--- title: "LLM驱动的风险分析" description: "全面介绍大语言模型在信用风险、市场风险和操作风险分析中的应用方法与实践" tags: ["风险分析", "信用风险", "市场风险", "操作风险", "LLM"] category: "llm" icon: "🧠"

LLM驱动的风险分析

风险管理是金融机构的核心能力。传统风险分析依赖结构化数据和统计模型，但大量风险信号隐藏在非结构化文本中——企业公告、新闻报道、监管文件、内部报告。LLM能够理解这些文本的深层含义，为风险管理提供全新的分析维度。

信用风险分析

信用风险评估需要综合考虑借款人的财务状况、经营环境和外部因素。LLM能够从文本数据中提取传统模型难以捕捉的风险信号。

import openai
import json

def assess_credit_risk(company_name, financial_report, news_texts):
    prompt = f"""作为信用风险分析师，对{company_name}进行综合信用风险评估。

    财务报告摘要：
    {financial_report}

    近期新闻：
    {chr(10).join(news_texts[:10])}

    请输出结构化评估：
    {{
        "credit_score": "AAA/AA/A/BBB/BB/B/CCC/CC/C/D",
        "default_probability": "百分比",
        "risk_factors": ["风险因素1", "风险因素2"],
        "positive_factors": ["积极因素1", "积极因素2"],
        "sector_risk": "行业风险描述",
        "management_quality": "管理层质量评估",
        "recommendation": "信贷建议"
    }}
    """
    response = openai.ChatCompletion.create(
        model="gpt-4",
        messages=[
            {"role": "system", "content": "你是资深信用风险分析师，具有20年银行信贷经验。"},
            {"role": "user", "content": prompt}
        ],
        temperature=0.2,
        response_format={"type": "json_object"}
    )
    return json.loads(response.choices[0].message.content)

LLM在信用风险中的独特价值在于"软信息"分析。传统评分模型依赖财务比率，但企业的真实风险往往体现在管理层变动、战略调整、供应链变化等非财务因素中。LLM能够理解这些复杂文本，提供更全面的风险画像。

市场风险分析

市场风险涉及利率、汇率、股价等市场变量的波动。LLM能够分析宏观经济文本，预判市场走势。

def market_risk_analysis(macro_news, market_data, position_portfolio):
    prompt = f"""分析当前市场环境下的风险状况。

    宏观经济新闻：
    {macro_news}

    市场数据摘要：
    {market_data}

    当前持仓：
    {position_portfolio}

    请评估：
    1. 整体市场风险水平（低/中/高/极高）
    2. 主要风险来源
    3. VaR估计（在险价值）
    4. 压力测试场景
    5. 对冲建议
    """
    response = openai.ChatCompletion.create(
        model="gpt-4",
        messages=[
            {"role": "system", "content": "你是市场风险管理专家。"},
            {"role": "user", "content": prompt}
        ],
        temperature=0.3
    )
    return response.choices[0].message.content

在市场风险管理中，LLM的文本分析能力可以补充传统VaR模型。例如，通过分析央行官员讲话的语气变化，预判政策转向；通过分析地缘政治新闻，评估黑天鹅事件概率。这些非结构化信息是传统模型的重要盲区。

操作风险分析

操作风险涵盖系统故障、人为错误、内部欺诈、合规违规等多种类型。LLM能够从海量日志和报告中识别操作风险隐患。

def operational_risk_assessment(incident_reports, process_docs):
    prompt = f"""分析以下事件报告和流程文档，识别操作风险隐患。

    事件报告：
    {incident_reports}

    流程文档：
    {process_docs}

    请输出风险评估：
    {{
        "top_risks": [
            {{
                "risk_name": "风险名称",
                "likelihood": "高/中/低",
                "impact": "高/中/低",
                "risk_score": "综合评分",
                "root_cause": "根本原因",
                "mitigation": "缓解措施"
            }}
        ],
        "control_gaps": ["控制缺口1", "控制缺口2"],
        "system_vulnerabilities": ["系统漏洞1"]
    }}
    """
    response = openai.ChatCompletion.create(
        model="gpt-4",
        messages=[
            {"role": "system", "content": "你是操作风险管理专家，熟悉巴塞尔协议III。"},
            {"role": "user", "content": prompt}
        ],
        temperature=0.2,
        response_format={"type": "json_object"}
    )
    return json.loads(response.choices[0].message.content)

风险报告自动生成

LLM可以将复杂的风险分析结果转化为清晰的报告，提升沟通效率。

def generate_risk_report(risk_data, audience="board"):
    audience_map = {
        "board": "董事会成员，关注战略层面风险",
        "regulator": "监管机构，关注合规和资本充足率",
        "trader": "交易员，关注实时风险敞口"
    }
    prompt = f"""将以下风险分析数据转化为{audience_map[audience]}的报告。

    风险数据：
    {risk_data}

    报告要求：简洁、专业、有洞察力
    """
    response = openai.ChatCompletion.create(
        model="gpt-4",
        messages=[
            {"role": "system", "content": "你是金融风险报告撰写专家。"},
            {"role": "user", "content": prompt}
        ],
        temperature=0.3
    )
    return response.choices[0].message.content

实施注意事项

金融风险分析对准确性要求极高。LLM的幻觉问题在这一领域尤为危险——错误的风险评估可能导致巨大损失。因此，必须建立严格的人工审核机制，将LLM作为辅助工具而非决策者。

建议采用"LLM + 规则引擎"的混合架构。规则引擎处理确定性风险（如超限预警），LLM处理不确定性风险（如舆情分析）。两者的输出相互校验，提升整体准确性。同时，建立模型监控体系，持续跟踪LLM在风险分析中的表现，确保其稳定性。