍生品（如雪球期权、累计期权等）或低置信度输出，由资深交易员或风控专家进行最终审定。例如，在障碍期权定价AI应用中设置自动预警阈值，当模型输出与蒙特卡罗模拟结果差异超过2%时，自动触发人工复核流程。
三是实施输入输出约束。在前端通过业务规则引擎限制用户输入，在后端对输出格式和数值范围进行强制约束，例如，对于期权产品，可事先强制要求模型输出价格为正、Delta绝对值不大于1；对于波动率曲面生成任务，约束不同期限与行权价之间的波动率值需满足单调性和平滑性要求。此外，对可嵌入各类衍生品特有的边界条件进行设定（如奇异期权的最差收益底线、信用衍生品的最大损失上限等），确保输出结果始终处于业务可接受范围内。
行业内目前也有通过流程优化与控制机制约束随机性的实践案例。浦发银行通过“大模型+向量数据库”搭建审计领域的制度搜索服务,在向量数据库中构建自有审计制度知识资产，并进行提示工程采用对话引导式问答交互，通过问答形式完成知识查找。
在数据准备阶段，浦发银行准备了数百篇审计知识文档以及审计专家积累的高质量审计问答。为降低内在随机性的影响,浦发银行采用“大模型+小模型”两路召回的方案实现。用户进行问答交互时，提问问题一方面会通过AI“大模型”进行结果输出，另一方面会通过“小模型”对问题进行精准切割，生成约束性的提示词召回至向量数据库中，精准匹配向量数据库中的标准化内容。最后输出既包含大模型创造性内容，又包含小模型匹配后精准化专业内容的混合回答。通过上述“大语言模型+向量数据库”架构，提示词工程引导生成过程，结合传统检索模型形成混合输出，既发挥了大模型的语义理解优势，又通过确定性检索成分约束生成随机性，提升专业问答的准确性与可靠性。
图：浦发银行审计知识库问答场景大模型应用
3、分级应用与风险适配策略
人工智能由于对LLM等模型的使用，导致内在随机性不可避免，某些情况下，人工智能的输出结果只能是一种期望范围，而不是一个固定的值。然而不同金融应用场景对错误的容忍度存在差异，需要根据决策的重要性、实时性要求和潜在损失影响来配置相应的技术方案，实现风险收益的最优匹配。高置信度输出可自动化处理，低置信度输出则需触发复核流程，这是构建可信人工智能系统的关键。
例如在场外衍生品业务领域建立应用场景分级体系，将应用场景分为低容忍度、中容忍度和高容忍度三个等级。低容忍度场景包括正式估值报送、监管资本计算和交易清算，必须使用完全确定性的模型；中容忍度场景包括内部风险管理和交易员询价参考，可使用带有随机性的人工智能模型，但必须附加置信度评分；高容忍度场景包括客户咨询服务、市场宏观分析和培训材料准备，可以充分发挥生成式人工智能的创造性，但内容需经过合规审核。其次，实施置信度披露与降级机制。为人工智能模型的输出实时计算置信度分数，当置信度低于设定阈值时，系统应自动切换至备用方案或提示人工审批。
AI幻觉指模型生成看似合理但实则错误或虚构的输出，其在金融衍生品等高精度要求领域可能引发重大估值偏离与风险误判。该问题源于训练数据缺陷、模型结构特性及外部环境突变等多重因素。应对AI幻觉需从数据治理、模型优化及机制设计等三个维度系统性地提升模型的真实性与稳健性。
1、提升训练数据的可靠性，提升模型反欺诈能力
①通过行业共享等方式，提升模型的反欺诈能力。印度ICICI银行建立“联邦学习联盟”，联合20家区域性银行在不共享原始数据的前提下，共同训练反欺诈模型。通过Tensor Flow Federated框架，各机构仅上传模型更新梯度，确保客户交易数据不出本地，模型在跨机构测试中对跨银行欺诈的识别率提升58%。在我国场外衍生品领域，可探索由行业协会或监管机构牵头，构建场外衍生品可信数据共享平台，对于不涉及数据隐私的数据进行行业共享，保障输入数据的可靠性；对于涉及数据隐私的数据，则是行业在不共享原始数据的前提下，共同训练反欺诈模型，各机构仅上传模型更新梯度，完成训练的反欺诈模型行业共享，以此提升模型反欺诈能力。
②通过增强模型抗投毒与对抗防御能力，提高AI的可靠性。花旗银行采用“对抗性数据增强”技术，在正常交易数据中注入10%的合成欺诈样本，迫使模型学习异常模式。经过10轮迭代训练后，其信用卡反欺诈模型的AUC-ROC值从0.82提升至0.93，对新型攻击的预警准确率提升41%。为防止数据投毒，瑞银集团在训练数据中添加“指纹标签”(Fingerprint Label)，当模型在推理阶段检测到污染数据时，自动触发隔离机制，该技术使投毒攻击的成功概率从32%降至4%。
③鉴于AI模型幻觉的情况普遍存在，在应对AI模型可能产生“幻觉”输出方面，除需夯实可信数据基础、优化模型训练流程外，建立系统化的人工复核机制是确保输出准确性与可靠性的关键环节。该机制的核心在于，将人工智能的初步判断与人类专家的领域知识及最终决策权相结合，从而降低AI判断权重，进一步控制AI模型幻觉的错误率，形成有效的风险控制闭环。
具体而言，首先应依据业务影响与风险等级，对AI输出进行分级分类，明确界定必须触发人工复核的关键场景。例如，在涉及敏感客户风险评估或重大交易条款生成等高风险领域，模型的初始输出必须经由具备相应资质的专业人员审核确认后方可执行。其次，需为复核人员提供清晰、可操作的工作指引与辅助工具，例如通过可解释性AI技术高亮显示模型决策所依据的关键输入变量，或提供与历史案例的对比分析，以提升复核的效率与精准度。最终，所有人工复核的过程、依据及结论均需被完整记录，形成可追溯的审计线索，这既是对专业责任的明确，也为模型的持续优化与监管审查提供了不可或缺的数据基础。通过这种结构化的“人在环中”设计，能够有效拦截因模型幻觉导致的重大误判，在发挥技术效能的同时守住风险底线。
2、降低模型对历史数据的依赖
① 建立持续学习与动态更新机制，针对市场环境、监管政策或行业实践的突发性变化，建立模型的持续学习框架。采用增量学习技术，使模型能够在不遗忘已有知识的前提下，快速适应新的市场环境。例如，在场外衍生品相关模型中嵌入概念漂移检测模块，当检测到市场结构发生变化时，自动触发模型更新流程，确保模型始终反映最新市场状况。
② 引入市场机制理论与另类数据，减少对传统历史数据的过度依赖，通过引入市场机制理论和另类数据源增强模型的适应性。结合经济学第一性原理，将市场参与者的行为假设、供需关系等理论框架融入模型设计。同时拓展数据维度，引入新闻舆情、供应链信息等另类数据，提升模型在不同市场环境下的泛化能力。
③ 构建混合建模框架，采用"理论模型+AI校正"的混合建模方法。首先基于金融理论建立参数化模型，然后使用AI算法对模型残差进行校正。这种方法既保持了理论模型的可解释性，又利用了AI处理非线性的优势。例如，在场外衍生品估值中，先使用传统定价模型计算基础价值，再通过AI模型对流动性溢价、信用风险溢价等进行调整。
④ 强化压力测试与极端场景模拟，建立系统的压力测试框架，模拟各种极端市场场景，检验模型在训练数据分布之外的表现。通过对抗性样本生成技术，创造训练数据中未出现过但可能发生的市场情景，提升模型的鲁棒性。定期对模型进行样本外测试，确保其在市场环境发生结构性变化时仍能保持稳定性能。
随着人工智能算法在场外衍生品交易与风险管理中的广泛应用，策略趋同问题日益凸显，已成为影响市场稳定的重要因素。由于多家市场参与者采用相似的数据源、模型架构和训练方法，导致其在市场波动时可能产生同质化交易行为，从而放大市场价格波动，尤其在流动性不足的场外衍生品市场，此类行为可能引发系统性风险。典型表现为在市场压力时期，多个机构的算法同时触发止损或对冲操作，加剧市场下跌。
当前主要痛点在于：一方面，算法策略的透明度不足，监管机构难以全面掌握市场的整体风险暴露；另一方面，模型与数据源的多样性欠缺，导致策略差异化程度较低。为应对这些挑战，主要采取以下方向：一是通过完善算法报备制度和交易监控机制提升市场透明度；二是通过监管激励和行业协作推动数据与模型的多元化发展。
增强市场透明度和监管监控能力是应对算法趋同风险的基础。欧盟MiFID II引入产品干预权力，要求算法交易报备（需描述策略逻辑与主要参数），提升透明度，便于监管机构评估市场整体风险暴露；美国证监会（SEC）Consolidated Audit Trail（CAT）全面追踪全美所有交易所的订单和交易，近乎实时监控，帮助识别异常交易行为（如由相似算法引发的集体行动），为监管提供数据基础。
我国可探索建立适用于场外衍生品市场的算法交易报告与评估机制，要求机构报告核心算法的逻辑、参数及潜在同质化风险，为监管机构识别系统性风险苗头提供数据支持。
立法规制方面，国际社会已在人工智能训练数据透明度层面提出明确要求。例如，2025年8月2日，欧盟《人工智能法案》（AI Act）中关于通用人工智能模型训练数据透明度的第53(1)(d)条条款正式生效。其配套的《通用人工智能模型训练内容公开摘要模板》也同时启用，首次要求将模型投放欧盟市场的通用人工智能模型提供者通过填写并公开摘要模板，披露AI模型训练数据的