【国际清算银行】人工智能和大数据：央行的机遇-2024.10_23页_508kb

总结：人工智能与大持仓数据对中央银行的机会

核心内容

本文探讨了人工智能（AI）和大持仓数据在中央银行政策制定中的应用潜力，重点在于通过构建和估计资产需求系统来提升政策分析和预测的准确性。资产需求系统描述了投资者对金融资产的需求以及企业证券的供给，是理解资产价格波动、财富分配和金融稳定的重要工具。随着大数据和AI技术的发展，这些系统现在可以更有效地建模和估计。

主要观点

• 资产需求系统的重要性：资产需求系统能够帮助中央银行理解政策干预对资产价格、财富分配和金融稳定的影响。通过分析需求和供给的变化，可以追踪价格波动的根源，例如金融传染、便利收益或美元强度。
• AI与嵌入（embeddings）的应用：现代AI技术，尤其是大规模语言模型（LLMs）中的嵌入方法，可以更准确地衡量资产和投资者之间的相似性，从而改进资产需求系统的建模。
• 政策优化与风险评估：通过资产需求系统，中央银行可以设计更有效的政策，例如量化宽松（QE）和气候压力测试。此外，AI还可以用于识别市场拥挤交易（crowded trades）和评估其对金融体系的影响。
• AI在非金融市场的应用：嵌入技术不仅适用于金融资产，还可以用于建模消费者对非金融商品的需求，从而更好地理解通货膨胀和相对价格动态。

关键信息

资产需求系统的构建

• 资产需求系统结合了投资者的偏好、约束和信念，以及经济基本面（如盈利和通胀）。
• 传统资产定价模型往往假设投资者需求高度弹性，这与近年来的实证研究结果不符，后者表明投资者需求更具刚性。
• 通过大持仓数据、资产价格和经济基本面直接估计资产需求系统，可以更准确地捕捉资产之间的替代关系和投资者行为。

AI在资产需求系统中的作用

• 嵌入技术可以用于衡量资产和投资者之间的相似性，从而更精确地识别替代资产和相似投资者群体。
• 使用AI模型（如语言模型）可以学习资产和投资者的嵌入表示，而非依赖预设的特征。
• 嵌入方法在金融市场的应用包括：量化宽松的再平衡效应、识别市场拥挤交易、设计压力测试等。

实证案例

• 在2009-2010年欧洲主权债务危机中，资产需求系统揭示了外国投资者对希腊等国家债券市场的反应，以及欧洲投资者在金融传染中的关键作用。
• 在2008年金融危机中，机构投资者对股票市场波动的贡献远低于家庭投资者，说明政策制定不能简单地限制大型机构的交易。
• 外汇储备的嵌入分析表明，其对汇率变动和便利收益有显著影响。

金融稳定性与政策设计

• 通过资产需求系统，可以量化政策干预对市场的影响，例如识别哪些资产会被投资者替代购买，以及哪些投资者群体可能面临更大的风险。
• 气候压力测试可以利用嵌入技术分析投资者对绿色资产和棕色资产的偏好变化，从而评估政策对金融体系的潜在影响。

其他经济应用

• 嵌入技术可以用于建模消费者对非金融商品的需求，进而理解通货膨胀和相对价格变化。
• 未来研究可拓展至更多领域，如通货膨胀动态、货币政策沟通、网络安全风险等。

未来研究方向

• 进一步研究AI在中央银行工具箱中的其他应用，如货币政策沟通、监管挑战（尤其是网络安全风险）。
• 提供与新金融事实一致的微观基础，以增强模型的解释力和实用性。
• 验证嵌入方法在多市场、多政策情境下的适用性，特别是在多个央行同时实施政策时。

结论

AI和大持仓数据为中央银行提供了新的工具，以更精确地理解和预测政策对金融市场的影响。通过嵌入方法，可以更有效地建模资产和投资者之间的相似性，从而改进政策分析和设计。未来的研究应继续探索这些技术在更广泛经济领域的应用，以应对不断变化的金融环境。