人工智能与大数据持有：央行的机遇

人工智能和大持股数据:中央的机会银行 作者 ： Xavier Gabaix ， Ralph S J Koijen ， Robert Richmond 和 Motohiro Yogo 2024 年 10 月 JEL 分类 ： C5 、 G11 、 G12 。 关键词 ： 资产价格 ， 央行政策 ， 人为智能 ， 嵌入。 BIS 工作文件由货币和经济组织成员撰写国际清算银行部 ， 并不时由其他机构经济学家 ， 并由世行出版。这些论文是关于主题的兴趣和技术性。他们表达的观点是他们的观点作者 ， 不一定是国际清算银行的观点。 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；如需转载，请注明来源。 ISSN 1020 - 0959 (打印) ISSN 1682 - 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央行行长、知名学者以及前政府官员，共同探讨主题为“导航未知水域：央行的机会与风险”。会议期间发表的论文作为BIS工作论文发布，编号分别为1222、1223、1224和1225。 BIS Paper No. 150包含题为“重访过去十年的货币政策”的闭幕panel的发言，发言人分别为Michele Bullock（澳大利亚储备银行）、Pablo Hernández de Cos（西班牙银行）、Thomas Jordan（瑞士国家银行）和Sethaput Suthiwartnarueput（泰国银行）。 Contents 人工智能与大持股数据 ： 各国央行的机遇作者 Ralph S J Koijen........ 1 人工智能与大持股数据 ： 央行的机遇 Xavier Gabaix Ralph S. J. Koijen Robert J. Richmond Motohiro Yogo∗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以及公司提供的证券供应。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事后影响、预测事先如何影响资产价格、家庭和机构间的财富分配以及金融稳定的重要性。由于大型持仓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、便利收益或美元强势的背景下）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）。我们讨论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来改进资产需求系统的模型，并且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。 1 Introduction 现代中央银行利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等人（2024））的简要非技术配套文章中，我们解释了为什么资产需求系统的定量现实模型对于事后评估和事前预测政策干预如何影响资产价格、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，我们获得了一个资产价格模型。由于大额持仓数据获取途径的改进和建模技术的进步，估计资产需求系统现在已经成为实际可行的操作。 资产需求系统可以通过投资者偏好、约束和信念等方面的假设，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存在重要的误设，这限制了它们在定量政策分析中的应用。具体而言，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。这一暗示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。基于丰富的持有数据、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需求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，以减轻与卢卡斯批评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。模型和估计资产需求系统的一个好处是，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。这在我们即将讨论的欧洲主权债务危机期间理解主权之间的金融传染源头方面非常有用，或者在实施欧洲中央银行（ECB）的新传导保护工具（TPI）时也很有帮助。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、美元的强势程度，或者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投资者可投资资产的剩余供应量的相关政策，或在实施环境风险监管时诱导银行和保险公司需求曲线发生变化的相关政策。我们提供了已实施的模型示例，以回答这些问题。 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）等人的工作。这一领域的研究面临诸多挑战，包括投资组合持有数据的限制或不完整性、模型化资产需求系统的复杂性以及识别资产需求系统的难度。近年来，以Koijen和Yogo（2019）为首，出现了一种新的文献，利用现代资产价格和需求系统建模技术、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这些挑战。1因此，需求系统已成为一种实际可行的现实，就我们看来，它恰好能够丰富中央银行和金融市场监管机构的工具箱，以评估和预测政策措施的影响。 一个定量现实的资产需求系统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时对资产需求弹性和替代模式的需求。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其他哪些资产来替代这些资产。同样地，在评估金融市场脆弱性以及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范围的过度联动，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表示，这些表示是用于捕捉单词相似性的数值化词表示。通过将单词、句子或整个段落映射到嵌入表示，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。 在最近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，常用的方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到资产嵌入，而不是预先指定这些特征，基于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要求引入新的特征时尤为重要，例如，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。 特别是在使用大量持仓数据估计资产和投资者嵌入方面，我们展示了如何利用一种模型架构和训练方法，该方法直接基于最近的语言模型构建，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其他应用。 1见Gabaix和Koijen（2024）提出的新的弹性估计方法，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，这可能是建模和理解通货膨胀的关键输入之一。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。我们在第四部分简要讨论这些内容，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，我们提供了一些实例来说明更广泛的概念点，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。这一近期的努力刚刚开始，本概览旨在突出使用这种新方法可以回答的各种问题范围。 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相匹配，并将总体需求与企业和政府的资产供给相等，以通过市场出清求解资产价格。这表明，资产价格发生变化的前提是资产需求系统的某个要素发生了变化。因此，我们可以使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引起的变动。 使用这种方法，Koijen和Yogo（2020）开发了一个涵盖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的全球资产需求系统。该模型可以用来解释这些资产价格和汇率的波动。我们重新审视2009-10年的欧洲主权债务危机，以说明该模型在政策制定者中的应用。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重新编制了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，并将其分解为组成部分：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，特别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来说，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。这一分析揭示了欧洲投资者在从希腊向其他外围国家扩散动荡方面发挥了重要作用。 这一分析在未来具有相关性，因为欧洲央行最近引入了传导保护工具（TPI），以“应对那些对欧元区货币政策传导构成严重威胁的无理市场动态”。实时需求系统可以为政策制定者提供更多数据，以评估导致关键利差扩大的冲击的性质。 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对政策制定者具有相关性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，2023）、隐含波动率、汇率（Koijen和Yogo，2020），包括美元的强弱（Jiang等，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（Office of Financial Research，2013）在内的各类监管机构表达了担忧，认为大型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将贝莱德和富达等大型资产管理公司指定并监管为系统重要性金融机构。我们可以利用需求系统资产定价方法来回答这些问题，通过分解机构和家庭在解释全球金融危机期间股票市场波动中的相对贡献。 图2重新绘制了Koijen和Yogo（2020）中的表4，该表估计了2008年横截面股票回报的方差分解。巴克莱银行（现为贝莱德的一部分）在2007年第4季度是最大的机构，管理着6990亿美元的资产。其资产从2007年第4季度到2008年第4季度减少了41%。在此期间，它对横截面股票回报方差的贡献为0.3%。富达还额外贡献了0.9%的横截面股票回报方差。将30家最大机构的数据汇总起来，它们仅