人工智能已超越单纯的技术工具范畴,逐步演化为重塑金融资源配置、风险识别及价格形成机制的关键力量。在加快建设金融强国的背景下,人工智能深刻重塑了金融运行和发展的内在逻辑。但是这种变革具有明显的双重属性,在赋能金融“五篇大文章”的同时,也伴随着人工智能投资泡沫、模型幻觉、算法同质化、数据隐私泄露等新问题。以人工智能赋能金融强国建设,要坚持发展与安全并重,突破人工智能基础理论、方法体系与关键工具,统筹推进算力基础设施与数据资源体系建设,构建规范透明的法律法规与伦理治理框架,健全人工智能技术监测与风险应急体系,引导人工智能更好发挥作用。
原文载于《金融评论》2026年第1期。为方便阅读,分上、下两篇刊出,此为上篇。
习指出:“加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。”《中央关于制定国民经济和社会发展第十五个五年规划的建议》提出全面实施“人工智能+”行动,并要求加强人工智能治理和完善法律法规。2025年12月召开的中央经济工作会议强调,深化拓展“人工智能+”,完善人工智能治理。在加快建设金融强国和推动高质量发展的背景下,围绕人工智能如何赋能金融发展,有必要展开更加系统深入的研究,引导人工智能走向善治,促使先进技术在金融强国建设过程中发挥积极作用。本文所讨论的人工智能(Artificial Intelligence,简称AI),并非指具体算法或单一技术工具,而是指一种以数据要素为基础、以算法模型为核心、以辅助乃至参与决策为主要功能的通用性技术形态。其关键特征不在于技术形式本身,而在于对信息处理能力的显著扩展。人工智能通过整合分散于不同场景和环节的信息,改变了金融决策主要依赖少量财务指标和静态规则的传统模式,使金融机构能够在更细致的层面识别经济主体的经营状况、风险特征和行为变化,从而对金融运行方式和发展模式产生持续影响。
人工智能在金融领域的深入应用,是其渗透整个经济社会体系的一个典型切片。金融作为现代经济的核心,其运行机制始终与社会经济结构紧密关联。当前,社会经济正在经历数字化和智能化转型,人工智能逐步融入生产、消费、治理等各环节,重塑了社会信息结构和行为模式。在这一背景下,金融领域应用人工智能既有其内因,即人工智能能够极大提升金融运行的信息处理效率、风险识别精度和服务覆盖范围;也有其外因,即金融体系必须与基于人工智能的社会经济系统有效对接,以适应全社会数据驱动、智能互联的发展趋势。同时,经济社会运行的信息化为金融提供了前所未有的海量、多元、实时数据资源,进一步加速了人工智能在金融领域的融合与创新。
人工智能在金融领域的应用所带来的问题,也同时反映出其在全社会场景中面临的普遍性挑战和金融领域的特别约束。普遍性挑战包括算法偏见、数据隐私、AI幻觉、伦理责任以及新型欺诈等,这是人工智能在各行业应用中面临共同的问题。金融领域因其对信息真实性、决策精确性和系统稳定性的极高要求,以及其巨大的外部性和强监管属性,使得上述问题表现得尤为突出和敏感,要求人工智能输出必须可靠、可解释、可追溯,同时必须在合规和风控的框架下运行。因此,探讨人工智能如何重塑金融发展,不仅需要关注技术本身的能力提升,也需深入分析在金融这一特殊领域内,如何平衡创新激励和风险防范、效率提升和公平保障、技术自主和监管适配等多重关系。
我国高度重视人工智能的发展。2025年以来,“人工智能+金融”的概念被明确提出和广泛使用。国家金融监督管理总局2025年12月印发《银行业保险业数字金融高质量发展实施方案》,首次对“人工智能+金融”提出了明确的发展要求,并指出要防范人工智能带来的金融风险。在国家发展战略的指引下,我国金融业在发展中积极拥抱人工智能,不仅使得后者成为重构金融服务成本结构、风险模式和用户体验的主要驱动力,也有力促进了人工智能尤其是大模型和金融学研究的结合(苏治等,2017;李斌等,2019;范小云等,2022;姜富伟等,2024)。本文基于人工智能在金融领域的应用和发展趋势,从理论上厘清人工智能重塑金融功能的内在逻辑,从实践上论述其作用于以“五篇大文章”为重要内容的金融强国建设的机制和路径,并系统评估其在推动金融强国建设过程中的潜在风险与治理挑战,深入探讨技术变革背景下如何以人工智能更好赋能金融强国建设。
历史上,每一代信息技术都对金融体系产生了重大影响,并极大促进了效率的提高和金融创新的进步。从1943年开始,人工智能相关的技术发展至今已有80多年的历史,在经历了1956~1974年的第一次浪潮和1982~1995年的第二次浪潮后,目前正处于从2006年开始的第三次发展浪潮中。从最初的简单规则策略发展到在实际场景中的应用,进而催生出算法模型,接着又从简单的算法模型升级成复杂模型,同时伴随着应用数据量的大幅增多。基于人工智能逐渐从规则系统到机器学习,再到深度学习的演进,其在金融领域的应用也经历了从“浅层智能”到“深层智能”、从“辅助决策”到“驱动核心业务”的革命性变化,增强了金融系统处理信息、分析数据、识别模型和预测的能力(Aldasoro et al.,2024)。尤其是2022 年以来大语言模型的生成和发展,催生了一场人工智能领域从数据处理、特征工程到洞察解读的全链条变革,以智能体为代表的人工智能成为最新趋势。
20世纪80年代以前,人工智能技术以专家系统为主,专注于开发基于规则的系统,以模拟人类智能。具体而言,专家系统指的是一些行业专家提供专业的知识,将知识存储到数据库中备用,当用户提问时,系统可通过一些规则在数据库中匹配答案并返回给用户。这一时期的人工智能主要扮演“数字员工”角色,应用于最基本的金融功能,如风险管理、基本的算法交易规则、信用评分和欺诈检测等方面,主要价值在于降本增效,将人力从繁琐的劳动中解放出来,并未触及金融业务的核心决策逻辑。此外,这一阶段的人工智能技术应用过于僵化,在模型识别、不确定性处理和复杂推理等方面远未达到人类水平,其不能从新数据中学习和适应不断变化情境的特点使其无法适用于动态的金融领域,且需要人工监督。
20世纪80年代到21世纪初,对更具适应性和响应性系统的需求使人工智能发展到机器学习阶段,多层感知机、决策树、Boosting算法、Bagging算法和Svm算法等得到发展,人工智能开始可自主学习经验并执行任务,而无需明确阐述背后的规则,以实现自动优化、预测和分类,开始具备数据分析和模式识别能力,成为决策的智能助手。早期的机器学习依赖于大量结构化数据,但由于这些模型会动态地适应新数据,通常无需人工干预,导致其在决策过程中的透明度较低。
除应用于金融业的基本功能外,机器学习的进步开启了人工智能在金融领域的一系列新应用,尤其值得关注的是其在资产定价领域的角色定位。价格预测是金融市场分析的核心,但由于用于预测分析的相关信息集通常非常大,很难将其纳入传统模型,叠加其严重依赖于缺乏共识的功能形式的基本假设,使金融市场的价格预测往往具有较低的效率和准确性。由于机器学习具有可以合并大量数据和基于灵活的非参数函数形式的优势,其被广泛用于预测收益、权衡风险回报和配置最佳投资组合,扩大了人工智能在金融领域的应用。
21世纪以来,机器学习的成熟度大大提高,发展到深度学习阶段,使用多层人工神经网络模拟人脑学习方式,自动提取复杂特征。与传统机器学习相比,深度学习基于深度神经网络,具有无监督学习、泛化能力强、对大数据具有稳健训练能力等优点(Huang et al.,2020),不仅可以利用更多数据,还能够使用非结构化数据进行运作,训练出更为复杂的模型,提高准确度。这一时期的人工智能具备了自主学习和复杂决策的能力,成为驱动业务创新的核心引擎。这一特点使金融领域的收益预测(Frankel et al.,2022;马甜等,2022)、股票交易(Li et al.,2019)、投资组合管理(Almahdi and Yang,2017)和宏观经济预测(Chatzis et al.,2018)得到了进一步发展。
随着深度学习的快速发展,用于训练最新前沿人工智能模型的计算能力大大提升,更新换代也较为迅速,推动了以生成式人工智能为主线的人工智能的快速发展,尤其值得关注的是大语言模型(简称大模型)。大模型经过大量参数的训练,能够生成、分析和分类文本以及生成合成数据等(张晓燕和吴辉航,2024)。相较于传统机器学习的技术进步,生成式人工智能尤其是大模型扩大了其在金融领域的应用范围,助力金融降本增效(廖高可和李庭辉,2023)。一方面,大模型增加了数据使用的类型,更能满足拥有大规模实时数据资源的金融领域的需求。另一方面,大模型在处理开放性问题上具有优势,有助于提高金融领域的智能化水平。大模型不仅可以改善金融领域的后端处理、客户支持、机器人咨询和监管合规,广泛应用于智能办公、智能客服、智能营销、智能投顾、智能风控等诸多场景,还能够促进自动化任务的开展(Korinek,2023)。
智能体具有自主规划和决策、使用工具和记忆与反思的特点,可适用于业务复杂、对可靠性具有高要求、以及海量多模态数据的金融领域。目前,智能体已初步应用于金融领域中重复性高、规则相对清晰的场景,核心作用在于提升整体运行效率而非替代决策,如客服运营、营销支持、信贷辅助、保险理赔等。由此可见,当下的智能体主要活动在金融领域的业务外围,更多是在既有流程框架内担任辅助角色。
目前的智能体已具有有限的规划能力,未来的技术发展可能会进一步促进人工智能发展范式跃迁,产生更高水平的智能体系统,并促进人工智能从技术想象回归到业务现实、从能力展示走向价值交付。金融智能体可能是未来的发展方向,其应用将从辅助行为扩展到金融领域的更深层次,从而重塑金融科技的竞争逻辑。
随着人工智能技术的快速迭代,金融体系的运行逻辑正在经历深刻的重塑。在数字化转型与智能化升级持续推进的背景下,AI不仅改变了金融机构的业务流程、服务模式与风险管理框架,也以更为根本的方式触及金融体系的核心功能,引发学界与监管部门对“AI是否会改变金融功能”这一核心问题的重新讨论。
回顾金融学的发展脉络,金融功能理论为理解这一问题提供了系统且具有解释力的分析框架。早期学者如Gurley and Shaw(1956)、Goldsmith(1969)等从金融中介、风险转换和制度演进角度探讨金融体系的基本作用,而Levine(1993)则进一步强调金融深化、信息效率与经济增长之间的内在关联。Merton and Bodie(1995)、Merton and Bodie(2004)提出的金融功能观认为,金融体系的核心不在于机构形态、组织结构或工具类型的表层差异,而在于其长期稳定存在的六大基本功能,即支付清算、资源归集与股份分割、跨时空资源转移、风险管理、提供信息与价格发现以及激励约束。正因金融功能具有“第一性原理”特征,金融机构的演化、市场结构的变迁和技术创新的应用皆围绕这些功能展开。金融体系的形态会发生改变,但金融功能却具有长期稳定性。
人工智能对金融的影响需从金融功能的重塑而非替代视角来理解。AI技术的核心优势在于其在大规模数据处理、非结构化信息解读、复杂模式识别和动态预测上的显著边际收益,这些能力改变了金融体系的运作方式,却并未动摇金融功能的本质结构。AI并不能消除跨期风险、终结信息不对称或替代金融中介的治理职能,但可以通过机器学习、自然语言处理、图网络模型等技术路径,降低信息处理成本、提升风险识别精度、扩大金融服务边界,从而在深度与广度方面增强既有金融功能。随着AI 在信贷审批、资产定价、智能投顾、交易监控、合规审查与金融基础设施等领域的全面渗透,它正在以一种渐进而系统的方式重塑金融功能,使传统功能在效率、精度、速度与覆盖范围上均显著提升。
在现代金融体系中,支付清算被普遍视为最基础、最具公共产品属性的核心金融功能之一。广义而言,支付清算功能是指在商品交换、资产交易和债权债务关系中,实现货币与资金在不同经济主体之间安全、有序和最终结算的过程。在我国,它主要依托由银行账户体系、大额实时支付系统、小额批量清算系统以及各类证券和衍生品中央对手方在内的金融市场基础设施共同构成的网络结构。一旦支付系统在技术、流动性或信用上出现中断,支付清算体系风险极易通过“多米诺效应”被放大为跨市场、跨机构的系统性危机。
在理论层面,AI通过提升对高维支付数据的建模能力、对复杂网络结构的刻画能力以及对异常模式的识别能力,强化了支付清算功能的安全性、稳定性与效率。一方面,人工智能对支付清算功能的影响体现在其重塑信息处理和风险识别机理。支付清算本质上是对海量高频交易记录的实时验证、路由选择与最终结算过程。近年来,机器学习与网络分析等AI工具在支付系统监管和运行维护中,主要用于对高风险交易、异常模式及潜在脆弱性进行实时监测与评估,从而提升系统稳定性与安全性。另一方面,在高度不平衡的欺诈数据环境下,深度学习与集成学习方法在捕捉稀有异常模式、降低误报率和提高可解释性方面具有相对优势,这一结论可推广至更广义的支付清算风控场景。
在实践层面,人工智能对支付清算功能的重塑已经在多个典型场景中体现出来。其一,在零售支付领域,银行与第三方支付机构广泛采用基于机器学习的实时反欺诈系统,对交易金额、时间分布、地理位置、设备指纹、历史行为等多维信息进行联合建模,在毫秒级别输出风险评分,实现“交易-风控-授权”一体化的嵌入式安全机制。相较于传统规则引擎,AI模型在降低误报率、提高识别新型欺诈模式方面具有明显优势,从而在不显著增加用户摩擦的前提下,提高了零售支付系统的整体安全边际。其二,在大额实时支付系统与批量清算系统中,AI 被用于流动性预测、清算顺序优化和异常行为监测。其三,在跨境支付与多币种结算场景中,AI与合规科技结合,用于反洗钱、制裁筛查和复杂网络结构中的可疑交易识别。BIS 创新枢纽的“Project Aurora”等项目通过将网络分析与机器学习结合,对跨境支付网络进行图结构建模和异常子图挖掘,提高了对跨境洗钱网络的识别效率。此外,在央行数字货币和“可编程支付”探索中,AI可以在交易监控、智能合约风控以及匿名性与可追溯性平衡等方面发挥关键作用,使支付清算功能在充分利用技术优势的同时,兼顾金融稳定与隐私保护等公共目标。
资源归集与股份分割功能是金融作为“信用组织者”和“资本形成机制”的基本体现。其内在逻辑在于:金融体系通过中介机构、市场结构和契约设计,将分散在家庭与企业部门中规模较小、期限各异、风险偏好差异化的资金资源集中起来,并依托基金化、证券化和公司制等制度安排,将整体融资需求切割成风险可分担、期限可管理、流动性可选择的“份额”,从而促进资本形成与经济增长。
在理论层面,人工智能主要通过三个机制重塑资源归集与股份分割功能。首先,在资产定价与风险测度领域,AI 通过处理高维、多源与非结构化数据,将归集而来的资金基于更丰富的信息结构用于资产配置,从而提高“分割后的股份”被有效持有的可能性。大型资产管理机构正在采用深度神经网络和Transformer 模型构建“资产嵌入空间”,通过学习跨资产类别的时间序列、文本披露、供应链图谱以及市场微观结构数据,捕捉传统因子模型难以识别的风险因子与隐含关联。其次,在投资者异质性建模方面,AI 的突破显著提升了“谁应当持有哪些份额”这一功能的配置效率。传统模型依赖静态问卷和风险等级划分,难以捕捉投资者在行为、收入、生命周期、职业结构及宏观情绪变化中的高频动态特征,而机器学习的引入使投资者画像能够基于历史交易数据、设备习惯、文本内容和社会网络信息等多类型数据源进行实时更新。AI 已经使金融机构能够构建更精细的投资者分类体系,实现从标准化产品到“个性化份额结构”的过渡(Gu et al., 2020)。第三,在市场微观结构与交易成本维度,AI 通过算法交易、智能订单路由与流动性预测,显著降低股份在投资者之间交换的摩擦成本,改善分割后份额的可交易性与流动性结构。
在实践层面,人工智能对资源归集与股份分割的影响已在多个领域显现。其一,在财富管理与资管领域,智能投顾已经成为归集中小投资者资金的重要载体。AI 模型能够对宏观变量、因子暴露、资产相关性和投资者行为进行综合建模,将大量分散的资金纳入标准化或半定制化投资组合中,再通过动态再平衡与智能风控实现“股份的实时分割与调整”。其二,在公募基金、ETF 与指数化投资领域,AI 已被用于指数权重优化、主题指数构建和“智能Beta”策略开发,使归集资金以更复杂、更具适应性的份额形态进行分割。其三,在股权众筹、数字证券发行与资产代币化领域,AI的引入扩大了可归集与可分割的资产边界。众筹平台通过AI对企业质量、投前评价、市场舆情和投资者偏好进行综合分析,降低了逆向选择风险,也提高了小微投资者的项目选择效率。在代币化场景中,AI则被用于资产定价、欺诈识别、自动化合规以及智能合约执行,使原本难以分割的资产(如不动产、艺术品、基础设施项目)可以以高频流通的小额份额形式参与市场。其四,在大型机构投资者的多资产配置领域,AI模型帮助养老金、主权财富基金等机构在庞大的资产集空间中寻找最优的配置组合,使归集的大规模长期资金能够以更具耐心和更符合负债特征的份额结构进行分配。
跨时空资源转移功能是通过金融契约、信用机制与期限结构安排,使经济主体能够在不同时间、不同经济状态之间配置资源,从而平滑消费、优化投资决策并更好应对不确定性。其本质是“ 将资源在时间维度上以更低的成本、安全地进行转移”。
在理论层面,人工智能通过增强金融机构的信息处理能力、改善风险评估与定价机制、优化期限结构管理和预测能力,强化了跨时空资源转移功能的效率。首先,在贷款定价与违约预测方面,AI对高维信用数据、交易行为数据、社交网络数据及非结构化数据(文本、图像等)的处理能力显著提高了信用资源跨期配置的准确性。机器学习能够显著降低违约预测误差,使贷款期限结构与利率定价更能反映借款人在未来时期的收入风险,从而提高跨期信贷配置的资源效率(Berg et al.,2020)。其次,在储蓄-投资行为方面,AI在资产收益预测、风险因子识别与资产生命周期管理中的应用,使长期投资(如养老金、保险资金)能够更准确预测未来回报与风险,实现跨时间的资源优化配置。最后,在期限结构管理方面,AI 的动态预测能力、场景生成能力和压力测试功能,使金融机构能够更有效地识别未来的利率风险、流动性风险与系统性压力点。
在实践层面,人工智能对跨时空资源转移功能的影响体现在多个金融应用场景。其一,在个人与家庭部门,AI 支持的智能投顾、生命周期投资规划工具和行为预测模型,使居民储蓄与投资行为从静态配置向动态、数据驱动的跨期规划转型。例如,智能投顾根据年龄、收入路径、风险偏好变化和宏观环境,自动在不同时间点调整股票、债券、货币基金等资产的比例,实现“生命周期跨期资源配置”。其二,在消费金融领域,AI基于行为模式识别和实时信用评分机制,使金融机构能够更准确评估借款人在未来时期的收入稳定性与违约可能性(Gambacorta et al.,2024),从而降低逆向选择,使信用资源更有效从“未来收入”转化成“当前可用资源”,实现消费的跨期平滑。其三,在养老金、保险等长期投资领域,AI被用于寿命预测、健康风险分析、人口结构动态模拟以及长期资产收益风险预测,显著提高了长期准备金管理、保险定价与养老金投资策略的科学性。
风险管理功能是通过多样化的金融工具、契约结构与制度安排,使经济主体在面对不确定性时能够有效识别、分散、转移和承受风险。风险管理并不依赖金融机构的特定形态,也不因市场结构演化而改变,其本质在于通过风险分散、保险机制、衍生品市场与资本结构设计,使潜在不确定性能够在更大的时间与主体范围内被承载。
在理论层面,AI主要通过三个机制影响风险管理功能。首先,在风险识别机制上,AI有效突破了传统金融模型在特征数量、复杂度与非线性关系识别方面的约束。机器学习在捕捉企业违约概率、市场波动源以及跨市场关联结构方面具有显著优势,能够识别传统逻辑回归、VAR 模型难以捕捉的潜在风险因子与尾部风险(Daníelsson et al.,2022;Berg et al.,2020)。AI利用多源数据构建风险特征,不仅提升了风险因子的解释力,也改变了风险识别的理论基础。其次,在风险预测与压力测试机制上,AI能够通过复杂的非线性模型模拟未来状态路径与极端情景。AI在预测流动性枯竭、市场波动聚集、跨金融机构传染路径等方面具有明显优势,尤其是在高频交易网络中,其对异质易者行为的建模能力显著强于传统模型。AI支持的情景分析与压力测试,不再依赖有限的宏观冲击假设,而是通过生成模型自动生成数百种可能的情景,增强了系统性风险评估模型的稳健性。最后,AI通过复杂网络分析增强了系统性风险识别的能力。传统的系统性风险分析依赖相关性矩阵与宏观杠杆指标,而AI能够基于银行间贷款网络、跨市场交易网络和清算网络的结构特征,识别金融机构之间的隐性关联度与潜在传染路径。
在实践层面,人工智能对风险管理功能的重塑已在金融机构、金融市场与监管体系中全面展开。其一,在信用风险管理中,银行与消费金融机构普遍采用机器学习模型进行信用评分、违约预测与额度管理。AI模型利用借贷行为、现金流模式、设备信息、地理轨迹和社交网络等多种特征,对借款人未来还款能力进行更精准的估计,使信用风险定价与额度分配更加精细化。其二,在市场风险管理中,AI被用于预测波动率、识别结构性市场风险和构建实时风险预警系统。许多资产管理机构利用AI构建“波动率预测模型”与“尾部风险模型”,从期权报价、订单簿深度、涨跌幅路径结构和高频交易行为中提取风险信号,显著增强对极端风险的预测能力。其三,在流动性风险管理中,AI模型能够分析交易网络与资金流动模式,预测市场流动性枯竭的节点。其四,在反洗钱、反诈骗与合规管理中,AI的应用尤为广泛。通过自然语言处理与图网络分析,AI能够识别复杂交易模式、追踪资金链条,并检测隐匿在跨境支付体系中的可疑关系网络。其五,在保险与精算领域,AI被用于事故预测、疾病风险预测与赔付概率模型,特别是在健康险、车险等场景中,AI模型可以分析用户行为、医疗图像和传感器数据,从而形成更精准的风险分层。
提供信息与价格发现功能在于通过交易、资产定价与市场透明度机制,使经济主体能够从分散的信息结构中提取有价值的信号,从而正确评估资产的内在价值、未来收益与风险状况,实现资源配置的效率提升。无论市场结构如何演化,价格发现功能都通过“信息收集—交易互动—价格形成”的链条呈现出稳定性:信息使市场参与者能够形成预期,交易使信息得以反映到价格上,价格再引导资源流向更具生产率的领域。
在理论层面,AI对信息生产与价格发现功能的影响主要体现在三个方面。首先,AI在信息生产环节的最大贡献在于突破了传统金融模型只能处理结构化数据的限制,使信息生产从有结构、有标签的数据拓展到文本、图像、语音、社交网络、供应链图谱等多模态信息。自然语言处理技术在财报分析、监管文件解读、新闻情绪提取和社交媒体舆情监测中被广泛应用,使金融市场能够实时吸收原本难以量化的“软信息”。这些技术的引入,增强了市场对“真实价值”的感知能力,提升了价格信号的质量。其次,在价格发现机制中,AI的作用主要体现在提升预测能力、增强定价效率与捕捉非线性关联。传统资产定价模型依赖有限因子与线性框架,而AI能够处理数百甚至上千个因子,同时识别复杂的非线性结构,使价格预测更具准确性。最后,从市场微观结构角度看,AI改变了交易行为与订单簿动态,促使价格形成更加高效。AI驱动的算法交易与智能订单路由在全球资本市场中已成为主流,能够根据实时价格、成交量与市场深度动态调整交易策略,从而降低冲击成本并增强市场连续性。
在实践层面,AI对信息生产与价格发现功能的重塑已在股票市场、债券市场、衍生品市场乃至新兴数字资产市场中显现。其一,在股票市场,AI广泛用于财报自动解读、分析师报告生成、舆情监测与市场情绪指数构建,使投资者能够实时掌握公司价值变化与市场信号。大型机构投资者通过NLP模型分析上市公司电话会议纪要、公告文本与媒体报道,从而形成对公司经营状态的前瞻性判断。其二,在债券市场,AI被用于信用评级、债券违约风险预测与宏观风险分析,使债券价格能更快反映借款者信用变化。特别是在企业债与地方政府融资平台债券市场,AI对财务报表质量、隐性担保结构与关联交易的识别能力,使市场更容易定价隐藏风险。其三,在衍生品市场,AI被用于波动率曲面预测、期权隐含波动率建模与期货市场行为识别,使市场能够更好地反映风险中性预期。其四,在外汇与大宗商品市场,AI基于多源宏观数据、地缘政治信息与供需变化自动构建预测模型,使价格发现更具全球视野与实时性。其五,在数字资产与区块链市场,AI 通过识别链上交易网络、异常资金流、智能合约风险和矿工行为,使高匿名性环境下的价格发现机制更加透明。
激励约束功能的理论基础是代理理论、信息不对称理论与契约理论。具体而言,信息不对称导致逆向选择,隐性行为导致道德风险,不完备契约导致监督成本上升,进而影响金融资源配置效率与金融稳定。金融体系通过设计各种制度机制(股权结构、债务契约、风险分担机制、监督与治理制度、审计与披露制度等),使资金提供者与资金使用者之间的激励保持一致,降低信息不对称成本,从而确保金融交易得以安全实施;这一“激励约束功能”并不因金融机构结构或金融工具的变化而改变。
在理论层面,AI对激励机制的改善主要体现在三个互相关联的机制。其一,AI在信息处理能力上的优势显著降低了逆向选择问题。传统方法依赖财务报表、信用记录或静态指标,信息维度有限且易纵,而AI可以利用多源数据开展高维度的信息收集,包括交易行为、合同履约记录、生产数据、供应链网络、新闻文本、舆情信息以及社交网络数据等。机器学习在信用评分中能够捕捉借款人未披露的信息,从而降低逆向选择概率。其二,AI显著提升了监督能力,从而降低道德风险。道德风险来源于行为无法被完全观察或监督成本过高,导致管理者、借款者或金融机构可能采取对自身有利而对资金提供者不利的行为。AI的实时监测、异常检测与行为分析能力,使信息可得性由离散、滞后变为连续、动态。其三,AI通过提升契约执行效率与合规能力,强化了激励兼容安排的约束力。传统契约存在不完备性,原因包括可观察性限制、执行成本高、契约条款难以处理不确定性等。AI技术结合区块链与自动化执行机制,使契约审查与执行更为精细、准确。例如,AI用于识别契约条款间的矛盾、缺失与潜在漏洞,减少契约不完备性导致的激励偏差;AI可以辅助自动化执行契约条款、识别风险行为并触发强制措施,使契约不再依赖人工干预,从而在交易执行层面加强激励一致性。
在实践层面,人工智能对激励约束功能的影响已经体现在多个金融场景。其一,在银行信贷领域,AI 驱动的贷后管理系统能够实时监测贷款企业的生产经营状况、资金流动趋势与财务健康状况,使信贷关系从“静态契约”转变为“动态监督关系”,显著减少企业在获得贷款后从事高风险行为的可能性。其二,在资本市场监管中,AI辅助的市场监控系统可实时识别异常交易行为、操纵策略与内幕交易网络,使监管成本大幅下降,也提升了违规行为的发现概率,从而对市场参与者产生更强的激励约束效果。其三,在保险市场中,AI在欺诈检测、风险定价与理赔审核中的应用,使保险产品能够在设计阶段内生地抵御道德风险。例如,通过分析医疗记录、历史理赔数据与行为数据,AI可以识别高风险投保行为并调整保费,从而减少逆向选择。其四,在智能合约与去中心化金融(Decentral⁃ized Finance,简称DeFi)中,AI辅助的自动化合规与执行机制正在推动“激励自动化”:合约违反、资金挪用等风险可通过自动化措施触发,从而减少人为操纵与道德风险。
需要注意的是,AI的应用不仅在边际上改善了单一金融功能的效率,更通过改变信息生产与交易成本结构,重塑了不同金融功能在金融体系中的相对地位与相互关系。例如,在传统金融中介理论中,支付主要被视为资金转移的通道,但在AI环境下,支付系统因其具备显著的网络外部性和高频数据特征,演变为降低全系统信息不对称的关键机制。这意味着支付功能不再仅仅是交易的终点,而是凭借其产生的高维数据积累,成为提供信息、风险管理以及资源配置等高阶功能的逻辑起点与数据基础,演变成聚合其他金融功能的一个枢纽。
与此同时,AI技术的广泛渗透显著增强了金融功能之间的互补性,使得传统上相对独立的金融功能界限日益模糊。AI等技术进步使得信息的收集与处理成本大幅下降,促使金融服务从分散走向融合(Goldstein et al., 2019)。例如,通过自然语言处理与机器学习技术,即时的信息处理能力使得风险管理不再是独立于信贷决策之外的事后监控,而是内嵌于跨时空资源转移过程中的实时机制。这种不同功能之间的深度融合意味着,信息的生产、风险的定价与资金的配置在微观层面实现了同步完成。AI推动的金融功能融合,有助于从更深层次提升金融体系配置资源的效率与金融稳定性。
中国社会科学院国家金融与发展实验室设立于2005年,原名“中国社会科学院金融实验室”。这是中国第一个兼跨社会科学和自然科学的国家级金融智库。2015年6月,在吸收社科院若干其他新型智库型研究机构的基础上,更名为“国家金融与发展实验室”。2015年11月,被中国政府批准为首批25家国家高端智库之一。
请点击标题下方“国家金融与发展实验室”蓝字关注我们,或者长按下方二维码图片并选择“识别图中二维码”。