哈喽大家好，我是小叶。

最近在整理一份关于“非结构化文本风控”的笔记。如果你关注 NLP 在金融领域的应用，一定听过 FinBERT。它的核心逻辑是在通用的 BERT 基础上，用了大量的路透社新闻和 10-K 报表做二次预训练。

听起来很牛，对吧？我也曾觉得这就是风控的“银弹”。但当我真正把这些模型丢到某几家暴雷公司的年报里时，我发现：AI 也会被“话术”耍得团团转。

1. 那些被“掩盖”的风险词汇

在金融文本里，真正的风险往往不是直接说“我们要倒闭了”，而是用极其隐晦的修辞。比如：“鉴于宏观环境的不确定性，公司正在积极优化资产结构。”

在通用 BERT 眼里，“积极”、“优化”、“结构”全是正面词汇。哪怕是 FinBERT，如果预训练语料里这种“官样文章”太多，它也会学到一种偏见：只要辞令足够体面，风险就不存在。

我的反思：
AI 擅长的是“概率提取”，而不是“逻辑挖掘”。在风控场景下，我们要找的不是“情绪”，而是“异常”。比如，如果一家公司连续三年的 MD&A（管理层讨论与分析）段落重复率高达 90%，这本身就是一种巨大的风险信号——说明他们根本没在认真经营，或者在隐瞒什么。

2. 🛠️ 实战中的小技巧：不仅看它说了什么，更要看它没说什么

如果你现在在做类似的项目，我建议你别只盯着 [CLS] 向量的情感分类结果。试试这几个思路：

  1. 相似度对比：计算今年年报和去年年报的余弦相似度（Cosine Similarity）。如果相似度过高，说明公司在“复制粘贴”；如果相似度极低，说明业务发生了剧变。
  2. 证据链提取：别让模型只输出“风险等级：高”。要求它输出“依据段落”。你会发现，当要求模型给出证据时，很多所谓的“高风险”其实只是因为文本里提到了几个敏感词，而不是逻辑上的风险。
  3. 负面实体关联：结合图神经网络（GNN）。如果 BERT 识别出年报里提到了某家关联公司，而 GNN 发现那家公司已经违约了，这才是真正的预警。

3. 给同行的一点真心话

现在大家都在卷大模型（LLM），卷参数量。但金融风控最缺的不是算力，是对金融常识的对齐。

我曾见过一个模型给某家公司的“大幅计提减值”打了高分（正面），因为它觉得“大幅”、“增加”是积极信号。这就是典型的缺乏常识。

我的做法：
我现在会在 Prompt 或者微调（Fine-tuning）时，加入一套“金融逻辑约束”。比如：明确告知模型，“计提减值”在大多数情况下是负面财务信号，“关联交易增加”是潜在的利益输送信号。只有把这些“内功”打扎实，模型才不会变成一个只会玩文字游戏的复读机。

4. 碎碎念

其实，做风控的人都有点“悲观主义”。我们总是在寻找那 1% 的崩塌可能。AI 的加入，是为了帮我们把那些繁琐的阅读工作自动化，而不是取代我们的判断力。

最近我在尝试用 RAG（检索增强生成）去对比不同券商对同一份财报的解读差异。发现这种“分歧”往往蕴含着巨大的套利空间。等我跑通了，再跟大家细聊。

合规提醒：本文仅供学术探讨。风控模型需经过严格回测与压力测试，不建议直接用于信贷决策。