摘要：2024年全国两会《政府工作报告》提出要“加快发展新质生产力，深化大数据、人工智能等研发应用，开展‘人工智能+’行动”。当前，以人工智能为代表的新质生产力正在深刻影响金融行业，其中智能体技术正在越来越多地应用于金融领域。本文面向商业银行对公资产业务定价场景，构

文/华夏银行首席信息官 吴永飞

华夏银行绍兴分行行长 刘坤林

华夏银行信息科技部副总经理 王彦博

华夏银行绍兴分行 崔周宏

华夏银行信息科技部 魏文术

2024年全国两会《政府工作报告》提出要“加快发展新质生产力，深化大数据、人工智能等研发应用，开展‘人工智能+’行动”。当前，以人工智能为代表的新质生产力正在深刻影响金融行业，其中智能体技术正在越来越多地应用于金融领域。本文面向商业银行对公资产业务定价场景，构建金融智能体，优化商业银行对公信贷利率定价方法，为商业银行业务经营决策智能化提供借鉴。

智能体（Agent）是人工智能领域中的一个重要方向，被认为是通向通用人工智能（AGI）最有希望的一条路径。智能体通过接收外部数据信息或者仿真出的信息，利用先进的算法进行信息处理和决策制定，以实现既定目标任务。智能体的关键特性包括自主性、感知能力、推理能力、学习能力、决策能力等，并能够在动态变化的环境中做出适应性响应。

智能体分为反应型智能体、决策型智能体和学习型智能体。反应型智能体基于当前环境感知，通过预设规则直接作出快速反应，适用于简单、实时性要求高的场景；决策型智能体不仅感知环境，还维护内部状态，通过综合分析运用推理、规划手段抉择行动，在环境相对固定的复杂任务里表现出色；学习型智能体具有学习与记忆能力，借助大量经验、数据试错学习，持续优化决策策略，灵活性和适应性强，适用于复杂多变、难以预设规则的环境。这三类智能体各具优势，共同推动人工智能发展。当前，智能体技术正处于快速发展阶段。随着人工智能算法和算力的不断提升，智能体将更加自主和智能，能够在复杂和动态环境中实现高效协作和决策。

商业银行作为我国金融市场的重要主体，在维护金融稳定和安全方面发挥着重要作用。定价能力是商业银行核心竞争力的重要组成部分，国内商业银行资产业务定价主要采用传统的成本加成法。该方法是一种主动的定价管理方法，同时也是典型的内向型定价模式，对信贷市场的把握相对缺乏。传统资产业务定价存在风险计量难（Predication & Evaluation of Risk）、数据分析慢（Processing of Data Analysis）、定价不精准（Pricing Accuracy）、系统性能弱（Performance of Application System）“4P”问题。

本文提出“4A”方法论，通过分析方法（Analysis Method）、仿真模拟（Analog Simulation）、智能体（Agent）和应用系统（Application System），探寻商业银行资产业务定价的最优策略：一是优化分析方法，通过优化商业银行的资产风险分析方法，建立科学的风险分析模型；二是实现仿真模拟，通过引入外部因子、运用内部数据、训练业务逻辑传导模型，构建面向商业银行资产业务定价的仿真模拟体系；三是构建智能体，优化商业银行资产业务定价模式；四是搭建应用系统，提升系统多计算任务并发处理能力。

本文聚焦商业银行对公板块上市公司客群、养老客群和绿色客群的资产业务定价问题，运用“4A”方法论，构建金融智能体，优化定价模式。具体解决方案如下：对于优化分析方法，通过分析历史数据，结合外部因素，构建不同利率价格下的风险模型，将其纳入之后的仿真模拟环境中；对于实现仿真模拟，需要构建一套经营决策仿真模拟环境，主要根据历史数据，利用机器学习相关技术方法面向三大客群构建业务逻辑传导模型，得到不同利率价格下的信贷业务情况，并同时结合专家经验和风险模型共同优化仿真模拟环境，该仿真模拟环境支持智能体输入相应的利率定价，得到对应的银行经营情况；对于构建智能体，需要建立一个可以根据仿真模拟环境给出最优策略的智能模型，它可以是基于深度强化学习的学习型智能体，通过与仿真模拟环境进行交互，得到最优利率定价策略结果；也可以是基于求解优化问题的决策型智能体，将决策问题转化为复杂的优化任务，而后利用优化模型得到最优利率定价策略结果；对于搭建应用系统，通过以功能模块化和组件化的方式，搭建应用系统，支持商业银行资产业务定价最优策略计算和分析。本文重点聚焦决策型智能体的构建。

1.智能体构建。本文基于国内某股份制商业银行对公板块上市公司、养老和绿色三类客群资产业务仿真模拟环境，将利率定价问题转化为优化问题，构建决策型智能体。该优化问题为二次无约束二值优化（Quadratic Unconstrained Binary Optimization，QUBO）问题，数学上可以等价于求解一个无任何约束条件的二次型最值问题：

minƒ=XT QX

其中，决策变量X是一个n维向量，且向量中的每个元素只取0或1；对于带约束的非整数优化问题，可以通过“化整为零”和添加惩罚项的思路将其转化为QUBO问题。

基于已构建的仿真模拟环境，本文将利率定价问题转化为QUBO问题的具体过程如下：对于一个包含N个项目的资产业务定价问题，假设每个项目有M个可选择的利率价格，相关变量定义如表1所示。

表1 变量说明表

定义决策变量xij为第i个项目是否选择第j个利率，即 ：

利率定价问题的目标函数是针对每个项目选择一个利率价格，使得总利息收入最大化，即：

考虑到项目的总体不良率需要低于某一个值，故在利息收入最大化的同时，还需要满足贷款的总体不良率小于可以接受的最高不良率rd约束，即：

同时，由于每个项目均需要确定一个利率，所以还需要满足如下约束：

上述约束条件可以通过添加惩罚项的方式纳入到目标函数中，得到最终需要优化的QUBO问题。该问题可以使用一些常见的优化器进行求解，如模拟退火算法（Simulated Annealing，SA）。SA是一种通用概率演算法，用以在一个大的搜寻空间内找寻问题的最优解，它是一种随机化寻找最优解的算法。

2.实证分析。本文针对三类客群的资产业务定价场景，构造的QUBO问题共包含180个二值决策变量（其中N=3、M=60），经求解，金融智能体方案对应的三类客群总体利息收入较商业银行传统利率定价方案的总体利息收入有明显提升，总体提升率约为3.36%。表2进一步对比了三类客群业务场景的利息收入提升情况。

表2 三类客群业务场景的利息收入对比情况

从实证分析结果可知，使用金融智能体给出的利率定价方案在三类客群业务场景上均优于传统定价策略对应的利息收入，尤其对于上市公司客群业务场景的利息收入提升更加明显，同时对于养老客群和绿色客群业务场景的利息收入也均有所提升。进一步来看，金融智能体的定价方案针对不同客群可以给出差异化的定价策略，充分展现了使用金融智能体的利率定价方案的有效性，有助于实现商业银行不同客群的精细化管理和差异化经营。

本文以人工智能新质生产力赋能金融行业为目标，面向银行传统资产业务利率定价方法存在风险计量难、数据分析慢、定价不精准、系统性能弱“4P”问题，提出了“4A”方法论，构建了金融智能体。首先通过分析历史数据，构建不同利率价格下的风险模型，然后针对商业银行的资产业务场景构建仿真模拟环境，而后将利率定价问题转化为优化问题，最后使用决策型智能体进行求解。实证结果表明，该方案可以给出在满足不良率约束的情况下，总体利息收入最大化的利率组合策略，可以有效提高商业银行资产业务利率定价效率和精准度。未来随着量子计算、光子计算等先进计算技术的发展，以及相关优化算法的不断进步，将可以同时支持对更多细分客群的利率定价，并且可以展现出更快的定价决策效率，这将为商业银行进一步探索经营决策智能化提供新的思路。

来源：金融电子化