1.2　复杂系统

复杂系统是由大量异质性个体组成的，且个体之间存在交互作用。复杂系统广泛存在于现实世界和虚拟世界之中。

1.2.1　复杂性科学

1984年，在诺贝尔物理学奖得主、夸克之父盖尔曼（Murray Gell-mann），考温（George Cowan），安德逊（Philip Anderson），诺贝尔经济学奖获得者阿罗（Kenneth J.Arrow）等人倡导下，一批来自世界各地的政府机构、研究团体和私营企业的物理、生物、经济、计算机科学家，在美国新墨西哥州圣塔菲市西北郊外的一座小山丘上建立了享誉世界的圣塔菲研究所。圣塔菲研究所是非营利性研究机构，研究的大方向是跨学科的复杂性和复杂系统，并将研究复杂系统的交叉学科称为复杂性科学^[25-28]。

圣塔菲研究所的科学家们致力于构建“没有围墙的研究所”。圣塔菲研究所的研究范围广泛，融合了社会科学、经济金融学、计算机科学、生物学、生态学、信息学等学科，大力倡导不同学科之间的交叉融合。复杂性科学的关键不在于学科本身，而在于不同学科之间的交叉融合，在于学科之间的协同创新，共同解决科学问题和应用难题。经过了几十年的发展，复杂性科学经历了不同学科的兴起和衰落，如大家所熟知的老三论和新三论，从一般系统论、控制论、信息论，到耗散结构理论、协同学、突变论，以及超循环理论、混沌、分形、自组织临界理论和元胞自动机等，复杂性科学得到了不同领域学者的关注和研究。复杂性科学为不同学科提供了崭新的研究视角和创新性的研究成果，激发了新的研究思想，成就了新的研究方向，为人类揭示和解释复杂系统运行规律提供了强有力的工具，极大地提高了人们认识世界、探究世界和改造世界的能力。

21世纪初，网络科学迎来了蓬勃的发展。针对蛋白质作用网络、细胞网络、神经网络、社会网络、经济金融网络等，科学家们在不同尺度、不同领域、不同层次进行了深入分析和研究，各领域相互借鉴、相互学习、共同发展、交叉融通，极大地促进了各个学科自身的发展。各个学科的发展都为复杂性科学做出了贡献，提供了思想的源泉和创新的火花，使得人类能够对身边的复杂系统、复杂模型进行深入的理解和探究，为人类认识世界、理解世界、预测世界提供了丰富的思想工具和技术方法，使得人类能够更好地可持续发展，为防控社会、经济、金融系统性风险提供了很多实用的工具和发展方向^[29]。

著名理论物理学家斯蒂芬·霍金称“21世纪将是复杂性科学的世纪”。中国著名科学家钱学森在系统论和控制论领域做出了卓越贡献，丰富了复杂性科学方法，提出了复杂巨系统的概念。钱学森的《工程控制论》系统性给出了控制领域的经典方法和实例^[30]。在深入学习深度强化学习过程中，可以发现控制论中很多概念和思想都直接影响了强化学习理论的发展和算法演进。社会系统和物理系统的复杂性不在一个层次，物理学研究已经建立了许多精确的数学模型，可以进行论证、推演、理论分析、定量计算物理系统中个体动力学规律和系统演化规律^[31-33]，但社会经济系统的定量分析、预测、控制却异常困难和复杂。

成思危教授的《复杂性科学探索》指出了研究复杂系统的系统科学方法，包括定性判断与定量计算结合、微观分析与宏观分析结合、还原论与整体论结合、科学推理与哲学思辨相结合^[34]。复杂性科学是涉及多个学科的一门科学，汲取了不同学科的优秀方法和思想，是从不同学科和不同视角用不同方法和工具进行交叉研究的一门学科。除了部分物理系统，复杂系统中社会安全突发事件^[35-38]、神经网络的思维过程、动物种群的发展过程、胚胎的形成过程，都没有定量的数学模型，也没有大一统的理论，因为一些系统不易观测或者无法模型化，不容易进行定量研究。但是通过分析系统作用机制，设计系统模型规则，可以在计算机上建立一定法则进行模拟，并进行定量分析。因此复杂性科学的研究需要定量与定性相结合^[25,39]，博观而约取，交叉而融通，以揭示和解释复杂系统运行规律。

1.2.2　复杂系统定义

2021年10月，真锅淑郎（Syukuro Manabe）、哈塞尔曼（Klaus Hasselmann）和帕里西（Giorgio Parisi）三位科学家因为“发现了从原子到行星尺度的物理系统中无序和波动的相互作用”和“对地球气候进行物理建模、量化变化和可靠地预测全球变暖”而获得了诺贝尔物理学奖，为人们理解复杂物理系统做出了突破性贡献。帕里西在无序的复杂材料中发现了隐藏的模式，这是对复杂系统理论最重要的贡献之一，使理解和描述许多不同的、随机的材料和现象成为可能，在物理、数学、生物、神经科学和机器学习等领域都有着重要作用。

帕里西于1999年在论文《复杂系统：一个物理学家的观点》里写道^[40]：“复杂系统有许多可能的定义。我将复杂系统定义为：如果一个系统的行为在很大程度上取决于系统的细节，那么该系统就是复杂的，且这种依赖性往往是非常难以理解的。”复杂系统的定义非常之多，也各不相同。例如，复杂系统的另一个定义为“复杂系统是具有涌现和自组织行为的系统”。因此，对复杂系统进行定义，其本身也是很复杂的问题。下面将给出一个较为通俗的定义，以便理解和深入研究复杂系统。

1.2.3　复杂系统类型

适应性造就复杂性^[42]。复杂系统中异质性个体具有自适应性，个体之间的相互作用在宏观层面涌现出复杂现象和有趣规律。异质个体行为影响周围环境，反过来环境变化也影响个体的行为。反馈是控制理论中的核心概念。个体与环境的交互过程，是个体基于环境反馈信息的学习、适应和应对的过程。基于经典还原论观点，通过研究复杂系统局部子系统性质而得到全局系统规律的思路和方法，已经很难准确地把握问题和解决问题，因为大部分子系统之间都不具有可加性，个体之间的关联使得子系统之间具有超线性或亚线性关系，整体大于局部之和是复杂系统的重要特征^[37,39]。复杂性科学中，学者们通过非还原论方法来研究复杂系统，通过复杂模型和方法来发现和探索复杂系统的普遍规律，通过对复杂系统状态变量进行观察、量化、度量、建模、预测以及控制，深入探究复杂系统的动力学过程和演化规律，为理解和控制复杂系统提供有效工具^[36,43]。复杂系统包含了适应系统和非适应系统两大类。

1.适应性复杂系统

个体具有适应性，复杂系统也具有适应性。个体之间通过物质、能量和信息的交换而产生相互作用，并通过与环境交互以适应环境变化，改变自身特征属性与交互行为，如此形成的系统称作适应系统，如生物网络^[44-48]、社会网络^[49-57]、金融经济网络^[58-60]、信息网络^[38,61]中存在的大量适应性复杂系统。特别是有人参与的系统中，个体的行为决策过程受到环境因素影响，环境因素包括群体情绪、个体所处环境、地位等信息。个体感知环境信息，将其作为行为决策变量，进行信息处理和决策，表现出复杂行为模式。随着深入理解和分析深度强化学习系统，我们将发现深度强化学习系统本身也是一个适应性复杂系统。

信息社会中个体之间有着多重关联关系。社会系统中人与人之间息息相关，人类决策行为受到关联个体的影响，如同事、朋友、亲人等。社会系统受到了人类行为因素和环境因素影响，具有复杂的动力学特征和规律。除了动力学规律的复杂性，复杂系统同样包括了系统结构的复杂性，如社会网络系统的层次性、同配性和高聚类性，以及信息网络系统的无标度性和结构自相似性等。复杂系统结构的自相似性非常普遍，一些子系统和全局系统之间存在着关联，同时也具有相似的结构，如树状网络中每一棵子树也具有严格的树状结构。

一般而言，超大复杂系统由大量复杂子系统构成。大量个体构成复杂子系统，而大量复杂子系统进一步构成一个更大的复杂系统。复杂巨系统的组成部分也是系统，即为系统的子系统。在商业社会系统中，集团公司包括了大量子公司，子公司之间有着错综复杂的关联关系，子公司的员工之间也同样有着多重复杂关系。科研人员为了更好地理解和刻画如此复杂的超大系统，提出了很多有趣的理论和方法。波士顿大学Stanley教授等人提出的相依网络（Interdependent Network）是一套有效的理论分析框架，可研究社会和金融系统中“网络的网络”中“节点”相依关系对网络稳定性（Stability）和稳健性（Robustness）的影响^[62,63]，也为“系统的系统”和耦合系统研究提供了思路和方法。

2.非适应性复杂系统

非适应性复杂系统是人类生活的重要组成部分。现实世界中大多数物理系统，如恒星、星系、行星、沙堆模型等，都属于非适应性复杂系统^[29,64]。在物理系统中，个体之间也会存在关联关系和相互作用，一些作用关系可以通过较为严格的函数或方程来表示和刻画，如行星之间的引力关系等。复杂物理系统的复杂性表现在维度高、空间大、非线性等特征，其中大多数问题没有解析解和高效求解方法，如行星轨迹预测问题、卫星发射问题等，都涉及大量的数值计算和数值优化，计算复杂度较高。不同于适应性复杂系统的个体，行星没有自我意识，不能根据物理环境变化而改变自身的行为策略，只遵循已知或未知的物理规律。因此，在一般情况下，复杂物理系统和复杂社会系统的复杂性不在一个层次。

一般而言，非适应性复杂系统中的物理模型或化学模型与现实世界具有较高的相似性或一致性，如星系模拟系统和分子模拟系统等。适应性复杂系统中的虚拟模型与现实系统的相似性较低，如社会模拟系统中个体情感因素、属性等特征都很难准确量化和表征，个体之间的复杂交互模式也很难精确模拟，因而基于模拟仿真的社会系统或金融系统的动力学特征规律很难直接应用到现实世界之中。用深度强化学习对复杂系统和复杂环境进行准确建模，是智能体学习智能策略的基础。深度强化学习智能体的目标是期望在与复杂环境交互过程中获得较高的累积回报。因此，对复杂系统环境的建模和环境状态感知直接决定了智能体策略函数的优劣。

复杂系统模型可以是方程、方程组、动态演化的网络模型等。复杂系统模型与现实系统相似度越高，复杂系统模型的数值模拟结果应用在现实系统中就越有效、越可靠。复杂系统环境的状态直接影响智能体行为和智能体回报，智能体在好模型（与现实系统相似度高）中学习的行为策略在现实世界具有较好的泛化能力以及能够进行有效应用。因此，在深度强化学习的应用和实践中，环境模型的构建非常重要，深入研究和建模实际复杂系统是解决实际复杂问题的基础和关键。

1.2.4　复杂系统研究

复杂系统建模是智能体学习和优化智能策略的基础和关键。如何高效、高质量地建模复杂系统呢？复杂网络方法和思想是研究复杂系统与复杂社会现象的重要工具。我们需要研究复杂网络结构的统计规律和属性特征，同时需要更多地关注和理解复杂网络动力学特征规律。复杂系统中存在着大量亟需解决的重要问题。复杂网络科学家Barabási等人在理解^[65]、量化^[66]、预测^[67,68]和控制^[69,70]复杂社会现象和复杂自然现象方面做了大量创新性工作，相关研究成果得到了广泛应用。人类移动行为动力学的相关研究^[65,66]为交通网络拥堵、流行病传播等复杂现实问题提供了新思路和新方法。如何有效地避免交通堵塞，如何有效地预防传染病传播，如何阻断病毒传播路径等，都可以建模成复杂网络问题。深度强化学习方法训练智能体在基于复杂网络的环境模型中探索和学习，优化决策函数，探索智能化的解决方案。

复杂网络科学家Barabási等人综合分析了复杂网络可控性和可观察性^[69,70]，从复杂网络的视角理解和分析复杂系统的可控性，将控制的思想引入复杂网络研究中并进行了推广。复杂网络结构可控性问题的相关研究成果也被应用于一些复杂系统分析之中，如生物体神经网络和行为控制等。使用网络可控性研究方法分析网络是否可控，即如果人类想要控制网络中个体状态特征到达指定的状态特征，那么是否存在一定的控制操作可以满足人类的需求。但是，如何找到控制策略则需要更多的辅助工具和数值计算方法，这也限制了复杂网络控制的方法和思想在现实世界网络中的广泛应用。通过追溯深度强化学习的历史可以发现，强化学习发展初期融合了大量的控制论思想和方法，如最优化控制理论等。总而言之，复杂网络是研究和分析复杂系统的重要工具和方法。

1.复杂社会系统研究

复杂社会系统是人们生活、工作和学习的环境。人们常说社会太复杂，因为人类社会是由大量异质且动态多变的个体组成的复杂自适应巨系统。近年来，社会系统和金融经济系统中的“黑天鹅”事件^[67]（如突发社会安全事件、金融危机）等都给社会、经济、金融系统造成了一定程度的伤害，也给人们的生活、工作和学习造成了较大冲击。复杂系统之间存在一定程度的耦合，研究和分析耦合系统具有挑战性。金融经济系统的复杂性一部分来源于与社会系统的耦合关系，金融经济系统中个体之间存在着错综复杂的社会网络关系，个体的金融经济决策过程会受到社会关系的影响，因此，个体的决策环境具有复杂性，个体的决策行为具有复杂性，社会经济系统的整体行为也具有复杂性。

2011年初，美国自然科学基金会基于哈佛大学学者对全球著名社会学家的调查分析，发布了社会科学研究的十大科学问题，其中第九大科学问题为“我们怎样才能坚强地应对罕见的、会造成极端后果的黑天鹅事件？”虽然自然灾害、事故灾难、公共卫生事件和社会安全事件等“黑天鹅”事件极其稀少，但是对社会、经济和金融系统的危害却十分严重。识别具有破坏性的稀有事件发生的时间和空间极具挑战。在社会科学研究领域中构建抵御突发事件冲击的观察和检测系统，是智能社会治理的重要研究方向。传统的社会科学研究方法包括定性分析、定量分析和实验研究。随着信息技术和计算机科学的发展，社会科学研究领域引入了大量的定量化分析和研究工具，如SPSS、Maple、MATLAB、MathCAD和Mathematica等。

Vespignani等人分析了人类行为的可预测性^[67,68]，挖掘了人类行为的特征规律，颠覆了人们多年来关于个体行为不可预测的观念。在传染病模型的构建和实际疫情防控中，人类行为可预测性的相关研究成果具有重要意义和作用。如何更好地预测人类行为？如何在大规模数据集上进行人类行为规律的探索？机器学习模型和深度强化学习算法能够有效地学习蕴含于人类行为日志数据中的信息，提高智能模型对人类行为的预测精度。

2019年底的新型冠状病毒感染肆虐全球，流行病的突然暴发，人们的生活方式、学习方式、工作方式都发生了巨大变化。如何有效地预防和管控传染病的暴发和传播，一直都是人类潜心钻研的课题。人们用“黑天鹅”来表示复杂社会行为的不可预测性以及对人类认知和观念产生的巨大冲击。瑞士工程院院士和欧洲科学院院士Didier Sornette教授提出的“龙王”理论提出了不同于“黑天鹅”的方法和思想，用来理解和预测金融市场和人类社会中的群体行为^[71-74]。Didier Sornette教授是南方科技大学风险分析预测与管控研究院院长和讲席教授、瑞士苏黎世联邦理工学院（ETH Zurich）创业风险中心讲席教授、ETH风险中心联合创始人、瑞士金融研究所金融学教授，在自然和社会极端事件预测中进行了大量的创新研究^[73-81]。

复杂社会、经济、金融和自然系统中的很多重要问题可以用深度强化学习方法进行分析和研究，如地震预测、金融市场系统性风险预警等。科学研究中真正重要的问题很少，难度也很大，研究方法却很多。随着科学技术的进步，我们要勇于尝试新方法和新思路，为求解重要问题提出新见解和新思路。深度强化学习方法为复杂社会网络分析提供了强大的技术和算法支持，使得社会科学领域的智能决策更加具有可行性和可靠性。在国内外学者的努力下，机器学习和复杂网络领域都得到了快速发展，已经有了大量非常成熟的算法和应用，许多研究成果发表在Nature、Science等国际顶级学术期刊上，引起了世界范围内学者的重视。深度强化学习在复杂系统决策领域已经取得了一些重大科学发现和理论突破，很多研究成果得到了广泛应用，且取得了较好的实际应用效果，如疫情防控、疫苗研发、蛋白质折叠等。

2.虚拟社会系统研究

海内外学者对虚拟世界的潜在研究价值有很高的期许^[54,82]。特别是近年来虚拟现实（Virtual Reality，VR）、元宇宙（Metaverse）、数字孪生（Digital Twin，DT）等技术引发了社会各界的极大关注。大数据和高性能计算时代，人们对复杂社会系统演化行为的定量认知并不深刻，需要更加定量化的、高效的分析方法和研究思路。人们通过对海量数据的分析和高性能计算资源的调度，深化对虚拟社会个人行为和组织演化规律的定量认识，具有重要的现实意义和科学价值。

传统定量分析和实验研究的小样本数据集与虚拟社会系统中人类行为的海量日志数据集存在显著的规模差异，因此研究方法和工具也发生了变化。不同领域的科学家为了更科学和更高效地定量分析大规模高质量社会领域数据集，开拓了全新领域——计算社会科学^[83]。计算社会科学所用数据集具有大数据的基本特征，比如通信运营商记录的手机用户通话时间和位置数据集，科学家可以用此数据集研究人类的移动行为规律，并在传染病模型中引入社会个体移动规律，更加真实地仿真模拟传染病传播过程，为疫情防控提供更加可信和科学的政策建议^{[65,66,68,84]}。同样，深度强化学习方法也将大有可为。

在虚拟社会系统研究领域中，科学家通过虚拟世界日志数据研究现实世界人类行为规律，存在一个虚实映射的问题。在虚拟世界中所发现的角色或个体行为的特征规律不一定适用于现实世界人类行为，因为所发现的规律可能只是特定虚拟世界模型设定的微观规则在宏观层面的系统行为。在深度强化学习应用中，虚拟与现实映射问题同样需要重视，即复杂环境建模中环境模型与现实世界的差异问题。智能体在仿真模拟的环境模型中表现良好，却可能在现实世界中不能工作，这与机器学习领域中模型泛化和迁移问题相关。

3.复杂经济系统研究

面对近年来的经济危机、欧债危机、粮食危机、金融危机、全球新型冠状病毒感染、俄乌冲突等极端事件，人类亟需反思，突发事件和复杂现象背后的形成机制和原因是什么？如何找到极端事件的起因？如何测度和监控极端事件的演化和发展？如何在下一次危机前进行有效的预警和防控？人类身处复杂系统之中，深知复杂系统的稳健性和脆弱性共存。例如，在网络科学中，复杂网络面对随机性的节点失效时呈现稳健性，面对蓄意的具有针对性的节点攻击时却表现出脆弱性。面对复杂社会经济系统中的极端事件，人类希望实现像对待自然现象一样，进行有效的观察、理解、描述、量化^[85-87]、预测和管控。

人类如何才能做到有效地观察、理解、描述、量化、预测并管控复杂社会经济系统呢？南京大学盛昭瀚教授团队在社会经济系统的建模和计算实验研究领域取得了大量创新成果。在经济学领域，传统定量分析和实验研究的数据样本一般较少。随着信息技术的突飞猛进，经济系统中个体对于信息技术的依赖，使得个体在信息系统中留下了详尽的数字痕迹，如个体上网、电话、位置信息、支付信息、购票信息、行程信息等，都反映了个体的行为特征和偏好。同样，很多平台或公司也收集了个体的性别、学历、偏好等属性信息，并通过整合个体和系统信息来进行智能商业决策，提高平台收益并扩张市场规模。商业数据的采集和分析会涉及到非常之多的隐私数据，信息社会中数据安全和隐私保护也是人们需要关注的重要问题。

除了现实世界个体的经济行为数据，大型多人在线角色扮演游戏（Massive Multiplayer Online Role-Playing Game，MMORPG）中也产生了大量完备和丰富的角色经济行为日志数据。虚拟世界中虚拟经济系统发挥了举足轻重的作用。我们通过研究虚拟世界中社会和经济系统，刻画虚拟社会经济系统的动力学演化规律，进而分析虚拟在线社会的相关经济问题，因此虚拟世界中的社会和经济系统也同样具有较大发展潜力和研究价值^[29]。

4.复杂金融系统研究

金融经济系统中产品、供给、需求、价格等基本要素都有自身的特征属性，且加上异质金融个体之间错综复杂的关联关系和交互作用，造就了金融系统的复杂性。金融系统复杂性包括金融本质的特殊性与复杂性、金融产品与金融机构的特殊性与复杂性、金融市场与金融资产价格的特殊性与复杂性、金融风险的特殊性与复杂性、金融技术的特殊性与复杂性以及金融管理与调控的特殊性与复杂性^[88]。人们通过对金融系统复杂性的认识，深入了解现阶段金融市场形态演化规律的内在机制和驱动力，为理解复杂金融现象提供分析工具和分析思路。人们需要多角度、多尺度、多层次地理解和刻画复杂金融市场，深入探究金融市场系统性风险的度量、预警、传染和防控策略。

金融系统复杂性包括客观复杂性和主观复杂性两个方面^[88]。复杂金融系统的客观复杂性是指系统本身的状态、结构和演化动力学的复杂性，以及刻画金融系统的模型具有复杂性，与传统复杂性研究一致，包含如计算复杂性、算法复杂性和语法复杂性等。复杂金融系统的主观复杂性是指复杂金融系统中个体具有适应性和能动性。人类感知、意识、反应和行为的复杂性以及个体之间交互行动、信息反馈、信息级联和迭代等因素的复杂性，都将金融系统复杂性提升到了更高层次。有人参与的系统和无人参与的系统的复杂性是有本质区别的，与适应性复杂系统和非适应性复杂系统的区别类似。

面对复杂金融系统，人们如何能够在维持金融系统稳定性、稳健性同时，有效地配置资源，为社会经济系统高效运行提供动力，是一个亟需解决的问题。新的金融工具和金融方法关注和研究复杂金融系统风险的预警和防控问题。研究金融系统的主观复杂性需要结合心理学和金融学，包括行为金融领域研究预期判断、风险态度、决策方式、信息条件等，针对这些领域已经开展了大量的研究工作，取得了非常丰硕的研究成果。针对客观复杂性，我们需要结合数理知识与计算机科学，如计算机仿真、人工神经网络、随机过程、统计分析、混沌动力学、随机复杂性、数理金融与量化金融等^[88]。下面将简单介绍一些在大数据时代、人工智能时代发展和兴起的新金融。

5.计算实验金融

天津大学张维教授课题组在金融系统的计算实验研究领域处于国际前沿。张维教授是国内极早从事金融工程与金融风险管理领域教育和研究的学者之一。张维教授等人在著作《计算实验金融研究》中阐明了计算实验金融的研究方法论，详细介绍了计算实验金融学的起源、发展历程和研究现状，利用计算实验金融方法对金融市场的各种异象做出合理解释，并对投资者生存、适应性市场假说、时间序列可预测性等金融学界广为关注的问题做出尝试性回答。计算实验金融融合了金融学、计算机科学、概率论、统计学等学科，是一门交叉学科。张维教授等人尝试在中国市场条件下，利用计算实验金融方法解决一些常规金融经济学方法难以解决的金融研究问题，倡导和推动了计算实验金融学在中国的发展。

6.互联网金融

2015年，中国人民银行等十部门发布《关于促进互联网金融健康发展的指导意见》，对互联网金融做了定义。互联网金融是传统金融机构与互联网企业利用互联网技术和信息通信技术实现资金融通、支付、投资和信息中介服务的新型金融业务模式。互联网与金融深度融合是大势所趋，已对并将继续对金融产品、业务、组织和服务等方面产生深远影响。

互联网金融作为“互联网+”的重要产业之一，对社会经济系统产生了举足轻重的作用，也对人们日常生活和经济活动产生了深远影响。在大量金融创新的环境下，互联网金融改变了传统的金融行业和金融生态，深刻影响了商业银行的传统业务，也引发了新的金融系统风险源。金融从业人员和学者们需要深入研究互联网金融风险管理和互联网金融监管等问题，共同维护社会经济系统和金融系统的稳定和健康发展。

科学技术的创新和突破带来金融行业的变革和产业调整。互联网、人工智能、区块链、云计算、大数据、物联网等新技术不断涌现，加速了经济体和金融机构的发展和转型升级。通过新技术、新资源和新工具，复杂金融市场主体可以提升金融资源配置效率，为实体经济发展注入新活力。互联网金融的快速发展给社会带来巨大的经济利益，同时也要注意利弊的权衡，互联网金融中一些金融创新规避监管，盲目扩张，容易引发新的金融风险。面对国家防范化解重大系统性金融风险的首要任务，预警、防控和化解互联网金融带来的系统性金融风险显得尤为重要。

7.科技金融

2019年，科技部发布《国家“十二五”科学和技术发展规划》，指出科技金融是指通过创新财政科技投入方式，引导和促进银行业、证券业、保险业金融机构及创业投资等各类资本，创新金融产品，改进服务模式，搭建服务平台，实现科技创新链条与金融资本链条的有机结合，为初创期到成熟期各发展阶段的科技企业提供融资支持和金融服务的一系列政策和制度的系统安排。加强科技与金融的结合，不仅有利于发挥科技对经济社会发展的支撑作用，也有利于金融创新和金融的持续发展。

8.金融科技

金融科技英译为FinTech，是Financial Technology的缩写，可以简单理解为Finance（金融）+Technology（科技），指通过利用各类科技手段创新传统金融行业所提供的产品和服务，提升效率并有效降低运营成本。金融稳定理事会（FSB）给出了金融科技的定义，金融科技主要是指由人工智能、区块链、云计算、大数据分析等新兴前沿技术带动，对金融市场以及金融服务业务产生重大影响的新兴业务模式、新技术应用、新产品服务等。

金融科技涉及的技术具有更新迭代快、跨界、混合行业等特点，是人工智能、区块链、云计算、大数据分析等前沿颠覆性科技与传统金融业务、场景的叠加融合。金融科技主要包括大数据金融、人工智能金融、区块链金融和量化金融四个核心部分，包含如智能投顾和智能客服等产品。智能投顾是指投资人依靠专业智能机器人来进行投资决策，智能投资机器人结合投资者的财务状况、风险偏好等，运用已搭建的投资模型和计算平台为投资者提供投资和理财建议。证券行业的智能客服主要充当客服的身份，但随着金融科技的发展，也能够进行诊股、选股等智能操作。