AI 在金融業的應用：從詐欺偵測到智慧投資 — iPAS AI 應用規劃師證照教學

一、學習目標

完成本單元後，你將能夠：

說明金融業為何是 AI 應用最成熟的產業之一
描述信用評分模型的運作邏輯與公平性挑戰
理解詐欺偵測的技術原理與類別不平衡問題
解釋演算法交易與量化策略的 AI 技術基礎
說明 NLP 如何應用於智慧客服與投資顧問
掌握 AI 在市場風險管理與法規遵循中的角色
了解台灣金管會 AI 指引的核心要求

二、核心內容

2-1 為什麼金融業是 AI 的最佳訓練場？

生活比喻：金融業就像 AI 的奧林匹克運動場——規則明確、有大量數據、成敗一目了然。

金融業之所以成為 AI 落地最深、最廣的產業，有三個結構性原因：

1. 資料量龐大且高度結構化 每天數以億計的交易紀錄、信用查詢、客戶行為日誌，全部以數字形式存在，幾乎不需要複雜的資料前處理就能直接餵給機器學習模型。

2. 成效指標清楚可量化 預測準不準？詐欺抓出來多少？獲利損失幾元？金融業的 KPI 非常明確，AI 模型的好壞可以被直接量測與比較。

3. 決策的速度要求遠超人類 高頻交易以毫秒計算、詐欺偵測需要在交易完成前完成判斷，這些場景下人工審核根本跟不上，AI 是唯一解。

2-2 應用一：信用評分（Credit Scoring）

生活比喻：銀行借你錢之前，要先評估你還錢的可能性——就像你借東西給朋友前，會先想想他過去的信用紀錄。

傳統做法 vs. AI 做法

面向	傳統信用評分	AI 信用評分
方法	統計公式（FICO 分數）	Logistic Regression、XGBoost、隨機森林
特徵來源	收入、負債、還款紀錄	以上 + 消費行為、社交資料、手機使用紀錄
更新頻率	定期更新	可即時更新
可解釋性	高	XGBoost 中等，深度學習低

常用特徵（Features）

收入水準與穩定性（Income stability）
負債比率（Debt-to-income ratio）
過去還款紀錄（Payment history）
信用使用率（Credit utilization）
信用申請次數（Hard inquiries）

核心挑戰：公平性與可解釋性

AI 信用評分面臨的最大爭議是演算法歧視（Algorithmic Bias）。若訓練資料本身帶有歷史偏見（例如某族群過去因非信用因素而貸款被拒），模型可能學到並放大這些偏見。

台灣金管會 AI 指引要求：金融機構使用 AI 進行信用決策時，必須能對客戶說明決策理由，不得以「黑箱」為由拒絕解釋。這正是為什麼可解釋 AI（Explainable AI, XAI）在金融業格外重要。

方法	可解釋性	準確度	金融業適用性
Logistic Regression	高	中	法規遵循首選
XGBoost	中（可用 SHAP 解釋）	高	主流選擇
深度神經網路	低	高	需搭配 XAI 工具

2-3 應用二：詐欺偵測（Fraud Detection）

生活比喻：信用卡公司就像便利商店的店員，在你結帳時悄悄觀察——如果你突然在凌晨三點於海外刷了一筆不尋常的消費，店員（AI）會立刻發出警報。

技術架構

詐欺偵測是典型的**異常偵測（Anomaly Detection）**問題：大多數交易是正常的，詐欺行為是少數異常點。

規則型系統（Rule-based）：設定固定規則（如「單筆超過 10 萬元自動審核」），速度快但容易被繞過
機器學習模型：Isolation Forest、One-class SVM，學習「正常行為」的邊界
序列模型（LSTM）：分析交易序列的時間模式，例如「5 分鐘內在三個不同城市刷卡」這種時序異常
即時評分（Real-time Scoring）：每筆交易在幾毫秒內完成風險評分，超過閾值才觸發人工審核

核心挑戰：類別不平衡（Class Imbalance）

詐欺交易可能只佔所有交易的 0.1%，若模型把所有交易都預測為「正常」，Accuracy 高達 99.9%，但毫無用處。

解決方法：

技術	說明
SMOTE（合成少數類過採樣）	人工生成詐欺案例，補充訓練資料
調整類別權重（Class Weight）	讓模型在詐欺案例上給予更高懲罰
使用 Recall 而非 Accuracy	評估指標改為「所有詐欺中被抓到的比例」
Threshold 調整	降低判定詐欺的機率門檻，寧可誤判也不漏判

2-4 應用三：演算法交易與量化策略（Algorithmic / Quantitative Trading）

生活比喻：傳統交易員像廚師憑感覺調味；量化交易員像食品工廠，用精確配方大量複製，AI 則讓這個工廠能自動學習新食譜。

三大技術方向

① 時間序列預測（Time Series Forecasting） 使用 LSTM、Transformer 等模型預測股價走勢，輸入為歷史價格、交易量、技術指標（MACD、RSI）。

② 強化學習（Reinforcement Learning, RL） AI 代理在模擬市場環境中學習買賣策略，透過反覆試錯找到最大化報酬的行動策略。

③ 情緒分析（Sentiment Analysis） 對新聞標題、財報電話會議逐字稿、社群媒體貼文進行 NLP 分析，提取市場情緒信號：

新聞：「Fed 暗示升息步伐放緩」
  ↓ NLP 情緒分析
情緒分數：+0.72（正面）
  ↓ 交易訊號
動作：買入股票 ETF

重要警示

風險	說明
過度擬合（Overfitting）	模型在歷史資料表現完美，實盤卻慘敗
市場衝擊（Market Impact）	演算法大量下單影響市場本身
閃崩風險（Flash Crash）	多個 AI 系統同時做出相同決策，導致市場瞬間崩潰

2-5 應用四：智慧客服與 AI 理財顧問（Smart Customer Service）

生活比喻：過去你得排隊等銀行行員解答問題；現在 AI 客服 24 小時在線，還能根據你的帳戶資料給出個人化建議。

技術堆疊

意圖分類（Intent Classification）：判斷客戶訊息屬於「查詢餘額」、「掛失卡片」還是「申請貸款」
實體抽取（Named Entity Recognition, NER）：從對話中識別帳號、金額、日期等關鍵資訊
GPT 型對話模型：生成流暢、符合語境的回應，處理複雜或開放式問題
人工轉接機制（Human Handoff）：偵測到高情緒負荷或高風險問題時，自動轉接真人客服

AI 理財顧問（Robo-Advisor）

根據客戶的風險承受度、投資目標、年齡等資料，自動生成資產配置建議（如股債比例），並持續再平衡（Rebalancing）。台灣的國泰、玉山、永豐等銀行均已推出相關服務。

2-6 應用五：風險管理與法規遵循（Risk Management & RegTech）

生活比喻：AI 就像銀行的 24 小時健康監測儀——持續追蹤所有「生命跡象」，一旦偵測到異常就立即發出警報。

市場風險建模（Market Risk Modeling）

VaR（Value at Risk）模型增強：傳統統計假設常態分布，AI 可學習更複雜的尾部風險
壓力測試（Stress Testing）：模擬極端情境（如金融海嘯、COVID 衝擊）對資產組合的影響
情境分析（Scenario Analysis）：生成多個假設情境，評估不同總體經濟條件下的曝險

法規遵循自動化（RegTech）

任務	AI 技術
反洗錢（AML）監控	圖神經網路（GNN）追蹤資金流向
KYC 身份驗證	電腦視覺（CV）+ NLP 核驗文件
法規報告自動生成	NLP 萃取數據、自動填報
異常交易申報	異常偵測模型即時標記

2-7 台灣金管會 AI 指引重點

台灣金融監督管理委員會於 2023 年發布「金融業運用人工智慧（AI）指引」，核心要求包括：

原則	具體要求
可解釋性	對客戶的 AI 決策（如信用拒絕）須能說明主要理由
公平性	禁止以不當特徵（如種族、性別）作為信用決策依據
人工監督	高風險決策須有人工審核機制，不得全自動化
資料治理	訓練資料須合法取得，確保資料品質與代表性
持續監控	模型上線後須定期評估效能與公平性，防止模型漂移

2-8 倫理考量：演算法歧視與問責制

借貸決策中的歧視風險

若訓練資料反映了歷史上對特定族群的不公平對待，AI 模型可能將歧視自動化並規模化。例如，郵遞區號（代理變數）可能間接反映種族或社經背景，導致模型對特定社區居民系統性拒貸。

演算法問責（Algorithmic Accountability）

誰為 AI 的錯誤決策負責？是開發者、金融機構，還是模型本身？
台灣《金融消費者保護法》要求金融機構對消費者負有說明義務
歐盟 AI 法案（EU AI Act）將信用評分列為「高風險 AI 系統」，要求嚴格監管

三、關鍵名詞中英對照

中文	英文
信用評分	Credit Scoring
詐欺偵測	Fraud Detection
演算法交易	Algorithmic Trading
量化交易	Quantitative Trading
異常偵測	Anomaly Detection
類別不平衡	Class Imbalance
情緒分析	Sentiment Analysis
智慧客服	Smart Customer Service
機器人理財顧問	Robo-Advisor
意圖分類	Intent Classification
實體抽取	Named Entity Recognition (NER)
市場風險	Market Risk
壓力測試	Stress Testing
風險值	Value at Risk (VaR)
反洗錢	Anti-Money Laundering (AML)
法規科技	RegTech (Regulatory Technology)
可解釋 AI	Explainable AI (XAI)
演算法歧視	Algorithmic Bias
演算法問責	Algorithmic Accountability
再平衡	Rebalancing
閃崩	Flash Crash
強化學習	Reinforcement Learning (RL)

四、考試重點提示

重點 1：金融 AI 五大應用場景 信用評分、詐欺偵測、演算法交易、智慧客服、風險管理。每個場景都有其核心技術與主要挑戰，考試常以情境題方式考「哪個技術對應哪個應用」。

重點 2：詐欺偵測的類別不平衡問題 詐欺案例極少（0.1% 以下），Accuracy 不是正確的評估指標，應改用 Recall 或 F1-Score。解決方法包括 SMOTE、調整類別權重、降低判定閾值。

重點 3：信用評分的可解釋性要求 台灣金管會明確要求金融機構的 AI 信用決策須能說明理由，因此可解釋 AI（XAI）與 SHAP 值在金融業格外重要。Logistic Regression 天生可解釋；XGBoost 需搭配 SHAP；深度學習可解釋性最低。

重點 4：量化交易的三大 AI 技術 時間序列預測（LSTM/Transformer）、強化學習（RL）、情緒分析（NLP）。考試常考這三者的技術名稱與對應的市場應用。

重點 5：台灣金管會 AI 指引核心原則 可解釋性、公平性、人工監督、資料治理、持續監控。特別注意「高風險決策須有人工審核」這一點，代表 AI 在金融業不能完全取代人類決策。

隨堂小測驗

1. 某銀行使用 AI 模型自動審核貸款申請，模型將某社區的居民全部拒絕，但該社區居民的還款能力其實沒有問題。這個現象最可能是什麼原因造成的？

2. 信用卡詐欺偵測系統中，詐欺交易僅佔所有交易的 0.05%。若模型對所有交易都預測「正常」，其 Accuracy 為 99.95%，請問這個模型有用嗎？應該改用哪個評估指標？

3. 以下哪項技術最適合分析「客戶在 10 分鐘內連續在三個不同城市刷卡」這種時序型詐欺行為？

(A) Logistic Regression
(B) LSTM（長短期記憶網路）
(C) K-Means 分群
(D) 線性迴歸

4. 台灣金管會 AI 指引針對金融業 AI 應用提出哪五大核心原則？請列出並各以一句話說明。

5. 量化交易 AI 中的「情緒分析」是指什麼？請說明其輸入資料來源與輸出結果各是什麼。

解答與解析

題號	答案
1	訓練資料中存在歷史偏見（演算法歧視），郵遞區號等代理變數間接代入了社經或族群因素
2	沒有用；應改用 Recall（召回率）或 F1-Score
3	(B)
4	可解釋性、公平性、人工監督、資料治理、持續監控
5	對新聞/社群文字進行 NLP 分析；輸入為文字資料，輸出為情緒分數（正/負/中性）作為交易訊號

詳細解析：

第 1 題： 這是**演算法歧視（Algorithmic Bias）**的典型案例。模型可能學到「住在某郵遞區號的人還款率低」這個模式，但這個模式可能源自歷史上的不公平貸款政策，而非該社區居民真實的信用能力。台灣金管會 AI 指引正是為了防範此類問題，要求信用決策必須排除不當特徵並能說明理由。

第 2 題： 完全沒有用。Accuracy 在類別嚴重不平衡時是具誤導性的指標。此模型的 Recall = 0，代表它完全沒有識別出任何一筆詐欺交易。正確做法是改用 Recall（確保詐欺被抓出來）或 F1-Score（兼顧精確率與召回率），並搭配 SMOTE 等技術解決資料不平衡問題。

第 3 題：(B) LSTM（Long Short-Term Memory）是專為處理**序列資料（Sequential Data）**設計的遞歸神經網路，能夠記住過去一段時間的交易模式，因此最適合偵測「短時間內跨地域刷卡」這類時序異常行為。Logistic Regression 無法處理序列關係，K-Means 是分群而非分類，線性迴歸用於連續值預測。

第 4 題： 台灣金管會 AI 指引五大核心原則：

可解釋性：AI 決策須能對客戶說明主要理由
公平性：禁止使用不當特徵進行歧視性決策
人工監督：高風險決策須保留人工審核機制
資料治理：訓練資料須合法取得且具代表性
持續監控：模型上線後須定期評估效能與公平性

第 5 題： 量化交易中的**情緒分析（Sentiment Analysis）**是指使用 NLP 技術分析文字資料以提取市場情緒信號。輸入資料包括：財經新聞標題、財報電話會議逐字稿、Twitter/Reddit 社群媒體貼文、分析師報告等。輸出結果為情緒分數（如 +0.8 表示正面、-0.6 表示負面），作為交易策略的輸入信號——例如「當主要財經媒體對某股票的情緒分數超過閾值時，自動執行買入」。