风险管理工具系列丨境内外场外衍生品业务中人工智能的主要应用场景

随着大模型与生成式人工智能（AI）技术的快速迭代，人工智能在场外衍生品领域的应用已由单点辅助转向全生命周期渗透。近年来，境内外主要场外衍生品交易商亦相继研究和运用多项基于AI大模型的工具及功能，AI技术正逐步渗透至衍生品定价、风险管理和运营管理的各个环节。本文将从境内外场外衍生品业务中人工智能的主要应用场景、人工智能在场外衍生品领域应用的风险和监管挑战以及进一步完善建议三个部分进行分别阐述。总体而言，因为金融领域，尤其是场外衍生品领域是国家重要的战略领域之一，金融风险防控是重中之重的工作。历经数年人工智能发展到最新的智能体仍然有无法克服的局限性，包括模型幻觉、数据不稳定、策略趋同、AI的黑箱特性等方面，上述风险均根植于AI技术原理与场外衍生品业务的复杂场景中，对行业应用和监管工作提出了全新且严苛的要求。因此，目前场外衍生品领域中人工智能的应用相对其他领域，没有达到非常广泛和深入的程度，未来随着人工智能的发展，以及对人工智能认识的进一步增强，可以在风险可控的前提下进一步推进该领域人工智能的应用。文章结合境内外监管立法趋势，提出建立分类分级监管框架，强调在智能客服等标准化领域优先试点，在核心业务领域坚持“试点先行、逐步深化”的原则，确保技术创新与风险控制的动态平衡。

以境内场外期权为例，一般而言，其交易全流程包括：客户准入与资质审核、宣传推介、合同审核签署、衍生品定价和设计、交易询报价、交易达成和对冲、中台运营、交易簿记和报送、盯市管理和追保、合约终止及结算，以及贯穿所有业务环节的合规和风险管理等。具体流程如下图所示：

场外衍生品客户准入与资质审核是业务的初始环节，该环节涵盖客户交易目的核查、资金来源审核、反洗钱、投资者适当性要求匹配等关键内容。目前，人工智能的主要应用场景包括反洗钱和准入管理中客户识别等。

反洗钱（Anti-Money Laundering,简称“AML”）是所有金融业务活动中（包含场外衍生品）客户尽调的关键环节之一。场外衍生品业务实操中反洗钱工作持续贯穿客户准入和业务开展的全流程，客户准入环节通过客户资金来源、交易目的核查、风险评估等方式进行尽职调查，持续交易过程中对客户交易和资金数据，以及多账户关联交易等分析，若触发系统更高的风险阈值，需要启动相应更进一步的尽调、风险评估、大额可疑交易报告等程序，并对客户、交易及账户进行综合管控。伴随金融交易的数字化和全球化趋势，新式洗钱手段层出不穷，跨境反洗钱规则也存在一定差异，传统反洗钱系统往往依赖预设规则与模式，这些规则通常基于历史数据和专家经验设计，且受限于地域差异，单纯依靠这些规则难以及时捕捉新型洗钱活动，金融机构对此消耗了大量资源，大型金融机构报告称，他们每年监控的交易数量达到40亿笔或更多，审核负担过重等问题，这也导致目前金融机构识别并上报可疑交易活动的比率偏低，事实上，超过 95% 的系统生成的警报在审查的第⼀阶段就被证明是“误报”，约98%的警报最终没有生成可疑活动报告 (SAR)，削弱了机构对洗钱可疑活动的识别分析能力。截至2023年，全球因违反反洗钱法规而开出的罚金总额达6.6亿美元。

为了解决这些痛点，人工智能在反洗钱领域的应用主要是通过提供有效手段来检测、阻止和报告洗钱活动，从而强化机构的反洗钱风险管理能力。具体应用包括如下方面，第一，在洗钱风险评估方面，人工智能反洗钱监测技术的运用，通过实现敏感度高且范围广泛的分析，扩展了反洗钱风险评估的维度。搭载复杂算法的人工智能合规工具能更深入地洞察洗钱风险，为数字化检测和分析洗钱活动提供了可行方案。这些数字化反洗钱工具可在短时间内处理海量数据，从中识别可能预示洗钱或其他金融犯罪存在的模式与异常。 例如：花旗银行运用人工智能加强风险管理，通过分析客户在全球账户的交易与行为模式，系统采用识别模型对洗钱高风险活动进行评分，从而标记出需优先处理的预警。第二，实时监测响应。人工智能在反洗钱合规中比较显著的亮点在于其实时监控与分析功能。这⼀技术能在反洗钱预防措施实施前，就达成对潜在欺诈或异常活动的侦测与精准调查——只要相关嫌疑被证实属实。例如：渣打银行在无风险交易技术中运用了人工智能驱动系统。该技术可实时监控所有交易过程，既能立即触发欺诈活动警报，又大幅压缩了洗钱行为得逞的时间窗口。第三，提升流程处理效率。AI 分支的机器学习技术，通过持续从接收数据中自我进化，在监控流程实施中发挥核心作用，从而不断优化反洗钱流程并提升长期运营效率。 例如：2023年，汇丰银行以谷歌云的反洗钱人工智能 (AML AI) 为核心，在其主要市场采用基于云端的人工智能优先 (AI first) 方法作为其主要的反洗钱交易监控系统，资料显示汇丰银行通过使用该系统，显著减少了监管流程所需的时间和人力，使合规操作日益高效且节约成本。美国纳斯达克（Nasdaq）交易所旗下的Verafin公司于2025年7月21日宣布推出其“Agentic AI Workforce”，一套旨在提升反洗钱（AML）合规效率的数字工作者系统。Verafin开发了一系列AI驱动的数字工作者，能够在最少人工干预下执行复杂任务，如决策制定，自动化低价值、高频次的合规流程。这些数字工作者专注于合规中最资源密集的领域：制裁筛查和增强尽职调查（EDD）审查。 例如，数字制裁分析师能够分析制裁警报，处理误报，并将真实匹配项升级供进一步审查，初步结果显示可减少超过80%的警报审查工作量。 数字EDD分析师则自动化周期性审查，处理低风险案件，显著降低运营成本。

准入管理是场外衍生品业务管理的核心环节之一，其中客户身份识别与验证（KYC）需要确认客户身份的真实性、合法性，并依据监管规则对客户的财务状况、投资目标、知识和经验等进行识别，判断其是否满足适当性要求，即能否满足准入条件。在此环节中需要对客户提供的大量资料进行核查，是场外衍生品业务领域人工投入较多，且容易产生操作风险的环节。人工智能在数据处理方面的天然优势非常契合本环节的需求。目前业内有券商通过大模型来搭建智能中台，整合内部数据、行业资讯等构建商机库，建设AI同业检索等场景，构建内外部法规库问答、知识库问答，通过数字员工实现T+1日更新等方式，实现对客户材料智能核查、底稿溯源等审核功能，相比传统AI技术，核查点达3000多个，准确率提升30%。目前该系统已经面向全公司业务（包含场外衍生品业务）提供使用支持。

根据场外衍生品业务适当性要求等监管规则，证券公司向客户推荐的产品必须是符合客户风险承受能力和专业等级的产品，所有宣传材料必须符合金融监管机构的要求，避免误导性陈述等。同时，场外衍生品业务具有定制化的特点，不同客户有不同的需求，宣传推介前需要精准把握客户需求。传统宣传推介方式严重依赖客户经理的个人经验和人脉，分析客户需求制作材料等需要花费较多时间。为了解决前述业务痛点，人工智能在宣传推介方面包括如下应用：

第一，推介前，通过整合内外部数据（如交易记录、财报新闻、行业研报、市场持仓数据、舆情信息）等，在识别客户满足准入标准的前提下，利用机器学习模型为潜在客户构建360度画像。AI能自动将客户分为不同群体，对客户进行洞察和精准定位，并对客户潜在需求进行预测；第二，推介中，基于上述客户画像，自动生成营销文件，利用生成式AI（AIGC）自动生成高度个性化的推介材料（PPT、PDF、邮件正文）。材料中可嵌入客户的公司Logo、直接引用其财报中的相关数据、并展示与其特定风险敞口高度相关的模拟情景分析等。第三，推介后，根据与客户沟通情况，可以使用NLP分析客户与客户经理的会议纪要、邮件往来和通话录音（需合规），识别客户的情绪态度、关注焦点以及潜在异议，客户对哪些产品特性等更感兴趣等，可以有助于后续产品设计等。行业内有券商基于深度强化学习海量数据模型的客户资产均衡模型提供精准营销服务，将产品等精准触达客户。收集客户反馈的数据，基于客户画像等数据进行综合分析形成营销材料。营销人员获取数据和分析结果加深对客户的理解，进一步通过线下方式联系客户进行营销推介。

场外衍生品业务是一个高度定制化的业务，客户需求千差万别，场外衍生品交易核心协议包括SAC主协议和补充协议、交易确认书、履约保障协议，以及IDSA主补协议及其配套履保协议等。监管机构提供的协议模板除了主协议外，一般交易双方均会对补充协议进行修订，交易商各家各类结构的交易确认书模板也不尽一致，关键要素的名称等均存在一定差异，因为场外衍生品协议的撰写、修订及审核工作是一项知识密集型、高重复性但又要求极高精确度的工作。在该环节，目前境内外的应用包括搭建人工智能系统借助私有云网络或大数据模板，利用图像识别技术来比较和识别不同的条款，对合同文本的错别字、标点符号、敏感词识别，将监管规则和审核要点纳入系统，对特定合同进行人工审核前的初审等，提高合同审核效率、节约时间和成本节约。

境外的实践来看，人工智能在金融业中彻底改变了摩根大通的运营模式。2017年初,摩根大通开发了一款金融合同解析软件COIN（Contract Intelligence），将解读商业信贷协议等任务所需的时间从每年36万小时缩短至短短数秒。通过其名为COiN的由人工智能驱动的合同智能平台，摩根大通实现了特定类别合同文档审核过程的自动化。COiN利用无辅助的人工智能，最大限度地减少了人工介入。该人工智能系统借助私有云网络，采用图像识别技术来比较和识别不同的条款。在初步实施阶段，COiN在数秒内从年度商业信贷协议中提取了约150个相关属性，从而省去了36万小时的人工审核时间。该算法根据合同条款或位置识别模式，由此带来了显著的时间与成本节约，同时提高了效率并减少了错误。利用语言模型构建自动化法律工作流，解析、审查和生成基金与托管相关的法律文件，提高合规和处理效率。

境内券商也有类似的实践，比如通过使用大模型等方式，实现对涉及的合同及各类文档进行审核，包括通用核查、文档一致性比对、印章质检等。其中：通用核查，可以对不同场景下的各类文档的错别字、标点符号、敏感词等进行核查。文档一致性对比模块对文档各类勾稽关系进行核查，包括：第一，文档内部是否勾稽关系一致，包括财务指标一致性核查；第二，各类占比是否正确；比如营业收入口径、占股比例等计算核查；第三，对可以通过固定公式计算出来的要素，如净利润等核查是否与公式计算结果一致；第四，各种表格–各类要素是否满足逻辑和合计。文档核查可以对同一文档中及同一文档审核或修订不同模版、不同文档间进行前述核查，也可以进行跨文档核查同样内容、口径是否一致；还可以就同一文档修订不同版本和内容间核查，包括修订内容，逻辑是否一致。印章质检模块从客户提供的所有电子版文件中提取出电子章，电子章之间，以及与客户给公司预留印鉴间进行对比，排查是否存在伪造公章等情况。相比传统AI技术，核查点达3000多个，准确率提升30%。目前该系统已经面向全公司业务（包含场外衍生品业务）提供使用支持。

场外衍生品定价是场外衍生品业务最核心环节之一，也是衍生品交易商最核心的竞争力之一。场外衍生品定价模型方面，由于缺乏相对高流动性的市场，场外期权的价格往往直接由量化模型计算得到。因此，场外衍生品业务是一个高度依赖模型的业务。场外衍生品对冲方面，一般是利用希腊字母Delta、Gamma、Vega、Theta等为对冲交易设定风险敏感性参数，基于希腊字母的计算和量化模型构成衍生品交易的基础。交易商通常通过编写代码的方式完成定价模型，形成自己的定价库。定价模型运用的理论一般是境内外成熟的定价理论，如Black-Scholes模型（简称BS模型），考虑到AI大语言模型输出质量、核心数据保护等原因，交易商对模型编制本身应用AI的情景较少。

目前，AI在场外衍生品定价方面的应用，直接应用的情景可区分境外应用和境内应用。境外实践而言，在复杂定价模型优化方面，如境外金融科技公司Murex报告宣称其使用机器学习复制了复杂的衍生品定价模型，大幅减少了计算时间和成本。Murex是国外的一家金融科技领域的公司，提供全面的金融软件解决方案，尤其在衍生品交易、风险管理以及资产管理领域。其报告宣称使用机器学习复制了复杂的衍生品定价模型，从而大幅减少了计算时间和成本。在定价方面，机器学习模型可以作为复杂期权定价模型的高速近似器。通过在大量模拟期权价格数据集上进行训练，深度神经网络可以生成近乎即时的价格估值或风险敏感度，这对于实时交易和风险监控非常有价值。这种方法增强了Black-Scholes 或 Monte Carlo 等传统模型的性能，使其能够更快地处理特殊特征，且准确性不会大幅降低。在策略方面的应用，包括运用AI生成交易策略代码，减少策略生成时间。如高盛的 Marquee 平台集成 GenAl代码生成工具，可根据交易员的自然语言指令(如“创建一个跨式期权策略对冲波动率风险”)自动生成 Python 交易脚本，并对接底层执行系统。初步数据显示，该功能使复杂策略开发时间从2周缩短至2天，开发成本降低60%。

境内已有券商基于人工智能编写Python代码，实现Heston模型下雪球期权的蒙特卡洛定价。通过对比其自编程实现随机模拟与调用第三方库实现的结果，结合人工智能模型辅助解析差异成因。最后尝试拓展使用高性能计算能力更好的C++语言，并前瞻通过人工智能整合GARCH-DCC模型增强多资产定价模型。通过AI赋能金融科技，助力服务实体经济。在保证一定专业性的同时兼具可读性。也有券商通过对GPT-4大语言模型进行训练后，进行估值情景分析，比如股价上涨后估值变化及PV、GREEKS等变化，构建知识库转化为客户服务语言，服务客户。

场外衍生品设计的核心是在满足客户特定风险管理和收益需求的同时，控制衍生品交易商自身的风险并实现盈利。实操中，客户经常仅提供几点看法或诉求，比如对波动率未来预期、收益倾向等，场外衍生品交易商需要根据客户需求进行交易结构设计。传统的人工操作需要市场数据分析、测算，耗时较长。目前，基于生成式AI（如大型语言模型LLMs）和强化学习，系统可以自动生成大量潜在的产品结构草案。例如，输入“为客户A设计一个对冲美元汇率下跌风险，但成本预算有限的方案”，AI可以快速生成多个结合了期权、远期等不同组合的结构化票据或奇异期权方案，挂钩不同标的，供产品设计人员和客户进一步筛选和优化。境内有券商借助COZE等人工智能工具，根据客户交易需求和风险管理需求，结合当前时事热点和市场行情，运用人工智能体录入确定的要素，例如日期、交易目的等，对人工智能体进行多次训练，输出符合客户交易目的的衍生品解决方案。或者通过人工智能助力业务部门快速上线新结构，通过建设询报价系统的后台引擎，面向业务部门的交易员和金融工程师，主要提供线上模板化定制期权结构和期权定价估值功能并支持日常实时风控、日终估值功能。通过后台引擎将研发功能转化为线上模板定制、通过统一的数据服务和查询过滤框架解耦相关模块的数据依赖，使得业务人员新增期权结构仅需定义合约要素和收益计算方法，无需等待系统研发，即可开展相关业务。

场外衍生品领域交易询报价工作是一项涉及大量非结构化数据、复杂的决策过程和重复性的工作。该项工作中面临较多人工处理的难点，比如：交易员需要同时监控多个聊天窗口（如Bloomberg Chat、企业微信）、邮件、市场数据终端（Bloomberg、Reuters），难以快速高效捕捉所有有效信息。尤其是对于奇异期权等复杂结构的衍生品，其定价模型复杂，报价计算耗时较高，难以在短时间内对多个潜在交易进行快速报价。且人工处理容易出错，聊天记录等非结构化数据的合规监控成本高昂，同时导致簿记人工操作工作量大且操作风险高发。同时，客户还会对交易规则等进行询问，交易员需要精准识别客户意图提供满意答复。为了能高效解决上述问题，人工智能在此方面的应用较多，主要在于运用大模型训练，支持客户自动询价，自动解析非标准化客户报价指令生成簿记等。境内有券商借助百度智能云的AI技术和火山大模型，实现了大模型在衍生品交易业务询、报价的应用，自动通过询报价生成交易指令并簿记。其智能场外交易通过少量的样本训练就可以达到不错的模型效果，目前已支持香草、雪球等期权交易的自动询报价服务，GenAl可以取代查询、手工回复、信息确认等人工操作，实现机构客户自动询报。同时，智能场外交易发现平台支持解析模型自助优化，可进行自主标注、训练、调优及模型效果监控，使模型可以快速响应新业务、新资产标的效果：交易询报价日均业务规模翻倍，客户从询价到下单的转化率由10%提升至30%。还有券商开展了智能问答机器人的应用，依托自然语言处理（NLP）和大型语言模型（LLM）技术，能够解析用户关于场外交易规则的复杂询问意图，并基于内部知识文档，提供交易规则智能问答服务，打通交易规则问答从知识沉淀到应用的闭环。该应用不仅将分散规则转化为结构化知识，支持实时问答与溯源，还通过用户反馈机制持续优化模型与知识库，推动服务的自我演进。此类实践有效提升了客户服务体验与效率，是AI技术在证券业务领域具有代表性的落地案例。

场外衍生品对冲依赖于量化模型，模型本身具有固有风险，比如参数风险等，另外，对于复杂衍生品，Delta、Gamma、Vega等风险敞口的解析解可能不存在或难以计算，通常需要依赖耗时的数值方法（如有限差分法蒙特卡洛模拟），无法满足实时交易的需求。同时，场外衍生品对冲交易会受到市场波动率的影响，同时也可能受到宏观经济因素的影响。交易商均会对市场波动率，包括宏观经济政策进行深入研究，以提升场外衍生品对冲的准确性和盈利性。人工智能，包括‌强化学习（Reinforcement Learning，RL）等可以寻找在考虑所有现实约束下的最优对冲策略，也可以运用大模型模拟真实市场对波动率预测，还可以对央行未来货币政策走向等进行预测。比如：摩根大通官网发表的该机构研究论文“Limited or Biased: Modeling Sub-Rational Human Investors in Financial Markets”主要介绍了利用多智能体建模(agent-based models)模拟真实市场环境中非理性投资者的投资行为，通过分析投资者产生非理性偏差的主要原因，量化投资者非理性行为对市场流动性、波动率和市场效率的影响，实现对波动率预测的优化。2023年4月25日，摩根士丹利在其官网文章“Sensing the Fed’s Direction with the Help of AI”中介绍了摩根士丹利开发的“MNLPFEDS”情绪指数，这是一个基于人工智能（AI）和深度学习的工具，分析美联储（Federal Reserve，简称Fed）公开市场委员会（FOMC）声明中的措辞，评估其鹰派、鸽派或中立的倾向，从而为预测货币政策行动提供前瞻性指标。

基于AI大语言模型的虚拟客服以其强大的自然语言处理能力和深度学习能力，能够为场外衍生品中台人员赋能，提升其工作效率，减少沟通成本及操作风险等，在金融行业（包括衍生品业务）得到了广泛应用。目前场外衍生品业务领域的应用包括使用金融领域专用自然语言处理( NaturalLanguage Processing, NLP)与机器学习算法，使用人工智能的意图识别，建立场外衍生品知识库，开发聊天机器人，供场外衍生品交易商或客户询报价、交易标的、资金保证金、交易信息、交易确认书、履保情况和业务规模等查询或计算。境外如法国兴业银行用于衍生品市场请求的聊天机器人最早设计于2017年，利用金融领域专用NLP与机器学习算法，使用人工智能的【意图识别】，开发了基于聊天机器人的虚拟助手，帮助资本市场部门处理客户衍生品交易请求（如报价询价RFQ “Request for Quote”），覆盖股票、大宗商品、外汇等多资产类别及欧美亚三地业务。主要应用场景为交易员与销售团队处理客户RFQ时，快速识别请求类型、自动填充系统数据，缩短响应周期。其中人工智能主要是识别不同产品术语，支持语音识别（用户需注册声纹），通过界面适配各产品术语。 同时2到3个月为新产品定制语音模型，RFQ处理时间从10分钟降至1分钟，加速执行与客户响应。此应用的主要价值在于提升客户满意度，增加可处理请求量，数据也可以自动用于监管报告（FRTB基准价格库）与合规监测。2023年12月，境内有券商使用阿里通义千问开源大模型开发并上线股衍小能手智能问答机器人，主要供场外衍生品交易商或经内部授权审批后的客户查询交易标的、资金保证金、交易信息、交易确认书、履保状态、履保额度、业务规模、客户盈亏等实时查询或计算，并可以完成估值报告实时下载，极大提升了客户服务体验感和效率。

合规和风险管理是贯穿场外衍生品所有业务环节的要求。因场外衍生品业务定制化、非标准化、结构复杂等特征，导致这个领域的合规风险管理难度较大，包括监管规则，尤其是跨境业务监管规则非常复杂且易变，客户在开展交易全过程需要进行持续监测，包括准入阶段适当性管理、反洗钱监测及穿透核查，异常交易行为检测等，履约保障管理方面，需要综合挂钩标的、客户资质、客户信用情况等对客户进行综合评价，以确定客户履保额度，上述方面涉及到技术层面均需要收集大量公开数据及内部数据，也需要构建模型，根据监管逻辑进行勾稽操作，在此方面人工智能的优势可以与前述要求匹配。人工智能在构建场外衍生品的合规及风险监控指标体系(如异常行为监测、风险价值潜在未来暴露、交易对手违约风险等)及相应的履约保障机制方面得到了一定范围的应用。

合规管理方面，境内有券商已经通过大模型采集搜索整合行业协会公示信息、监管处罚记录、新闻舆情、法律诉讼及标的公司重大公告等多维度数据源，构建了一套基于大模型与图数据库的智能穿透核查系统。系统采用实时扫描技术实现客户异常舆情自动捕捉，将客户提交数据与提取数据进行勾稽，并结合智能算法对交易标的涉及的异常公告进行实时匹配，有效提升风险预警与处置时效性。

1、监管机构对风险管理方面的应用

场外衍生品交易，尤其是同结构的大量交易，在极端市场行情下可能会引发市场风险集中，比如雪球产品的对冲行为本质是为市场提供多头流动性，但因为市场上认可度较高的结构基本相同，在市场极端行情的结合可能短期内放大波动。主要原因为：1）对冲机制触发集中抛售，券商发行雪球产品后，需通过股指期货动态对冲Delta风险。当标的价格下跌接近敲入线时，对冲模型要求超买股指期货（Delta可达200%-400%）以覆盖潜在风险；一旦触发敲入，需立即卖出超买头寸以将Delta降至100%，形成集中抛压。2）市场流动性压力与踩踏效应： 若市场雪球产品结构相似（如集中挂钩中证500/1000指数）、敲入点位临近，批量敲入会导致多家券商同步抛售期货，加剧市场下跌，进一步触发更多雪球敲入，形成负反馈循环。例如2024年1月，全市场约90%的雪球集中敲入，短期内放大了市场波动。为了预防此类风险，长期看需要通过产品创新、风险分散和监管优化等方式。

在此背景下，境内外监管机构积极推动人工智能技术在衍生品风险管理中的创新应用，加强对合约集中度、保证金水平、交易行为等多维度指标的实时监控与智能分析，以实现对系统性风险的早识别、早预警、早处置。典型案例如美国纳斯达克交易所推出的“XVA加速器”（XVA Accelerator）。2024年11月，该平台基于人工智能与机器学习技术，显著简化并加速了银行与保险机构的风险计算流程。XVA（涵盖信用估值调整CVA、债务估值调整DVA、融资估值调整FVA等）是衡量衍生品交易多项风险的核心工具，传统方法耗时长且资源密集。Nasdaq通过AI驱动的Calypso系统，将复杂风险指标计算速度提升高达100倍，帮助机构更敏捷响应市场变化、满足合规要求，并增强系统性风险控制能力。该平台可高效识别交易对手信用风险与市场波动带来的估值变化，辅助机构优化保证金设置、预防违约累积，从而提升整体监管效能。

在事前风险预防方面，人工智能同样展现出强大潜力。2025年4月，纳斯达克在国际证券交易所（ISE）推出的电子化灵活期权（Flex Options），该产品借助预测性AI自动筛选交易活跃的行权价、优化合约设计，显著提升市场流动性和运营效率。通过AI算法对历史交易数据与市场行为进行建模分析，系统可识别更受欢迎的合约条款、预测流动性集中区域，并辅助实现每日合约自动审核，在保障风控准确性的同时降低人工负担。Flex Options支持投资者高度定制期权行权价、到期日及结算方式等要素，尤其适用于场外衍生品向标准化市场过渡的混合形态。AI在该类产品中的应用不仅提高了合约生成效率与灵活性，还通过实时监测异常交易、评估集中度风险，进一步增强了衍生品市场整体的抗风险能力。

2、交易商流动性风险管理方面的应用

场外衍生品业务领域需要对资金流动性进行监测，比如雪球自动赎回敲出等情形下，交易商需要准备充足的现金兑付给客户，资金流动性管理方面人工智能的应用如下。法国兴业银行通过人工智能进行现金流预测，优化保证金储备，降低流动性风险。2023年法国兴业银行启动日内流动性管理，其开发的实时欧元流动性预测与管理系统，通过人工智能技术优化日内资金流动管理。该系统主要应用于财务部门对欧元账户的实时流动性管理，解决了因预测不准导致的缓冲成本高企及潜在违约风险。依托20多个机器学习模型，结合动态统计方法识别异常流动，实现未来30分钟、1小时及2小时欧元账户余额的实时预测，并据此指导资金调配。系统工作日正常运行率达到100%，在克服数据格式适配、团队信任建立和全天候稳定性等挑战后，成功将欧元日内流动性消耗降低10%，储备金成本同步下降，并通过预警机制有效防范付款高峰带来的流动性紧张和操作中断。

场外衍生品履保管理方面主要面临几大痛点，第一，履保管理要求和审核压力会根据市场行情加速调整，行情越好，客户需求越多，如果履保方面无法给客户高效反馈，将可能造成客户流失。第二，履保项目评估需要收集大量数据，散落到不同咨询平台和系统，并且有些数据是比较个性化的需求，比如上市公司主营业务占比，如传统模式下信息收集与核查效率低，风控模型建立也均需要大量数据处理。为了解决这些痛点，通过MCP工具，收据数据封装，通过大语言模型，个性化取数，通过提示词控制，保障输出结果的准确性。通过大语言模型去筛查，预防模型幻觉，人工再进一步校验。

目前境内已有券商通过使用大语言模型自主开发鹰眼履保智评智能体实现多方面的功能，比如：1、构建多维度风险画像体系，精准识别项目潜在风险，提升决策效率。结合业务和内控部门的视角，从标的和交易对手两大维度全面梳理履保业务风险点，首次构建多维度风险画像体系，涵盖标的的集中度风险、市场风险、流动性风险、基本面风险、交易对手信用风险等各种风险类型，综合了交易对手交易风格、履约记录等行为分析、持仓处置变现天数及压测损益等极端情景分析，提升风险识别与极端行情下风险预警的有效性。2、借助ChatDoc，在Dify平台自建文档分析插件，实现财报、估值表、征信报告、尽调访谈等多模式非标准化尽调材料的自动解析、存储与综合分析，提升纵向趋势分析与横向可比分析的效率。3、自建可比公司知识库及筛选标准，与大模型双重校验，降低大模型幻觉的同时，解决传统金融数据库、资讯平台筛选可比公司噪音过大，可比性不足的难题，大幅提升可比公司命中率。4、自建MCP实现内外部数据分别封装，在Dify平台搭建工作流分权限调用，多个智能体并行收集并处理风险信息，实现将业务线信息收集+报告撰写耗时从8小时压缩至15分钟。同时快评报告可复用于内控部门，进一步减少跨部门重复收集、校验信息的工作，实现全流程降本增效。在大幅提升效率的同时，支持评估指标、评估维度的灵活配置，快速适配业务变化，可扩展性强。5、将评估指标固化于系统，建立对存续交易对手的动态监测及风险分档机制，提升风险预警的有效性等。

综上所述，境内外场外衍生品领域人工智能的应用已经贯穿业务各个环节，但是总体而言，因为金融领域，尤其是场外衍生品领域是国家重要的战略领域之一，金融风险防控是重中之重的工作。历经数年人工智能发展到最新的智能体仍然有无法克服的局限性（将后续详细论述），包括模型幻觉、数据不稳定等方面，因此，目前场外衍生品领域中人工智能的应用相对其他领域，没有达到非常广泛和深入的程度，未来随着人工智能的发展，以及对人工智能认识的进一步增强，可以在风险可控的前提下进一步推进该领域人工智能的应用。

如上所述，目前境内外场外衍生品领域人工智能的主要应用如下图所示：

*注释及参考文献略。

【免责声明】本文信息仅用于投资者教育之目的，不构成对投资者的任何投资建议，投资者不应当以该等信息取代其独立判断或仅根据该等信息作出决策。本文信息力求准确可靠，但对这些信息的准确性或完整性不作保证，亦不对因使用该等信息而引发或可能引发的损失承担任何责任。