人工智能或许可以预测下一场金融危机，但有个问题尚需注意

如果人工智能可以预测下一场金融崩溃，那会怎样？这听起来是个很不错的想法，但正如一项新研究指出的那样，关键往往在于细节之中。

自2008年金融危机以来，美联储及其他中央银行一直致力于监测金融体系，以寻找不稳定的预警信号。这种被称为“宏观审慎监管”的方法，需要海量数据来提供对整体经济的全面概览，同时也需要提供关于机构投资者投资组合的详细信息。

直到不久以前，监管机构对于拥有如此丰富的信息还只能停留在憧憬阶段。斯坦福商学院金融学助理教授Antonio Coppola解释道：“但那是过去的事了。如今，我们所处的环境已不再面临数据稀缺的问题。监管机构能够获取这些海量数据，从而能够精准地洞察整个金融体系中各类机构的资产负债表状况。”

这正是人工智能可以大显身手之处。凭借大数据和强大的计算能力，监管机构可以部署“实时且高维度的预测模型”，在被迫抛售及其他困境信号引发连锁反应并波及整个经济之前，将其及时识别出来。“这些模型潜力巨大。” Coppola说道，“它们能够提供关于金融脆弱性所在位置的精细化信号，从而帮助监管机构更有针对性地制定政策。” 具体而言，这些模型有助于加强对“影子银行”体系的监管，包括对冲基金、ETF（交易所交易基金）和养老基金等各类非银行金融实体。自2008年金融危机后，传统银行业面临日益严格的监管，系统性风险已逐渐向这些非银行领域转移。

“这些模型潜力巨大。它们能够提供关于金融脆弱性所在位置的精细化信号，从而帮助监管机构更有针对性地制定政策。”
– Antonio Coppola

那么，问题出在哪里呢？首先，即便这些模型的预测准确率极高，经济学家们仍然对其持审慎态度。正如经济学家Robert Lucas在20世纪70年代末所指出的那样，仅仅依据历史数据进行预测，往往会忽略那些不受政策干预影响的深层结构性因素。换言之，尽管人工智能驱动的预测模型能够精准地定位金融风险的萌芽之处，但它们却无法解释风险为何发生，也无法断定某项具体的政策是否能够有效化解这些风险。

此外，预测模型还可能引发“道德风险”。它们可能会在无意中诱使投资者去承担新的风险。银行及其他金融机构可能会大肆买入那些存在潜在风险的资产，因为它们会预设，预测模型会在局势恶化时发出警报，从而促使监管机构介入干预。相反地，投资者也可能会刻意避开那些他们明知正受到模型严密审视的投资项目。Coppola解释道，取而代之的是，他们会将风险转移到“金融体系中那些对监管机构而言更为隐蔽的角落”。

预测脆弱性

这可能会给金融监管机构带来Coppola所描述的一种“浮士德式交易”：他们必须在“预测的精准性”与“因果关系的清晰度”之间做出抉择。在一篇新发表的论文中，斯坦福经济政策研究所的教职研究员Coppola与耶鲁管理学院的Christopher Clayton深入探讨了这一困境，并提出了一个解决办法。“我们认为这两者之间并非必然相互冲突。” Coppola说道，“我们希望可以明确指出，对于问题的哪些方面应当运用人工智能模型去解决，而对于哪些方面则应当辅以更为传统的经济模型。”

为了测试人工智能预测模型如何才能对监管机构发挥最大效用，Coppola和Clayton亲自构建了一个Graph Transformer模型。这是一种专门用于处理金融持仓数据的深度学习工具。在利用长达14年的数据进行训练后，该模型能够以惊人的准确度重构出投资者的持仓状况。尽管其训练数据仅截止至2019年，但它依然精准地预测出了2020年新冠疫情爆发初期市场崩盘期间的交易行为。此外，该模型还能在无需重新训练的前提下，实时评估新入场的投资者或新增资产所蕴含的风险。

Coppola和Clayton由此得出结论：他们的模型充分展示了“基于模型洞察的监管”所蕴含的巨大潜力，并为构建“实时监管机制”提供了一份蓝图。他们同时也发现，将预测模型与现有的关于干预措施因果影响的经济理论相结合，这些模型的效能才能得到最大程度的发挥。

尽管其构建的模型取得了显著的成功，但Coppola仍强调指出，由人工智能驱动的宏观审慎监管体系目前尚未真正落地。他指出，这一监管路径“仍需投入大量的研发资源”，且“各国央行在未来推进此项工作时，务必审慎考量，三思而后行”。他寄望于自己的研究能够为监管机构提供有益的启示，指引他们如何在充分利用人工智能预测能力的同时，避免向金融体系中引入新的不确定性与风险。