不断发展的AI：威胁与机遇-FRR项目全国运营中心

不断发展的AI：威胁与机遇

2024-07-15

不断发展的AI：威胁与机遇

如今，AI在金融服务领域似乎无处不在。然而，中断和不稳定的威胁依然存在，一篇新的学术论文又提出了另一个有关AI的担忧：可逆性。

金融机构目前正在将这种新一代技术用于从欺诈检测、反洗钱和建模到股票选择、数据挖掘和风险量化分析等各个方面。但芝加哥大学研究人员Alex Kim、Maximilian Muhn和Valeri V.Nikolaev撰写的论文《使用大型语言模型（LLM）进行财务报表分析》，应该让风险经理警惕ChatGPT和其他LLM的潜在影响。

应该让风险经理坐立不安的方面是，ChatGPT的结果是可逆的。如果ChatGPT喜欢一只股票，它不仅可以告诉你原因，还可以为企业提供应如何做以提高股票回报的指导。这创造了一个双向链接 —— 这种联系有可能改善经济和金融体系，但也开启了新型灾难的可能性。

在金融领域，统计方法主导了量化对冲基金投资。某些指引让投资者赚了很多钱 —— 例如买入小盘股做空大盘股，买入近期上涨的股票做空下跌的股票，买入账面价值相对于市值较大的股票。

然而，这些“规则”并没有教会我们如何经营企业。此外，优秀的量化对冲基金经理并不是因为他们经营非金融企业的成功，也不是因为他们给企业经理的建议而脱颖而出。他们的投资没有带来任何变化。

另一方面，ChatGPT和现代AI可以双向连接金融和实体经济决策。如果LLM可以告诉投资者买入或做空什么，它还可以告诉CEO如何运营公司，以最大限度地增加股东财富。

这可能会改变经济并推动经济增长。但我们对这种双向联系几乎没有历史经验。就像电气系统中的短路或放大器中的反馈啸叫一样，可以想象其中一个联系会进入一个正反馈循环。

AI vs. 人类分析师

该论文的另一个有趣但并不令人意外的发现是，总体而言，LLM 在预测方面优于股票分析师。

作者向ChatGPT提供了1966年至2018年的大型上市公司五年期财务报表，仅给出了标准化的账户名称和编号，公司名称和年份经过了修订。他们让ChatGPT猜测明年的收益是更高还是更低。

初步结果并不明显。ChatGPT的表现与人类分析师差不多，或略差一点。虽然人类分析师掌握的信息要多得多，但我们知道人类专家不擅长预测。此外，猜测明年的收益会更高还是更低，并不是股票分析师的首要甚至次要担忧。

接下来，研究人员让ChatGPT使用标准值投资者方法分析公司财务报表。这使得准确度远远超过了人类分析师，接近最佳统计方法的表现。这也是意料之中的。

半个多世纪以来，人们已经知道，如果询问专家他们的工作内容，并将其编程输入计算机进行复制，得到的结果会比专家给出的更好。出于自负和职业发展的原因，专家们往往坚称他们所在的领域是一门艺术而非科学，还声称他们凭借自身的经验和直觉能增加巨大价值，借此知晓何时接受简单规则的结果，何时推翻这些结果。

类似地，我们也早就知道，不需要五年的完整会计报表就能胜过人类决策者。例如，20 世纪 60 年代的Altman-Z评分使用五个简单比率就能比评级机构更好地预测违约情况。

像“购买市净率高的股票”这样的简单规则就能跑赢市场。因此，作者的发现并不令人惊讶，即通过买入ChatGPT最有信心的10%股票，以及做空ChatGPT最有信心的10%股票，可以产生显著的正阿尔法。

为何是AI？过去灾难的紧密耦合教训

AI如今也在帮助降低一种曾引发金融危机的风险：紧耦合。

17年前，就在2007年流动性危机（后来演变为2008年全球金融危机（GFC）之前，风险经理Rick Bookstaber出版了《我们自己设计的恶魔》一书，探讨了紧耦合在重大金融灾难中的作用。

紧耦合是提高系统效率的自然结果，但它也会使系统更加脆弱。例如，在Henry Ford之前，汽车和其他复杂机器的制造方式是将机器固定在一个地方，工人从一台机器移动到另一台机器，在每台机器上执行分配的任务。这是一个松散耦合的系统。如果一辆车出现问题，工人可以在上面花费更多时间，或者跳过它去处理下一辆车，稍后再处理这个问题。

福特引入了移动装配线，工人固定在一个位置，汽车移动。这是更紧密的耦合。工人在一辆车上花费的时间不能超过规定时间；而且，如果一名工人在一辆车上跳过了他的步骤，所有下游工人都必须接到通知也跳过。虽然移动装配线效率高得多，但即使是小问题也可能让整条生产线停工 —— 或者可能导致生产出许多有缺陷的汽车。

Bookstaber指出，金融领域也出现了类似的情况，并正确地预测到这将是系统性危机的一个关键因素。问题可能比人们准备应对的速度更快地扩散，扩散到远离初始冲击的金融领域。

针对 2008 年全球金融危机，有许多应对措施旨在将关键部分与紧耦合隔离开来—— 通过将风险活动与关键基础设施隔离，并增加资本以吸收冲击 —— 而无需关闭金融装配线。出台了相关法规，以阻止机构盲目传递有缺陷的项目，从而避免下游机构层层叠加，直到对远程的下游用户造成爆炸式影响。

对于像我这样的技术爱好者来说，AI似乎是比更多资本和更多规则更好的解决方案。AI算法可以确保贷款在下一步（在流程的每个阶段）处于合适的状态，将有问题的贷款转移到有能力处理的系统或人员手中，而不是一个无视经济现实处理文件的愚蠢系统。

虽然AI本可以帮助解决紧耦合问题，但也有一种观点认为，全球金融危机的根源是愚蠢的耦合，而非紧耦合。从这个角度来看，装配线的问题不在于步骤之间的连接，而在于它们以固定的速度运行，而不考虑每辆车的实际工作进度。

一条智能装配线 —— 这需要比Henry Ford时代先进一个世纪的技术 —— 只有在每辆车准备好时，才将其路由到相应的工人那里，并将有问题的车辆转移给受过处理此类问题培训的工人。这可能比固定速度的装配线更高效，也更不易损坏。

用金融术语来说，到 2007 年，一些大型抵押贷款发起机构每 36 小时就会周转一次资产负债表。换句话说，他们的销售人员不断地完成贷款，用来自华尔街的过渡性融资为其提供资金，将它们汇集起来，进行证券化，将现金流分解为抵押债务，并在一天半的时间内出售给最终投资者。

即使这一过程出现短暂中断，也会导致他们的信贷额度膨胀并达到上限。这使得他们常常在数月前做出的为抵押贷款提供资金的承诺无法兑现。这也意味着，如果出现问题（比如评估不佳或文件缺失），等到发现问题时，贷款往往过于下游，无法在发现问题时撤出证券并修复。

总的来说，全球金融危机后的改革并未奏效。或许更准确地说，人们并不相信这些改革能奏效。自 2008 年以来的每一次金融危机中，监管机构都没有等待新的法规和资本要求是否能防止崩溃，而是急忙出手进行救助，而每个人都曾发誓再也不会这样做。

事实上，过去15年，每一次重大金融灾难或威胁背后都有央行的大规模支持—— 包括2010年至2014年的滚动欧元危机、2016年至2019年的企业债券市场发行、2020年至2022年的COVID问题，以及2023年的硅谷银行和瑞信。更重要的是，似乎没有理由期待未来会有什么不同 —— 至少在发达国家主权债务超过政府和央行有足够信贷支撑市场的水平之前。

虽然目前AI被用于缓解金融领域紧耦合的许多问题，但正如我们所讨论的，它也带来了新的担忧。

进一步的想法

现代金融中的一大担忧是传染性—— 一个环节的问题会级联到其他环节，最终回到原点，开始新一轮风险放大的过程，导致爆炸。但是，有了像ChatGPT这样的生成式AI工具现在产生的双向链接类型，你可以在单个链接中得到本质上相同的问题。

人们希望AI能建立智能链接，知道如何调用断路器或其他工具来防止这种情况。但AI在金融领域的快速部署已经超过了风险管理工具的实际测试。风险经理不太可能改变这种模式，但我们可以密切关注，围绕它们制定压力情景，并为应对新型灾难做好准备。

本文作者：Aaron Brown自20世纪80年代初开始在华尔街工作，曾在多家全球金融机构担任交易员、投资组合经理、抵押贷款证券主管和风险经理。最近，他曾担任大型对冲基金AQR Capital Management的首席风险官10年。他被评为2011年GARP年度风险经理。他在风险管理方面的著作包括《华尔街的扑克脸》、《血淋淋的风险》、《傻瓜的金融风险管理》和《机会的世界》（与Reuven和Gabriel Brenner合著）。他目前兼职教授金融和数学，并为彭博社撰写专栏文章。

为保护广大考生的利益，请计划报考金融风险与监管证书(FRR)的考生或银行机构联系FRR证书项目官方授权推广机构咨询报名（在非官方授权机构报名，将无法获得专业培训和人社部注册的证书），授权机构名录详见FRR全国运营中心官网：www.frr.net.cn 和本公众号“授权合作-授权机构名录”或致电4006186078 查询。