商业银行企业级智能风控平台
工商银行企业级智能风控平台已覆盖全部境内分行、130 多个风控决策场景，实现商品、外汇、债券、货币、股票五大市场风险智能化排查预警，并推出信贷 AI 智能体矩阵“智贷通”与评审助手“工小审”。来源：新华社《经济参考报》http://dz.jjckb.cn/www/pages/webpage2009/html/2025-09/10/content_110111.htm
AI 赋能
把大模型与智能工具引入备课、实训与过程评价
梳理 AI 在本课程中的具体赋能场景、工具链与可观测的能力画像。
AI 赋能教学
金融风控是大模型落地最快的领域之一：智能风控平台已覆盖上千决策场景，反欺诈与反洗钱用实时流计算、知识图谱把人工甄别效率提升约三成。但风险度量的假设、资本计量的口径与合规责任，仍由人来承担。
AI 教学场景
将大模型与智能体引入课堂，覆盖从概念理解、代码实现到案例推演的全流程。
反欺诈与反洗钱的实时计算
邮储银行融合 AI 与实时流计算构建反欺诈模型体系，2025 年上半年保护潜在受害账户逾 10 万户、防止客户资金损失超 8 亿元；反洗钱每日加工约 1.27 亿笔交易，建立近百个可疑预警模型，用知识图谱＋大模型自动生成可疑报告，人工甄别效率提升 30%。
“大模型＋小模型”双引擎风控体系
浙商银行构建“大模型＋小模型”双引擎风控体系，2025 年上半年新增 120 余个业务风险模型；平安银行落地大模型场景超过 330 个。来源：https://finance.people.com.cn/BIG5/n1/2025/0912/c1004-40562461.html
信用风险的智能预警与量化定价
华泰 CAMS 信用分析管理系统覆盖全市场发债主体，支持信用风险智能预警与量化定价，把评级、预警与定价串成一条工作流。来源：https://www.htsc.com.cn/aboutht/information/jumpNewsInfo.do?docId=16376387
市场风险计量的智能化
机器学习与大数据被引入 VaR 模型与市场风险监测，用于波动率与相关性估计、异常交易识别与风险因子敏感性分析，相关研究见刘春航《人工智能、大数据与金融风险管理》（《金融监管研究》2025 年第 5 期）。
课程实验中的 AI 协同
在小组风险案例分析、分散化策略设计与风险管理方案设计中，可用大模型完成资料检索、时间线梳理与报告初稿，再由学生依据课堂讲授的识别—度量—管理框架逐项核对结论与数据来源。
AI 工具矩阵
以下工具可在本课程学习与实验中辅助检索、编码、建模与可视化。
Python（pandas、statsmodels、arch）
用于收益率序列处理、VaR 与 ES 计算、波动率建模与风险因子回归，是课程计量练习的主要工具。
知识图谱与图数据库（Neo4j 等）
用于集团客户关联交易识别、担保圈与资金链路分析，对应信用风险管理中的关联风险识别。
实时流计算框架（Flink 等）
支撑反欺诈与交易监控的毫秒级规则计算，对应操作风险与市场风险的实时监测环节。
机器学习平台（scikit-learn、XGBoost）
用于违约概率预测、可疑交易分类与风险评分卡建模，需注意样本不平衡与模型可解释性。
大模型应用平台（DeepSeek、通义千问等）
用于可疑报告自动生成、制度条款检索、压力测试情景描述与报告润色，输出必须经人工复核。
Excel
课程实验与课后练习的基础工具，用于缺口分析、经济资本与 RAROC 测算。
实践现场
即学即用的提示词
以下提示词可直接复制到主流大模型，辅助学习与本课程实验（请核验输出、遵守学术规范）。
计算 VaR 与 ES 并做回测
请用 Python 计算某股票组合的 1 日 99% VaR 与预期亏空（ES）：给出历史模拟法、参数法（正态假设）与 EWMA 法三种结果，用 Kupiec 失败率检验对过去 250 个交易日做回测，并说明在极端行情下 VaR 为什么会低估风险、ES 如何弥补这一缺陷。请把关键假设（分布、窗口长度、衰减因子）写在代码注释里。搭建信用风险识别与评分框架
请帮我设计一个面向中小微企业贷款的信用风险识别框架：列出财务与非财务指标清单、数据来源与缺失值处理方式，给出一个可解释的评分卡建模流程（分箱、WOE、逻辑回归），并说明如何验证模型的区分度（KS、AUC）与稳定性（PSI），最后提示三类常见的建模偏差。做流动性缺口与监管指标测算
请用 Excel 或 Python 完成某商业银行的流动性缺口分析：按期限阶梯（次日、2-7日、8-30日、31-90日、91日-1年、1年以上）列示资产与负债现金流，计算各期限缺口与累计缺口，并进一步测算 LCR 与 NSFR，说明在存款集中流失 10% 情形下指标的变化。设计一次压力测试情景
请为一家中型商业银行设计一套压力测试方案：设定轻度、中度、重度三个情景（含 GDP 增速、房价、利率与汇率冲击幅度），说明信用风险（不良率、迁徙率）、市场风险（利率重定价）、流动性风险（资金流出率）的传导路径，给出资本充足率的测算步骤，并列出结果解读时要重点关注的三个指标。用 AI 复核风险报告的逻辑漏洞
以下是我写的一份金融风险案例分析报告（附后）。请你扮演风控负责人，逐段检查：风险成因的归因是否充分、度量方法的选择是否匹配数据条件、结论是否被数据支持、是否存在因果倒置与幸存者偏差，并给出一份不超过 300 字的修改建议清单。请不要替我改写结论，只指出问题与依据。AI 伦理与规范
使用 AI 须恪守学术诚信、数据安全与行业合规底线。
模型有假设，风险无免责
VaR、信用评分与压力测试都建立在分布假设、样本区间与情景设定之上；AI 可以加快计算，但不能替学生回答“假设是否成立”。任何结论都要写明方法与参数，并做稳健性检查。
警惕幻觉与无来源数据
大模型可能生成不存在的监管文件条款、错误的历史事件时间线与虚构的统计数据。课程报告中的监管依据必须来自监管机构原文，统计数据必须标注来源与口径，AI 生成的引用一律需人工核实。
合规与公平性不可外包
反欺诈与信用评分模型的训练数据可能携带历史偏见，自动化决策还涉及个人信息保护与算法透明要求；模型的适用范围、拒绝理由与人工复核通道必须由制度明确，而不是由模型自行决定。
学术诚信与可追溯
案例分析报告须标注 AI 参与环节（检索、整理、润色），保留提示词与修改记录；风险成因的判断与对策建议须由学生本人论证，并能口头解释每一步推理。