网络金融传染：建模 AI 供应商遭入侵事件在银行体系中的传播

如今，银行体系依赖少数几家共享的人工智能供应商来执行欺诈筛查、信贷决策、反洗钱分流、客户分析和内部决策支持。本文研究了其中一家供应商内部遭到入侵后，如何沿着运营、信息和金融关联链条传播，最终引发从外部看起来类似于传统银行危机的损失。我们构建了一个四层异构网络，将 AI 供应商、金融机构、银行间敞口和客户账户联系起来，并提出了在该网络上运行的随机流行病—清算模型 CFC-Prop。在包含 60 家供应商、220 家银行、约 2,500 条供应商—银行服务连接和 1,400 项银行间敞口的合成数据集上，CFC-Prop 再现了与既有网络金融证据一致的重尾损失分布，以及损失对修补延迟的显著依赖性。我们还训练了一个早期预警模型 CFC-GNN，该模型利用供应商侧的事件遥测数据和图结构，在影响发生之前标记具有高级联风险的供应商。在四个基线模型的比较中，所提出的模型达到了 0.82 的 AUROC 和 0.60 的 AUPRC，同时将校准误差控制在有限范围内。我们公开了完整代码、合成数据和可复现实验脚本。研究结果表明，AI 供应商之间的网络安全集中度是一个一阶金融稳定性问题，并为监管机构提供了一个用于定量分析这一问题的具体工具。