摘要

過去幾年中，以大語言模型（Large Language Models, LLMs）為代表的生成式人工智能（Generative Artificial Intelligence, GAI）技術(shù)迅速發(fā)展并呈指數(shù)級(jí)增長(zhǎng)，典型應(yīng)用如ChatGPT及其相關(guān)創(chuàng)新，通過應(yīng)用程序接口（APIs）為用戶提供類人化、直觀的智能交互方式。這些技術(shù)有望從根本上改變經(jīng)濟(jì)與金融活動(dòng)，重塑人機(jī)交互模式，并催生新的生產(chǎn)方式和行為模式。鑒于傳統(tǒng)的統(tǒng)計(jì)模型在處理海量信息、樣本稀缺或數(shù)據(jù)不可及等方面的局限性，迫切需要構(gòu)建更適宜新興環(huán)境下的研究范式。本文提出了基于GAI的新型經(jīng)濟(jì)與金融研究范式，涵蓋研究目標(biāo)、科學(xué)數(shù)據(jù)與模型方法，并探討其在投資組合管理、經(jīng)濟(jì)與金融預(yù)測(cè)、極端場(chǎng)景分析、政策分析及金融欺詐檢測(cè)五大典型場(chǎng)景中的應(yīng)用前景。該范式有望為全面理解該領(lǐng)域的創(chuàng)新與變革提供重要啟示。

關(guān)鍵詞：復(fù)雜經(jīng)濟(jì)金融系統(tǒng)，生成式人工智能，人類反饋的強(qiáng)化學(xué)習(xí)（Reinforcement Learning from Human Feedback, RLHF）

彭晨丨作者

周莉丨審校

論文題目：New Paradigm for Economic and Financial Research With Generative AI: Impact and Perspective

論文鏈接：https://ieeexplore./abstract/document/10379487

發(fā)表時(shí)間：2024年6月

論文來源：IEEE Transactions on Computational Social Systems

GAI對(duì)經(jīng)濟(jì)與金融活動(dòng)的深刻影響

生成式人工智能的興起，擴(kuò)大了人工智能在經(jīng)濟(jì)與金融領(lǐng)域的應(yīng)用邊界，大大提升了生產(chǎn)效率與勞動(dòng)生產(chǎn)率。通過自動(dòng)化低技能與認(rèn)知任務(wù)，GAI既可能導(dǎo)致部分行業(yè)的崗位流失，也能解放人力，使人類專注于更具創(chuàng)造性和復(fù)雜性的工作，從而促進(jìn)新職業(yè)類型的涌現(xiàn)。根據(jù)前人的研究，大約80%的美國(guó)勞動(dòng)力因LLMs的引入，其至少10%的工作內(nèi)容將發(fā)生改變，約19%勞動(dòng)者的任務(wù)受影響程度超過50%；由此可見，GAI正引發(fā)對(duì)勞動(dòng)市場(chǎng)技能需求與教育資質(zhì)的深刻重塑。此外，GAI系統(tǒng)對(duì)高質(zhì)量數(shù)據(jù)的依賴，使得數(shù)據(jù)本身成為新的關(guān)鍵生產(chǎn)要素；企業(yè)必須持續(xù)獲取、管理與質(zhì)量監(jiān)控?cái)?shù)據(jù)，以確保GAI應(yīng)用的有效性。與此同時(shí)，人機(jī)協(xié)同組織結(jié)構(gòu)正從傳統(tǒng)以人為中心，向更具動(dòng)態(tài)性與自適應(yīng)性的混合模式轉(zhuǎn)變，決策流程將演進(jìn)為人機(jī)共融協(xié)作，強(qiáng)調(diào)任務(wù)分配的合理化、決策過程的互動(dòng)化和人力技能的再塑造。

圖 1. 由GAI帶來的經(jīng)濟(jì)金融活動(dòng)變化。

構(gòu)建新研究范式的必要性

傳統(tǒng)經(jīng)濟(jì)與金融研究主要依賴實(shí)證與實(shí)驗(yàn)數(shù)據(jù)，通過統(tǒng)計(jì)計(jì)量模型檢驗(yàn)理論并進(jìn)行預(yù)測(cè)，但在面對(duì)日益增長(zhǎng)的數(shù)據(jù)規(guī)模、復(fù)雜多變的經(jīng)濟(jì)環(huán)境以及樣本稀缺或不可獲取的極端事件時(shí)，傳統(tǒng)方法顯現(xiàn)局限。而生成式模型（如GANs、VAEs）能夠合成與真實(shí)數(shù)據(jù)高度一致的“虛擬樣本”，既可填補(bǔ)數(shù)據(jù)空白，也可用于模擬難以觀測(cè)的極端場(chǎng)景，助力風(fēng)險(xiǎn)評(píng)估與情景演練。此外，通過人類反饋的強(qiáng)化學(xué)習(xí)（RLHF），大模型不僅可基于歷史數(shù)據(jù)進(jìn)行訓(xùn)練，還能在專家持續(xù)反饋中優(yōu)化決策，提升模型解釋力與自適應(yīng)能力。本研究提出的新范式強(qiáng)調(diào)在“真實(shí)數(shù)據(jù)＋生成數(shù)據(jù)”雙重驅(qū)動(dòng)下，以GAI特性為核心，重塑研究目標(biāo)與數(shù)據(jù)體系，并將模型與人類交互過程納入研究視野，進(jìn)而更全面地理解復(fù)雜經(jīng)濟(jì)金融系統(tǒng)。

圖 2. 經(jīng)濟(jì)金融領(lǐng)域研究的范式發(fā)展。

新范式的核心要素

1. 研究對(duì)象的擴(kuò)展

除了傳統(tǒng)的“人、企業(yè)、政府、市場(chǎng)”等要素，未來研究需關(guān)注GAI驅(qū)動(dòng)的機(jī)器主體，其自動(dòng)化程度、學(xué)習(xí)能力、環(huán)境適應(yīng)性、運(yùn)算速度及“無情感”特性等，可能引發(fā)不同于人類的行為模式和系統(tǒng)反饋。

圖 3. 經(jīng)濟(jì)金融領(lǐng)域研究主體的變化。

2. 多源數(shù)據(jù)與生成數(shù)據(jù)融合

在大數(shù)據(jù)（Big Data）基礎(chǔ)上，GAI生成的生成數(shù)據(jù)（Generative Data）可用于彌補(bǔ)真實(shí)數(shù)據(jù)的不足，模擬罕見或極端事件，測(cè)試模型穩(wěn)健性，并在數(shù)據(jù)匱乏場(chǎng)景下增強(qiáng)預(yù)測(cè)精度。

圖 4. 在GAI時(shí)代經(jīng)濟(jì)和金融研究的數(shù)據(jù)。

3. RLHF驅(qū)動(dòng)的大型模型

基于RLHF的大型模型可通過人機(jī)交互實(shí)現(xiàn)迭代優(yōu)化，將專家反饋融入訓(xùn)練流程，從定義問題、數(shù)據(jù)收集、模型訓(xùn)練，到反饋調(diào)整、嚴(yán)格測(cè)試，形成閉環(huán)學(xué)習(xí)機(jī)制，為經(jīng)濟(jì)金融決策提供動(dòng)態(tài)支持。

圖 5. 應(yīng)用GAI模型于經(jīng)濟(jì)和金融研究的流程。

典型應(yīng)用場(chǎng)景

投資組合管理（Portfolio Management）

利用GAI生成的市場(chǎng)數(shù)據(jù)與投資組合理財(cái)模型，結(jié)合專家對(duì)策略表現(xiàn)的實(shí)時(shí)反饋，可動(dòng)態(tài)調(diào)優(yōu)資產(chǎn)配置，平衡收益與風(fēng)險(xiǎn)。如研究表明[1]，GANs生成的合成時(shí)序數(shù)據(jù)有助于風(fēng)險(xiǎn)管理；LLMs作為“智能投資顧問”，在財(cái)務(wù)素養(yǎng)測(cè)試中得分58%–67%，雖略遜于專業(yè)人士，卻顯現(xiàn)出傾向采納建議的高依賴性，為未來智能投資顧問優(yōu)化提供思路。

經(jīng)濟(jì)與金融預(yù)測(cè)（Economic and Financial Prediction）

以大模型為核心，基于海量歷史數(shù)據(jù)與新聞文本的情感分析，可實(shí)現(xiàn)對(duì)股價(jià)、利率、通脹率等關(guān)鍵指標(biāo)的高精度預(yù)測(cè)。實(shí)證研究表明，LLMs在新聞情感分析中優(yōu)于傳統(tǒng)方法，將先進(jìn)語言模型融入量化策略，有望提升策略表現(xiàn)與預(yù)測(cè)準(zhǔn)確性。

極端場(chǎng)景分析（Extreme Scenario Analysis）

針對(duì)金融市場(chǎng)尾部風(fēng)險(xiǎn)或罕見經(jīng)濟(jì)沖擊，GAI可合成大量模擬場(chǎng)景，輔助壓力測(cè)試與韌性評(píng)估。在“真實(shí)＋生成”雙重?cái)?shù)據(jù)驅(qū)動(dòng)下，決策者得以預(yù)演不同政策或風(fēng)險(xiǎn)因素的演變路徑，優(yōu)化應(yīng)對(duì)方案。

政策分析（Policy Analysis）

面向復(fù)雜多變的經(jīng)濟(jì)金融系統(tǒng)，GAI能創(chuàng)建虛擬經(jīng)濟(jì)模型，模擬政策實(shí)施效果，并在RLHF框架下通過專家反饋優(yōu)化政策組合。同時(shí)，可持續(xù)監(jiān)測(cè)政策執(zhí)行效果，減少人為偏見與認(rèn)知局限，提升分析客觀性與科學(xué)性。

金融欺詐檢測(cè)（Financial Fraud Detection）

面對(duì)愈發(fā)隱蔽復(fù)雜的金融欺詐手段，GAI驅(qū)動(dòng)的檢測(cè)系統(tǒng)可在大規(guī)模交易數(shù)據(jù)中自動(dòng)識(shí)別異常模式，通過人機(jī)迭代不斷優(yōu)化檢測(cè)模型，提升準(zhǔn)確率與響應(yīng)速度。GANs生成的人工樣本已被用于信用卡欺詐分類，有效緩解了樣本不平衡問題。

圖 6. 應(yīng)用場(chǎng)景。

討論：優(yōu)勢(shì)與挑戰(zhàn)

GAI在數(shù)據(jù)處理效率、模式識(shí)別深度及決策支持可靠性方面具備顯著優(yōu)勢(shì)，能夠助力決策者逐步邁向“理性決策”目標(biāo)；但在“黑箱”可解釋性、模型偏見擴(kuò)散、對(duì)大廠依賴、隱私與倫理風(fēng)險(xiǎn)等方面仍面臨挑戰(zhàn)。未來研究需在透明算法、本地化模型訓(xùn)練及多學(xué)科監(jiān)管框架下，平衡創(chuàng)新效益與潛在風(fēng)險(xiǎn)，確保GAI應(yīng)用安全、可控。

生成式人工智能正引領(lǐng)經(jīng)濟(jì)與金融研究范式的深刻變革。通過將GAI特性嵌入研究目標(biāo)、數(shù)據(jù)體系與模型流程，新范式將賦能投資管理、預(yù)測(cè)分析、風(fēng)險(xiǎn)應(yīng)對(duì)、政策評(píng)估與欺詐檢測(cè)等多領(lǐng)域應(yīng)用，推動(dòng)學(xué)界與業(yè)界對(duì)復(fù)雜系統(tǒng)的全面理解與可靠決策。展望未來，僅有在偏見治理、模型可解釋性及跨領(lǐng)域協(xié)同監(jiān)管等方面持續(xù)發(fā)力，方能實(shí)現(xiàn)GAI賦能經(jīng)濟(jì)金融的可持續(xù)與普惠發(fā)展。

參考文獻(xiàn)

J. Kim and M. Lee, “Portfolio optimization using predictive auxiliary classifier Generative Adversarial Networks with measuring uncertainty,” 2023. [Online]. Available: https:///10.48550/arXiv.2304.11856

當(dāng)前，全球金融系統(tǒng)正遭受多重不確定性沖擊，如氣候風(fēng)險(xiǎn)加劇、中美貿(mào)易摩擦及俄烏沖突等，導(dǎo)致金融系統(tǒng)復(fù)雜性與不確定性達(dá)到前所未有的高度。在金融復(fù)雜系統(tǒng)中，市場(chǎng)、機(jī)構(gòu)及異質(zhì)利益相關(guān)者的行為呈現(xiàn)非線性與網(wǎng)絡(luò)化特征，常引發(fā)意想不到的結(jié)果。

正如“知己知彼，百戰(zhàn)不殆”所言，我們需系統(tǒng)探究金融復(fù)雜系統(tǒng)的理論基礎(chǔ)、量化識(shí)別方法、生成演化機(jī)制及風(fēng)險(xiǎn)治理路徑，以更有效地認(rèn)知、建模與決策。為此，集智俱樂部聯(lián)合北京師范大學(xué)李紅剛教授、愛爾蘭都柏林圣三一學(xué)院Brain Lucey教授、中國(guó)地質(zhì)大學(xué)（北京）黃書培副教授、首都師范大學(xué)王澤講師、北京林業(yè)大學(xué)幸小云副教授及北京化工大學(xué)王欣雅副教授，共同發(fā)起“金融復(fù)雜性”主題讀書會(huì)。讀書會(huì)自2025年8月4日起，每周一19:00-21:00舉行，預(yù)計(jì)持續(xù)10周。歡迎掃碼加入，共建“金融復(fù)雜性”社區(qū)。