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证券的供给。作者讨论如何使用现实的资产需求系统模型来评估过去的情况，并预测未来,了解央行政策干预如何影响资产价格、财富在家庭和机构之间的分配，以及金融稳定。得益于大量持仓数据和建模技术的进步，估算资产需求系统已经成为现实。作者展示需求系统如何为政策决策提供改进的信息，例如在金融危机背景下的收益率或汇率,或在量化宽松和设计气候压力测试的背景下。最近的人工智能方法可以用来更好地测量资产和投资者的相似度，这些嵌入可用于中央银行了解资产购买计划的重新平衡渠道，以及测量拥挤的交易。中国人民大学金融科技研究所（微信ID：ruc_fintech）对研究核心部分进行了编译。
作者 | Xavier Gabaix, Ralph S.J. Koijen, Robert J. Richmond, Motohiro Yogo
来源 | BIS working paper
编译 | 蔡殊曼
1. 引言
现代中央银行利用丰富的政策工具来实现其政策目标，文章解释了为什么一个定量现实的资产需求系统模型（Asset Demand Systems）对于评估过去情况和预测未来至关重要。它如何影响资产价格、财富在家庭和机构之间的分配以及金融稳定。得益于大量持仓数据和建模技术的进步，估算资产需求系统已经成为可行的实践。这些需求系统为政策决策提供了更好的信息，例如在金融危机背景下的收益率或汇率，或在量化宽松和设计气候压力测试的背景下。此外，最新的人工智能方法可用于更好地测量资产和投资者的相似度，从而有助于中央银行了解资产购买计划的重新平衡渠道,并衡量市场拥挤。
作者首先在第2节中讨论了资产需求系统方法（ Demand System Approach to Asset Pricing）在为政策决策提供更好信息方面的应用。这种方法的一大优点是，任何资产价格的变动都可以追溯到投资者需求曲线或企业供给曲线的变化。这有助于了解欧洲主权债务危机期间金融传染的根源，或实施欧洲央行的新兴市场债券购买计划(TPI)。这种方法还有助于解释诸如通胀率在不同期限上的波动、美元强弱以及进入金融状况指标的资产价格等政策相关的变化。
作者随后探讨了如何利用资产需求系统定价方法（ Demand System Approach to Asset Pricing）来设计最优政策。具体而言,这包括直接影响投资者可得资产供给的政策，例如资产购买计划，或引发受监管机构需求曲线转移的政策，例如银行和保险公司的环境风险监管。作者提供了一些已被实施的模型案例，以回答这些问题。总的来说，资产需求系统方法为政策制定提供了更深入的见解，既可追溯到基本需求因素，又可用于设计针对性政策。这对于应对金融市场的复杂性和不确定性至关重要。
利用资产需求系统建模来理解金融市场的方法源于Brainard，Tobin，Friedman等学者的早期工作，并在近年来通过运用现代建模技术、高质量持仓数据和改进的计量工具而得到发展。这种方法的优势在于，它能够准确捕捉投资者的需求弹性和替代模式，这对于分析中央银行的政策影响、评估金融市场的脆弱性以及拥挤交易等问题至关重要。例如，在分析中央银行资产购买计划的重新平衡渠道时，需要了解投资者在不同资产类别间的替代行为。同样地，在评估金融市场稳定性时，也需要了解投资者是如何对基本面因素之外的因素的反应行为。
总的来说，这段文章强调了利用资产需求系统建模的重要性，它为中央银行和监管机构提供了更好的工具，以评估和预测政策干预的影响。这种方法有助于填补早期文献中存在的数据和建模上的缺陷，为政策制定提供更可靠的基础。
2.以需求系统方法为中心的中央银行
作者首先讨论资产需求系统如何为决策者提供改进的信息，在第2.1节中，以及需求系统如何帮助设计最优政策，在第2.2节中。作者将依据现有研究提供实例，阐述资产需求系统是现代中央银行和金融市场监管机构的宝贵工具。这是一个新兴的研究领域,本概述旨在突出使用这种新方法可以回答的广泛问题。
2.1 为政策决策提供改进信息
2.1.1 理解金融传染
在需求系统方法中，作者建模投资者的资产需求(基于投资组合选择问题)，将其与实际的投资组合数据相匹配，并将总需求与资产供给方(企业和政府)的供给进行平衡，以解决资产价格。这意味着，如果资产价格发生变化，我们就可以通过需求系统追踪这种变化回到投资者需求的变化，即基本面和投资组合流动的变化。因此，可以利用需求系统来追溯价格变动背后的各种因素，包括投资者需求的变化以及供给方反应。
基于这种方法，Koijen和Yogo (2020)开发了一个跨37个发达和新兴经济体的全球资产需求系统，覆盖了短期和长期债券市场以及股票市场。该模型可用于解释这些资产价格和汇率的波动。作者将利用该模型重点分析2009-2010年欧洲主权债务危机期间的情况。在这一时期，易受影响的欧洲国家的长期债券收益率相比德国大幅上升。尽管希腊基本面有所恶化，但对其他脆弱国家而言情况并非如此明显。这种传染性行为通常很难理解和控制。
2.1.2 了解关键资产价格及其对金融状况指标的影响
建立在对欧洲主权债务危机的应用之上，需求系统也可用于理解对决策者来说很重要的资产价格决定因素，例如股票价格、公司债券价格、通胀预期(Bahaj等,2023)、隐含波动率、汇率(Koijen和Yogo,2020),以及加密货币(Benetton和Compiani,2024)。
在全球金融危机后，各监管机构(包括金融研究办公室,2013)表达了对大型机构可能放大市场波动的担忧。当时的政策讨论是是否应该将大型资产管理公司如贝莱德和富达指定为系统重要的金融机构。可以利用需求系统资产定价来回答这些问题,分解机构和家庭在解释股市波动中的相对贡献。
2.2 设计最优政策
2.2.1 非常规货币政策对资产价格和金融稳定的影响
需求系统不仅可以用于了解金融危机期间资产价格的变动，还可以建模资产购买计划(如欧洲央行的资产购买计划)对资产价格和金融市场风险分布的影响。Koijen等(2021)估计了欧元区主权债券市场的需求系统，评估了欧洲央行资产购买计划的影响。一个关键发现是，外国投资者价格弹性很高，大幅减持持有的债券。相反,长期投资者如保险公司和养老基金则放大了央行的购买行为。这与Domanski等人(2017)的模型预测一致。Gabaix和Koijen (2022)进一步开发了一个动态需求系统，覆盖了多种资产类别，可用于分析跨市场的资产购买计划的长期影响。建模投资者对政策干预的预期反应是需求系统研究的一个重要且活跃的领域(Haddad等,2023)。总的来说，需求系统是在多个中央银行同时实施政策干预时评估影响的有力工具。相比单一国家的研究，这种方法更能反映实际情况。尽管可靠的估计很困难，但这仍是一个值得探索的有价值方向。
2.2.2 外汇储备管理
中央银行在发达国家持有大量的外汇储备，包括外汇短期债务和外汇长期债务。根据Koijen和Yogo (2020)的数据，2020年总的中央银行外汇储备达到1.025万亿美元的短期债务和4.952万亿美元的长期债务。这些庞大的投资组合无疑对全球汇率和债券收益率产生重大影响。早期的理论文献提供了一个概念框架，来理解外汇储备流动如何影响汇率和GDP、就业等经济指标(Gabaix和Maggiori, 2015; Itskhoki和Mukhin, 2021)。但近年来，方法论的进步使我们能够量化这些影响(Camanho et al., 2022)。文章同样可以利用需求系统方法，来量化外汇储备在中央银行政策工具箱中的重要性。
2.2.3 气候压力测试
决策者越来越担心气候风险及其相关的转型风险，可能对金融市场和受监管机构(如银行和保险公司)产生影响。这种风险可能以多种形式出现。例如,投资者、消费者或员工的偏好可能会转向绿色企业或采取气候改善措施。这会导致资产重新定价和财富分配的变化。另一种方式是，决策者可能会对银行或保险公司施加资本要求，将它们引导远离"棕色"资产。这也可能引起资产重新定价。Koijen等人(2022)针对美国股票市场，构建了一套气候压力测试框架。这种方法可以扩展到其他资产类别，尤其是固定收益。这可以帮助决策者评估气候风险对金融系统的潜在影响。总的来说，需求系统方法为决策者提供了一个全面的工具，帮助他们了解气候风险对金融市场和受监管机构的影响。通过模拟不同的气候情景，决策者可以评估潜在的冲击并采取预防措施。
3.利用人工智能改进资产需求系统模型
资产嵌入的一个自然应用是研究货币政策的再平衡渠道。通过估计投资者认为相似的资产，我们可以改善预测投资者在向中央银行出售部分投资组合时会购买的替代资产。目前Gabaix等人(2024)的研究集中在美国股票市场，我们正在扩展到公司债券市场，这对分析资产购买计划尤为重要。在Gabaix等人(2024)的研究中，除了资产嵌入，文章还估计了投资者嵌入，反映了投资者之间的相似性。结合资产和投资者嵌入，可以从新的角度看待拥挤交易问题。自2007年量化危机以来，拥挤交易一直是市场参与者和金融监管机构关注的焦点。不过,这种担忧并非新鲜事物,包括上世纪90年代末科技股和最近人工智能的突破。
但在实时衡量拥挤交易、确定涉及哪些股票以及哪些投资者推动市场主题和拥挤交易方面,仍然存在挑战。例如,当人工智能股票受到热捧时，投资者最初集中在制造硬件(如英伟达)或大规模部署这些技术(如苹果、谷歌、Meta、微软)的科技公司。但后来投资者意识到大规模数据处理和模型训练设施的巨大电力需求，电力公司也成为人工智能交易的一部分。嵌入可以提供拥挤交易的实时衡量。可以使用资产嵌入对公司进行聚类，并利用知识增强语言模型(RAG)提供标签。然后可以评估哪些投资者参与了这些交易，以及相似投资者的集群有多大。利用资产需求系统，我们还可以估计拥挤交易造成的资本错配以及哪些(群体)投资者最容易受到影响。
第三个应用是利用这些模型开发新的压力测试。Gabaix等人(2024)开发的模型的一个自然扩展,是使用模型预测投资者的下一笔交易，类似于预测文本下一句、段落或页面的生成式AI模型。通过聚合这些交易并实现市场清算，以及利用估计的资产需求系统弹性，可以识别可能导致系统重要金融机构损失的压力情景。
4.进一步讨论
人工智能作为一种通用技术，正以惊人的速度发展，其风险和机遇尚未完全被理解。在我们的研究中，我们探索了人工智能在资产需求系统建模和价格波动解释方面的应用。这意味着还没有涉及人工智能给中央银行带来的许多其他机遇和风险。作者在本篇结尾部分对一些值得进一步关注的关键话题进行了广泛讨论。
4.1 中央银行沟通
前瞻性指引是一种政策工具，在2008年金融危机后越来越受关注。一些研究致力于解析中央银行的讲话和沟通，以更好地提取其中的信息。随着语言模型的改进，这类研究将更加有效。与此同时，中央银行在其沟通策略中也做出了响应。最近的一些文献研究了中央银行的沟通博弈，这个过程变得越来越复杂(Cieslak et al., 2021)。
4.2 网络风险和监管挑战
人工智能和机器学习的快速发展自然引发了监管机构对网络风险的担忧。这给保险公司带来了特殊挑战。与其他金融机构一样，它们可能更容易遭受网络攻击，因为攻击者拥有更强大的工具。但这也创造了新的机会，因为随着网络攻击的日益普遍，对网络保险的需求也在增加。一个关键挑战是，由于技术发展迅速，风险分布很难估计。一个特别的担忧是，相关性风险是未知的(例如,对云计算服务的攻击)，大量文献记录了保险公司对承保未知风险分布的厌恶(Eling et al., 2024; Koijen and Yogo, 2023)。
除了直接的网络风险，人工智能还带来了其他监管挑战。虽然金融行业的大型incumbent由于其庞大的特许价值而内部化了一些与人工智能相关的风险，但新进入者并非如此。他们可能会试验更加风险的技术，这可能并未被现有法规很好地涵盖。这一担忧不仅适用于金融稳定性监管，也适用于行为监管，因为更有效的营销技术可能导致偏见和金融服务的不平等获取。在保险市场的背景下，一个不断发展的文献研究了"反向选择"的担忧，即被保险人相对于保险公司拥有更优质的信息(Abrardi et al., 2020; Brunnermeier et al., 2023)。
4.3 对劳动力市场和宏观经济的影响
一个快速增长的文献研究了人工智能对企业、其估值、劳动力市场以及更广泛的经济的影响。这个文献自然研究了一系列广泛而重要的问题，因为人工智能越来越被视为一种通用技术，将直接和间接地影响许多行业。这方面的重要贡献包括Acemoglu (2024)、Babina et al. (2024a,b)、Kogan et al. (2023)和Eisfeldt et al. (2024)等。
5. 结论
这篇文章讨论了如何利用资产需求系统建模来帮助使用广泛政策工具的现代中央银行，还讨论了如何将现代人工智能工具应用于资产需求系统的建模，以获得更好的投资者替代模式、资产相似性以及投资者相似性的理解。作者希望BIS及其他机构能够提供更多关于全球股票、债券和衍生工具持仓的数据。这对于监管者、中央银行和私营部门行为者评估系统性脆弱性将非常有用。欧元区证券持有统计(SHS)就是一个很好的例子。获取更多数据不仅可以帮助改进模型的估计和训练(而不影响市场参与者)，还可以使这些模型在指导政策决策和提高金融体系和整体经济对冲击的抗压能力方面更加有用。总之,作者认为，利用人工智能技术改进资产需求系统建模，再加上获取更丰富的持仓数据，能够为中央银行及其他监管者提供更好的工具，洞察金融市场的动态，提高系统抗风险能力。
……
获取完整报告
请后台回复“央行机遇与人工智能”
获取下载链接
END
责编/李锦璇
编译/蔡殊曼
排版/蔡殊曼
【延伸阅读】
