人工智能發展對資本市場的影響

提 要：人工智能可能通過更廣泛、更強大的算法交易以及新型交易和投資策略，促使市場結構發生重大變化，這反過來可能增加交易量和資產相關性，并推動價格以越來越快的速度反映新信息。人工智能可能通過提供優越的風險管理、加深市場流動性和加強市場參與者及監管機構的市場監控來降低金融不穩定性風險，同時，也可能帶來新的風險。為了確保相關部門為這些潛在的變革性變化做好準備，應考慮采取額外的響應政策。

關鍵詞：人工智能；生成式人工智能；資本市場；風險；對策

一、引言

人工智能（AI）有潛力重塑世界，改變各個行業，包括金融服務行業。本文重點討論人工智能和生成式人工智能（GenAI）在資本市場中的應用，它可能會通過網絡效應和市場運行速度的提升，帶來市場結構的深刻變化。金融服務行業長期以來專注于數據收集和分析，并于早期采用了如機器學習（ML）等技術，因此，在應用人工智能領域的最新進展方面處于有利位置。最近對金融機構的調查報告顯示，絕大多數受訪者預計生成式人工智能驅動的模型將在未來得到顯著擴展，超過一半的投資經理表示他們計劃在未來使用生成式人工智能。因此，理解這些發展對金融穩定性的潛在影響，并確保監管機構為這些變化做好準備，是非常重要的。人工智能的進一步應用可能對金融穩定產生積極影響，并為金融機構提供明顯的好處。然而，人工智能也可能引入新的金融風險形式，并加劇一些已存在的金融不穩定擔憂，如杠桿、流動性壓力和市場互聯性。

生成式人工智能已經在金融行業被廣泛采用，屬于在現有分析方法和投資策略使用案例基礎上的“進化型”應用。與其他行業一樣，生成式人工智能正在提高一系列任務的效率：幫助分析師編寫代碼、改進面向客戶的活動并形成新的投資理念。大型語言模型被用作現有分析模型的輸入，以提高文本分析的預測能力，這可能會提高定量投資策略的預測能力。它還可能降低定量投資者進入需要廣泛分析契約和其他法律文件的低流動性資產類別（如公司或主權債券）的門檻。生成式人工智能還可能通過實時處理非結構化數據（如中央銀行的公告）加快市場對新信息的反應速度。市場參與者已注意到許多其他在資產配置、交易和風險管理中的應用場景。然而，生成式人工智能的“革命性”應用——利用最前沿的AI技術開發出全新的投資策略和流程——仍然大多是推測性的。盡管許多觀察人士設想了涉及自主AI在沒有人工監督的情況下生成并執行交易的場景，但大多數回應國際貨幣基金組織（IMF）調查的市場參與者對這一想法感到不安。他們認為，AI生成的策略如果無法被人類理解則不可行。此外，出于監管、風險管理、責任和倫理等原因，大多數參與調研者認為在任何基于AI的策略中都必須有“人類在場”這一設置。

對于新興市場而言，人工智能被廣泛視為一種積極的發展，盡管它可能會帶來碎片化風險。IMF的外聯工作發現，市場參與者普遍認為生成式人工智能是一種能夠促進技術跨越式發展的工具，通過增加信貸渠道和深化當地金融市場，推動許多新興市場和發展中經濟體的金融發展和包容性。然而，如果高固定成本導致各地區應用速度不同，新興市場和發展中經濟體可能無法像發達經濟體那樣從人工智能驅動的活動中獲益。

二、當前和未來人工智能在資本市場活動中的應用

雖然生成式人工智能的主流應用僅在幾年前才開始，但金融機構積極使用機器學習和其他與人工智能相關的計算方法已有約20年，這些方法現在已經被很好地整合到它們的投資過程中。盡管機器人顧問、基于人工智能的交易所交易基金（ETFs）和與生成式人工智能相關的應用仍處于初期階段，但勞動力市場數據、專利申請和投資者外聯調研都表明，相關機構正在迅速為這些技術的重大整合做準備。

（一）技術變革與人工智能的興起

由于算法效率和計算硬件的最新進展，訓練人工智能模型的單位成本已大幅下降，但是同時，用于領先生成式人工智能應用的“顯著”模型的復雜性大大增加，導致整體成本顯著提高。這些復雜的基礎設施和人才的高固定成本可能加劇市場集中性，導致擁有現有商業化渠道的少數私營部門開發者繼續主導該領域（值得注意的是，越來越多的開源模型可能會挑戰這一格局）。集中性通常也會因為數據壟斷而出現，一些參與者擁有更優越的非公開數據，這使他們能夠訓練出更有效的模型，或更有能力處理大量數據。這一點在金融領域尤其突出，因為一些參與者擁有大量的交易和客戶數據。

（二）當前應用：來自國際貨幣基金組織市場外聯調研的證據

從資本市場的角度而言，機器人顧問的擴展和顯著規模凸顯了投資行業向自動化邁進的趨勢。然而，真正的人工智能驅動策略仍處于早期階段。例如，人工智能驅動的交易所交易基金（ETFs）——使用人工智能構建和調整ETFs投資組合——在市場中仍只占據非常小的份額，其管理的資產不到10億美元。這表明，盡管技術已經開始改變投資管理的格局，但先進人工智能應用的滲透率仍然相對較低。

為了補充基于大量文獻綜述和數據收集的分析工作，國際貨幣基金組織的工作人員對人工智能相關策略行業的主要調研參與者進行了定性評估，以進一步評估人工智能發展的應用情況及其如何改變資本市場。雖然承認人工智能并非新現象，但所有市場參與者都強調，人工智能在各個領域被采用的速度加快，主要是由生成式人工智能工具的普及所驅動的。通過人工智能創造價值的前景在公開交易的流動性資產類別中似乎最為明顯。a股票、政府債券和上市衍生品提供了豐富的實時數據和透明度。大交易量和市場動態性使得人工智能系統能夠不斷學習和適應，進而有可能提供更準確和及時的洞察力。

IMF對利益相關者的外聯結果表明，最有可能在投資過程中采用人工智能的領域，首先是股票和其衍生品，其次是固定收益和外匯（主要在場外市場交易）。然而，一些市場參與者還強調，人工智能的進展及其前所未有的處理能力可能有助于流動性較差的市場，如私募信貸和某些新興市場領域。IMF的外聯調研結果還揭示了投資過程中一系列人工智能應用案例。例如，人工智能被用于整合替代數據集、開發前瞻性指標和市場分析。

IMF對利益相關者的外聯參與者進行廣泛觀察后發現，最新突破，特別是在生成式人工智能方面的最新突破正在推動資本市場更廣泛地采納人工智能/機器學習。參與者預計，在未來三到五年內，將有更多復雜的人工智能融入投資和交易決策。一個在資產管理中日益受到關注的應用案例是，利用人工智能探索替代數據和文本數據，以揭示先前市場中未知的因果關系，這會創造新的投資策略。另一個案例是采用傳統的人工智能/機器學習應用，以提高現有模型的穩健性和準確性，特別是在預測方面。美世咨詢（Mercer Investments，2024）的一項調查顯示，人工智能在核心投資流程中的應用仍處于初步階段，例如交易和投資決策的執行。集中在算法交易這一更專業的領域，證據呈現混合態勢，好壞參半。荷蘭的一項關于主要能源市場的調查數據表明，更加自主的算法可能仍然是基于較簡單的方法。同時，有證據表明，復雜的人工智能尚未被廣泛應用于構建自主的人工智能交易代理。相反，它更常被用于生成信號，作為現有分析系統的輸入，其中，人類交易員會最終作出交易決策。

IMF外聯參與者一致認為，人工智能/機器學習帶來的好處日益增多，包括提高效率和生產力、節省設計交易算法的成本、更好的非結構化數據處理和更小的買賣差價。IMF外聯工作中包括的金融監管機構表示，他們已經開始從人工智能中獲益。他們使用由人工智能驅動的監管技術（SupTech）工具來監控金融市場和機構，包括可以檢測大數據的集中異常情況以提前識別風險的工具，以及其他可以幫助檢查受監管實體的合規性的工具。就銀行而言，則使用監管技術工具來管理合規性，并提高其“反洗錢/了解客戶”流程的效率和準確性，確保客戶數據的更高準確性，監控交易并檢測欺詐情況。

展望未來，市場參與者預計人工智能在交易和投資中的使用將增加，基于人工智能的決策自主程度將提高，尤其是在股市中，預計高頻率、由人工智能驅動的交易將占據更大的份額。然而，IMF外聯活動中的所有參與者都預期“人工干預”方法將在短期內（三到五年內）持續，尤其是在大型資本配置決策方面。盡管趨勢是減少人工互動，但預計不會很快實現決策完全由AI自主，模型仍將繼續在預定規則下運行。一些參與者也關注到了代理與代理之間的交易以及在交易中建立完全由人工智能驅動的工作流程的潛力。

（三）未來采用：專利申請和勞動力市場的證據

金融創新與專利之間的關系是文獻中越來越受到關注的領域（Lerner等，2024）。在這方面，人工智能專利申請的演變可作為人工智能在資本市場活動中被采納的一個指標，從而洞察未來的趨勢。在高頻交易或算法交易領域，參考人工智能/機器學習術語的專利申請數量有所增加。在過去一年中，專利申請傾向于改善經紀或交易平臺的操作效率，并開發低延遲、高吞吐量的交易信號計算系統。與人工智能/機器學習相關的專利申請還促進了資產管理領域專利數量的激增。一些創新專注于解釋非結構化數據，并設計系統來處理來自可替代數據源的信息。

此外，一些專利申請還結合了訪問和管理可替代資產類別的技術。盡管只有一小部分工作人員聲稱具備人工智能技能，但是這些人才庫，特別是在金融服務行業的人才池，似乎正在增長。美國金融行業的定量研究員和分析師的簡歷中越來越多地展示了人工智能技能。機器學習、自然語言處理和深度學習是他們簡歷中列出的30項主要技能之一。a根據IMF的外聯工作數據，對人工智能技能的需求正在上升，吸引人才的競爭是可能限制人工智能加速發展的最重要挑戰之一。隨著職位發布中對具有人工智能技能的前臺角色（直接影響投資決策或負責金融市場交易的角色）的需求增加，b這些前臺角色和金融服務行業對人工智能技能要求的比例超過了美國整體經濟中與人工智能相關的職位發布比例。不足為奇的是，美國金融服務行業的人工智能人才數量集中度c也高于整個經濟體。

根據IMF外聯參與者的反饋，人工智能會為新興市場和發展中經濟體帶來更大的金融機會。其中提到的主要好處包括，改善金融服務的獲取渠道、信用評分、貸款發放、機器人顧問服務和投資組合構建。利用生成式人工智能解析碎片化和非結構化數據，可能降低這些國家的投資障礙，并改善一些新興市場資產的流動性。合成（AI生成）數據有助于在數據稀缺的情況下訓練投資模型，但在使用這種技術時需要注意其局限性和警告。總體而言，更好的流動性和更高的市場效率使一些新興市場對全球投資者更具吸引力，并可能導致更大的資本流動。得益于在效率較低的市場中使用合成數據，從而增強市場流動性并降低進入壁壘，新一代模型的使用有助于填補數據空白。事實上，合成數據類似真實數據并由算法生成，確實能為訓練和測試人工智能提供寶貴機會。然而，依賴生成的數據應考慮兩個關鍵問題。首先，合成數據在某些真實數據分布值上出現代表性過度或不足，從而削弱人工智能系統在極端事件中的表現。其次，當生成過程未能考慮到二階應用程序的特定要求時，合成數據可能會延續潛在的偏差。

其他市場參與者則表示，基于人工智能技術的實施程度，新興市場的大小可能會存在差異。發達經濟體與新興市場和發展中經濟體之間的碎片化風險似乎有限，一些市場參與者表示，人工智能的進步可能反而支持更大的金融包容性。人工智能驅動的金融服務通過使用新數據集促進信貸獲取，且機器人顧問服務應降低投資進入門檻，深化當地資本市場。然而，也有一些人指出，自動化可能會影響某些國家的低技能就業崗位。

三、人工智能轉型：對市場結構和動態的影響

在資本市場活動中采用人工智能有可能改變市場的結構和動態。其中一些變化是演變性的，現有的趨勢可能會被放大。其他影響可能更具革命性。例如，競爭與自我學習算法的市場前景開辟了一系列新市場結構及其相關結果。

在人工智能模型的幫助下，非銀行金融機構的作用與更多算法交易變得更加重要，尤其是最大的非銀行金融機構。如今，非銀行金融機構持有超過全球一半的金融市場資產。它們通常更加靈活，且在采用人工智能上面臨的約束較少。相比之下，一些大型銀行受到遺留基礎設施的制約，導致其在模型治理、問責制和模型可解釋性上面臨更加嚴格的要求。在過去20年里，發達經濟體的金融市場經歷了重大變革，算法交易的增長使得非銀行金融機構嶄露頭角。在美國，算法交易如今占股票交易量的比例約為70%，并且占期貨交易量的一半以上。其他司法管轄區在算法股票交易的市場份額上落后，但它們可能會迅速趕上。規模報酬遞增導致在那些算法交易活動份額較高的市場，往往看到活動集中在少數幾家參與者手中。與內部開發或部署復雜AI相關的高固定成本使得大型交易公司能夠從AI中獲益，而這導致較小的市場參與者依賴關鍵第三方服務提供商，如云服務和AI軟件服務，進而放大了外包、市場集中度和供應商鎖定的風險。算法交易在許多資本市場中已占據關鍵地位，且其發展會受到人工智能進步的驅動。采用策略已經從相對簡單的交易規則演變為更復雜的算法，現在準備使用更先進的人工智能。這將提供新的競爭優勢，主要是通過AI能夠在短時間內處理大量高頻和非結構化數據，并從中提取更多價值，從而實現交易決策的自動化。算法交易已經從根本上改變了資本市場的性質，且隨著人工智能的進步，其影響將進一步加劇。

第一，算法交易被廣泛評估為對市場流動性和效率有積極影響，但在壓力條件下也會產生一些負面影響。研究表明，算法交易增強了流動性和信息效率，盡管以增加短期波動性為代價（Hendershott，Jones和Menkveld，2011；Hendershott和Riordan，2012；Boehmer，Fong和Wu，2021）。然而，算法交易也可能增加宏觀經濟新聞發布后的波動性，并抑制知情交易者參與市場，甚至可能損害市場效率（Scholtus，vanDijk和Frijns，2014；Yadav，2015）。在美國國債市場，數字化大大提高了整體流動性，但這可能是以在壓力情況下出現罕見但極端的流動性枯竭為代價的（Bouveret等，2015）。Adrian、Fleming和Vogt（2017）發現，市場流動性受到高頻交易者在市場中存在程度的影響。這與系統性風險具有相關性，因為大多數債券是在場外交易，而不是在銀行和證券交易商促進交易的集中交易所進行的。

第二，算法交易可以將不由新信息驅動的價格波動降至最小化（Chaboud等，2014）。對美國高頻股票收益率進行的分解顯示，個別股票收益的特有“跳躍”——這可能是中介水平降低和流動性較低的證據——變得越來越不頻繁。a進一步分析表明，當流動性條件較差時，特有“跳躍”更為頻繁。這證實了算法交易可能通過其對流動性和市場效率的積極影響，幫助減少特有的“跳躍”現象。AI驅動的算法可能進一步對增強市場穩定性發揮積極作用。算法風險限額在壓力下導致市場不穩定。算法交易策略通常在高度波動時期被編程為降低風險甚至被關閉，特別是面對之前未曾出現的價格信號時。b這些措施旨在保護個別交易公司免受重大損失。然而，在某些條件下，它們可能通過級聯和同時觸發風險限額、反饋循環以及算法交易提供的流動性的突然蒸發，導致市場不穩定。這些AI驅動的策略可能隨后被“關閉”。來自美國股市的數據提供了一些證據，表明在壓力下，算法交易提供的流動性會減弱。

第三，高頻交易者通常使用訂單取消（Weller，2017），但隨著隱含波動率的增加，訂單取消率顯著下降。同時，隱藏訂單的使用率增加。隱藏訂單通常由大型機構投資者在流動性有限時使用，以最小化其交易對市場的影響。這兩種觀察結果都與“壓力下的流動性波動”這一概念相一致。根據IMF在外聯調研中收到的反饋，AI驅動的算法交易策略在壓力條件下也受到相同措施的影響，特別是在常規和可預測的市場模式崩潰時。

第四，生成式人工智能可能促進算法交易在新資產類別、交易場所和地理區域的傳播。生成式人工智能可以降低算法交易的進入門檻，因為它有助于在技術上不那么先進的交易場所中進行編碼、測試和自動化交易。它還可以幫助緩解之前一直阻礙算法交易傳播的一些障礙。生成式人工智能可能會促進復雜文本數據（如債券契約）的處理，從而實現更標準化的風險分析和可以支持流動性的定價工具。

（一）進一步采用人工智能可能推動的新態勢

除了傳統風險領域外，AI可能會帶來新的市場動態和導致新的金融穩定性風險。

第一，AI驅動的策略可能推進更高的、更加順周期性的交易量。AI能夠快速處理大量新信息，因此會促使調整更大規模和更頻繁的投資組合，從而導致交易量增加。AI驅動的ETFsc的投資組合周轉率提供了這一情境的證據。與其他主動型或被動型ETFs相比，采用AI驅動策略的ETFs的周轉率顯著升高，而前者的周轉率近年來相對穩定或略有下降。d e這些更高的交易量不僅能在市場穩定時增強價格發現，也可能改善市場在壓力時期的不穩定性。在2020年3月的市場動蕩中，三個AI驅動的ETFs樣本增加了投資組合周轉率，提供了順周期性的某些證據。

第二，市場可能對新聞的反應更快。根據對美國聯邦公開市場委員會會議紀要發布的歷史數據的分析，發現市場的反應速度有所提高。日內市場數據表明，在引入大型語言模型后，市場對紀要發布的初始反應（最多45秒）往往能比技術引入之前更準確地反映其最終影響。

第三，AI算法可能會串通或操控市場。目前，關于這一領域的風險正通過人工智能交易算法之間潛在的交互理論模型進行研究。這些模型顯示了各種不同的可能結果。在某些情況下，會出現隱性算法共謀（Dou，Goldstein和Ji，2024）。相反，實證文獻指出可能出現“贏者通吃”的情景（Baron等，2017），這導致市場效率低下——以市場價格與基本價值之間的價格差距來衡量——并可能導致操控。如果某個算法在信息或延遲方面具有優勢，并且市場上的參與者較少，則操控的可能性較大。

（二）金融穩定性影響

1.市場參與者最擔心的是集中風險

國際貨幣基金組織外聯調研參與者表示，一個主要的金融穩定性風險是AI模型在資本市場的廣泛應用會導致群體行為和市場集中。在交易和投資策略主要來自開源AI，并且訓練數據來自相同數據供應商時，這種擔憂尤為突出。相應地，供應商集中也被視為潛在的系統性風險源，因為被過度依賴的少數AI模型提供商和數據供應商中的某一方或幾方失敗，會導致交易和投資的重大中斷。外聯參與者還關注到AI的廣泛應用可能引發市場操控（如通過深度偽造或虛假信息）。一些參與者提到了市場脆弱性問題，包括市場流動性枯竭、過度波動和閃電崩盤，這些問題可能源于快速決策和防護措施的無效性。其他參與者認為，金融中介機構和市場公用設施遭受網絡攻擊以及大規模數據中毒等威脅可能是系統性風險的潛在來源。一些參與者指出，模型的不可解釋性和模型的“幻覺”a會損害市場的信任。其他人則擔心使用大數據集對復雜模型進行微調的高成本會造成不公平的競爭環境，大型公司因此占據優勢。還有少數參與者擔心客戶欺詐、未經授權的使用和數據訪問可能帶來風險和合規問題，從而導致聲譽損害。較小的擔憂還包括AI的采用可能加劇發達經濟體沖擊對新興市場和發展中經濟體的溢出效應，特別是如果AI模型對價格波動更敏感，并且管理多個資產類別的組合的時候。隨著交易量的增加和對市場新聞的敏感性提高，跨境資本流動的波動性也可能增加，并且在相對較小且流動性較差的市場中具有不穩定性，尤其是在這些市場的參與者較為分散時。

2.期望監管機構加強監控并提供關于AI模型風險管理的指導

針對采用人工智能/機器學習所帶來的日益增長的不確定性和風險，國際貨幣基金組織外聯參與者期望，監管機構提供關于模型風險管理的明確指導，強調極端情境的壓力測試，并提供高透明度和更清晰的信息披露。利益相關者期望獲得有關行業特定監管機構的指導，以避免違反現有規定。買方和賣方實體、學術界和市場基礎設施提供商都強調平衡監管的必要性，以確保AI的負責任使用，同時不妨礙AI創新，并充分保護消費者。大家一致認為，由于AI技術在金融市場中的快速發展，資本市場監管機構應專注于提供指導方針和最佳實踐，而不是嚴格的立法和規定。他們的整體觀點是，監管方法應具有靈活性和適應性，以跟上金融領域AI技術快速進步的步伐。

（三）金融穩定性面臨的挑戰：當前情況和未來展望

AI在資本市場中的應用仍處于相對初期階段，目前采用AI所帶來的金融穩定性風險似乎是可控的。盡管如此，已經有記錄充分的實例表明，復雜的AI被用來生成虛假信息以操控市場，更嚴重的是惡意的網絡威脅。

1.壓力下市場速度和波動性提升

其一，AI增強的算法交易策略的持續增長，可能增強市場流動性并帶來效率提升，表現為對新信息的快速價格調整，以及交易者的利潤率下降。但二者都激勵金融系統中杠桿的增加，并在壓力時期加劇資產價格下跌、波動性和去杠桿化之間的放大效應。

其二，AI模型可能會聚集并在壓力時期產生相似的決策，從而導致順周期性的金融穩定性風險。在正常時期，AI模型發現新的交易機會，從而帶來更多樣化的投資策略，這對金融市場的韌性有利。然而，在不利沖擊下，模型會同時將投資組合調整為安全資產，產生自我實現的防火螺旋。

其三，新型不利事件（如2020年新冠疫情全球大流行）會導致AI模型輸出難以理解，或模型直接關閉，這就需要人工決策處理大量交易。如果AI交易算法彼此勾結，這種脆弱性可能會更加突出，導致一個由贏家主導的市場，這樣的市場更容易受到不利沖擊的影響。

2.更多的不透明性和監控挑戰

第一，AI會促使活動進一步遷移到非銀行金融機構（NBFIs）。自全球金融危機以來，交易和投資活動特別是資本市場活動，已逐漸從銀行部門遷移到NBFIs。一些NBFIs現在已經積累了廣泛的專業知識和技術，幫助其利用AI的最新技術。相比銀行對內部模型的可解釋性和透明度的較嚴格監管要求，NBFIs面臨的要求較寬松，這使得NBFIs在利用復雜模型方面具有競爭優勢，從而增加了系統性的不透明性。

第二，AI模型可能會在不同的資產類別、地理區域和交易場所生成投資組合，形成與當前無關的相關性和相互聯系。這會破壞監管機構全面監測金融風險的能力。

第三，可能會出現突發的、新的風險形式（如AI自動代理之間的復雜互動，這在單個機構或監管層面無法看到）。

3.由于依賴少數關鍵第三方AI服務提供商而增加的運營風險

AI模型及相關信息技術服務目前由少數關鍵供應商提供，這些供應商擁有主導的計算能力和大型語言模型。如果資本市場活動過于依賴這些模型，那么這些供應商的失敗可能導致類似于關鍵金融市場公用設施（如清算所）失敗的市場壓力。

4.增加的市場操控和網絡風險

一是隨著AI的進步，欺詐、虛假信息和深度偽造變得更加復雜，惡意行為者可能利用這些技術操控金融市場和資產價格。二是數據完整性和機密性可能遭到破壞，導致AI模型做出次優的交易和投資決策。

四、監管和監督方面的發展

（一）國際性、國家性和監管性AI倡議

國際組織、標準制定機構和較大資本市場的金融部門已將市場中介機構和資產管理機構使用AI/ML列為優先事項，其采用的步伐謹慎且穩定。由于資本市場已經受到監管和監督，機構對其部署的AI系統負責，無論是內部開發還是外部采購。現有資本市場監管和監督框架在技術上是中立的，并且同樣適用于AI系統。金融部門正在探討并提供關于現有審慎框架應用的指導，以及需要新增框架以有效涵蓋AI使用所特有的風險。至今涉及的關于人工智能的舉措，更側重于行為問題，如道德、公平性和透明度。

目前，各標準制定機構的人工智能舉措通常從以下幾方面展開。金融部門的監管機構應對資本市場參與者在部署人工智能時保持警惕，并為應對人工智能應用速度加快做好準備。建議金融監管機構更新其技能和監管工具，以實時監控更為復雜的投資策略，并處理細粒度更高的數據。此外，金融部門監管機構應主動審視現有監管框架，評估其能否適應人工智能發展的新形勢，并全面考慮新產生的風險。

在此背景下，標準制定者和金融部門監管機構已經發布或正在重新評估有關人工智能部署風險的報告（如FSB2017b），相關指導文件和監管框架涵蓋了多個關鍵領域。由金融穩定委員會（FSB）、國際結算銀行及國家監管機構發布的現有框架，主要通過建立技術中立、基于結果和比例原則的監管和監督，來解決金融穩定、市場完整性和投資者保護問題（新加坡金融管理局，2018；香港金融管理局，2019）。a具體而言，FSB發布了管理第三方風險和網絡事件的指導文件（FSB，2020，2023a）。巴塞爾委員會為參與資本市場的銀行機構制定的框架包括數據治理、操作和網絡風險管理的原則和建議（BCBS，2013；BIS，2023）。美國國家標準與技術研究院（NIST）最近發布了相關的人工智能框架（NIST，2024）。國際證券委員會（IOSCO）關注了算法交易和市場波動性（IOSCO，2018），并且對市場中介機構在資產管理中的人工智能風險進行了探討（IOSCO，2021）。目前，IOSCO正在開展一個為期兩年的項目，評估人工智能使用中的風險和挑戰，預計將在2025年第一季度發布相關政策指導（IOSCO，2024）。

國際貨幣基金組織對26個大型資本市場監管機構采取的行動進行回顧發現，各國政府已經開始制定全面的人工智能戰略，并在數據保護、治理和網絡犯罪等領域采取行動。一些司法管轄部門還在考慮制定專門的人工智能法，以確保對這一快速發展的技術應用進行強有力的治理。然而，監管機構在這一領域仍保持謹慎，迄今為止主要集中在澄清和宣傳層面，而非執行層面。

（二）最佳實踐

鑒于資本市場中人工智能的快速發展和不確定性，開展宣傳和互動至關重要。建立公私合作平臺來制定總體原則（如金融機構監管局，2023），與行業合作構建風險框架（新加坡金融管理局，2024），并建立對現有框架適用性的調查等機制，有助于確保人工智能的安全采用（美國國家檔案館，2021；工作場所平等研究所，2022；英格蘭銀行，2024）。互動還有助于金融監管機構評估現有風險管理指導是否考慮了人工智能模型的具體挑戰，如可解釋性、穩健性、數據偏差/隱私和網絡安全問題，以及人工智能在該領域的使用程度和應用的具體服務與活動。銀行業中的其他實踐包括，要求銀行在采用某些技術或與第三方達成協議之前發出通知（BCBS，2024）。

人工智能為監管機構提供了許多機會。人工智能可以結合多個數據來源（即使原始數據缺乏唯一標識符），幫助金融監管機構發現交易模式中的異常變化（diCastri等，2019）。生成式人工智能為金融監管機構提供了新的可能性，因為它能夠增強信息檢索、內容創作、代碼生成、調試和解釋，以及優化遺留代碼。這些工具使金融監管機構加速在傳統應用場景的部署，如欺詐檢測或市場活動監控，或者簡化數據管理任務。

盡管在監管過程中新興技術（稱為SupTech）的采用呈上升趨勢，但在發達經濟體與新興市場和發展中經濟體之間的采納率存在差異（劍橋SupTech實驗室，2023年）。a應該有定期的技能提升和系統升級幫助金融監管機構識別人工智能應用中的特定問題。此外，現有的跨部門主題性評估可以揭示市場參與者之間的潛在羊群效應或重要的相互關聯，并有助于識別人工智能應用中的最佳實踐（印度證券交易委員會，2019）。

五、政策建議

（一）應對壓力下不斷加快的市場速度和波動性

金融監管機構和交易場所應確定是否需要設計新的機制，抑或修改現有的波動性應對機制，以應對可能由人工智能驅動的交易引發的崩盤事件。現有的熔斷機制需要根據市場結構變化重新參數化。在受控環境中測試算法有助于讓金融監管機構、交易場所和市場參與者評估其在極端情況下的行為。金融監管機構、交易場所和中央對手方應根據潛在的人工智能驅動價格波動，重新審視保證金要求和其他緩沖措施。根據巴塞爾委員會銀行監管委員會、國際清算銀行支付與市場基礎設施委員會和IOSCO的政策建議，還需要進一步開展國際合作，以加強市場參與者應對市場壓力下可能出現的大幅度變動保證金要求的準備；為中央對手方提供有關變動保證金收集和分配的最佳實踐；了解中央對手方保證金模型對波動性和其他市場壓力的響應程度和性質；審查非壓力期間的初始保證金水平，包括審查減少保證金模型順周期性的有效性（BCBS、CPMI和IOSCO，2022）。

（二）應對不斷增加的不透明性和監控挑戰

金融監管機構應要求金融機構定期繪制數據、模型和支持人工智能模型的技術基礎設施之間的相互依賴關系。此外，數據集無法覆蓋完整的金融周期，這削弱了基于這些數據構建模型的可靠性（Gensler和Bailey，2020年）。盡管監管框架要求評估模型的累積效應，但并未強制要求對數據依賴關系進行聯合評估。用最新視角觀察這些相互依賴關系，將使金融監管機構能夠主動管理風險并促進形成一個有韌性的生態系統。

金融監管機構應繼續加強對NBFIs的監督和監管，要求其識別自身身份并披露與人工智能相關的信息。監管機構可監控那些進行大量交易活動的市場參與者（“大型交易者”）。每個這樣的大型交易者應被唯一標識，并向其在證券市場上注冊的經紀交易商提供活動信息，這將有助于金融監管機構的監控。其他措施還包括，如FSB和IMF提出的方案，以及針對NBFIs部門進一步采用人工智能的風險的應對措施，應繼續增強該領域的韌性。

（三）應對關鍵第三方人工智能服務提供商依賴所帶來的運營風險

金融監管機構應采取協調一致的方法對人工智能服務提供商進行監管和監督。為此，繪制關鍵人工智能服務提供商與關鍵IT基礎設施服務提供商之間的對應關系，顯得至關重要。關鍵第三方的失敗或中斷會影響金融部門的穩定性和公眾信心。針對關鍵服務提供商的具有可比性且可操作的監管方法有助于金融部門的合規性，并促進金融監管機構之間的協調（FSB，2023b）。監管機構還應確保關鍵服務提供商的定義足夠廣泛，涵蓋廣泛使用的人工智能模型（英格蘭銀行，2024）。

（四）應對場外交易監測需求和彈性風險

當人工智能的使用激增，金融監管部門應準備采取措施，確保場外交易市場的持續完整、效率和彈性。監管部門應考慮收集和傳播有關場外交易的更詳細信息，要求市場參與者在其風險管理框架中考慮流動性變化，建立或擴大現有的激勵機制，以增強做市商的流動性，改善中央清算的激勵措施，并為非中央清算的衍生品設立保證金。在發生沖擊的情況下，支持措施可以包括央行向做市銀行提供流動性，或通過放寬市場融資條件來間接支持非銀行交易商（CGFS，2014）。

（本文根據國際貨幣基金組織《全球金融穩定報告》[2024年10月]第三章《人工智能的進展：對資本市場活動的影響》編譯。作者：納西拉·阿巴斯[聯合指導]、加布里埃拉·伊麗莎白·孔德·維圖雷拉、穆罕默德·迪亞比、貢薩洛·費爾南德斯·迪奧尼斯、安德魯·費蘭特迪爾克·揚·格羅勒曼[聯合指導]、約翰內斯·克萊默、林祥立、本杰明·莫斯克[聯合指導]、普賈·辛格、理查德·斯托博；監督：查爾斯·科恩、杰森·吳；外部顧問：馬庫斯·珀爾格；譯者：楊元辰）

a 有關資本市場結構的詳細描述（如工具類型、參與者、交易場所和中央對手方），請參見美國證券交易委員會相關報告（2020）。

a 排名是基于領英的統計衡量標準，使用術語詞頻-逆文檔頻率，這是一種自然語言處理算法，評估一個詞/術語的代表性。具體而言，機器學習在這個隊列中位列前五項技能，突顯了該行業對人工智能/機器學習應用的日益關注。

b 也被稱為“前臺”角色，包括交易員、投資組合經理、投資組合策略師、資產配置分析師和程序交易員。這些職位中包含人工智能術語的招聘信息從2019年的每月平均4.5%上升到2023年的4.9%，并在2022年達到6.6%的峰值。

c 領英會員如果明確地在個人資料中添加了人工智能技能，或者在需要人工智能技能為代表的行業工作，那么他們就被視為人工智能人才。

a 見2018年10月《全球金融穩定報告》專欄1.4。通過考慮個股的跳漲與追蹤標普500指數（SPDR SP 500 ETF Trust-SPY）的大型流動性被動ETF的跳漲不一致，可以識別出特異性跳漲。在回歸指數收益之后，這種識別的穩健性是通過對剩余股票收益進行跳躍分解來測試的。

b 這些限額包括對交易總量的限制、最大損失閾值或對特定資產或市場的敞口限制。荷蘭消費者和市場管理局對能源交易商進行的調查發現，算法受位置限額（14/15）、價格限額（13/15）、成交量限額（12/15）和其他限額（ACM 2024）的影響。

c 人工智能ETFs是指使用人工智能技術優化證券選擇和權重，并定期重新平衡的ETFs，其目標是超越各自的基準。

d Bonelli和Foucault（2023）發現，大數據允許活躍的資產管理公司發現新的交易信號，但這樣做需要新的技能。因此，大數據可以降低缺乏這些技能的資產管理公司創造高回報的能力，并有可能取代金融領域的高技能工作者。

e Chen和Ren（2022）發現，人工智能驅動的共同基金并沒有跑贏市場，但通過卓越的選股能力和較低的周轉率，它們的表現明顯優于人工管理的共同基金。

a 參見Shabsigh和Boukherouaa（2023，第7頁），其中解釋了“生成式人工智能基于訓練數據生成新內容的能力是如何帶來風險的，即生成式人工智能模型可能會產生錯誤但聽起來合理的答案或輸出，然后自信地捍衛這些答案——這種現象通常被稱為‘幻覺’。”

a 由美國行政權力機構發布的《關于安全、可靠、可信地開發和使用人工智能的行政命令》（https：//www.whitehouse.gov/ briefing-room/presidential-actions/2023/10/30/executive-order-on-the-safe-secure-and-trustworthy-development-and-use-ofartificial-intelligence/）鼓勵獨立監管機構考慮利用其權力來防止歧視，并應對使用人工智能對金融穩定產生的風險。

a 2023年，79%的發達經濟體和54%的新興市場和發展中經濟體采用了SupTech工具，而2022年這一比例分別為50%和31%。