在數(shù)字經(jīng)濟(jì)時(shí)代，大數(shù)據(jù)及其分析技術(shù)的應(yīng)用已幾乎滲透到社會(huì)的每個(gè)領(lǐng)域。近年來(lái)，以生成式預(yù)訓(xùn)練Transformer模型（Generative Pre-Trained Transformer，GPT）為代表的大語(yǔ)言模型（Large Language Model，LLM，以下簡(jiǎn)稱大模型）顯示出巨大的應(yīng)用潛力，進(jìn)一步強(qiáng)化了大數(shù)據(jù)對(duì)社會(huì)各行各業(yè)的賦能作用。GPT是一種基于人工智能技術(shù)，用大規(guī)模數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，經(jīng)調(diào)優(yōu)后可自動(dòng)生成文本、視頻、音頻、圖像等各種類型內(nèi)容的人工智能生成內(nèi)容（Artificial Intelligence Generated Content，AIGC）模型。它不僅對(duì)數(shù)據(jù)和算力的需求產(chǎn)生了指數(shù)級(jí)增長(zhǎng)，同時(shí)也賦予了數(shù)據(jù)在經(jīng)濟(jì)金融分析中更大的潛在價(jià)值。本文將從數(shù)據(jù)資源、實(shí)證工具、理論研究、大模型等方面，探討大數(shù)據(jù)及其技術(shù)在經(jīng)濟(jì)金融分析中的創(chuàng)新應(yīng)用及其面臨的一些挑戰(zhàn)。

  數(shù)據(jù)資源視角  

從數(shù)據(jù)尋找規(guī)律、發(fā)現(xiàn)規(guī)律、驗(yàn)證規(guī)律，是經(jīng)濟(jì)學(xué)的實(shí)證分析傳統(tǒng)。正是以數(shù)據(jù)為基礎(chǔ)的實(shí)證研究范式，讓現(xiàn)代經(jīng)濟(jì)學(xué)被廣泛認(rèn)為是最具有科學(xué)性的社會(huì)科學(xué)。傳統(tǒng)的經(jīng)濟(jì)金融分析主要依靠結(jié)構(gòu)化數(shù)據(jù)，如微觀層面的財(cái)務(wù)數(shù)據(jù)和市場(chǎng)交易數(shù)據(jù)以及宏觀層面的經(jīng)濟(jì)統(tǒng)計(jì)數(shù)據(jù)等。這些數(shù)據(jù)雖然質(zhì)量較高，但大部分是低頻數(shù)據(jù)且數(shù)據(jù)量有限，從而有損相關(guān)計(jì)量模型的預(yù)測(cè)精準(zhǔn)性。

大數(shù)據(jù)技術(shù)的應(yīng)用則有助于克服上述經(jīng)濟(jì)金融分析范式的不足。在數(shù)字化浪潮下，數(shù)據(jù)資源呈指數(shù)型爆發(fā)式增長(zhǎng)。2010年全球數(shù)據(jù)量為2ZB（ZB是Zettabyte的簡(jiǎn)寫，中文譯作澤字節(jié)，1澤字節(jié)等于10萬(wàn)億億字節(jié)），預(yù)計(jì)到2025年將增長(zhǎng)到181ZB。大數(shù)據(jù)技術(shù)為高維經(jīng)濟(jì)建模創(chuàng)造了可行的數(shù)據(jù)條件。從此，經(jīng)濟(jì)學(xué)家和分析者們或不再擔(dān)憂數(shù)據(jù)太少，反而是焦慮數(shù)據(jù)太多，因?yàn)?a target="_blank" class="autolink">大數(shù)據(jù)量太大也會(huì)同時(shí)帶來(lái)“噪聲”大、密度低等困擾。特別是許多大數(shù)據(jù)屬于非結(jié)構(gòu)化數(shù)據(jù)如文本、圖形、視頻、音頻等，如何從中提取有效的經(jīng)濟(jì)金融指標(biāo)至關(guān)重要。

與原始數(shù)據(jù)相比，通過(guò)大數(shù)據(jù)技術(shù)加工后得到的特征變量更有助于經(jīng)濟(jì)解釋和預(yù)測(cè)。例如，從股票貼吧的文本數(shù)據(jù)中提取和構(gòu)建投資者情緒指標(biāo)，可以反映市場(chǎng)的非理性程度；基于高頻經(jīng)濟(jì)數(shù)據(jù)，構(gòu)造實(shí)時(shí)的宏觀經(jīng)濟(jì)指標(biāo)，可對(duì)傳統(tǒng)的滯后的低頻（如季度、月度）宏觀經(jīng)濟(jì)指標(biāo)形成有效補(bǔ)充；利用大量的異質(zhì)性市場(chǎng)主體微觀數(shù)據(jù)，可以讓經(jīng)濟(jì)決策者精細(xì)地洞察微觀經(jīng)濟(jì)形勢(shì)變化，避免合成謬誤，從而實(shí)現(xiàn)精準(zhǔn)施策、靶向發(fā)力；在傳統(tǒng)低頻財(cái)務(wù)數(shù)據(jù)的基礎(chǔ)上增加高頻另類數(shù)據(jù)，可以有效提升企業(yè)信用風(fēng)險(xiǎn)模型預(yù)測(cè)的及時(shí)性和準(zhǔn)確性。

  實(shí)證工具視角  

大數(shù)據(jù)不僅為經(jīng)濟(jì)金融分析提供了豐富的數(shù)據(jù)資源，而且其分析模型還可以成為經(jīng)濟(jì)金融分析的有效工具。

從方法論角度看，與計(jì)量經(jīng)濟(jì)學(xué)類似，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等大數(shù)據(jù)分析模型也是建立在數(shù)理統(tǒng)計(jì)基礎(chǔ)上的數(shù)據(jù)科學(xué)。例如，自然語(yǔ)言模型和計(jì)量經(jīng)濟(jì)學(xué)的金融時(shí)間序列模型“異曲同工”，均是對(duì)時(shí)間序列數(shù)據(jù)的建模。因此，許多機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型或算法在經(jīng)濟(jì)金融分析場(chǎng)景亦可適用，甚至在某些場(chǎng)景還可以起到更好的效果。

一是能夠捕捉到計(jì)量經(jīng)濟(jì)模型沒有覆蓋的經(jīng)濟(jì)特征。例如，計(jì)量經(jīng)濟(jì)模型更多是線性模型，無(wú)法刻畫經(jīng)濟(jì)變量的非線性關(guān)系，而深度學(xué)習(xí)模型具有強(qiáng)大的非線性函數(shù)表達(dá)能力。目前，證券分析師們已經(jīng)開始利用深度學(xué)習(xí)模型，識(shí)別和捕捉傳統(tǒng)線性資產(chǎn)定價(jià)模型中的非線性因子。

二是可以刻畫現(xiàn)有計(jì)量經(jīng)濟(jì)模型無(wú)法呈現(xiàn)的經(jīng)濟(jì)結(jié)構(gòu)信息。在現(xiàn)代經(jīng)濟(jì)學(xué)建模過(guò)程中，微觀主體往往被假定為相互獨(dú)立的決策者。例如，各生產(chǎn)者（消費(fèi)者）按照各自的生產(chǎn)函數(shù)（效用函數(shù)）進(jìn)行生產(chǎn)（消費(fèi)）決策，中央銀行的貨幣政策規(guī)則與財(cái)政部門的財(cái)政政策規(guī)則相互獨(dú)立；各主體行為之間的關(guān)聯(lián)是間接的，首先是影響到市場(chǎng)的供需變化和價(jià)格變化，然后再影響其他主體行為。這是現(xiàn)代經(jīng)濟(jì)學(xué)“無(wú)形之手”理論的基本要義。依此構(gòu)建的計(jì)量經(jīng)濟(jì)模型，雖然具有較好的經(jīng)濟(jì)理論基礎(chǔ)，但無(wú)法納入主體之間的現(xiàn)實(shí)關(guān)聯(lián)關(guān)系，如社交網(wǎng)絡(luò)、股權(quán)網(wǎng)絡(luò)、生產(chǎn)網(wǎng)絡(luò)、供應(yīng)網(wǎng)絡(luò)等。這樣的分析模型在實(shí)證上難以捕捉或呈現(xiàn)更豐富的經(jīng)濟(jì)特征，如經(jīng)濟(jì)主體的從眾心理、羊群效應(yīng)、趨同效應(yīng)等非理性行為。而基于知識(shí)圖譜的圖分析方法，則可以有效構(gòu)建和分析經(jīng)濟(jì)主體之間的網(wǎng)絡(luò)關(guān)系，彌補(bǔ)計(jì)量經(jīng)濟(jì)模型的上述不足。典型的應(yīng)用例子是，可以利用知識(shí)圖譜分析金融市場(chǎng)主體之間的關(guān)聯(lián)，實(shí)證研究單個(gè)主體的系統(tǒng)重要性以及主體之間的風(fēng)險(xiǎn)傳染。

三是提高模型的預(yù)測(cè)能力。傳統(tǒng)計(jì)量經(jīng)濟(jì)模型注重模型參數(shù)的估計(jì)及顯著性檢驗(yàn)，在樣本內(nèi)具有更強(qiáng)的經(jīng)濟(jì)解釋能力；而機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型采用非參數(shù)估計(jì)方法，在樣本外預(yù)測(cè)方面表現(xiàn)更優(yōu)。

  理論研究視角  

大數(shù)據(jù)分析模型除了在實(shí)證上可以成為經(jīng)濟(jì)金融分析的有益工具，在理論上它們也可以相互融合。以強(qiáng)化學(xué)習(xí)為例。在時(shí)間維度上，現(xiàn)代經(jīng)濟(jì)學(xué)研究（特別是金融學(xué)）的一個(gè)關(guān)鍵問(wèn)題是跨期優(yōu)化，即在未來(lái)不確定情況下怎么作出最優(yōu)決策并實(shí)現(xiàn)收益或價(jià)值的跨期最大化。這是動(dòng)態(tài)規(guī)劃方程（Dynamic Programming Equation）的求解問(wèn)題。而強(qiáng)化學(xué)習(xí)正是利用蒙特卡羅模擬、深度學(xué)習(xí)、時(shí)間差分（Temporal Difference）算法等技術(shù)求解動(dòng)態(tài)規(guī)劃方程的方法。如今，基于強(qiáng)化學(xué)習(xí)的經(jīng)濟(jì)學(xué)研究正在推進(jìn)，部分成果已經(jīng)在金融市場(chǎng)上得到應(yīng)用和檢驗(yàn)。

當(dāng)然，任何科學(xué)研究都沒有萬(wàn)能的方法和模型，大數(shù)據(jù)分析模型也存在不足。其最大的不足在于一些大數(shù)據(jù)分析模型在理論上不具有可解釋性。對(duì)于自然語(yǔ)言識(shí)別、圖像識(shí)別等感知智能而言，結(jié)果的準(zhǔn)確性要比可解釋性更重要（例如，人們通常只關(guān)注機(jī)器學(xué)習(xí)對(duì)語(yǔ)言的翻譯是否準(zhǔn)確，而對(duì)其背后的機(jī)理是否可解釋不在意），但在經(jīng)濟(jì)金融的實(shí)際應(yīng)用場(chǎng)景中，由于監(jiān)管要求或出于算法公平的目的，可解釋性要比準(zhǔn)確性更重要。因此，發(fā)展可解釋的大數(shù)據(jù)分析模型，在大數(shù)據(jù)分析模型中融入經(jīng)濟(jì)理論，提高模型的經(jīng)濟(jì)解釋能力，或?qū)⒊蔀?a target="_blank" class="autolink">大數(shù)據(jù)經(jīng)濟(jì)金融分析的研究重點(diǎn)。最終甚至可能衍生出新的交叉學(xué)科，如大數(shù)據(jù)計(jì)量經(jīng)濟(jì)學(xué)。 

  大模型視角  

2022年11月，美國(guó)科技公司開放人工智能（OpenAI）發(fā)布人工智能聊天應(yīng)用程序ChatGPT。該大模型上線后不到3個(gè)月就突破了1億月活用戶，成為史上用戶增長(zhǎng)速度最快的消費(fèi)級(jí)應(yīng)用程序。不少人認(rèn)為，ChatGPT是40余年來(lái)最具革命性的技術(shù)進(jìn)步，將引發(fā)一場(chǎng)顛覆式的商業(yè)模式變革。

與小模型相比，大模型展現(xiàn)了強(qiáng)大的內(nèi)容生成能力。大模型可以根據(jù)用戶要求，生成與之相匹配的內(nèi)容，包括文本、圖像、音頻、視頻等，在自動(dòng)問(wèn)答、機(jī)器翻譯、文本創(chuàng)作、文本摘要、閱讀理解等任務(wù)的性能表現(xiàn)顯著強(qiáng)于小模型。大模型與之前小模型的主要區(qū)別在于其模型“變大”后帶來(lái)的“涌現(xiàn)”能力：當(dāng)模型的規(guī)模（計(jì)算量、模型參數(shù)或數(shù)據(jù)集大?。┻_(dá)到一定程度時(shí)，模型的任務(wù)性能急劇上升。其最大特點(diǎn)是“暴力出奇跡”——需要投入大規(guī)模的算力和數(shù)據(jù)集。以ChatGPT為例，其訓(xùn)練參數(shù)達(dá)到1750億個(gè)、訓(xùn)練數(shù)據(jù)45TB，每天可生成45億字的文本內(nèi)容。支撐ChatGPT的算力至少需要上萬(wàn)顆英偉達(dá)最先進(jìn)的GPU A100，單次模型訓(xùn)練成本超過(guò)1200萬(wàn)美元。

大模型、大數(shù)據(jù)、大算力讓AI再次迎來(lái)了高光時(shí)刻，各行業(yè)均高度關(guān)注大模型在本領(lǐng)域的應(yīng)用，調(diào)動(dòng)資源發(fā)展垂直領(lǐng)域大模型：有的在通用大模型基礎(chǔ)上，利用專業(yè)領(lǐng)域數(shù)據(jù)進(jìn)行適配微調(diào)；有的則是混合通用數(shù)據(jù)和專業(yè)領(lǐng)域數(shù)據(jù)，重新預(yù)訓(xùn)練大模型，如彭博社訓(xùn)練了金融領(lǐng)域大模型Bloomberg GPT?？梢灶A(yù)見，通用大模型和垂直領(lǐng)域大模型的發(fā)展將促進(jìn)大模型在包括經(jīng)濟(jì)金融在內(nèi)的各個(gè)領(lǐng)域的廣泛應(yīng)用，金融行業(yè)的研發(fā)、投顧、客服、營(yíng)銷、風(fēng)險(xiǎn)管理等業(yè)務(wù)的智能化水平將大幅提升。

具體而言，大模型將給經(jīng)濟(jì)金融分析帶來(lái)兩個(gè)層面的變化。一是與數(shù)據(jù)的交互方式更加智能化、人性化。從知識(shí)壓縮視角看，大模型實(shí)質(zhì)上是一個(gè)超級(jí)知識(shí)庫(kù)。它通過(guò)對(duì)大規(guī)模語(yǔ)料的學(xué)習(xí)，將知識(shí)壓縮為大模型的參數(shù)?；诖竽Ｐ偷闹悄芑芰?，數(shù)據(jù)的讀取、輸出、調(diào)用、應(yīng)用將變得高度智能化，就像ChatGPT那樣以人性化的方式開展。二是大模型將成為經(jīng)濟(jì)金融分析的高效智能助手。大模型可以智能地支持經(jīng)濟(jì)金融分析人員高效開展信息檢索、信息抽取、信息歸納、內(nèi)容總結(jié)、情感分析、代碼撰寫、文檔撰寫、主體識(shí)別、關(guān)系識(shí)別、邏輯推理等任務(wù)。不僅如此，大模型還可通過(guò)外部插件擴(kuò)展和提升更廣泛的能力，如文獻(xiàn)搜索、文檔解析、數(shù)學(xué)計(jì)算、自動(dòng)化執(zhí)行等，從而更好地支持經(jīng)濟(jì)金融分析。截至2023年8月底，ChatGPT插件已將近900個(gè)，為用戶提供了更多智能化工具。

大模型在本質(zhì)上依然是概率模型，雖然它的內(nèi)容生成已達(dá)到人類難辨的水平，但仍無(wú)法完全保障模型輸出的準(zhǔn)確性和可信性，其分析預(yù)測(cè)結(jié)果仍將存在“一本正經(jīng)胡說(shuō)八道”的風(fēng)險(xiǎn)。因此，在應(yīng)用大模型開展經(jīng)濟(jì)金融分析過(guò)程中，不能過(guò)于迷信大模型的能力，還需采用優(yōu)化策略，提升模型輸出的穩(wěn)健性和準(zhǔn)確性。

  結(jié)  語(yǔ)  

綜上所述，隨著人工智能技術(shù)的快速發(fā)展，大數(shù)據(jù)在經(jīng)濟(jì)金融分析中的賦能作用得到了極大提升。大數(shù)據(jù)分析模型不僅可以有效緩解經(jīng)濟(jì)計(jì)量模型的“數(shù)據(jù)不足”問(wèn)題，而且能夠?yàn)榻?jīng)濟(jì)金融分析提供更豐富的工具，輔助捕捉計(jì)量經(jīng)濟(jì)模型沒有覆蓋的經(jīng)濟(jì)特征以及計(jì)量經(jīng)濟(jì)模型無(wú)法呈現(xiàn)的經(jīng)濟(jì)結(jié)構(gòu)信息，提高模型預(yù)測(cè)能力。除了實(shí)證方面的應(yīng)用，大數(shù)據(jù)分析模型還可以在理論上與經(jīng)濟(jì)金融學(xué)融合，包括開展基于強(qiáng)化學(xué)習(xí)的經(jīng)濟(jì)學(xué)研究、發(fā)展大數(shù)據(jù)計(jì)量經(jīng)濟(jì)學(xué)等。大模型將使經(jīng)濟(jì)金融分析人員與數(shù)據(jù)的交互方式更加智能化、人性化，并成為經(jīng)濟(jì)金融分析的高效智能助手。盡管如此，大數(shù)據(jù)分析模型仍存在諸多亟待完善的地方，特別是需要進(jìn)一步提高模型輸出的可解釋性和可信性?！?/p>

文章圖片轉(zhuǎn)載于網(wǎng)絡(luò)，僅供學(xué)習(xí)與交流，非商業(yè)用途，版權(quán)歸原作者所有，如有侵權(quán)，請(qǐng)聯(lián)系我們立即整改刪除。