AI 詞彙表
人工智能完整詞典
条件风险价值(VaR)
一种风险度量，估计在给定的信息集或特定市场条件下，投资组合在特定时间范围内的潜在最大损失，通常使用循环神经网络等AI模型计算。
深度学习期望缺口(ES)
估计投资组合在超过VaR阈值的最坏情况下的平均损失，其中极端损失的分布通过深度神经网络建模，以捕捉非线性和复杂依赖关系。
AI生成压力测试
使用AI模型（如生成对抗网络GANs）生成合理但前所未有的经济和金融危机场景的技术，用于评估投资组合或机构的韧性。
深度Copula模型
学习多个金融变量之间复杂依赖结构(Copula)的深度学习架构，能够更准确地建模尾部相关性，这对对手方风险评估至关重要。
用于期权定价的量子神经网络
应用受量子启发的算法或在量子计算机上运行的神经网络来解决期权定价中的复杂随机微分方程，特别是用于奇异产品。
用于战术资产配置的强化学习
使用强化学习代理，通过与模拟市场环境交互来学习最优投资策略，以在短期/中期内最大化风险调整收益。
金融时间序列异常检测
使用无监督AI算法（如自编码器、孤立森林）识别可能表明欺诈、市场错误或新兴系统性事件的异常交易或价格变动模式。
图神经网络(GNN)信用风险建模
将实体（借款人、担保品、公司）及其关系表示为图，然后使用GNNs预测违约概率，捕捉传染效应和网络结构依赖性的方法。
基于Transformer网络的波动率预测
将最初为自然语言处理（NLP）设计的Transformer模型应用于金融时间序列，通过有效捕捉市场数据中的长期依赖关系和复杂模式来预测未来波动率。
用于模型监管验证的可解释人工智能 (XAI)
这是一系列技术（如：SHAP、LIME），旨在解释和证明金融领域使用的“黑箱”人工智能模型的决策，以满足欧洲央行（BCE）或欧洲食品安全局（EFSA）等监管机构对透明度和文档化的要求。
通过逆向强化学习校准风险模型
该方法通过观察专家的决策来推断风险模型的参数（如：风险厌恶、转移概率），并假设这些决策在某种风险标准下是最优的。
用于风险模型快速适应的元学习
一种让模型“学会学习”的技术，使其能够用极少量的数据适应新的市场机制或新型金融工具，这对于在危机时期保持风险模型的有效性至关重要。
人工智能模型的不确定性量化 (深度集成)
该方法在不同的数据子集上训练多个AI模型，并聚合它们的预测结果，从而不仅能获得更稳健的估计，还能衡量与每个风险预测相关的不确定性或置信度。
通过基于人工智能的代理进行流动性风险建模
在这种市场模拟中，具备学习策略的智能代理相互互动以形成价格和交易量，从而可以研究冲击对流动性及投资组合交易成本的影响。
通过NLP对财经新闻进行系统性风险分析
利用自然语言处理（NLP）和Transformer模型，实时分析文本数据流（如新闻、报告、社交媒体），以量化市场情绪并识别系统性风险的早期预警信号。