国家外汇管理局自成立以来，就肩负着推进贸易便利化，防范跨境资金风险的光荣使命。面对新时代要求，不断健全完善“宏观审慎+微观监管”两位一体管理框架；同时，探索依托监管科技手段提升外汇微观监管的质量和效率。外汇局研发的“外汇非现场检查分析系统”，为首个用于外汇违法违规行为的监测分析系统。近年经过多次智能化升级，该系统实现从“人工为主，机器为辅”到“人机互融，增强智能”的“两步走”，为更加精准地打击外汇违法违规行为，防范和化解跨境资金流动风险提供了重要抓手。
一、非现场系统发展历程
（一）第一阶段·人工为主，机器为辅
2001年中国加入WTO，外汇管理也开始进一步树立市场机制观念，推进贸易便利化进程。而随着金融市场规模的快速扩张和电子化的发展，金融业务数据的种类和条数增长迅猛，信息化监管逐渐成为国际主流的金融监管理念。
为加强对外违法违规行为的非现场分析，外汇局研发使用了“外汇非现场检查分析系统”，并于2010年起在全国推广使用。该系统以简洁明了的用户界面实现数据库查询功能，用于辅助一线检查人员检查办案。在数据层面，系统数据来源主要是整合国家外汇管理局内部各业务条线跨境交易数据、控制信息数据和主体信息数据，配合部分海关进出口数据，形成了跨境物流+资金流的“数据仓”，搭建了结构型数据库。在算法上，国家外汇管理局集合多年的外汇微观监管实践经验，通过对可疑交易行为特征的梳理和总结，建立了较为全面的专家规则库，通过计算机语言将规则转化为系统指标，扑捉超过预设阈值的可疑行为。
“外汇非现场检查分析系统”上线后，在帮助外汇检查人员破获违规案件方面取得了显著成果。但本阶段监管科技应用主要依靠检查人员的智慧和经验，非现场系统的定位则是“辅助工具”，主要用于发现程序性违规，或是单个业务条线中具有典型突出特征的违规行为，更适用于发现表面不合理的违规行为。因此，该阶段的系统在整个发展路径中尚处于数据准备和规则积累的基础阶段，非严格意义的大数据和人工智能应用。
（二）第二阶段·人机互融，增强智能
2017年，国务院在《新一代人工智能发展规划》中提出的“智能金融”概念，指出我国要建立金融大数据系统，提升金融多媒体数据处理与理解能力，建立金融风险智能预警与防控系统。国家外汇管理局积极探索监管科技，提出建设“数字外管”等顶层设计要求，形成大数据实时监测和管理平台，利用大数据和人工智能加强事中、事后监管，提升“微观监管”精准打击能力。
2017年起，伴随着金融科技的发展，外汇局开始探索利用大数据和人工智能来加强事中、事后监管，对“外汇非现场检查分析系统”进行智能化升级，形成“外汇非现场检查分析系统（新版）”。新版系统通过丰富并拓展内外部数据源，融合大数据、关系图谱、专家系统等技术，实现海量金融数据的模型化、可视化分析，提高监管的针对性和有效性。
一是数据层面趋向于丰富“大数据”基础。一方面，在大数据时代要求数据字段越全越好、时序越长越好、颗粒越细越好的背景下，外汇局积累的全口径、长时序、细颗粒的跨境收支数据，适应了监管科技的发展要求；另一方面，纳入了其他监管部门的专有数据及市场采购等企业基础信息数据。
二是引入“关系图谱”实现可视化分析，借助多维数据穿透隐性关系，锁定涉嫌违法犯罪团伙。“关系图谱”将收付款关系、股权关系等多类关系型数据，利用图数据技术展示出来。凭借这一“关系图谱”，有助于外汇检查部门从可疑企业出发，锁定地下钱庄等违法团伙。
三是构建“特征矩阵”实现“模型式”和“场景化”分析，精准发掘异常企业。“特征矩阵”是基于多个外汇业务场景的多项违规特征建立的系统化异常筛查模型，可定期对企业符合违规特征的程度进行综合性打分，并推送违规特征符合度高的高分企业作为筛查目标，促进了线索生产流程的智能化和自动化。
四是完善“负面主体”信息库，助力线索拓展和机器学习。负面主体是机器学习的核心资源，有监督学习可通过学习负面样本行为模式，总结其特征和规律，再在新群体中寻找与其行为最类似的可疑主体；无监督学习则可通过黑箱学习，产生大量不可解释的异常主体结果，通过负面主体协助研判，识别和锁定其中 的高危群体。国家外汇管理局通过对近年来外汇违规处 罚主体相关信息进行全面梳理，构建了相关负面主体信息库，作为AI机器学习的关键资源，并构建了非现场检查分析模型，用于分析可疑线索和主体，进而查实违规案件。
依托于智能化升级后的外汇非现场检查分析系统，外汇检查精准打击取得了显著成效。近三年，非现场检查对案件罚没款贡献率均高于此前水平。非现场检查分析对虚假欺骗性交易等实质性违规案件的甄别作用进一步凸显，发现了一大批地下钱庄、虚假贸易等大案要案，案均罚没款也显著增长。
二、未来发展方向
近年来，国家外汇管理局在局党组的高度重视与正确领导下，在数据拓展和技术应用方面不断突破，做了大量基础性工作，奠定应用大数据和人工智能的基础。但现阶段外汇管理微观监管分析仍处于“人机互融，增强智能”的初级水平，需更深入地实践机器学习、挖掘数据资源、提高数据加工水平，以弥补人类专家局限，实现“人机互融”的发展目标。
其一，要进一步完善大数据范围，通过标准化、自动化、流程化的方式，搭建大数据平台。一是要坚持外汇管理对跨境交易数据的全口径、细颗粒采集，并根据我国对外开放的深化和外汇业务的拓展，进一步优化数据采集手段，扩展数据采集范围。二是继续研究契合外汇检查业务需求的外部数据资源，以支持开展多维数据分析。三是积极探索与其他监管机构共享负面主体信息的长效机制，防止部门间形成“信息孤岛”。
其二，进一步提高人工智能技术的应用水平。一是逐步将专家规则筛查转向机器自主学习、甄别和挖掘异常主体和交易特征，更深入地实践机器学习、挖掘数据资源、提高数据加工水平，充分发挥机器的智能感知功能。二是设计自动化、可视化的交互界面，提高外汇监管分析平台的易用性。三是提高算法自动筛查线索能力，使系统能够自己利用数据，总结新特征，精准识别违规行为或进行预警。
未来，外汇管理部门将继续向着“机器为主，人工为辅”的目标努力，提高非现场分析识别虚假欺骗性交易和非法跨境金融活动等重大违规能力，精准打击外汇违法违规行为，担负起“在开放中适应开放，切实防范跨境资金流动风险，维护国家经济金融安全”的光荣使命。 国家外汇管理局自成立以来，就肩负着推进贸易便利化，防范跨境资金风险的光荣使命。面对新时代要求，不断健全完善“宏观审慎+微观监管”两位一体管理框架；同时，探索依托监管科技手段提升外汇微观监管的质量和效率。外汇局研发的“外汇非现场检查分析系统”，为首个用于外汇违法违规行为的监测分析系统。近年经过多次智能化升级，该系统实现从“人工为主，机器为辅”到“人机互融，增强智能”的“两步走”，为更加精准地打击外汇违法违规行为，防范和化解跨境资金流动风险提供了重要抓手。
一、非现场系统发展历程
（一）第一阶段·人工为主，机器为辅
2001年中国加入WTO，外汇管理也开始进一步树立市场机制观念，推进贸易便利化进程。而随着金融市场规模的快速扩张和电子化的发展，金融业务数据的种类和条数增长迅猛，信息化监管逐渐成为国际主流的金融监管理念。
为加强对外违法违规行为的非现场分析，外汇局研发使用了“外汇非现场检查分析系统”，并于2010年起在全国推广使用。该系统以简洁明了的用户界面实现数据库查询功能，用于辅助一线检查人员检查办案。在数据层面，系统数据来源主要是整合国家外汇管理局内部各业务条线跨境交易数据、控制信息数据和主体信息数据，配合部分海关进出口数据，形成了跨境物流+资金流的“数据仓”，搭建了结构型数据库。在算法上，国家外汇管理局集合多年的外汇微观监管实践经验，通过对可疑交易行为特征的梳理和总结，建立了较为全面的专家规则库，通过计算机语言将规则转化为系统指标，扑捉超过预设阈值的可疑行为。
“外汇非现场检查分析系统”上线后，在帮助外汇检查人员破获违规案件方面取得了显著成果。但本阶段监管科技应用主要依靠检查人员的智慧和经验，非现场系统的定位则是“辅助工具”，主要用于发现程序性违规，或是单个业务条线中具有典型突出特征的违规行为，更适用于发现表面不合理的违规行为。因此，该阶段的系统在整个发展路径中尚处于数据准备和规则积累的基础阶段，非严格意义的大数据和人工智能应用。
（二）第二阶段·人机互融，增强智能
2017年，国务院在《新一代人工智能发展规划》中提出的“智能金融”概念，指出我国要建立金融大数据系统，提升金融多媒体数据处理与理解能力，建立金融风险智能预警与防控系统。国家外汇管理局积极探索监管科技，提出建设“数字外管”等顶层设计要求，形成大数据实时监测和管理平台，利用大数据和人工智能加强事中、事后监管，提升“微观监管”精准打击能力。
2017年起，伴随着金融科技的发展，外汇局开始探索利用大数据和人工智能来加强事中、事后监管，对“外汇非现场检查分析系统”进行智能化升级，形成“外汇非现场检查分析系统（新版）”。新版系统通过丰富并拓展内外部数据源，融合大数据、关系图谱、专家系统等技术，实现海量金融数据的模型化、可视化分析，提高监管的针对性和有效性。
一是数据层面趋向于丰富“大数据”基础。一方面，在大数据时代要求数据字段越全越好、时序越长越好、颗粒越细越好的背景下，外汇局积累的全口径、长时序、细颗粒的跨境收支数据，适应了监管科技的发展要求；另一方面，纳入了其他监管部门的专有数据及市场采购等企业基础信息数据。
二是引入“关系图谱”实现可视化分析，借助多维数据穿透隐性关系，锁定涉嫌违法犯罪团伙。“关系图谱”将收付款关系、股权关系等多类关系型数据，利用图数据技术展示出来。凭借这一“关系图谱”，有助于外汇检查部门从可疑企业出发，锁定地下钱庄等违法团伙。
三是构建“特征矩阵”实现“模型式”和“场景化”分析，精准发掘异常企业。“特征矩阵”是基于多个外汇业务场景的多项违规特征建立的系统化异常筛查模型，可定期对企业符合违规特征的程度进行综合性打分，并推送违规特征符合度高的高分企业作为筛查目标，促进了线索生产流程的智能化和自动化。
四是完善“负面主体”信息库，助力线索拓展和机器学习。负面主体是机器学习的核心资源，有监督学习可通过学习负面样本行为模式，总结其特征和规律，再在新群体中寻找与其行为最类似的可疑主体；无监督学习则可通过黑箱学习，产生大量不可解释的异常主体结果，通过负面主体协助研判，识别和锁定其中 的高危群体。国家外汇管理局通过对近年来外汇违规处 罚主体相关信息进行全面梳理，构建了相关负面主体信息库，作为AI机器学习的关键资源，并构建了非现场检查分析模型，用于分析可疑线索和主体，进而查实违规案件。
依托于智能化升级后的外汇非现场检查分析系统，外汇检查精准打击取得了显著成效。近三年，非现场检查对案件罚没款贡献率均高于此前水平。非现场检查分析对虚假欺骗性交易等实质性违规案件的甄别作用进一步凸显，发现了一大批地下钱庄、虚假贸易等大案要案，案均罚没款也显著增长。
二、未来发展方向
近年来，国家外汇管理局在局党组的高度重视与正确领导下，在数据拓展和技术应用方面不断突破，做了大量基础性工作，奠定应用大数据和人工智能的基础。但现阶段外汇管理微观监管分析仍处于“人机互融，增强智能”的初级水平，需更深入地实践机器学习、挖掘数据资源、提高数据加工水平，以弥补人类专家局限，实现“人机互融”的发展目标。
其一，要进一步完善大数据范围，通过标准化、自动化、流程化的方式，搭建大数据平台。一是要坚持外汇管理对跨境交易数据的全口径、细颗粒采集，并根据我国对外开放的深化和外汇业务的拓展，进一步优化数据采集手段，扩展数据采集范围。二是继续研究契合外汇检查业务需求的外部数据资源，以支持开展多维数据分析。三是积极探索与其他监管机构共享负面主体信息的长效机制，防止部门间形成“信息孤岛”。
其二，进一步提高人工智能技术的应用水平。一是逐步将专家规则筛查转向机器自主学习、甄别和挖掘异常主体和交易特征，更深入地实践机器学习、挖掘数据资源、提高数据加工水平，充分发挥机器的智能感知功能。二是设计自动化、可视化的交互界面，提高外汇监管分析平台的易用性。三是提高算法自动筛查线索能力，使系统能够自己利用数据，总结新特征，精准识别违规行为或进行预警。
未来，外汇管理部门将继续向着“机器为主，人工为辅”的目标努力，提高非现场分析识别虚假欺骗性交易和非法跨境金融活动等重大违规能力，精准打击外汇违法违规行为，担负起“在开放中适应开放，切实防范跨境资金流动风险，维护国家经济金融安全”的光荣使命。