法規與監理 2023年5月

美國經驗篇》史上首次!社群媒體引發銀行崩潰

SVB一夕倒閉實錄
撰文:黃庭瑄

矽谷銀行原本的利基,在於快速提供新創公司所需的金融服務,如今卻成為燃點。網紅透過Twitter、WhatsApp鼓吹存款人轉存款,大量存款快速被掏空,銀行還來不及反應,即宣告被FDIC接管,令眾人錯愕。

谷銀行(SVB)倒閉後,大家開始討論「社群媒體」為銀行帶來的風險。歷史上還不曾有過銀行擠兌是來自於社群媒體帶風向,過去的擠兌要到現場排隊領錢,銀行存款被領空通常需要好一段時間。但這次的矽谷銀行風暴,透過網路交易快速的轉存款,讓超過400億美元存款在一天內消失。

加州矽谷本身就是一個巨大社群,產業和人才相似度高,傳言速度和波及層面更容易快速擴散。矽谷銀行原本的利基,在於快速提供新創公司各種所需的金融服務,如今卻成為燃點。因客戶同質性高,多為科技業新創公司,而放在矽谷銀行的存款多為企業獲得的創投基金,當投資基金一聽到銀行大幅賣出債券變現的相關消息,立刻通知客戶轉移資金以避險,加上具有影響力的網紅透過Twitter、Whats App發出#Run On The Bank文章,鼓吹存款人轉存款,使大量存款快速被掏空,銀行還來不及反應,就宣告被聯邦存款保險公司(FDIC)接管。

美國東岸的Signature Bank,也因為類似的結構而迅速倒閉,包括超過90%的存款沒有保險,也就是大多數的客戶存款額高過25萬美元,以及持有現金不足缺乏流動性的風險。矽谷銀行缺乏流動性的原因來自大規模資產投入債券,受利率上升影響,資產大幅縮水,Signature Bank並未有持有過多債券問題,然而在倒閉後被大幅報導,其四分之一存款來自虛擬貨幣客戶,而虛擬貨幣存款於今年初大量削減,使得矽谷銀行失敗時,Signature的客戶感到不安,大量撤出存款。

決策被放大,倒閉成骨牌效應

提供虛擬貨幣服務的Silvergate銀行,也於3月終止營運,倒閉的主要原因是過於著重虛擬貨幣,年初倒閉的FTX虛擬貨幣交易所是其最大客戶之一,然而與矽谷銀行的共同點包括過度集中特定行業,以及持有證券在價值下跌時導致的流動性不足。加州另一家銀行First Republic和瑞士Credit Suisse銀行也身陷高利率帶來的亂流中。

這一連串的銀行倒閉風暴與2008年的信貸危機不同,在高通膨利率快速上下的時代,控管資產投資風險成為銀行能否續存的關鍵,加上虛擬貨幣業務帶來的不確定性,每個決策的效果透過社群媒體的放大,都可能更快速扭轉銀行命運。

從市場面來看,銀行倒閉對美國金融市場有何影響?美國從2008年金融海嘯到2014年倒了507家銀行,直到2015年漸漸趨緩為每年個位數,2020年後則是沒有銀行倒閉,直到2023年矽谷銀行成為2008年後最大規模的銀行倒閉。對於美國的金融市場來說,銀行倒閉並非全新議題,銀行數量曾在1930年代和1980年代高達14,000家,削減至現在的4,100家。美國銀行數量這麼多的原因要追溯到美國立國時,傑佛遜(Jefferson)派別認為不能讓國家或大型銀行獨大,漢密爾頓(Hamilton)派別則認為需要國家/大型銀行,兩個方向同時施行,至今仍延續當年爭議的影子。

美國中小型銀行存在意義——放款效率

許多想法認為,把資金都存在大銀行就安全了,根本不需要放在小銀行增加風險。然而,把美國中小型銀行的存在想成是飛機的航線,並不是每次出國都會搭大型航空公司,中小型銀行擁有其存在的市場需求和難以取代的服務。從2022年數據來看,小銀行擁有70%的房貸,其中有很大部分是商業型的房貸。從所有貸款規模來看,美國40%的貸款都來自於小型銀行。美國大銀行有大量存款,相對穩定安全,網站流暢好用,具備各種新功能,但資金取得卻不如小銀行容易,服務效率相較起來也沒這麼快速。

美國市場大,客戶異質性高,各地區、各種族的習慣都不同,因此很多銀行和放款金融機構與貸款經紀公司(Mortgage Broker)合作,為不同的客群服務取得貸款,而小銀行的利率優勢透過這樣的管道,就能吸引到許多客群。以大銀行來說,新客戶很少能透過一通電話完成所有的程序,每次預約、等待時間就會耗上很久,但貸款經紀人透過相同的語言、背景或在同樣的網絡裡,能更快掌握貸款人的經濟狀況,因此就不難找到專門服務華人或印度人的貸款機構。用這樣的思維,也就更能了解矽谷銀行存在客戶同質性高的原因,矽谷銀行專為新創公司服務,其服務內容和效率原本應深受同業推薦,受到科技新創公司青睞,同樣的服務若想從大銀行取得,其服務和資金周轉的速度就不一定能跟上需求。

存戶信心崩潰,小銀行重新穩定人心

銀行倒閉事件後的一個星期內,大規模的存款從小銀行轉向大銀行,美國聯邦政府數據顯示,有1,000億美元的存款流向美國四大銀行,亦有許多資金流向貨幣市場基金(MMF),顯示部分企業因為存款超過25萬美元沒有保險的問題,將資金抽離銀行系統。在3月中事件發生到3月底兩個星期內,小銀行的放款額度減少了740億美元,根據哥倫比亞大學Piskorski教授分析,當美國小型銀行不再放款時,經濟就會真正受到影響,資金緊縮接著會更快帶來經濟蕭條。

小型銀行在利率和手續費等面向上,許多條件都比大銀行優惠,加上若是在地銀行,取得服務也相對親切方便,目前整個市場都希望穩定民心,提倡只要是25萬美元以下的存款,放在哪個銀行都是可以拿回來的。此時,許多信用合作社(Credit Union)更大力提倡其商業模式偏向非營利組織,以每個會員而非股東作為利害關係人,且對於客戶存款投資策略相對保守,存款很大比例都在保險範圍內,不容易受到這次矽谷銀行倒閉的相關風險影響。

一張含有 圖表 的圖片

自動產生的描述

銀行倒閉凸顯監理問題

此次的矽谷銀行倒閉事件,的確存在背後的監理問題,據The New Yorker報導,超過一年前,舊金山聯邦儲備銀行(Federal Reserve Bank of San Francisco)就發現,矽谷銀行可能會因利率上升產生現金準備不足的問題,但僅止於警告,表示內部高層可能發現了問題卻沒有行動。事實上,金融風暴過後,美國2010年曾通過一項多德–弗蘭克法案(Dodd-Frank Act),增強金融監管,但卻在2018年修改法案,將監管的銀行資產閾值提高到2,500億美元。

以過去的邏輯來看,矽谷銀行投資標的是最安全普通的資產,但卻因為管理風險不當,無法通過市場的壓力測試。這使得美國金融監理制度將進行重新檢討,在高利率環境底下銀行系統受到挑戰的同時,監理機構應該扮演什麼樣的角色,對銀行進行壓力測試還是幫助存活,或者更審慎加強監管。

從目前來看,美國銀行倒閉潮暫時受到了控制,聯準會(Fed)推出了緊急貸款讓銀行換取現金以應對提款需求,但長期來看可能未必。銀行倒閉後,Fed也並未減緩利率上升,仍持續為打擊通膨,於3月底升息0.25%。這一連串事件都提醒著銀行對於風險的重視,投資資產在利率變動下的風險,客戶產業集中可能帶來的效應,持有足夠現金因應流動性的需求,以及社群媒體可能帶來的風險。再健全的銀行,都很難抵擋一日百億美元的瘋狂擠兌,這樣的效應之下,倒閉是不可避免之路。

未來,社群媒體也將成為銀行需關注的一部分,美國主要社群媒體仍帶領著對銀行失去信心的言論,甚至建議網民們將現金換成金條、銀條、虛擬貨幣。這些社群言論將更深入影響下一代的金融行為,實際上,今年3月,美國也經歷了歷史上銀行最大規模的存款流出,環境的變動大幅考驗銀行管理和政府監管制度,現在金錢的運用有很多選擇,可以快速流動,為維護銀行作為存款最安全港口的地位,有許多措施值得持續的改進和施行。(本文作者為台灣金融研訓院特約研究員)
 

猜你喜歡

2025年8月

AI的零點擊資安攻擊來了

「安全始於設計」原則,近年來已經逐漸在資安界扎根。與其在寫完程式之後,才用人工或自動化工具找出漏洞,還不如一開始就選擇那些在語言層級上本就無法寫出某些類型錯誤的程式語言。舉例來說,若捨棄各種已有數十年歷史的C語言,改用如Rust等較為現代的語言,便能從根本上排除大量的資安漏洞。然而,就在傳統軟體界逐漸接受這個新思維的同時,人工智慧的迅速崛起,卻大幅動搖了這項理念。一旦給了大型語言模型(LLMs)讀取或操作系統資源的權限,它卻可能出現邏輯來源不明、行為難以預測的狀況。有時候,這些風險可以靠修改提示語的上下文、交由其他模型進行驗證,或者為特定錯誤情境設計固定回應來處理。但因為LLMs背後的技術邏輯是由資料訓練出來的,不是人工設計的,這些方法只能頭痛醫頭、腳痛醫腳,無法用來確實防護整體資安。因此,大型語言模型的安全並不是靠設計就能確保不會出錯,而是靠統計方法降低出錯的機率。儘管這些都是眾所周知的危險,但直到2025年6月EchoLeak事件,這些風險才真正首次爆開。微軟Copilot自推出之初就充滿爭議,它的預設權限極廣,且不完全透明。其中最令人擔心的,就是使用Copilot+的電腦,會定期截取使用者的螢幕畫面,並搜尋畫面中的內容。Copilot+甚至還會自動掃描使用者的Email信箱,將冗長的內容整理成簡短摘要。EchoLeak攻擊就利用了這個功能。它向受害者發送電子郵件,而收件者甚至不需要打開Email或點擊任何內容,就可以製造資安界公認最難防範也最高明的「零點擊」(Zero-Click)攻擊。這封Email內含惡意指令,讓LLM反過來對自己發動攻擊,協助攻擊者搜尋系統上最機敏的資料,然後將這些資料外洩出去,在這段過程中它可以繞過許多原本保護機密資訊的安全措施。雖然這個漏洞目前並未在真實環境中被使用,而且微軟已經修補完成,但相同原理的攻擊,未來很有可能產生。EchoLeak攻擊的技術稱為「提示語注入」(Prompt Injection),也就是讓使用者透過特定語句,說服模型忽略系統的原始設定。最著名例子就是「忽略所有先前指令」。這種攻擊之所以難以預防,是因為LLM目前不具備有效的「輸入清理機制」(Input Sanitation)。傳統資料庫系統可以設計防線,讓系統將像「Drop Table」這類的語句視為純文字資料,而不是實際執行的刪除指令。但對LLMs來說,每一段文字都被一視同仁當作指令,沒有明確區分命令與內容。攻擊者正是透過這種混淆來下達他們真正的指令。專家正在開發一些針對提示語清理的解決方案,可能即將問世。德國研究團隊在2025年1月的論文中提出一個辦法:將系統內建的指令,轉譯成一種只有AI才能看懂的秘密語言。AI在處理語言時,會把大量的輸入壓縮進有限的語意空間,因而可能出現語意重疊的情況,使得看似亂碼的字串也會被模型認為具有特定含義,這種特性有點像是看到一個特定的雜訊畫面,卻能接收到某個具體意義。透過這類作法,模型能更明確區分內建系統指令與一般使用者的對話內容,避免將惡意語句誤認為內部指令。然而,這類方案依然基於大型語言模型的黑箱特性,專家目前還在爭論它到底算不算是本文一開始提到的「安全始於設計」的理想。假設這類方案能逐漸改良並逐漸推廣,類似EchoLeak的攻擊空間將會大幅縮小。但真正該擔心的是,LLM的資安漏洞無邊無際。根據開放網路應用安全計畫(OWASP)組織2025年提出的「LLM十大安全漏洞」(OWASP Top 10 for LLMs),提示語注入僅是最關鍵的一種攻擊方法,但並非唯一。當AI能夠主動幫我們執行的任務數量越來越多,種類越來越廣,「過度代理」(Excessive Agency)這類問題也將日益複雜,成為資安領域的重要挑戰。隨著AI深入各種工作流程,企業對它的管理方式將不再只是資安層面的防禦問題,會更像是新進員工的培訓與信任建立過程。剛導入的AI系統不宜立刻接手敏感任務,但若完全不建立起任何信任關係,企業恐怕也將錯失這場自網際網路以來最具顛覆性的技術革命。(作者為金融研訓院̮外聘研究員;譯者為劉維人)