人工智能在支付清算風(fēng)險(xiǎn)管理中的設(shè)計(jì)

導(dǎo)語(yǔ)：人工智能在支付清算風(fēng)險(xiǎn)管理中的設(shè)計(jì)一文來(lái)源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

內(nèi)容摘要：央行支付清算系統(tǒng)是國(guó)家重要金融基礎(chǔ)設(shè)施，是社會(huì)資金流動(dòng)的“大動(dòng)脈”，系統(tǒng)安全高效運(yùn)行事關(guān)金融穩(wěn)定及經(jīng)濟(jì)發(fā)展。近年來(lái)，隨著金融科技的蓬勃發(fā)展，以人工智能為主要代表的創(chuàng)新技術(shù)正逐步深入到金融風(fēng)險(xiǎn)管理的核心領(lǐng)域，推動(dòng)著行業(yè)監(jiān)管向智能化方向發(fā)展。本文通過(guò)對(duì)人工智能技術(shù)在支付清算風(fēng)險(xiǎn)管理工作中的應(yīng)用設(shè)計(jì)，以探索實(shí)現(xiàn)運(yùn)用人工智能技術(shù)對(duì)支付清算系統(tǒng)進(jìn)行智能化監(jiān)控及預(yù)警，從而提高支付清算系統(tǒng)安全運(yùn)行的管理效能。

關(guān)鍵詞：人工智能;支付清算;風(fēng)險(xiǎn)管理;研究

一、人工智能在支付清算領(lǐng)域的發(fā)展現(xiàn)狀

人工智能是指對(duì)人類智能的模擬、延伸和擴(kuò)展，其在金融領(lǐng)域的主要應(yīng)用方向?yàn)闄C(jī)器學(xué)習(xí)、生物特征識(shí)別、語(yǔ)音語(yǔ)義識(shí)別及知識(shí)圖譜等，在支付清算領(lǐng)域可應(yīng)用于智能賬戶、智能支付工具、智能清算系統(tǒng)、智能監(jiān)管等。人工智能技術(shù)不僅可以輔助支付清算主體提供便捷、高效的服務(wù)，還可以在風(fēng)險(xiǎn)監(jiān)管等方面為支付清算工作提供保障。

（一）國(guó)外人工智能技術(shù)在支付清算領(lǐng)域的應(yīng)用

印度CiCl銀行、HDFC銀行已在行內(nèi)反洗錢(qián)、支付交易管理等不同領(lǐng)域引入人工智能技術(shù)。新加坡星展銀行利用生物識(shí)別及人工智能集成等技術(shù)開(kāi)創(chuàng)了純數(shù)字銀行DigBank，創(chuàng)造了新的支付方式，開(kāi)啟了支付銀行的創(chuàng)新革命。意大利尤克利德利用人工智能技術(shù)試圖獲得用戶支付體驗(yàn)，以實(shí)現(xiàn)業(yè)務(wù)自動(dòng)化。摩根大通將人工智能技術(shù)應(yīng)用于投行、交易和清算股票。Fraugster是德國(guó)和以色列的合作伙伴，使用人工智能來(lái)檢測(cè)支付欺詐和準(zhǔn)確預(yù)測(cè)欺詐行為。Yandex利用深度學(xué)習(xí)計(jì)算技術(shù)對(duì)安全和惡意網(wǎng)站進(jìn)行分類，以確保網(wǎng)絡(luò)支付的安全性。英國(guó)銀行NatWest通過(guò)iPhone應(yīng)用程序中的人臉識(shí)別實(shí)現(xiàn)了使用人臉識(shí)別登錄銀行APP的能力。

（二）國(guó)內(nèi)人工智能技術(shù)在支付清算領(lǐng)域的應(yīng)用

在“金融科技”興起的大環(huán)境下，國(guó)內(nèi)銀行和非銀行支付機(jī)構(gòu)采用的人工智能技術(shù)按照降低成本和提升效率兩條路線，正重塑著支付行業(yè)。平安銀行通過(guò)手機(jī)銀行首創(chuàng)“智能語(yǔ)音”支付功能，實(shí)現(xiàn)“語(yǔ)音支付”、“語(yǔ)音取現(xiàn)”等操作，同時(shí)實(shí)現(xiàn)“智能錢(qián)柜”，完成系統(tǒng)記賬與出納分離的現(xiàn)金自動(dòng)處理模式。交通銀行開(kāi)發(fā)的“能聽(tīng)、會(huì)說(shuō)、能思考、會(huì)判斷”的智能理財(cái)機(jī)器人，能夠?yàn)榭蛻籼峁I(yè)的金融服務(wù)。與此同時(shí)，非銀行支付機(jī)構(gòu)也加快了人工智能在支付業(yè)務(wù)的融合。支付寶利用人臉識(shí)別技術(shù)，完成了支付流程的身份認(rèn)證工作，還利用人工智能技術(shù)對(duì)轉(zhuǎn)賬行為進(jìn)行評(píng)估，用以判斷是否有詐騙風(fēng)險(xiǎn)。財(cái)付通、支付寶等支付機(jī)構(gòu)還推出了“無(wú)感支付”業(yè)務(wù)。

（三）內(nèi)蒙古自治區(qū)人工智能技術(shù)在支付清算領(lǐng)域的應(yīng)用

內(nèi)蒙古自治區(qū)五家地方性法人銀行支付系統(tǒng)直接者中，自治區(qū)農(nóng)村信用社聯(lián)合社自2019年7月起，陸續(xù)對(duì)自助設(shè)備、智能柜員機(jī)、手機(jī)銀行等交易渠道加入人臉識(shí)別技術(shù)進(jìn)行了相關(guān)系統(tǒng)開(kāi)發(fā)，截至2020年共有自助柜員機(jī)試運(yùn)行機(jī)構(gòu)93家、接入設(shè)備3958臺(tái)，智能柜臺(tái)試運(yùn)行機(jī)構(gòu)93家、接入設(shè)865臺(tái)，手機(jī)銀行網(wǎng)貸服務(wù)平臺(tái)全面加入人臉識(shí)別技術(shù)；蒙商銀行于2015年將指紋識(shí)別技術(shù)應(yīng)用于柜員登錄業(yè)務(wù)系統(tǒng)，隨后將OCR識(shí)別技術(shù)應(yīng)用于手機(jī)銀行App中，并使用廳堂智能機(jī)器人與客戶進(jìn)行簡(jiǎn)單對(duì)話、傳遞物品、查詢等互助功能，除此之外，智能投顧系統(tǒng)、貸款審批輔助分析系統(tǒng)等智能創(chuàng)新系統(tǒng)也已陸續(xù)在分支機(jī)構(gòu)推廣應(yīng)用。內(nèi)蒙古支付系統(tǒng)呼和浩特城市處理中心CCPC，以首府生產(chǎn)系統(tǒng)運(yùn)行主中心和旗縣災(zāi)備系統(tǒng)運(yùn)行副中心的系統(tǒng)架構(gòu)設(shè)計(jì)，并在兩地兩中心雙活模式下生產(chǎn)運(yùn)行，供配電系統(tǒng)、消防系統(tǒng)、暖通系統(tǒng)以及動(dòng)環(huán)系統(tǒng)等支付系統(tǒng)基礎(chǔ)環(huán)境的運(yùn)行監(jiān)控，不同程度地運(yùn)用了智能化，支付系統(tǒng)的輔助系統(tǒng)實(shí)現(xiàn)異常情況下的自動(dòng)預(yù)警提示，支付系統(tǒng)清算風(fēng)險(xiǎn)科技管理手段得以應(yīng)用。綜上所述，作為與信息技術(shù)融合最深的行業(yè)之一，金融業(yè)積極推動(dòng)人工智能應(yīng)用落地，在確保業(yè)務(wù)連續(xù)性、提升業(yè)務(wù)效率、優(yōu)化成本控制、完善風(fēng)控體系、推動(dòng)產(chǎn)品創(chuàng)新等方面取得了明顯突破。

二、人工智能在支付清算風(fēng)險(xiǎn)管理中應(yīng)用探析

風(fēng)險(xiǎn)是指某一特定危險(xiǎn)情況發(fā)生的可能性和后果的組合。對(duì)于應(yīng)用系統(tǒng)而言，風(fēng)險(xiǎn)的發(fā)生主要是指由于各種確定或不確定的因素導(dǎo)致的應(yīng)用系統(tǒng)沒(méi)有按照設(shè)定方式運(yùn)行，以至于運(yùn)行結(jié)果沒(méi)有達(dá)到預(yù)期效果的各種情況。支付系統(tǒng)風(fēng)險(xiǎn)不僅對(duì)其運(yùn)行構(gòu)成威脅，還會(huì)對(duì)支付業(yè)務(wù)連續(xù)性有一定影響，甚至可能引發(fā)系統(tǒng)性金融風(fēng)險(xiǎn)。

（一）人工智能應(yīng)用的路徑選擇

1.利用系統(tǒng)日志進(jìn)行風(fēng)險(xiǎn)檢測(cè)。系統(tǒng)日志是記錄系統(tǒng)中硬件、軟件和系統(tǒng)問(wèn)題的信息，是系統(tǒng)性能以及異常監(jiān)控的重要數(shù)據(jù)來(lái)源。在系統(tǒng)風(fēng)險(xiǎn)管理中，異常檢測(cè)是構(gòu)建安全可靠系統(tǒng)的重要一步。實(shí)踐中，通常會(huì)使用安全軟件對(duì)系統(tǒng)進(jìn)行風(fēng)險(xiǎn)檢測(cè)，而安全軟件提示的問(wèn)題時(shí)常會(huì)提及系統(tǒng)日志信息，一般情況下的處理方式是按照軟件指示進(jìn)行刪除操作，但系統(tǒng)管理者并不了解問(wèn)題的根源。使用安全軟件雖然可以在一定程度上對(duì)系統(tǒng)進(jìn)行保護(hù)，但同時(shí)也為風(fēng)險(xiǎn)的發(fā)生添加了新的可能。而直接對(duì)日志信息加以利用不僅可以解決系統(tǒng)運(yùn)行中存在的問(wèn)題，還可以預(yù)防潛在風(fēng)險(xiǎn)的發(fā)生。

2.系統(tǒng)日志檢測(cè)方法選擇。因系統(tǒng)日志具有非結(jié)構(gòu)化、強(qiáng)時(shí)效性和出現(xiàn)異常類型較多的特點(diǎn)，所以在選擇日志檢測(cè)方法時(shí)應(yīng)重點(diǎn)考量以下幾個(gè)方面的因素：一是因日志信息在各式和語(yǔ)義方面與系統(tǒng)之間均有著較大的差異，故不可普遍使用基于規(guī)則的檢測(cè)方法。二是對(duì)日志信息的監(jiān)測(cè)必須要及時(shí)，但日志數(shù)據(jù)是以數(shù)據(jù)流的形式進(jìn)行輸入和傳輸，意味著對(duì)全部數(shù)據(jù)進(jìn)行分析的方法不適用。三是可以對(duì)系統(tǒng)所產(chǎn)生的全部異常信息進(jìn)行捕捉和分析，且對(duì)未知的異常信息也要有一定的判定能力。基于上述考量，本文選擇了基于深度學(xué)習(xí)的日志異常檢測(cè)方法，該方法通過(guò)對(duì)執(zhí)行路徑進(jìn)行異常檢測(cè)、對(duì)參數(shù)和性能進(jìn)行異常檢測(cè)、對(duì)工作流進(jìn)行異常檢測(cè)三個(gè)步驟進(jìn)行，然后綜合其判斷結(jié)果最終對(duì)系統(tǒng)異常進(jìn)行確定。

（二）人工智能應(yīng)用于日志檢測(cè)的模型構(gòu)建

面對(duì)現(xiàn)代系統(tǒng)正在以每小時(shí)約50Gb的速度生成大量日志以及大規(guī)模并行使得現(xiàn)代系統(tǒng)行為日漸復(fù)雜等問(wèn)題，針對(duì)系統(tǒng)日志信息所做的自動(dòng)異常檢測(cè)方法就顯得尤為重要。計(jì)算機(jī)技術(shù)就是為幫助使用者解決重復(fù)且大量的工作，而人工智能技術(shù)的目的則是使得計(jì)算機(jī)技術(shù)在解決重復(fù)且大量工作的基礎(chǔ)上，可以學(xué)習(xí)之前工作過(guò)程中的經(jīng)驗(yàn)，完成計(jì)算之外的“判斷”和“決定”，甚至可以為使用者“提出建議”等一系列操作。從而幫助工作人員實(shí)時(shí)監(jiān)控支付系統(tǒng)運(yùn)行情況，為技術(shù)人員提供更多的參考信息，以此保障支付清算系統(tǒng)平穩(wěn)運(yùn)行。

1.日志信息異常檢測(cè)的步驟。針對(duì)系統(tǒng)日志信息的異常檢測(cè)主要分為四個(gè)步驟：一是日志信息的搜集。搜集的方式有多種，可以利用系統(tǒng)運(yùn)行本身所產(chǎn)生的日志信息，但由于日志信息一般不輕易用作他處，故通常實(shí)驗(yàn)所使用的日志信息來(lái)源于互聯(lián)網(wǎng)的公開(kāi)數(shù)據(jù)集或者通過(guò)程序模擬生成相關(guān)日志信息。二是日志信息的解析。解析的目的是將日志信息按一定模板進(jìn)行提取，使得日志信息可以按照統(tǒng)一格式進(jìn)行存儲(chǔ)，從而構(gòu)造模型訓(xùn)練所需的原始日志信息。三是日志信息特征提取。由于模型所識(shí)別的信息是數(shù)字信息，所以日志信息解析為單獨(dú)的事件之后，需要將文本信息轉(zhuǎn)化為數(shù)字特征向量，使得機(jī)器學(xué)習(xí)模型可以利用日志信息。四是日志信息異常檢測(cè)。檢測(cè)方法可以分為有監(jiān)督異常檢測(cè)和無(wú)監(jiān)督異常檢測(cè)。有監(jiān)督異常檢測(cè)是指模型通過(guò)數(shù)據(jù)的標(biāo)記來(lái)“學(xué)習(xí)”日志信息的正常和異常狀態(tài)，訓(xùn)練模型時(shí)所得到的訓(xùn)練數(shù)據(jù)越多，模型的精確度就越高；而無(wú)監(jiān)督異常檢測(cè)則是指模型訓(xùn)練時(shí)所得到的訓(xùn)練數(shù)據(jù)沒(méi)有人為的數(shù)據(jù)標(biāo)記，通常在模型訓(xùn)練過(guò)程中通過(guò)歸一化、聚類等方式進(jìn)行多次修正，使模型在訓(xùn)練過(guò)程中自主學(xué)習(xí)日志信息所包含的正常和異常狀態(tài)。有監(jiān)督模型中常用且成熟的有LR、決策樹(shù)和支持向量機(jī)（SVM）；無(wú)監(jiān)督模型有LOF、IsolationForest、PCA、InvariantsMining（不變量挖掘）、CLustering（聚類）、DeepLog和AutoEncoder（自動(dòng)編碼器）。

2.模型模擬訓(xùn)練。（1）訓(xùn)練環(huán)境。模型訓(xùn)練所使用的HDFS數(shù)據(jù)和BGL數(shù)據(jù)基本都來(lái)源于生產(chǎn)系統(tǒng)并由相關(guān)領(lǐng)域的專家手動(dòng)標(biāo)記，共有15923592條日志信息，同時(shí)其中也包含365298條異常日志信息，用于模型訓(xùn)練和模型驗(yàn)證時(shí)的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。HDFS數(shù)據(jù)集中包含11175692條數(shù)據(jù)，其來(lái)源于AmazonEC2平臺(tái)，這一數(shù)據(jù)集中的數(shù)據(jù)記錄每項(xiàng)操作，是唯一表示某一時(shí)刻的特定操作，因?yàn)榭梢院苋菀椎乇环譃槿罩拘蛄校?jīng)過(guò)處理將日志序列進(jìn)行特征提取，生成575061個(gè)向量，其中被標(biāo)記為異常數(shù)據(jù)的數(shù)據(jù)樣本有16838個(gè)。BGL數(shù)據(jù)集中包含4747963條數(shù)據(jù)信息，由LawrenceLivermore國(guó)家實(shí)驗(yàn)室的BlueGene超級(jí)計(jì)算機(jī)記錄，這些數(shù)據(jù)沒(méi)有標(biāo)識(shí)符，所以通過(guò)固定大小將數(shù)據(jù)按特定長(zhǎng)度切位日志序列，然后進(jìn)行向量提取，其中包含348460條異常信息。本文中所使用的方法是在python環(huán)境下實(shí)現(xiàn)的檢測(cè)方法，對(duì)于使用有監(jiān)督的方法，利用機(jī)器學(xué)習(xí)中常用的Scikit-learing實(shí)現(xiàn)Logistic回歸、決策樹(shù)和SVM的學(xué)習(xí)模型。模型中所使用的參數(shù)是在實(shí)驗(yàn)過(guò)程中多次手動(dòng)調(diào)節(jié)得到的最優(yōu)值。其中，SVM中還嘗試了核函數(shù)和相關(guān)參數(shù)，發(fā)現(xiàn)線性核函數(shù)支持向量機(jī)與核函數(shù)進(jìn)行比較精確度高。同時(shí)，對(duì)于Logistic回歸進(jìn)行了不同參數(shù)的嘗試，并對(duì)其進(jìn)行了調(diào)整以便獲得模型的最佳性能。（2）模型訓(xùn)練及結(jié)果評(píng)估。關(guān)于模型的性能，使用精確度、召回率及F-measure（這一系列實(shí)驗(yàn)中常用的度量標(biāo)準(zhǔn)）來(lái)對(duì)模型性能進(jìn)行評(píng)估，精確度測(cè)量的是異常數(shù)量與正常數(shù)量的百分比（如2-1），召回率測(cè)量的是實(shí)際異常的百分比（2-2），F(xiàn)-measure測(cè)量精度與召回率的諧波率（2-3）。根據(jù)現(xiàn)有數(shù)據(jù)集，我們將其中的80%作為訓(xùn)練集，剩余的20%作為測(cè)試集。由于時(shí)間及模型訓(xùn)練所需的環(huán)境等問(wèn)題，本文只進(jìn)行了一個(gè)方法的調(diào)試和測(cè)試。由于不同方法所使用的的原理及算法本身的側(cè)重點(diǎn)不同，所以結(jié)果會(huì)有不同。從圖1中表示日志數(shù)據(jù)的聚類可視化解析結(jié)果，大類表示準(zhǔn)確的日志數(shù)據(jù)，小類表示準(zhǔn)確率不太高的日志數(shù)據(jù)，但也表示數(shù)據(jù)集中一部分日志數(shù)據(jù)的走向，而零星分散的點(diǎn)表示異常的日志信息。在訓(xùn)練過(guò)程中，將圖中小圈標(biāo)記位置的數(shù)據(jù)進(jìn)行剔除后再次進(jìn)行聚類操作，得到最終的分類標(biāo)準(zhǔn)。同時(shí)，由于數(shù)據(jù)的稀缺，還可以將位置較為異常（小圈標(biāo)注的數(shù)據(jù)）標(biāo)記為異常數(shù)據(jù)，以供后續(xù)工作的開(kāi)展。從圖2中可以看到在訓(xùn)練的不同階段，不同規(guī)模的數(shù)據(jù)集在準(zhǔn)確率的評(píng)估條件下的表現(xiàn)結(jié)果。可以看出，數(shù)據(jù)量大的數(shù)據(jù)集相較于小規(guī)模的數(shù)據(jù)集表現(xiàn)搖號(hào)，比較符合人工智能模型在訓(xùn)練過(guò)程中數(shù)據(jù)集越大，模型的訓(xùn)練效果越好的特點(diǎn)。500M和100M的數(shù)據(jù)集在訓(xùn)練的不同階段有著不一樣的表現(xiàn)，但整體趨勢(shì)可以看到，隨著訓(xùn)練迭代的進(jìn)行，模型的訓(xùn)練結(jié)果逐漸趨近于平穩(wěn)，但不同數(shù)據(jù)集所訓(xùn)練的模型效果還是有所差異。型使用三個(gè)判斷標(biāo)準(zhǔn)得到的相應(yīng)的結(jié)果。100M數(shù)據(jù)集所訓(xùn)練的結(jié)果相較于500M和1G的數(shù)據(jù)集結(jié)果要好，通過(guò)觀察訓(xùn)練集和測(cè)試集發(fā)現(xiàn)，由于所用數(shù)據(jù)集屬于同一來(lái)源，所以類型相似，同時(shí)小規(guī)模數(shù)據(jù)集的測(cè)試集也較小，訓(xùn)練時(shí)所劃分的分類也更細(xì)更小，所以小規(guī)模數(shù)據(jù)集所得到的結(jié)果更好，但是使用1G的數(shù)據(jù)集所得到的模型更加穩(wěn)定。

三、人工智能在支付清算風(fēng)險(xiǎn)管理中的策略展望

通過(guò)人工智能在支付系統(tǒng)清算風(fēng)險(xiǎn)管理中的應(yīng)用驗(yàn)證，基于支付清算系統(tǒng)日志檢測(cè)方法，分析日志信息的異常檢測(cè)結(jié)果，得出系統(tǒng)日志異常檢測(cè)支持支付系統(tǒng)風(fēng)險(xiǎn)研判的理論依據(jù)。

（一）深度論證

本文所嘗試實(shí)現(xiàn)的模型論證數(shù)據(jù)是基于互聯(lián)網(wǎng)公開(kāi)的數(shù)據(jù)以及爬蟲(chóng)的相關(guān)結(jié)果，由于支付清算系統(tǒng)運(yùn)行所產(chǎn)生的日志信息較為敏感，所以不能在實(shí)驗(yàn)階段進(jìn)行使用，這樣也會(huì)導(dǎo)致模型無(wú)法直接應(yīng)用于系統(tǒng)中進(jìn)行模型性能驗(yàn)證。同時(shí)，基于深度學(xué)習(xí)的日志異常檢測(cè)方法分為有監(jiān)督和無(wú)監(jiān)督兩種方法，本文所驗(yàn)證的實(shí)驗(yàn)使用的是有監(jiān)督的方法，從兩種方法的原理來(lái)看，無(wú)監(jiān)督方法更適用于訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)較少的實(shí)驗(yàn)中。但是，無(wú)監(jiān)督方法的不確定性、可失敗的可能都比較大，需要通過(guò)多次訓(xùn)練進(jìn)行糾正誤差來(lái)調(diào)整模型，通常使用無(wú)監(jiān)督方法的基于深度學(xué)習(xí)的模型訓(xùn)練所需時(shí)間是使用有監(jiān)督方法的一倍甚至更多，但所需數(shù)據(jù)是有監(jiān)督模型所需數(shù)據(jù)量的一半甚至更少，數(shù)據(jù)量與模型訓(xùn)練時(shí)間成反比。兩種方法各有其優(yōu)勢(shì)，也有其劣勢(shì)，可以嘗試通過(guò)不同的方法對(duì)系統(tǒng)日志檢測(cè)模型進(jìn)行建模、訓(xùn)練以及驗(yàn)證，使其實(shí)現(xiàn)最優(yōu)選擇。

（二）應(yīng)用展望

人工智能模型的訓(xùn)練需要大量的真實(shí)數(shù)據(jù)輸入進(jìn)行模型構(gòu)建，為了保證實(shí)驗(yàn)所得出的模型適用于支付系統(tǒng)清算風(fēng)險(xiǎn)防控，可以根據(jù)支付清算系統(tǒng)所產(chǎn)生的日志信息進(jìn)行數(shù)據(jù)構(gòu)建，或者可以在安全的情況下使用支付清算系統(tǒng)所產(chǎn)生的日志信息進(jìn)行模型構(gòu)建，這樣訓(xùn)練所得到的模型會(huì)更具針對(duì)性且在更短的時(shí)間內(nèi)得到實(shí)際應(yīng)用。但需要關(guān)注的是，人工智能技術(shù)應(yīng)用研究必然會(huì)需要海量數(shù)據(jù)的收集與處理，這樣就可能造成數(shù)據(jù)安全隱患，同時(shí)存在信息泄露的風(fēng)險(xiǎn)，支付清算系統(tǒng)日志信息對(duì)于支付系統(tǒng)安全穩(wěn)定有著重要作用，所以對(duì)于數(shù)據(jù)的使用應(yīng)慎之又慎。人工智能、大數(shù)據(jù)、云存儲(chǔ)、區(qū)塊鏈等技術(shù)持續(xù)推進(jìn)金融體系的數(shù)字化轉(zhuǎn)型，金融科技的進(jìn)步為支付清算行業(yè)的發(fā)展注入了強(qiáng)大的動(dòng)力，隨著相關(guān)技術(shù)的逐漸成熟，未來(lái)支付清算風(fēng)險(xiǎn)管理也會(huì)更加智能化，不斷減少人工大量成本，逐步提高科技管理投入，從而降低支付系統(tǒng)風(fēng)險(xiǎn)發(fā)生的可能性。

作者：范玉民 單位：中國(guó)人民銀行呼和浩特中心支行