【中国金融案例中心  编译：李锡雯】

科技发展正在让世界变得更小。灵活的金融科技初创企业正在对传统金融机构发起冲击；监管举措在规范市场的情况下又可能扼杀市场创新；金融民主化和去中心化应用使更多人能参与其中；全球金融科技生态系统正在变得愈加复杂。日前，德勤公司高级顾问Megan Long接受了Fintech futures记者Alex Pugh的采访，对金融科技生态系统中的漏洞、风险及创新等方面内容发表了一些观点。

找到金融科技监管的"宜居地带"

Megan Long认为，要想找到监管力度恰到好处的"宜居地带"（Goldilocks zone），即监督检查使金融机构受到控制的同时又不妨碍创新，就必须从基于实体的监管转向基于活动的监管。她通过最新的研究发现，完全不受监管和受到部分监管的金融参与者都导致了不成比例的系统性风险。但她认为这并不一定是监管过多或者过少的问题，而是由于监管角度和方向的偏差。比如，监管机构需要了解新兴商业模式的细微差别，并梳理出大型科技公司和传统银行之间的区别，而大型科技公司的监管模式本身也因司法管辖区的不同存在较大的差异性。

事实上，基于实体的监管自2008年全球金融危机以来一直存在，全球系统重要性银行（global systemically important banks，简称GSIB）和系统重要性金融机构（systemically important financial institutions，简称SIFI）是两种全球公认的基于实体的监管类型。然而Megan Long认为，当我们看到大型科技公司开始进入金融服务领域时，就应意识到建立不依赖于实体类型的法规的重要性，并利用基于活动的监督填补监管空白。

参与者的复杂性导致风险难以追踪

在一个拥有复杂数字供应链的世界里，很难在小漏洞变成大问题之前发现它们。这就意味着，无论是银行、保险公司还是金融科技公司，都只能在其网络中最薄弱的环节得到保护，而这些环节出现的问题可能来自其中任何一个参与者。许多机构都选择了第三方技术供应商来辅助运营，因此参与者之间的关系不再仅是双边的，有可能是多边的。Megan Long认为，金融机构将安全外包给其他参与者，一旦出现问题，追踪和问责都将十分困难，因此了解整个生态系统的风险变得尤为重要。

集中式监管和去中心化金融之间存在摩擦

Megan Long还发现，非传统金融参与者正在与去中心化金融、数字资产、消费者金融数据聚合、区块链和加密资产交易所一起迅速发展。这些金融活动过于新颖，以至于尚不能看到全部的风险。而鉴于去中心化金融固有的去中心化性质，很难让一个集中的监管实体来监督这个新系统的活动。因此，集中式监管和去中心化金融之间的摩擦，对传统监管方式提出了挑战。

不同国家和地区对"系统重要性机构"的评判存在较大差异

每个国家，甚至每个地区，都采取了不同的监管和降低系统性风险的方法。在全球范围内，监管的管辖权差异非常微妙，这些细微差别基于一个国家或地区的个别市场动态，并且会持续存在。那么是什么因素决定了一个机构能够导致的系统性风险以及在其中的权重？

"系统重要性金融机构"主要是基于传统因素来判断，如某家机构的资产账簿规模。然而，网络规模或特定实体的数字互联规模正逐渐变得比业务或实体本身的直观规模更为重要。比如，从财务角度来看，亚马逊网络服务不会在当前的监管制度中被归为"具有系统重要性的机构"，但作为全球四大云服务提供商之首，它处在当今金融体系健全运作的核心位置上。在这方面，中国监管机构已经指示中国科技集团蚂蚁集团在监管下成立一家金融控股公司。Megan Long认为，这表明中国司法机构正在积极识别他们认为构成系统性风险的实体，但至今尚未在西方国家看到类似的情况。

不过在欧盟，《数字服务法》（the Digital Services Act）中包含了针对大型科技公司的监管制度，旨在确保针对大型科技公司产生的不同运营风险进行充分管理。在Megan Long看来，这是一种宏观上间接的方法，可确保消除和解决导致网络攻击、跨境数据问题和其他系统性风险的漏洞。

错误和虚假信息泛滥引发市场恐慌

目前，有多种新的影响力正在推动金融体系的变革，可以将它们分为四大类：社交媒体平台、基于网络的论坛和社区、私人消息平台和在金融界影响力人士。这些新的影响力带动了零售投资者进入到传统中只有成熟市场参与者才能进入的领域。但是，通过数字渠道传播的错误和虚假信息同时也能够轻易覆盖到无数用户，并且由于许多信息共享完全发生在金融生态系统之外，传统的消费者保护机制无法应对这种情况。Megan Long认为，这种病毒式的传播趋势势必会影响公众情绪，并引发股票买卖狂潮，这可能会损害市场参与者的利益并削弱他们对整个系统的信任度。

人工智能中的偏见

金融服务的主要系统性风险之一是一些人工智能应用程序和算法的固有偏见。Megan Long表示，生态系统参与者可以开始采用有助于解决人工智能决策过程的企业框架，并评估每个阶段所需的透明度水平。例如，可以考虑更简单的机器学习形式。Long概述的一个技术原型是"反事实公平"（counterfactual fairness）：如果用于训练人工智能模型的数据包含对某些种族、性别或人口群体的社会偏见，那么最终这些模型随着时间的推移也会表现出相同的偏见；但是，如果开发团队能够考虑到并对这些不同的社会偏见进行处理，将有助于在涉及到算法偏见时解决透明度的问题。

数据库亟待完善和共享

新的数据来源也至关重要，以避免外生冲击的复合效应，这些外生冲击可能会危及系统参与者、国家和全球金融体系。在未来，边缘案例（仅在极端操作参数下发生的问题或情况）的出现将变得更加频繁，这就导致现存的数据无法对此做出预判。

因此，系统参与者应开始考虑加强他们的预警指标库，采购匿名的合成数据集，以帮助发现尚不存在的重要交互，并以历史数据作为样本进行模拟预测。此外，另一个正在探索的替代数据集是时空数据，其本质上意味着跨越空间和时间的信息。在涉及到不可预测或不可预见的未来案例时，这将有助于进行匹配，发掘出其中的模式。

Megan Long认为，当审视各个实体和司法管辖区的独立运作方式时，跨境数据共享是能够更好地利用可用数据的"首要操作"。数据必须自由共享，而不是保存在单个实体或国家的围墙内。在一个前所未有的互联世界中，只有承认将世界联系在一起的线索，才能够解决全球共同面临的挑战。