随着人工智能（AI）和机器学习（ML）技术的迅速发展，这些先进的技术在金融监督管理、宏观经济分析和货币政策决策等方面展现出巨大潜力，并且已被全球相当数量的央行所应用。尽管AI和ML技术为全球央行带来了前所未有的机遇，但也面临着准确性、隐私、成本和依赖性等挑战。本文通过对全球央行具体应用实例做多元化的分析，深入探讨了AI和ML技术在央行领域应用面临的机遇、挑战和建议。

　　*本文隶属于高金智库成果简（要）报系列，执笔人为高金智库青年研究员肖蕾，指导专家为上海交通大学上海高级金融学院兼聘教授、上海交通大学中国金融研究院副院长刘晓春。本文较报告原文有所删减，原报告名称为《智能计算赋能央行：AI与机器学习在中央银行的应用实践、前景及挑战》。

　　人工智能（AI）和机器学习（ML）技术进展迅速，开始成为大多金融领域的核心工具，其影响区域甚至扩展到全球各国的中央银行。

　　机器学习（ML）擅长从大量数据中挖掘信息，并在预测分析领域展现出卓越能力。与传统统计方法不同，机器学习不需要依赖预设模型，并能够有效处理非线性或非正态分布的数据。在央行的各种应用中，决策树、随机森林和神经网络等机器学习方法有广泛应用潜力，包括帮助宏观分析师处理复杂数据、提高央行货币政策决策的精准性和效率等。

　　而人工智能（AI）技术在央行的应用前景则更为广阔。例如，在金融监督管理领域，巴西央行开发了一款原型机器人，可抓取花了钱的人金融机构的投诉并进行自动分类；印度储备银行正测试在监管工作中部署AI技术并进行有关分析。欧洲央行（ECB）也在多个领域应用AI技术，例如对企业和政府实体的数据自动细分类，抓取互联网非传统数据实时跟踪价格、监测通胀等。此外，ECB还利用AI技术查找和解析新闻报道、监管报告和公司文件。在反洗钱领域，国际清算银行（BIS）创新中心的Aurora项目验证了神经网络能够最终靠识别传统方法没办法识别的交易模式和不正常的情况，发现洗钱活动。

　　此外，在宏观经济分析和货币政策领域，美联储于2024年4月11日发布《中央银行实时追踪裁员动态：基于SEC文件的初步调查》（Tracking Real Time Layoffs with SEC Filings: A Preliminary Investigation）报告，探索利用美国证券交易委员会（SEC）的8-K文件来实时追踪企业裁员情况的新方法——即利用自然语言处理技术（特别是BERT和Llama 2大语言模型）来识别8-K文件中的裁员信息，并量化报告中的裁员事件和受影响的工人数量。

　　对于此新趋势，国际清算银行（BIS）在研究报告《AI在中央银行》（Artificial intelligence in central banking）中全面探讨了中央银行如何利用人工智能（AI）和机器学习（ML）等先进的技术。报告说明，AI和ML技术将在信息收集、宏观经济分析、支付系统监测和金融监督管理等方面发挥及其重要的作用；但同时也面临着准确性、隐私、成本和依赖性等挑战。因此，早期制定的金融监督管理规则可能不足以应对金融领域广泛采用AI和ML技术所带来的系统性风险。

　　由此可见，目前全球相当数量的央行都显示出对AI和机器学习技术的高度需求，甚至在与经济稳定与发展直接相关的货币政策领域。尽管全球央行在采用新技术时依然较为谨慎，但也在评估其潜在风险的同时积极探索各项应用，以免错过新技术在辅助宏观经济分析、预测、与调控方面的巨大潜力。本文通过对全球央行具体应用实例进行分析，来探讨人工智能（AI）和机器学习（ML）技术在央行领域应用面临的机遇、挑战和建议。

　　目前，全球央行在机器学习和人工智能的应用场景大致可以分为：①经济数据和信息收集与统计编制；②辅助货币政策决策的宏观经济和金融分析；③支付系统和反洗钱领域的监测和监管[1]；④金融系统稳定性监督和早期预警[2]。

　　在各项应用中，值得关注的是AI和ML在辅助货币政策的宏观经济和金融分析中的应用。其优点主要体现在：

　　首先，AI和ML模型可以处理比传统计量经济模型更多的输入变量，处理海量数据，提供更细化的数据集和精准分析。

　　各国央行目前主要依赖宏观和金融经济数据分析来支持货币政策决策。然而在越来越复杂的经济环境中，从海量传统和非传统数据源中有效提取信息，是一项重大挑战。机器学习在这一领域已经发展出若干经验证过的有效工具。例如，神经网络可以将“服务业通胀”进一步分解为更精细的组成部分，揭示当下通胀在多大程度上是由过去的价格上涨、通胀预期、产出缺口或国际价格造成的。

　　例如检测通胀的动态变化：通过实时提供通胀预期、近期经济状况的预测，同时使用随机森林模型（random forest model）分析社交媒体帖子，识别出与通胀相关的讨论，模型可以从大量社交媒体信息中筛选出与价格波动相关的内容，并对这些帖子进行分类，判断其是否反映了通胀、通缩或其他经济预期。此外，还可以通过比较社交媒体上支持高通胀与低通胀观点的帖子数量，来衡量公众的通胀预期。这种方法不仅可以实时提供通胀预期的估计，还能反映出央行货币政策在公众中的认可度和可信度。央行和政策制定者可以获得更为精确和实时的市场情绪反馈，有助于做出更合理的政策调整。

　　还有一些创新的应用例子，如利用金融大语言模型来总结长时间跨度内的经济状况叙事。例如，模型可以处理和分析企业家、经济学家及市场专家的访谈内容，并生成反映其情绪（积极或消极）的时间序列，以此形成的情绪指数（sentiment index）可用于GDP的即时预测或预测经济衰退。

　　国际清算银行开发的“央行大语言模型”（CB-LM）项目[3]，便旨在提高大语言模型对央行专业术语和表达方式的理解和应用精度。该项目收集整理的数千份央行讲话和研究论文，来训练谷歌和Meta的开源基础语言模型，使模型在解释央行术语的准确性从原先的50%-60%提升至90%。此外，央行大语言模型在一些特定任务上表现出色，例如，对美联储公开市场委员会的政策立场进行分类、预测市场对货币政策公告的反应等等。这一成果不仅提高了模型的实用价值，也为金融政策分析和决策提供了更为精准的工具。

　　美联储的一项最新研究利用AI和ML来增强数据处理、经济预测和监管效率，展示了大语言模型（LLM）在宏观经济分析中的广泛应用潜力。在这项研究中，美联储探索使用一种新的数据源——美国证券交易委员会（SEC）的8-K文件——来实时追踪企业裁员情况。8-K文件是美国上市公司在发生重大事件时必须提交的报告，常包含裁员计划等信息。研究团队利用自然语言处理技术，特别是BERT句子嵌入和Llama 2大语言模型，从海量文本数据中提取精确的裁员信息。

　　研究团队开发了一套方法来量化报告中的裁员事件和受影响的工人数量研究。具体而言，团队首先使用BERT模型将8-K文件中的句子转换为向量，捕捉其语义含义；然后将这些向量输入到分类器（如XGBoost）中来判断句子是否与裁员事件相关。同时，尝试用Llama 2模型处理可能与裁员有关、但未被标记的句子，以提高数据的完整性和准确性。

　　研究结果发现：基于8-K文件提取的裁员数据与经济周期高度相关，能有效预测失业率和初次申领失业救济的趋势，还能进一步揭示不同行业的裁员模式。此外，研究还发现8-K裁员数据在2023年呈现较高水平，而这一趋势在当年并未被其他指标反映出来——这突显了8-K数据在预测关键经济指标方面的潜力。

　　注：图1显示基于8-K文件的每月裁员事件数量，黑色实线包括匹配裁员关键词的项目，时间序列与经济周期相吻合：表明8-K裁员数据能够更好地跟踪经济周期，尤其是大衰退时期。

　　该项研究展示了AI和大语言模型在宏观经济分析中的广泛应用前景。通过精确分析裁员数据，中央银行能够更好地理解劳动市场的变化，及时调整经济政策以应对潜在的经济风险。这些技术还可以帮助央行优化其数据处理流程，提高决策的科学性和效率。此外，大语言模型的应用还有助于揭示经济指标之间的深层联系，提高经济预测的准确性和及时性。随着技术的进一步发展，可以预期，人工智能将在宏观经济政策制定、经济风险管理以及经济发展趋势分析等领域扮演越来越重要的角色，辅助央行更及时、全面地洞察经济动向，为货币政策和金融稳定提供重要参考。

　　尽管AL和ML技术为中央银行带来了前所未有的机遇，但同时也带来了一系列挑战。

　　首先，在各应用领域中，一个重要基础和前提是央行能够获得高质量数据、并能将新数据与现有数据源匹配。高质量数据的获取和整合、先进机器学习技术的运用、以及专家知识的融合缺一不可——而这目前仍是一个重要挑战。随着数据量和复杂性逐步增加，央行需要更高效灵活的数据质量工具，例如使用隔离森林（Isolation Forest）算法来有效识别异常值。然而，完全依赖机器学习模型并非最优解，专家的参与依然至关重要。一种有效的方法是采用“两步协作”：首先由模型自动识别潜在异常，然后由专家审查并提供反馈，以优化算法。这种人机结合的方式能够克服“黑箱”机器学习模型可解释性不足的问题，也能为专家提供指导，确定哪些数据点需要人工验证。

　　其次，机器学习模型的“黑箱”性质可能导致决策过程缺乏透明度，使得监管者难以解释模型的具体行为。在实际应用中，还需要关注模型的可解释性和稳健性。高度复杂的“黑箱”机器学习模型在异常事件或外部冲击下可能产生不可预测的行为，给政策制定带来风险。因此，央行在选择模型时需要权衡准确性和可解释性，并对模型进行全面的压力测试。同时，央行内部也需建立机器学习模型的治理框架，明确使用规范和风险管控措施。

　　此外，随着AI在决策过程中的应用越来越广泛，如何保证决策的公正和透明也将成为重大挑战。AI系统的设计者和运营者必须确保这些系统不会复制或加剧现有的社会不平等。同时，在训练和使用模型的同时保障数据隐私，安全处理大量个人敏感信息也是一项重要工作。

　　展望未来，AI和机器学习技术在央行的应用前景广阔。随着信息基础设施的完善，以及算法的不断突破，AI和ML模型将能够处理更加海量和多样的数据，深度挖掘复杂的经济规律。“人机协作”的分析范式也将进一步发展，专家的领域知识与机器的计算能力优势互补，形成更加智能高效的决策支持系统。

　　为充分发挥人工智能技术的潜力，需要央行、学术界、产业界等多方一起努力，在确保安全合规的前提下，加速人工智能技术在央行领域的探索和应用，更好地服务实体经济高水平质量的发展。具体而言，可以鼓励创新试点，在监管沙盒等机制下，探索机器学习等新技术在央行业务中的运用。同时完善人工智能治理框架，明确模型应用的底线和边界；加强数据治理，提升数据质量和可获得性；制定数据标准，推动数据共享机制，为机器学习奠定坚实的数据基础。

　　除此之外，在引入AI和机器学习技术的过程中，各国央行合作交流的重要性也日益凸显。国际清算银行的Irving Fisher委员会为央行在统计和机器学习应用领域提供了合作平台，定期组织信息共享和技术讨论，促进知识和专业技能的汇聚。央行应通过国际合作，与全球的监督管理的机构和技术机构一同探讨和解决跨境数据流动、算法监管等问题，一同推动全球金融科技的健康发展。