人工智能和大数据：央行的机遇（英）

BIS工作文件 No1222 人工智能和大持股数据：央行的机会 作者：XavierGabaix，RalphSJKoijen，RobertRichmond和MotohiroYogo 货币和经济部 2024年10月 JEL分类：C5、G11、G12。 关键词：资产价格、央行政策、人工智能、嵌入。 国际清算银行的工作论文由国际清算银行货币和经济部门的成员撰写，偶尔也由其他经济学家撰写，并由银行出版。这些论文涉及当前热点话题，具有技术性特点。文中观点仅代表作者个人观点，未必反映国际清算银行的意见。 该出版物可在BIS网站(www.bis.org)上获得。 ©国际清算银行2024.保留所有权利。未经许可，不得复制或翻译，但可以转载简短摘录，前提是必须注明来源。 ISSN1020-0959(打 印)ISSN1682-7678 (在线) 前言 第23届国际清算银行（BIS）年度会议于2024年6月28日在瑞士巴塞尔举行。此次会议汇聚了来自世界各地的中央银行行长、知名学术专家和前政府官员，共同探讨主题为“导航未知水域：中央银行的机会与风险”的议题。会议期间发表的论文作为BIS工作论文发布，分别为第1222号、1223号、1224号和1225号。 BISPaperNo.150包含题为“重访过去十年的货币政策”的闭幕圆桌讨论会中的观点 ，由澳大利亚储备银行的MicheleBullock、西班牙银行的PabloHernándezdeCos 、瑞士国家银行的ThomasJordan以及泰国银行的SethaputSuthiwartnarueput发表 。 Contents 前言……………………………………………………………………………………… 人工智能与大持股数据：央行的机遇作者拉尔夫·S·J·科伊仁·············· ·····································1前卷······················· ··· 人工智能与大持股数据：央行的机遇 XavierGabaixRalphS.J.KoijenRobertJ.RichmondMotohiroYogo∗ 2024年9月8日 Abstract 资产需求系统规定了投资者对金融资产的需求和企业提供的证券供应。我们讨论了资产需求系统的现实模型对于评估中央银行政策干预后的资产价格变化、财富在家庭和机构之间的分配以及金融稳定性的预测至关重要。由于大额持有数据的可获得性提高以及建模技术的进步 ，估计资产需求系统已成为实际可行的任务。我们展示了资产需求系统如何为政策决策提供 改进的信息（例如，在金融传染、便利收益或美元的强度方面）或设计最优政策（例如，在量化宽松或设计气候压力测试的背景下）。我们探讨了最近的人工智能方法如何通过所谓的嵌入更好地衡量资产和投资者的相似性，从而改进资产需求系统的模型。这些嵌入可以用于中央银行的政策制定，以理解资产购买计划的再平衡渠道，并衡量拥挤交易。JEL代码：C5 ,G11,G12。 ∗xgabaix@fas.harvard.edu,ralf.koijen@chicagobooth.edu,richmon@stern.nyu.edu,myogo@princeton.edu.在财务支持方面，Gabaix感谢Ferrante基金的支持，Koijen感谢芝加哥大学的安全价格研究中心以及芝加哥大学布斯商学院的Fama研究基金。 1Introduction 现代中央银行使用一系列丰富的政策工具来实现其政策目标。在我们主要会议论文（Gabaix等 （2024））的简要非技术性配套文章中，我们解释了为什么一个定量现实的资产需求系统模型对于评估政策干预事后影响以及预测事前如何影响资产价格、家庭和机构之间的财富分配以及金融稳定至关重要。 资产需求系统规定了投资者对金融资产的需求以及企业提供的证券供应。通过将资产需求系统的模型与市场出清条件相结合，我们得到了资产价格的模型。由于大额持有数据的可获得性提高和建模技术的进步，估计资产需求系统如今已成为现实。 资产需求系统可以通过对投资者偏好、约束条件和信念的假设，以及经济基本面（如收益和通胀）来进行微观基础设定，这与传统资产定价和宏观金融模型的做法类似。然而，传统资产定价模型暗示的资产需求系统在重要方面存在误设，限制了其在定量政策分析中的应用。具体来说，传统模型暗示投资者的需求弹性极高，意味着投资者会对小的价格偏差做出激进的交易反应。这一推断与越来越多的实证文献所记录的事实相矛盾，这些文献表明投资者的需求弹性要低得多。基于丰富的持仓数据、资产价格和经济基本面直接估计资产需求系统的资产定价的需求系统方法能够解释这些新的实证事实。未来研究的一个重要目标是在金融领域提供与这些新事实一致的微观基础，同时减轻与卢卡斯批判相关的政策反事实分析中的担忧。 我们首先在第2节中讨论如何使用需求系统方法进行资产定价 为政策决策提供更好的信息。建模和估计资产需求系统的一个优势在于，任何资产价格的变化都可以追溯到投资者需求曲线或企业供给曲线的变动。这有助于我们理解在欧洲主权债务危机期间主权国家间金融传染的根源，正如我们将要讨论的那样，或者用于实施欧洲中央银行（ECB）的新传导保护工具（TPI）。这种方法还有助于解释影响政策决策的关键资产价格波动，例如不同期限的盈亏平衡通胀率、美元的强弱，以及进入金融状况指数的资产价格。 然后，我们讨论如何使用需求系统资产定价来设计最优策略特别是在实施资产购买计划时，直接涉及影响可供投资者使用的（剩余）资产供应量的政策；或在实施环境风险监管时，诱导受监管实体需求曲线的转变，如针对银行和保险公司的环境风险监管。我们提供了已实施以回答这些问题的模型示例。 通过建模资产需求系统来理解金融市场的方法并非新颖，其根源可追溯到Brainard和Tobin（1968）以及Friedman（1977）等人的研究。这一领域的研究遇到了数据有限或不完整、模型建模复杂性以及资产需求系统识别等方面的挑战。近年来，从Koijen和Yogo（2019）的研究开始，出现了一种新的文献，利用现代资产价格和需求系统的建模技术、高质量的投资组合持有数据以及改进的计量经济学工具，克服了上述挑战。1因此，需求系统已成为一种实际可行的工具 ，我们认为它完全可以丰富中央银行和金融市场监管机构的工具箱，以评估和预测政策干预的影响。 一个定量现实的资产需求模型需要准确捕捉投资者在同一资产类别内以及跨不同资产类别对资产的需求弹性及替代模式。例如，当中央银行从投资者手中购买政府债券或企业债券时，在分析再平衡渠道时的关键问题是投资者会用哪些其他资产进行替代。同样地，在评估金融市场脆弱性和拥挤交易的可能性时也是如此。2了解实施类似投资策略的投资者所占的比例，这些策略可能导致价格超出经济基本面出现过度联动，这一点至关重要。 Gabaix等人（2024）的研究主线是现代用于语言、视觉和音频的AI模型非常适合衡量资产和投资者之间的相似性。现代大型语言模型（LLMs）的核心在于所谓的嵌入，这些嵌入是用于捕捉词语相似性的数值表示。通过将单词、句子或整个段落映射到嵌入中，这些模型可以用于分类文本、测量其情感或在生成式AI模型中生成新的文本。 在近期关于资产需求系统的研究中，以及更广泛的资产定价和宏观金融领域，常用的做法是通过观察到的特征（例如，企业的行业、规模、增长率等）来捕捉资产或投资者的相似性。相反 ，我们探索是否可以从数据中学习得到资产嵌入，而不是事先规定这些特征，借鉴这种建模方法在人工智能和机器学习领域的成功经验。特别是在新的经济环境下需要引入新的特征时，这一点尤为重要，比如衡量企业对COVID-19的暴露程度、无形资产的使用情况或对AI的暴露程度 。 特别地，我们展示了如何使用大规模持股数据通过一种模型架构和训练方法来估计资产和投资者嵌入，该方法直接基于近期的语言模型，从而自然地将人工智能与金融经济学连接起来。 在当前的研究中，我们专注于人工智能和机器学习在建模和估计资产需求系统中的作用。我们还讨论了类似建模技术的应用方法。 1见Gabaix和Koijen（2024）所提出的一种新的弹性估算方法，该方法已在Gabaix和Koijen（2022）中得到应用 。 2例如，见Khandani和Lo(2011)。 为了建模消费者对非金融商品的需求，这可以成为建模和理解通胀的关键输入。同时，由于人工智能日益被视为一种通用技术，它可能会影响中央银行其他超出我们当前研究范围的方面。我们将简要讨论这些内容（见第4部分），但深入探讨则超出了本文的范围。 2中央银行的需求系统方法 我们首先在第2.1节中讨论资产需求系统如何为政策制定者提供改进的信息，并在第2.2节中讨论需求系统如何帮助设计最优政策。基于现有研究，我们提供了实例来说明更广泛的概念观点 ，即资产需求系统是现代中央银行和金融市场监管机构的一个有价值的工具。这一近期努力刚刚开始，本文旨在突出使用这种方法可以回答的问题范围之广。 2.1改进决策信息 2.1.1理解金融传染 在需求系统方法中，我们构建投资者资产需求模型（基于投资组合选择问题的微观基础），将资产需求与实际的投资组合持有数据匹配，并将总体需求与企业和政府的资产供给相等以求解市场价格，从而达到市场出清。这表明，资产价格发生变化意味着资产需求系统中的某个要素发生了变化。因此，我们可以利用估计的需求系统追踪任何价格变动背后的投资者需求变化（通过基本面和投资组合流动的变化）以及企业和政府供给变化。 采用这种方法，Koijen和Yogo（2020）开发了一个全球资产需求系统，涵盖了37个发达国家和发展中国家的短期和长期债券市场以及股票市场。该模型可以用来解释这些资产价格和汇率的变化。我们重新审视2009-10年的欧洲主权债务危机，以说明该模型对政策制定者的作用。在此期间，脆弱的欧洲国家的长期国债收益率相对于德国长期国债收益率急剧上升。尽管希腊的基本面有所恶化，但其他脆弱国家的情况并不明显。这种传染性行为通常难以理解，因此也难以控制。 你：表1重新列出了Koijen和Yogo（2020）中的表8，该表估计了对希腊、意大利和葡萄牙长期收益率变化的方差分解，并将其分为组成部分：组合流动、宏观经济变量以及超出宏观经济变量变化的需求变动（我们称之为潜在需求），这可能代表信念或偏好的变化。每一列的总和均为1。在该情况下， 希腊的情况中，几乎一半的收益率变化可以追溯到基本面因素，尤其是与评级下调和股票波动性的激增有关。然而，对于意大利和葡萄牙而言，并非如此，这表明潜在需求扮演了重要角色 。需求系统在表格的第二部分进一步拆分了不同地理区域投资者的潜在需求。这项分析揭示了欧洲投资者在将希腊的动荡局势蔓延至其他外围国家中起到了重要作用。 this分析具有前瞻性，因为欧洲央行最近引入了传输保护工具（TPI），旨在“对抗那些对欧元区货币政策传导构成严重威胁的不合理和不必要的市场动态。”实时需求系统可以为决策者提供更多数据，以评估导致关键利差扩大的冲击性质。 2.1.2了解关键资产价格及其对财务状况指数的影响 基于对欧洲主权债务危机的应用，需求系统也可以用于理解与政策制定者相关的资产价格决定因素，如股票价格、公司债券价格、盈亏平衡通胀率（Bahaj等人，2023）、隐含波动率、汇率（Koijen和Yogo，2020），包括美元的强弱（Jiang等人，2024b），甚至加密货币（Benetton和Compiani，2024）。3 在全球金融危机之后，包括金融研究办公室（OfficeofFinancialResearch，2013）在内的各类监管机构表达了担忧，认为大型金融机构在不利时期可能会加剧市场波动。当时政策讨论的一个焦点是，是否应该将像贝莱德（Blackrock）和富达（Fidelity）这样的大型资产管理公司指定并监管为系统重要性金融机构。我们可以使用需求