本文通过实验室风格的实验,利用大语言模型复制经典股市羊群行为研究,发现AI代理相比人类展示更为理性的交易决策,表现出更强的私人信息依赖而非跟随市场趋势,减少了价格泡沫的形成。优化引导的AI代理会在特定情况下做出理性羊群行为,但仍可能对金融稳定构成影响。此外,AI决策并非完全面向逻辑,带有一定人类偏见,提示大量AI使用对金融市场稳定性的复杂影响,是理解AI对未来金融风险的重要微观基础研究
| 行为类型 | 人类(Treatment I) | AI基线(Treatment I) | AI最优引导(Treatment II) |
|---|---|---|---|
| 理性行为比例 | 46%-51% | 61%-97% | 97%-100% |
| 羊群行为比例 | 存在约20% | <10%,多为反向交易 | 47%(理性引导下) |
| 错误决策比例 | 3.4% | 0% | 0% |
| 行为类型 | Treatment I AI Baseline | Treatment II AI Baseline | Treatment II Optimal AI | Treatment III AI Baseline | Treatment III Optimal AI |
|---|---|---|---|---|---|
| 理性 | 61.0% | 97.36% | 18.65% | 99.65% | 51.05% |
| 部分理性 | 29.48% | 2.64% | 21.88% | 0.16% | 0.0% |
| 羊群交易 | 9.42% | 0.0% | 59.48% | 0.0% | 48.95% |
| 最优羊群 | 0.0% | 0.0% | 47.43% | 0.0% | 44.36% |
| 次优羊群 | 0.0% | 0.0% | 0.0% | 0.0% | 4.01% |
| 错误决策 | 0.0% | 0.0% | 0.0% | 0.0% | 0.0% |
| 信号编码 | Rational比例 Treatment I | Error比例 Treatment I | Herding比例 Treatment II |
|---|---|---|---|
| 绿色(好)-红色(坏) | 54.83% | 0% | 0% |
| 红色(好)-绿色(坏) | 20.23% | 25.20% | 12.5% |
标题: Financial Stability Implications of Generative AI: Taming the Animal Spirits
作者: Anne Lundgaard Hansen 和 Seung Jung Lee
发布机构: 美国联邦储备系统(Board of Governors of the Federal Reserve System)及联邦储备银行里士满分行(Federal Reserve Bank of Richmond)
发布日期: 2025年10月3日
主题: 以生成式人工智能(Generative AI)对金融稳定性的影响为核心,重点研究AI在金融市场中的决策行为特别是羊群效应(herd behavior)的表现及其后果。
核心论点总结:
报告通过实验室风格的实验,将大型语言模型(LLMs)替代人类金融专业人士的交易决策,深入剖析生成式AI在金融市场中羊群效应行为及其对金融稳定性的潜在影响。研究发现,AI代理体相较于人类更具理性,更依赖私人信息而非市场趋势,因而可能减少由羊群效应产生的资产泡沫,同时探索在不同实验设置下AI表现出的偏向和非纯粹算法性质。报告最后指出,尽管AI或许会减少非理性行为带来的金融不稳定,但其行为的复杂性和潜在风险仍需持续研究与监管关注。,1,4-5,28]
报告从凯恩斯“动物精神”(animal spirits)理论出发,强调人类非理性与乐观预期常驱动金融市场中的泡沫与危机。随着生成式AI的兴起,金融领域广泛引入AI辅助甚至自主决策,文中提出两种互斥假设:(1)AI的算法理性会减弱动物精神对市场的负面影响,提升稳定性;(2)AI可能继承并放大人类的偏差与非理性,甚至增强市场波动和金融危机风险。作者指出目前净效应尚不明确,因此需实验验证。,2]
羊群行为是指投资者忽视自身私人信息,模仿其他投资者,导致资产价格偏离基本面,产生泡沫和风险。文中区分“最佳(optimal)羊群”与“次优(suboptimal)羊群”:前者指基于理性信息模仿,有助于价格发现但可能增加短期波动;后者源自认知偏差,容易引发恐慌和流动性枯竭。报告用图示(图1)总结该分类及对应对金融稳定的影响,指出抑制次优羊群需改善信息透明和激励机制,而优化最佳羊群则更为复杂。,33]
报告依据Avery和Zemsky (1998)模型及Cipriani和Guarino (2009)的经典实验,构建包含有限交易者、离散时间的资产市场。资产基本价值0或100,交易者可能获得噪音或私人信号(信号准确率70%)。价格由市场做市商根据贝叶斯原理更新。
实验设有三套参数:(1)Treatment I无事件不确定性且所有交易者均知情,理应无羊群行为,全部依据私人信号交易;(2)Treatment II含事件发生不确定与部分知情交易者,允许理性羊群行为;(3)Treatment III无价格更新,羊群依交易偏差形成,集中于次优羊群研究。
模型将交易者行为分为理性、部分理性、羊群(顺势或逆势)、不交易及错误五大类,并定义了羊群的判断标准及最优与非最优交易策略。
人类实验由32名伦敦金融专业人士参与,完成多轮交易,配合上述Treatments,记录其决策行为。AI实验室则将人类参与者替换为四款LLM(Anthropic的Claude 3.5及3.7、Meta的Llama 3和Amazon的Nova Pro),模拟同样交易环境,模型调用带有记忆机制(完整交易历史及之前决策原因),使AI能参考全局信息做出决策。
不同于人类,AI无须练习阶段,也采用系统和用户双Prompt指导交易,后者包括当前信号、价格、历史交易、是否被选中以及自身过往决策及原因,确保AI基于全面信息做出反应。实验条件严格复制原人类设置,随机种子统一保证决策一致性。
描述了两类羊群行为(最优与次优)及其对金融稳定的不同影响。最优羊群因理性模仿迅速修正价格,揭示市场风暴前的风险,但导致价格剧烈波动;次优羊群则通过噪声放大引发恐慌和流动性危机,造成系统性风险。图形清晰展示了“动物精神”可能以不同形式影响市场,帮助理解后续实验中AI如何改变这两种羊群行为。
展示每个Treatment中交易决策的顺序,包括资产价值抽取、信号观察、交易选择和价格更新等步骤。该流程图有助理解实验框架下交易者如何逐步形成决策及反馈,体现模型设定差异,尤其是Treatment II的价格更新方式和信息事件不确定性,提供理解AI和人类行为对比的实验背景。
显示两种Treatment下(I无事件不确定性及II有事件不确定性)的平均价格轨迹。
基于LLMs给出的决策理由文本做主题建模,区分三大主题:
报告无传统企业估值分析,重点在基于贝叶斯更新的资产定价机制(由市场做市商设定价格pt,作为资产价值的条件期望E[v∣ht]),其反映和反馈了私人信号及交易历史影响。AI代理体的行为从理性买卖信号,到忽略历史导致的逆势买卖(contrarian),到羊群效应,都对价格形成路径产生影响。价格动态(图3)体现了交易行为的市场反馈,间接反映了AI代理与人类交易行为的差异对估值稳定性的作用。
此外,“optimal herding”机制揭示了在特定信息不对称和市场做市商价格调整下,羊群行为可能是利润最大化的理性选择,具有“内生性”的效率含义,但也可能引发系统风险。,16-18,21-22]
报告识别的风险因素主要包括:
报告建议,监管需密切关注AI技术引入后市场行为的新特征,探索AI特定压力测试和监控机制。,26-28]
整体而言,报告分析深刻,数据翔实,但承认当前研究仍为初步探索,强调未来工作和监管策略的重要性。,26-28,64-65]
本研究以经典羊群行为实验为蓝本,创新运用四款大型语言模型再现人类金融专业人士的交易决策,首次揭示生成式AI在金融决策中行为的多维面貌。关键发现与意义如下:
综上,生成式AI交易决策倾向抑制非理性羊群行为,有望减少金融市场的极端波动与泡沫,但同时其“混合理性”特质及优化导向不确定性也可能引发新型金融风险。报告为金融市场AI应用提出重要理论与实证基础,呼吁政策制定者重视AI技术进步对金融稳定性的双刃剑效应。,16-22,26-28,33-40,41-50]
(此分析基于完整文档第0至69页内容,引用示例:,,,等)
2510.01451.pdf