2. 金融业务基础

金融AI与模型工程的第一步，不是写模型，而是理解金融业务本身。金融业务的核心可以概括为：在不确定的环境中，把资金从盈余方配置到需求方，并对风险进行定价、转移和承担。AI在金融中的价值，正是围绕定价、风控、效率与合规四条主线展开。本节从市场结构、主要产品、交易流程、风险管理与监管要求五个维度建立业务地图，再落到AI的典型应用场景。

一、金融市场结构与主要产品

金融市场按交易标的可分为货币市场、资本市场、外汇市场、衍生品市场与另类资产市场；按发行与流通可分为一级市场与二级市场；按组织方式可分为场内交易与场外交易（OTC）。不同市场的参与者、流动性、透明度与监管强度差异显著，直接决定了AI模型可用的数据、可执行的策略与必须遵守的约束。

理解产品的关键在于抓住三个属性：现金流结构、风险暴露与合约条款。例如，债券是固定现金流加信用风险，期权是非线性收益加波动率风险，信贷是本金加利息加违约风险。AI模型的特征工程与目标函数，必须与这些属性对齐，否则再复杂的模型也只是数字游戏。

二、交易流程与AI介入点

一笔典型交易从决策到清算，通常经历以下环节：

1. 研究与信号生成：基本面、量价、另类数据转化为交易信号。
2. 组合构建与风控：在约束下优化权重，控制行业、风格与集中度暴露。
3. 订单生成与路由：拆单、选择交易场所与算法，降低冲击成本。
4. 执行与成交：撮合或做市，产生成交回报。
5. 清算与结算：确认、净额、交收与账务处理。
6. 合规与报告：交易留痕、异常监控与监管报送。

AI在前三个环节介入最深：信号生成用机器学习与NLP，组合构建用优化与强化学习，执行用智能算法（如VWAP/TWAP的改进版）。后三个环节则以规则引擎与自动化为主，AI更多用于异常检测与流程提效。

三、风险管理与监管要求

金融风险通常分为市场风险、信用风险、流动性风险、操作风险与合规风险。风险管理的标准流程是：识别、计量、监控、报告与缓释。AI在风险计量中应用广泛，例如用梯度提升树做信用评分，用深度学习做欺诈识别，用时间序列模型做VaR与压力测试。

监管要求是金融AI的硬边界。核心原则包括：

• 可解释性：信贷拒贷等场景需给出理由，避免“黑箱决策”。
• 公平性：不得基于性别、种族等敏感特征歧视，需做偏差检测。
• 数据合规：个人信息采集、存储与跨境需符合法规要求。
• 模型治理：模型需版本管理、审批、监控与定期重训。
• 审计留痕：决策链路可追溯，支持监管检查与内部审计。

四、AI在金融中的典型应用场景

结合前文的市场、产品、流程与监管，AI的典型落地场景可归纳为以下几类：

• 智能投研：财报解析、舆情摘要、事件抽取、因子挖掘。
• 量化交易：信号预测、组合优化、算法执行、高频做市。
• 信贷风控：申请评分、行为评分、额度定价、反欺诈。
• 保险科技：核保定价、理赔定损、欺诈识别、客户服务。
• 合规与运营：反洗钱、异常交易检测、KYC、智能客服。
• 资产管理与财富：智能投顾、组合再平衡、风险画像。

这些场景的共同点是：有明确的目标变量、有可获取的数据、有可量化的业务指标。例如信贷风控的目标是违约率与通过率的平衡，量化交易的目标是风险调整后收益，反洗钱的目标是召回率与误报率的权衡。模型工程的任务，就是把这些业务目标翻译成可训练、可评估、可上线的技术方案。

把这张图记在脑中：左边是业务对象，中间是流程，右边是AI场景，底部是监管约束。任何金融AI项目，都可以用这个框架快速定位：我们做的是哪个市场、哪个产品、哪个流程环节、服务哪个场景、受哪些监管约束。定位清楚了，模型工程的目标、数据、评估与上线路径才会清晰。