2.人工智能应用的渗透阶段。20世纪80年代至21世纪初期是人工智能应用的渗透阶段，这个阶段的显著特征是金融领域利用互联网技术连接金融产品、服务和客户，产品、服务、客户之间的互联渗透着人工智能技术的应用。人工智能应用的渗透阶段受金融网络化推动，该阶段相关研究的内容主要涉及金融网络化的效能以及风险管理。一方面，互联网技术突破时空限制，促进了对分布式信息的处理与整合，推进了金融运行效能的相关研究。互联网技术的发展促使金融领域智能程度得以提升，进而降低了交易成本，增强了信息处理能力，提高了金融体系效率。Franklin et al（2002）认为，金融利用互联网技术促进了信贷发展，加剧了金融脱媒，智能化的渗透弥补了传统金融的不足。Au & Kauffman（2008）研究发现，移动支付的迅速发展、信息技术的进步和扩散有助于金融运行效率的提高。金融行业依靠互联网技术的网络化极大地降低了交易成本，减少了信息不对称，扩大了金融市场的规模，提高了市场流动性。另一方面，互联网技术在金融领域的应用推进了风险管理的研究。基于技术进步的金融发展过程并不是线性的，其中充斥着各种冲突，包括新技术对旧技术的淘汰，旧技术建立起来的运行机制和组织结构无法适应新技术的生产力等问题。Berger et al（2009）认为，互联网技术与金融业务的有机结合将形成全新的金融模式，传统的风险管理将不再适用。人工智能的渐进式渗透使不同金融主体之间的相互联系更加紧密，风险更容易在金融体系中传播。3.人工智能应用的融合阶段。21世纪初期至今是人工智能应用的融合阶段，其显著特征是金融业与大数据、人工智能等新兴技术的深度融合。这个阶段的研究受金融智能化推动，研究内容主要涉及智能化金融模式的创新以及对用户情绪的分析。一方面是人工智能实现了对传统金融活动的颠覆，促进信用中介、信息收集、风险定价、投资决策等金融活动智能化、标准化、自动化发展，推进了对智能化金融模式的相关研究。金融领域的商业模式通过广泛使用人工智能，以自动化方式提供各种金融产品或服务。此外，人工智能与金融的融合可以整合长尾市场，缓解信息不对称，提高资金配置效率和金融风险管理能力。Arli et al（2020）认为，人工智能在金融领域的应用能够实现金融业务服务和数据处理的流水式作业，金融业务流程的身份识别、自然语言处理、全方位感知、交互式服务等使得许多金融活动可以由机器代替。另一方面，人工智能在金融领域的应用推动了金融业与企业、利益相关者和消费者群体等互动方式的改变，推进了对用户情绪挖掘的研究。Cui（2022）认为，在金融决策时，人工智能聊天机器人的拟人化激活了更大的心理风险依恋，从而使得消费者表现出更强的风险厌恶倾向，导致投资决策中的风险厌恶显著增加。此外，由于金融交易者的风险感知和隐私需求具有强异质性，也使得人们因隐私等问题而对智能金融服务产生了信任问题。
人工智能在金融领域的基础应用为金融智能化发展提供底层技术支持，相关算法与模型可促进金融中的预测、定价、欺诈、信用评估等问题研究。在预测研究方面，Nag & Mitra （2002）认为，各种经典计量经济模型不能有效预测货币汇率，与各种计量经济模型相比，基于神经网络和遗传算法的混合人工智能技术算法具有更好的预测性能，在精度和效度等性能上均更稳健。在定价研究方面，Broadie & Cao（2008）通过引入一种新的人工智能算法，提升了使用蒙特卡罗方法研究美式期权定价的有效性。erny & Kyriakou（2011）提出一种改进的快速傅立叶变换定价算法，以有限差分、前向密度卷积算法和蒙特卡罗模拟为基准研究期权定价问题，其在算力和速度上均具有显著优势。在金融欺诈研究方面，Ravisankar et al（2011）应用一系列数据挖掘方法（多层前馈神经网络、遗传规划、支持向量机、概率神经网络等）研究企业财务报表欺诈问题，发现概率神经网络优于不涉及特征选择的数据挖掘技术，而遗传规划和概率神经网络优于所有其他的特征选择技术。
随着人工智能技术的不断突破以及计算机计算能力的显著提高，深度学习模型为处理海量数据和建立复杂而准确的学习模型提供了基础支持。Huang et al（2021）认为，人工智能技术在处理金融问题时的准确性优于传统统计方法，特别是在处理非线性模式时，人工神经网络、专家系统、变分模态分解和混合智能系统等方法在信用评估、投资组合管理、金融预测和规划领域应用的准确性显著优于传统的统计方法。
人工智能在金融领域的基础应用可以为海量数据的处理和分析提供更可靠的技术支持（Lee et al，2021）。传统金融征信信息通常只包含较强的金融属性，如信用、信用卡、外汇、民间借贷等金融交易数据；与传统的信用信息系统不同，人工智能模型的研究集成了大数据和互联网技术，考虑了金融、政府公共服务、生活以及社会数据，这些人工智能模型打破了数据孤岛，覆盖了多样化的数据源。因此，人工智能模型适用于传统金融模型无法解决的更复杂的场景。Gunnarsson et al（2021）认为深度学习是管理高维信用特征数据的有效方法，基于深度学习的信用评估模型可以从数千个数据项和数万个变量中获取大量数据，建立众多的信用风险预测子模型，并将这些模型集成到学习中，获得综合信用评分。与严重依赖金融信息可用性和专家经验的传统方法相比，人工智能在金融领域的基础应用可以通过异构数据源自动识别隐藏模式，从而在评估风险时实现更好的用户分析。
一方面，就金融机构来看，通用场景涉及信用评价、客户关系管理和商业模式创新。在信用评价研究方面，Yeh et al（2012）通过比较传统的信用评价和基于随机森林、粗糙集理论等人工智能的信用评级方法发现，人工智能方法在信用评级中不仅可以更有效地提取市场价值，而且在预测等方面更有效和更精准。Han et al（2013）通过比较研究支持向量机和传统方法在信用评估中的差异发现，支持向量机不仅降低了信用评估的复杂度，加快了收敛速度，而且获得了更好的效度和精准度。
客户关系管理主要是基于人工智能对金融交易业务的通用场景进行设计，如识别客户信息，预防欺诈等。Abdou et al（2016）认为，人工智能不仅能够通过级联相关神经网络帮助金融机构部门进行预测和决策，还能够将人工智能融入微观审慎和宏观审慎监管、信息管理、预测或监测欺诈等活动。Zhou et al（2022）研究了移动设备场景中的信用欺诈问题，认为使用梯度提升决策树能够有效识别移动设备支付中银行卡注册中的欺诈监测问题。Goode（2018）通过比较不同方法在欺诈检测中的表现，研究了客户身份信息识别问题，结果发现，商业银行采用的生物识别技术可以用于客户身份验证，并能提高效率和安全性。Zhang et al（2021）认为，深度学习在信用卡欺诈识别中比传统的异常值监测方法更为有效。
商业模式创新主要是通过人工智能实现传统金融业态和模式的突破。Mahalakshmi et al（2022）认为，人工智能和机器学习改变了金融机构生成和使用数据洞察的方式，推动了新型商业模式的创新。人工智能在金融领域的通用应用打破了传统的支付、信贷以及保险的商业模式，并衍生出了加密货币、P2P借贷、云保险等新型金融业态和商业模式。
对企业而言，人工智能可以通过识别监管规定的产品和服务、业务模式、控制和操作程序，帮助企业应对监管和合规要求，控制和管理金融监管风险，实现监管报告、业务系统和数据合规。Buckley et al（2020）认为，欧盟的金融服务和数据保护监管改革推动了监管机构对人工智能的使用，以支持更高效、稳定、普惠的金融体系。Danielsson et al（2022）认为，人工智能正在迅速改变金融系统的运作方式，并为风险管理人员和金融监管当局提供帮助。
第二，受益于对大数据的处理能力，人工智能能够全面挖掘客户信息，匹配用户需求。Kadim & Sunardi（2023）在研究理财产品推荐服务中发现，人工智能通过用户数据刻画用户特征，构建个性化的行为模型，通过将马科维茨的投资组合理论与传统的推荐方法相结合，实现客户的个性化投资需求。Ngai et al（2021）认为，大数据分析可以整合来自多个通信渠道（电话、电子邮件、短信等）的数据，协助客服人员全面了解客户问题的背景，并解决客户的个性化问题。此外，基于自然语言编程、机器学习的聊天机器人和语音助手，通过收集用户的个性化数据，能够在金融服务的各个阶段为用户提供24小时帮助，提升用户体验，减轻员工负担。
第三，用户偏好研究主要涉及人工智能在挖掘用户偏好中的应用以及用户对人工智能的接受程度。大多数财富经理使用基于报表系统的简单规则分析不能有效描述用户偏好，而Bahrammirzaee（2010）认为，基于人工智能的智能代理可以结合结构化金融和非结构化的行为数据评估客户的投资风格和风险承受能力，从而精确描述用户偏好。在研究偏好对投资意愿的影响时，Dwivedi et al（2019）研究发现，心理、动机和偏好均会影响个人的投资意愿，其中偏好在客户的投资意愿中发挥了核心作用。Cui（2022）研究发现，基于人工智能的聊天机器人会改变用户对金融投资选择的风险偏好。此外，也有研究认为人工智能并不能替代真实理财顾问，Larkin et al（2022）研究发现，虽然人工智能能够分析数据并自主决策，但用户更偏好从真实理财顾问那里获得投资建议。
1.技术进步对金融发展的影响。技术进步会推动各种应用领域开展技术升级，金融领域是连接不同利益主体的核心领域，技术进步特别是基础技术能力创新成了人工智能影响金融发展的重要理论机制。技术进步在金融领域的应用能够更有效地解决或改善金融领域存在的特殊性问题，如信息不对称、“劣币驱逐良币”等典型事实。Boot et al（2021）研究了技术进步对金融中介的影响，通过大数据和人工智能的结合而崛起的数字平台优化了金融服务模式，改善了资金供求双方的信息不对称问题。技术进步也推动了金融发展向数字化和智能化的改变。Gomber et al（2018）通过研究技术进步对金融领域的影响发现，技术进步促进了金融领域的主流产品和服务更加全面的数字化，通过数字化技术促进了更多的金融创新模式出现；新型金融创新模式与人工智能的进一步融合，如在线支付、加密货币等技术的深度应用，促进了相关的支付平台、智能合约等纵深发展，这些技术递进式地驱动了人工智能在金融领域的应用。Coccia（2019）认为，技术进步不仅能够驱动经济增长，而且能够推动产业转型，人工智能在金融领域的应用改变了金融服务流程，驱动金融服务向智能化发展。
在金融发展对资金需求方面，对金融领域中人工智能技术的投入使得资金需求存在大量缺口。Panetta（2017）认为，信息技术和社交媒体进入金融系统的供给端，使得与人工智能相关的金融服务需求增加，进而促使金融领域发展人工智能需要更大的资金。在经济发达、风险资本充裕的国家，金融领域的人工智能技术能够获得充足的资本投入并实现快速发展，而其他国家对金融领域人工智能的投入仍然面临大量的资金缺口，金融领域人工智能技术的投资需要精细化。Chen et al（2019）认为，机器人咨询和区块链技术是金融领域人工智能技术中最有价值的投资。Campanella（2023）则指出，资本市场对人工智能的大规模投资不足以获得竞争力，但在特定产品上进行有针对性、精心策划的投资有利于提升金融业的竞争力。
风险事件主要涉及金融危机以及新冠疫情大流行对金融运行环境的改变。2008年的金融危机促使国家和国际监管机构提高了金融领域的监管要求，促进了人工智能在金融领域的应用。Laahanen et al（2019）研究发现，2008年金融危机后金融业监管环境发生了显著的改变，银行提供的服务环境与现代客户不断上升的标准、需求存在的差距越来越大，风险因素增加，故后金融危机时代必须对传统金融机构实行更加严格的监管。Treu（2022）认为，2008年金融危机的原因是新的金融服务的出现，改变了传统的金融服务环境。在新冠肺炎大流行的影响下，愈发凸显了人工智能在应对重大风险事件过程中的作用，进一步促进了金融与人工智能的融合。
1.数据资源对金融发展的影响。金融领域的数据资源具有数据量大、数据产生速度快以及数据种类丰富的特征。人工智能的应用需要大量数据来训练模型，金融领域丰富的数据资源就成为其基础性材料。数据资源的增长促进了包括金融在内的多个行业在数据分析方面的进步，为人工智能的应用提供了机遇。Gai et al（2018）提出了数据驱动的金融发展框架，认为人工智能的应用将在安全隐私、数据技术、硬件与基础设施、应用管理和服务模式五个方面发挥重要作用。
人工智能的发展丰富了数据资源的获取渠道。Flavian et al（2020）认为，随着信息与通信领域技术的不断发展，人们的许多活动和社交空间从线下转移到线上，移动设备的使用丰富了人工智能获得数据的渠道。Oh et al（2023）研究了非结构化数据转化为结构化数据的方法，将客户评论数据由文本数据转化为数值数据，实现对客户情绪的量化分析，拓展了数据资源的获取渠道，提升了数据资源的丰富性。
第二，在数据处理效率的改善上，人工智能的应用使得业务处理和信用评估效率都得到提升。Fuster et al（2019）研究了人工智能对贷款处理效率的改善，结果发现，在贷款风险相同的情况下，利用人工智能技术对抵押贷款市场上的贷款申请进行审批的速度比传统贷款机构快20%。Berg et al（2020）研究了人工智能对信用评估效率的改善，结果发现人工智能能够更高效地匹配用户数字足迹信息与信用评估信息的内容，提高信用评估的效率。
2.人工智能在金融领域的应用对生产效率的影响。从金融部门的生产效率来看，人工智能通过影响金融深度和金融广度可以提升金融部门的生产效率。人工智能对金融服务深度的影响主要体现在挖掘与客户相关的信息方面；对挖掘的客户信息进行分析可以缓解信息不对称，进而为客户提供个性化服务等。Lee et al（2021）在研究中小企业融资时发现，金融机构利用人工智能技术有效挖掘中小企业的信息能够精准匹配中小企业资金需求，缓解金融机构与中小企业之间的信息不对称。Shanmuganathan（2020）研究发现，人工智能技术应用到金融领域后，金融机构能够提供多种智能化金融产品来满足消费者的个性化需求；个性化服务既能降低单一产品的交易成本，又能提高消费者效用，通过范围经济效应实现金融领域效率的提升。人工智能对金融服务广度的影响主要体现为金融普惠性的提升。Bholat & Susskind（2021）研究发现，人工智能以低成本和高效率的优势延伸了金融市场的服务边界；通过智能化服务聚焦长尾市场，满足了80%的中小企业和低收入人群的金融需求。服务边界的延伸和长尾市场的聚焦拓展了金融服务的广度，进而提升了金融部门的效率。此外，人工智能可以促进银行之间的竞争。金融机构为了保持竞争优势，会不断利用人工智能技术更新其产品和服务，这些产品和服务可以帮助企业获得长期信用贷款，更好地满足不同企业的生产需求，进而提升金融部门效率。
从企业部门生产效率来看，人工智能通过改变企业投入要素影响生产效率。对初创企业而言，原始资金的成本是限制企业发展的重要因素，Ahluwalia et al（2020）认为，基于区块链技术的人工智能可以解决创业生态系统中一些固有的低效率问题，显著降低创业生态系统中创业者、天使投资人、风投等利益相关者的交易成本，进而降低初创企业的资金成本，提升初创企业的生产效率。在企业正常的生产经营环节中，人工智能技术可识别企业资金链上的风险点，进而提高企业生产效率。Begenau et al（2018）在研究资金投入链时发现，人工智能的应用改善了企业的融资环境，减少了融资的不确定性，提升了企业资金投入的稳定性。Ling et al（2021）研究发现，新冠肺炎大流行增加了企业的融资约束，而人工智能在金融领域的应用可以帮助企业更有效地获得融资，降低资金投入链断裂的风险。在资金运营链上，Lv & Xiong（2022）研究发现，企业资金运营效率与人工智能水平呈正相关关系，人工智能应用越深、覆盖范围越广，越有利于提高当地企业的资金运营效率。在资金回笼链上，Jia et al（2022）构建了基于人工智能的财务决策支持系统，从而发现通过人工智能技术的综合应用可以有效提高资金回笼的及时性和准确性，并降低财务决策成本。
（二）人工智能在金融领域应用的消费效应
1.人工智能在金融领域的应用对消费质量的影响。人工智能在金融领域以低成本和高效率的优势扩大了金融服务覆盖范围，通过智能化服务聚焦长尾市场提高了弱势群体的收入水平和消费质量。人工智能的应用提升了居民收入水平，从根本上提高了居民的消费潜力，Zhang et al（2020）研究了2010-2014年间人工智能的应用对中国家庭收入的影响，发现人工智能的应用提高了家庭收入，而对农村家庭收入提高的显著性更强。Wang & He（2020）研究了人工智能的应用对中国农村农民贫困脆弱性的影响，发现人工智能的应用改善了农村农民的贫困脆弱性，提高了农村的收入水平。Arner et al（2020）在研究城乡消费差距时发现，人工智能水平的提高能够增加城乡居民收入，进而促进家庭消费，缩小城乡消费差距。此外，人工智能的应用有助于居民消费从生存型转向享受型，同时缓解居民消费资金的流动性约束，进而提高居民的消费质量。
人工智能应用除了通过增加收入和提升消费质量影响家庭消费外，还可以通过改变消费行为影响家庭消费。在交易主体之间的相互信任方面，通过大数据分析可以缓解交易主体之间的信息不对称问题，使交易更加安全透明，使得消费过程更加便捷高效，人们也更容易获得消费信贷来促进消费。Luo et al（2022）研究发现，人工智能技术的应用使得以信用卡、消费贷、移动支付为主流产品的消费金融快速扩张，支付的便利性改变了消费者的生活和消费方式。在交易方式的便利性上，基于人工智能的智能化金融产品和服务使消费者需求和欲望更容易得到满足。Li et al（2020）利用中国家庭金融调查的数据研究发现，基于人工智能的金融服务为用户提供网上购物、数字支付、在线信贷、购买金融产品和互联网商业保险等提供了更多的便利性，从而促进了家庭消费。
2.人工智能在金融领域的应用对数字消费鸿沟的影响。人工智能技术的应用是非均质的，差异化的人工智能应用水平导致信息、技术的拥有程度、应用程度均存在差别，进而造成的信息落差可能会导致数字消费鸿沟。一方面，基础设施和资源的匮乏会导致人工智能技术的接入鸿沟。Hinson et al（2018）研究发现，非洲国家农村地区电力以及通信基础设施不足以及其他资源的缺乏阻碍了人工智能的应用。Odei- Appiah et al（2022）也发现，即使在人工智能带来了经济和社会生活的变革的地区，人工智能应用的地域不平衡也会导致消费者在获取和使用人工智能机会方面存在差异。人工智能发展的不平衡加剧了全球的不平等，形成了技术边缘区域和数字消费鸿沟。
另一方面，人工智能接受主体的差异会导致人工智能应用的消费鸿沟。对于初次应用人工智能的地区，其服务效率受到限制。Nedungadi et al（2018）研究发现，在发展中国家中存在许多首次接触人工智能技术的用户，他们的数字素养较低，限制了人工智能技术的应用。另外，消费者对于陌生技术存在天然的排斥心理，Longoni et al（2019）研究发现，人工智能在考虑客户的独特特征和环境方面不如人工服务提供者，这导致了消费者的排斥心理。目前人工智能的应用能够替代人类完成常规任务，但无法复制人类的非常规能力，如抽象的分析能力、人际交往和社会行为能力等，因此，一些消费者天然抗拒对人工智能的使用。Northey et al（2022）在研究客户接受金融建议的研究中发现，在零售银行环境中，消费者更相信人工金融顾问的建议，对人工智能投资顾问的金融建议接受程度较低；人工金融顾问对客户投资意向的影响比人工智能对其投资意向的影响更为显著。
（三）人工智能在金融领域应用的就业效应
1.人工智能在金融领域的应用对就业的抑制效应。人工智能的应用将替代诸多传统金融岗位，从而造成就业率下降。在人工智能应用于金融具体场景的研究中可以发现，人工智能的应用替代了传统金融业的许多岗位。在投行和证券研究等金融服务领域中，投资顾问和行业分析报告等岗位的主要工作就是撰写研究报告，但人工智能技术的应用，使自然语言处理及OCR技术可以方便快捷地完成固定格式的文档撰写工作，并最终形成文档，相应地，原来的人工岗位被替代。基于人工智能的智能投顾替代传统投资顾问，Belanche et al（2019）研究发现，借助计算机和量化交易技术，能够为经过问卷评估的客户提供量身定制的资产投资组合建议，以最少量人工干预的方式帮助投资者进行资产配置及管理。在企业管理领域，人工智能技术的应用能够优化企业管理流程。Brownsword（2019）研究发现，智能合约利用编程的方式可以便捷可靠地实现特定情况下合约的自动执行，让程序代替人类完成既定的操作。Mosteanu & Faccia（2020）研究指出，应用人工智能技术处理单证业务是通过金融中心系统完成的，故人工智能技术处理一方面便于对交易文件实现网络追踪，保障交易的安全性，另一方面比传统的信用证结算方式程序简便。基于此，人工智能技术可以替代人工对单证的处理。
1.人工智能在金融领域应用的技术风险。人工智能在金融领域的应用推动产生了许多新型的金融应用场景，然而这类应用场景在人工智能技术上具有同质性，这种同质性容易引致技术性风险。人工智能的底层算法和运算模式具有同质性，一旦这些技术被破译或遭受黑客攻击，那么所有应用这些技术的金融业务体系都会在短时间内陷入瘫痪，风险将溢出至金融体系的各个主体，引发系统性风险。此外，基于人工智能模型的分析结果具有确定性，确定性使基于人工智能的金融分析容易被诱导至错误的结果。基于自动交易算法的交易模式，在数据输入情形确定的情况下，其交易结果是确定的，Arnoldi（2016）研究指出，人类交易员可以通过破解自动算法，导致其执行相反的操作，引致市场操作风险。黑客人员也可以通过操纵算法决策所依据的数据来控制算法交易者的决策，Nehemya et al（2020）研究发现，攻击者即使在不知道交易算法内部工作原理的情形下，依然可以通过实时操纵输入数据流获得对算法交易机器人的控制。
2.人工智能在金融领域应用的泄露风险。人工智能需要通过信息技术分析大量的用户信息数据以实现金融智能化应用，而大量信息数据在使用过程中若缺乏相应的技术保护，便会导致数据泄露引致用户安全风险。鉴于金融领域交易的特殊性，使用金融服务的用户均需提供详细的个人信息，因此金融服务商不仅掌握了诸如证件号码、手机号码等大量用户真实身份信息，同时还掌握了用户银行卡号、卡片验证码、卡片有效期、客户住址、电话、交易记录等大量敏感性信息，这使得人工智能技术在应用过程中存在较大的用户信息资料泄露隐患。用户信息泄露将进一步导致用户风险，Goncharenko & Miglionico（2019）认为，用户自己在注册时会提供用户的姓氏、工作或学习地点、居住地、生活习惯、婚姻状况、地理位置等信息，当社交网络用户的个人数据泄露被用于不法的用途时，用户就面临被欺诈的风险。Cao et al（2021）认为，敏感数据是不能免费获取的信息，非法使用这些信息可能会导致在日常生活中出现价格、政治和其他方面的歧视，对用户造成损害或伤害。人工智能在数据保护技术上不能与其发展相匹配或者存在技术漏洞导致客户信息数据被恶意盗取，将给金融市场带来极大的不稳定性。
3.人工智能在金融领域应用的业务风险。尽管人工智能技术的应用使金融体系更加高效和智能，但并未改变金融业务风险，甚至在某些方面强化了金融业务风险。由数据驱动的智能化交易策略在宏观经济环境稳定的情形下才适用，在面临经济动荡的环境时可能会做出错误的决策。Chemmanur et al（2020）在对人类和自动化系统执行交易的差异研究中发现，自动化交易系统倾向于在经济动荡时期减少交易，这可能进一步加剧金融市场风险。此外，人工智能技术的应用增强了不同主体之间的关联性，导致风险在高度关联的背景下传播速度更快，风险传染性更强。在国家之间金融风险传染的研究中，Engle et al（2015）发现，人工智能技术的应用强化了系统性风险在不同经济主体之间的扩散。在金融机构与金融市场之间金融风险传染的研究中，Benoit et al（2017）发现，人工智能技术的应用使得金融机构与市场的关联性更加紧密，单个金融机构或市场所受到的变动与冲击将通过部门间的紧密联系导致风险传播速度更快，传染效应更为强烈。人工智能技术在金融领域的应用使得利益相关者的节点呈现网络特征，这种网络连接了不同市场、区域和业务，网络特征又强化了风险的传染性，进一步导致跨业务、跨市场、跨区域传染过程更复杂，传播速度更快，影响范围更大。
（二）人工智能在金融领域应用的监管研究
1.人工智能对金融监管机构的影响。人工智能技术在金融领域的应用有助于金融监管机构更准确地掌握风险的传播路径和风险位置，更早地识别金融风险；同时，人工智能技术的应用也可以为金融监管提供系统性风险形成和扩散的实时信息。在信用风险的监管方面，Chao et al（2022）认为，使用机器学习、生物识别和自然语言处理等智能技术，有助于整合用户的个性化需求和差异化风险偏好，根据用户行为数据准确描绘用户画像，形成准确的用户行为评估，以强化信用风险监管。在资金流动的监管方面，Herskind et al（2020）构建了一种基于区块链的自动现金流架构，该框架实现了现金流的完全透明，从而降低了被欺诈的概率。在系统性风险监管方面，Bhattacharya et al（2020）认为，金融监管需要构建多方位、多情景的风险评价指标体系，通过人工智能实现对金融风险数据的动态监测，对风险集聚和扩散的实时预警。Horel & Giesecke（2020）认为，通过人工智能可以建立异构风险案例数据，以便标注、识别和监测潜在的风险，实现对系统性风险行为的全面监管。
2.人工智能对企业财务监管的影响。人工智能不但可以帮助监管机构实现对风险的监管，而且能够帮助企业监管其自身的财务状况，降低企业的财务风险。企业财务风险与现金流量的变化类型具有非常强的关联性，而不同类型的资金流量变化与企业运营阶段具有相关性，故探索财务风险与现金流量变化之间的规律，可以区分企业不同的财务危机阶段。Khemakhem & Boujelbene（2018）利用人工神经网络和决策树构建了企业风险预测模型，结果表明，盈利能力、还款能力、偿付能力、信用报告持续时间、担保、公司规模、贷款数量、所有权结构和银企关系持续时间是预测违约的关键因素。Khemakhem et al（2018）进一步将人工智能与统计技术结合，通过人工智能和统计方法建立了企业财务与风险之间的关系，为企业财务风险监管提供了方法论基础。在企业自身的经营管理方面，Kim et al（2020）利用深度神经网络对企业的运营进行了评估，并设计了合适的网络框架来分析和处理企业数据，提升了对企业财务风险的监管能力。在企业财务风险指标的监管方面，Vaghfi & Darabi（2019）通过决策树、支持向量机和贝叶斯分类方法，发现了财务风险与通货膨胀之间的直接关系，以及非行权率、股票收益率和经营性现金流比率对财务的负面影响，从而帮助企业将监管目标由问题转向指标。3.人工智能对监管效率的影响。人工智能通过已成熟的大数据和云计算技术建立实时、动态的监管系统，能实现监管数据的共享与集成，优化金融机构资产端和负债端等业务的监管流程，建立数据驱动的算法监管体系，最终提升监管效率。人工智能技术有助于将监管的重点从事后应对问题转移到风险发生之前的识别和防范。Arner et al（2016）认为，监管机构可以在人工智能的帮助下获得对市场的实时洞察，从而提前识别风险。人工智能技术也能提高监管机构与被监管对象之间的协调性，Sui & Li（2018）研究了基于复杂网络的多部门协调监管机制，通过人工智能实现多机构的工作机制和优化布局，协调监管的配套实施方法和管理规定，提高了监管效率。目前，对于人工智能技术在金融领域应用中的监管研究更为细致，在金融交易流程的监管方面，Baek et al（2019）认为，通过人工智能技术给钱包贴上可识别交易的标签可以帮助金融机构、私营部门、金融情报机构和政府机构识别和检测涉及非法活动的交易，强化交易过程监管。Chao et al（2022）认为，区块链技术可以利用市场交易行为，以及账户、交易所之间的相互关系，实现对募资和黑市的监控预警；区块链技术还可以实时利用链上的所有交易信息和贷款交易的公众账簿实现监管信息的实时获取，从而增强监管的及时性。
3.人工智能在金融领域应用的智能监管政策。人工智能推进金融业态智能化，金融监管也必然需要实现智能化，使监管和被监管机构技术上具有适配性。大数据、人工智能和区块链技术对金融领域的渗透会远大于其他领域，但制度需要保持连续性的特征，使得金融监管制度转换的速度远远落后于人工智能技术在金融领域中的应用速度，导致金融监管中出现许多创新与监管之间的非协同问题。Arner et al（2017）基于国际上监管沙盒制度的比较，强调监管部门应转变监管理念，政策应该积极引导发展智能监管，采用监管沙盒模式鼓励金融创新。Arner et al（2018）认为，智能监管可以实现接近实时和相称的监管制度，识别和解决风险，同时促进更有效的合规监管，故政府应该推动智能监管的发展。Magnuson（2018）研究发现，金融市场的潜在风险对监管政策和手段提出了更高的要求；在人工智能技术应用的背景下，监管机构不仅要关注大型金融机构相关的风险，而且需要关注人工智能技术引致的小型、分散的金融市场风险。
