网络金融传染：AI供应商失陷在银行体系中的传播建模
arXiv cs.AI · · 发布于 2026-09-11 · 3 分钟阅读
银行体系目前依赖少数几家共享的人工智能供应商，承担欺诈筛查、信贷决策、反洗钱初步研判、客户分析与内部决策支持等职能。本文研究其中一家供应商被攻陷后，如何沿运营、信息与金融联系链条传播，并最终引发从外部看类似传统银行危机的损失。研究构建了耦合AI供应商、金融机构、同业敞口与客户账户的四层异质网络，并提出在该网络上运行的随机流行病与清算模型CFC-Prop。在包含60家供应商、220家银行、约2500条供应商与银行服务边以及1400条同业敞口的合成数据上，CFC-Prop复现了重尾损失分布以及对补丁延迟的强烈依赖，与既有网络金融证据一致。研究还训练了早期预警模型CFC-GNN，利用供应商侧事件遥测与图结构，在影响发生前标记高传染风险供应商。与四个基线相比，该模型曲线下面积达0.82，精确率与召回率曲线下面积达0.60，且校准误差可控。作者公开了全部代码、合成数据与可复现脚本，并认为AI供应商的网络集中度是一级金融稳定问题，为监管者提供了具体的量化分析工具。
当前来源仅提供摘要，以下要点基于摘要生成；可通过官方原文查看完整信息。研究背景
银行系统在欺诈筛查、信贷决策、反洗钱分类、客户分析和内部决策支持等环节，依赖一小批共享的人工智能供应商。
核心问题
论文考察其中一家供应商被攻破后，风险如何沿运营、信息与金融联系链条传导，并最终形成表面上类似传统银行业危机的损失。
网络结构
作者构建四层异质网络，将AI供应商、金融机构、同业敞口与客户账户耦合在同一框架内。
方法模型
提出CFC-Prop，一种在该四层网络上运行的随机传染与清算结合模型。
数据规模
实验使用合成数据集，包含60家供应商、220家银行、约2500条供应商—银行服务边和1400条同业敞口。
复现结果
CFC-Prop复现了重尾损失分布，以及对补丁延迟的强烈依赖，这与既有网络金融领域的证据一致。
预警模型
训练CFC-GNN早期预警模型，利用供应商侧事件遥测数据与图结构，在冲击发生前识别高级联风险供应商。
性能指标
在四个基线对比中，所提模型达到AUROC 0.82、AUPRC 0.60，同时保持校准误差有界。
开放资源
论文公开了完整代码、合成数据与可复现脚本。
政策含义
研究结论认为，AI供应商层面的网络集中度是一级金融稳定问题，并为监管者提供了可量化的分析工具。