Page 31 - 金融科技视界2022-10期

Technical Tracking
技术追踪

的推断和预测（即他们失去了内 护监管的名义下，大大扩展了英
在的金融隐私），但他们仍然可以 国 法 律下 的消费 者 金 融 隐 私概
六
从这些推断和预测中受益。重要 念。因此，对消费者金融隐私的
的是，在某些情况下，使用可解释 结 语 监管从关系保密的模式——不披

的ML技术可以限制这些好处，因 露银行-客户关系中产生的私人
为它降低了信用评分模型的预测 消 费 者 金融 隐私的 概 念 和 信息——转向对所有个人信息的
准确性（Bono等人，2021）。 监管在上个世纪发生了很大的变 处理进行个人控制和机构保障的

然而，人工智能在信用评分中 化。作为普通法中的银行保密义 模 式，而不管是 什么情况。随着
的使用，以及更广泛的消费金融， 务，消费者金融隐私最初关注的 时间的推移，这一制度越来越重
也可能对消费者产生有害的后果。 是保护消费者对其银行的信心， 视个人消费者控制其个人数据使
除其他外，虽然一些消费者因使用 以及他们之间的信任关系——既 用的基本 权利。另一方面，人工
人工智能/ML而受益于更低的成 是为了保护这种关系本身，也是因 智能的使用可以支持消费者金融

本和更好的信贷机会，但其他消 为金融信息具有私密性，可以揭 隐私的工具性目标。也就是说，尽
费者可能会因其特征和偏好的可 示一个人的许多情况，如果被滥 管失去了对其数据的控制，但一
观察性提高而导致更高的信贷成 用，可能会损害消费者的信用和 些消费者可以从人工智能/ML技

本而受到实质性伤害（Fuster等 声誉。因此，它限制银行和某些其 术的使用中获益，这些技术除其
人，2020年；Bartlett等人，2019 他金融机构分享关于消费者的非 他外，可以减 轻歧视，改善获得
年），无论是由于较低的感知信用 公开信息。尽管这一义务从一开始 融资的机会/降低融资成本。事实
度（Aggarwal，2021a；Foohey 就受到明确的限制，允许银行以 上，如果使用不那么容易解释的
& Greene，2022）还是企业基 公共利益和商业效率为由披露客 人工智能/ML方法能对一个人的

于其偏好和错误认知而增加剥削 户信息，但这些限制在上个世纪 行为提供更有用的洞察力，从而
（Bar-Gill，2019；Madden等 的过程中不断扩大，导致银行保 改善他们获得融资的机会，那么
人，2017）。特别是，AI/ML可能 密义务逐渐被削弱。用Godfrey等 从工具性、后果性的角度来看，减

使信贷市场上少数群体的边缘化 人（2016）的话说，银行家的保密 少对个人数据的控制可能对消费
和剥削永久化。使用更多可解释 义务是“一个垂死的义务，但还没 者更有利。
的AI/ML技术可以帮助减轻这些 有死”。战后消费信贷和信用信息
数据驱动的伤害，使消费者、公司 市场的发展是银行保密义务演变
和监管机构能够更好地理解AI/ 和侵蚀的第一个重要拐点。随后，

ML模型的推论，并纠正基于模型 通用银行和跨境银行的兴起，以
预测的不准确和/或不公平的决 及非银行和市场化金融的兴起，
定。然而，可解释的人工智能/ML 都是进一步侵蚀的诱因。数字技

本身不会减轻对准确推断所造成 术的进步是每个阶段的关键有利
的伤害的担忧：例如，由于改进了 因素。
降低其感知信用度的特征的可观 然而，随着银行保密性的萎
察性，消费者面临更高的信贷成本 缩，隐私 和 数 据 保 护 却 蓬 勃发
（借款人的信贷负担能力降低，和 展。自20世纪70年代以来，信息

/或贷款人的信贷风险增加）。 隐私法的发展，特别是在数据保

2022.10 金融科技视界 29