来源：锦缎
时间：2025年11月20日
人物：Lisa D. Cook，美联储理事
演进主题：《政策制定者视角下的金融稳定》
地点：华盛顿特区乔治城大学麦克多诺商学院普萨罗斯金融市场与政策中心。
感谢丽娜。重返乔治城大学与普萨罗斯中心，我深感荣幸。*1 我曾在此地及周边度过许多时光，职业生涯初期还曾在此担任国会实习生。或许命运早有预示——当年夏天我研究的课题之一便是《格拉斯-斯蒂格尔法案》。事实证明，年轻时接触这些知识确实令我获益良多。
作为美联储理事会金融稳定委员会主席，金融稳定始终是我关注的核心议题。请允许我首先表明：当前金融体系依然稳健，这得益于家庭与企业强劲的资产负债状况，以及银行体系充足的整体资本水平。本月早些时候，美联储发布了半年度《金融稳定报告》最新版。该报告在确认体系韧性的同时，也指出了近期报告中持续提示的若干风险与脆弱性。
今日我将重点论述三大脆弱性领域：资产估值；企业贷款从传统银行信贷向私人信贷的结构性转变；以及对冲基金在美国国债市场日益凸显的投资者角色。最后，我将探讨一个长期议题——生成式人工智能在金融市场交易中的应用，这种技术既可能增强也可能削弱金融稳定。
首先让我们从宏观视角审视金融体系脆弱性。美联储推动金融稳定的根本目的，是服务于其"促进充分就业与价格稳定"的双重使命。历史经验表明——无论是遥远的大萧条时期，还是近在眼前的全球金融危机或大衰退时期——金融危机会引发大规模失业。*2 但鉴于金融体系的复杂性，其与日常生活的关联往往难以直观呈现。
大衰退期间，我在密歇根州生活执教时曾亲眼见证：金融体系的脆弱如何直接导致就业岗位流失。雷曼兄弟破产便是一例：其2008年9月的倒闭引发货币市场基金"跌破净值"（资产贬值导致无法按投资者预期的1美元兑付），继而引发挤兑。基金随后从风险资产（包括资产支持商业票据）中抽离，而主要汽车金融公司正依赖此类票据为消费者贷款提供融资，由此陷入困境。*3
随着信贷收紧，汽车销量骤降，密歇根州遭受重创。无数民众——包括我的亲属、学生与同事的家人、朋友邻居——失去工作陷入困境。2009年该州失业率超14%，远超全国10%的峰值。2006至2010年间，止赎房产数量增长逾两倍，房价暴跌33%。
我重述这段往事，并非认为金融危机迫在眉睫，而是希望强调：金融体系韧性如何影响实体经济与民众生活——这自我撰写博士论文起便是核心观点。稳健的金融体系支撑就业与物价稳定，保障家庭企业经济活动的正常运转。这正是政策制定者致力洞察金融体系运行机理的动因，也是我们每半年发布《金融稳定报告》的初衷。这段历史更警示我们：维护金融体系韧性至关重要。
资产估值
在此背景下，请允许我剖析当前最值得关注的脆弱性，首先从资产估值谈起。我们评估资产估值时，并非关注绝对价格水平，而是考察其相对经济基本面的偏离程度，以及这种偏离是否达历史高位。*4
如《金融稳定报告》所述，我们评估认为：股票、公司债券、杠杆贷款及房地产等多项资产的估值水平，整体已高于历史基准。
需要明确的是，这并非投资建议。我对具体资产估值优劣不作评判。美联储的职责在于指出：当前风险补偿预期处于历史低位——这种状态可能回归常态、持续低迷或进一步走弱。估值高企其实屡见不鲜：自2009年低谷以来，资产估值多次呈现 stretched 状态。
我始终通过一个透镜审视金融脆弱性：其是否会制约美联储实现双重使命的能力？目前我的判断是：资产价格大幅回调的可能性有所上升。但鉴于金融体系整体韧性，我认为不会重演大衰退时期的系统性缺陷，因此资产价格潜在下跌不会对金融体系构成威胁。
私人信贷
另一个值得警惕的脆弱性是私人信贷的扩张。美联储测算显示，过去五年私人信贷规模约翻一番。任何信贷在短期内如此激增都会引发我们关注。此处"私人信贷"特指非银行机构向非上市企业提供的贷款。这些企业无法通过公开资本市场融资，而非银行放贷拓宽了其融资渠道，使难以获银行信贷的企业得以持续发展。
最简形式的私人信贷链条如下：长期投资者将资金投入私人信贷基金或业务发展公司等载体，再由其向私营企业放贷。这类投资通常设有5-7年甚至更长的锁定期。
理想模式下，信贷载体代表投资者进行尽职调查与贷后监控，其既有强烈动机实施监督，又能灵活应对突发困境。这种监督至关重要，因为私营企业无需像上市公司那样接受审计披露等公开监督。该模式通过期限匹配与优惠条款促进企业融资，违约率维持低位，投资回报可观，可能增强金融稳定并推动经济增长。
但我们需要以更广视角审视这一融资机制。近年来出现了涉及银行保险公司等杠杆实体的复杂中介链条。*5 部分私营企业还可能存在多元融资渠道。
复杂性与杠杆金融实体的相互关联，为私人信贷意外损失向金融体系传导创设了更多路径。该领域近期趋势是否预示此类风险？目前我认为私人信贷尚不致像2008年资产支持商业票据市场那样引发意外信贷紧缩。
但我们仍需保持警惕。尽管违约率仍处低位，但这一滞后指标可能掩盖以下事实：实物支付安排、贷款修正条款与困境债务置换的使用增加。近期汽车行业私营企业破产案例中，银行、对冲基金与专业金融公司等多元金融机构均出现意外损失。
此类案例会增多吗？有理由将近期破产视为特例：这些企业可能更易受贸易移民政策变动影响，更多使用表外融资，或资信质量本就较差。因此难以从个案推导普适结论。
但历史给我们敲响警钟：当风险敞口与结构复杂度不透明，当行业经历高速增长，当融资安排未经完整信贷周期（繁荣与萧条）检验时，类似案例重现概率就会上升。我将持续关注该领域发展态势及信贷安排的演进轨迹。
对冲基金在国债市场的渗透度
我密切关注的另一脆弱性是对冲基金在美国国债市场的布局。过去几年其规模显著增长，近期已突破疫情前峰值。我关注的重点在于其可能向国债市场传导压力——该市场对金融体系运转至关重要。作为全球最大、流动性最强的金融市场，国债日均交易额约9000亿美元，高峰时达1.5万亿美元。*6 国债市场平稳运行对货币政策传导实施亦具有关键作用。
对冲基金持有的国债现券（包括国库券、中期票据与长期债券）占比，已从2021年一季度的4.6%升至今年一季度的10.3%，略高于疫情前9.4%的峰值。7 这意味着若市场环境突变导致对冲基金大幅减持，可能引发大规模流动性危机。疫情初期"现金为王"时期，众多市场参与者同时抛售国债便是前车之鉴。8
对冲基金国债头寸对市场环境变化的敏感度取决于其交易策略。美联储分析显示，其绝大部分头寸涉及各类相对价值策略——通过关联证券（国债现券、期货或利率衍生品组合）间的价差获利。需承认，在非压力时期，这类交易显著提升国债及相关市场效率与流动性。但在压力时期，拥挤交易的集中平仓可能放大市场不稳定。
相对价值策略的共性特征可能滋生国债市场脆弱性：9 例如为放大微小价差收益而使用高杠杆，通常通过期限短于交易周期的回购融资，导致期限错配。这使得策略易受回购市场波动引发的融资风险冲击。涉及衍生品合约的交易（如基差交易与利差交易）在追加保证金时，还面临流动性压力。市场波动或不利价格变动可能引发融资冲击，迫使对冲基金平仓，导致国债大量抛售及市场流动性紧张。价格变动引发的波动与亏损也可能促使对冲基金出于风控考虑退出交易，同样引发大额抛售。10 这些特征均可能削弱国债市场流动性，极端情况下危及市场功能。
需要说明，市场波动未必引发相对价值交易平仓，此类案例实属罕见。例如今年四月市场波动期间，虽有利差交易因价格不利而平仓，但基差交易始终稳定，这主要得益于回购市场秩序维持。*11 尽管如此，重大相对价值交易平仓的稀缺性，仍是潜在市场流动性压力的诱因。
人工智能在金融服务的应用
最后我将探讨AI快速发展对金融稳定的潜在影响。正如化学生物学革命既带来救命良药又催生致命武器，当前对AI的预测亦呈现天堂与末世两极。理论与有限证据如何揭示AI对金融稳定的影响？为聚焦讨论，我仅简述AI在金融市场算法交易的应用及其影响。
精密的计算机驱动交易算法并非新生事物。数十年来交易员一直使用机器学习等先进统计工具。如今众多重要金融市场的交易已高度依赖算法。*12
但生成式AI的引入带来新挑战：与灵活性有限的预设算法不同，它能快速分析海量数据并自主部署人类难以洞悉的交易策略。若缺乏审慎测试与人工监督，可能产生难以监控的风险。当然其也可能优化现有算法交易，若柔性模型能稳定而非扰动价格，早期证据显示两种可能性并存。
1.关联交易与羊群效应
学界刚起步研究生成式AI会增强还是减弱交易关联性。现有研究已提供洞见：理论与实证表明，高频交易算法对同一信号独立但同步响应，确实会加剧波动与定价偏差，降低市场效率。13 但算法各异：研究也发现高频交易关联行为有时能提升定价效率而不增加波动。14 流行套利策略的广泛运用曾消除碎片化市场的定价偏差。*15 换言之，算法关联交易有时亦能提升市场质量与效率。
美联储经济学家实验显示，基于生成式AI的交易策略比人类交易员更少出现羊群行为（即忽视私有信息盲目跟风）。实验中AI代理较少受人类投资决策中的认知偏差影响。*16
2.合谋、市场操纵与集中度
研究者警示生成式AI可能实施合谋与市场操纵，为使用方牟利。最新理论研究证实，部分AI驱动交易算法能在无明确合谋意图下自主学习合谋，可能损害竞争与市场效率。17 但也有观点认为，合谋成立需所有交易者使用相似算法，而算法交易者差异化其策略的动机强烈——因在他人合谋时，不参与合谋可能获利更丰。18 故这些观点认为现实市场中算法默示合谋概率极低。
除合谋外，AI交易系统还可能自学市场操纵。理论研究显示，自学习利润最大化算法可能无意识发现"幌骗"策略（即下虚假大单制造需求假象）。19 新型AI系统可能比传统人工交易者更隐蔽、执行更复杂交易、更善于隐藏操纵意图。此外，"黑箱"问题日益引发关切：复杂AI模型的决策难以被专家解释。20 无法全面审计算法交易使得监管难度倍增。
值得欣慰的是，主要电子交易平台正快速采用先进机器学习技术侦测市场操纵与合谋行为。21 监管能力的提升可能使AI技术最终强化市场诚信与流动性。交易场所也在采取措施缓解AI交易算法"黑箱"风险。例如芝加哥商品交易所近期提醒会员必须能完整解释再现其算法在市场的所有决策行动。22 此类举措可能限制生成式AI等随机算法在主要交易场所的直接交易应用。
最后，争论焦点还包括：生成式AI会因高昂投入（如某流动性提供商使用2.5万张GPU构筑数十亿美元基础设施）导致行业集中度上升，还是通过 democratizing 以往大机构专属的高级能力反而降低集中度。*23
综上所述，我们既需警惕风险领域，也应关注这项新技术可能带来的益处。
结语
回到整体框架：金融体系依然保持韧性。但资产估值高企、私人信贷市场扩张与复杂化、对冲基金活动可能导致国债市场失调等脆弱性值得警惕。这些新兴脆弱性还出现在重大技术变革背景下。创新最终或提升金融稳定，但过渡期需我们审慎应对潜在挑战。未来我将与同仁携手，把握机遇应对脆弱性，守护金融体系的强韧与稳健。
谢谢大家。
注释部分
*1 本文所述观点仅代表个人立场，未必反映美联储理事会或联邦公开市场委员会其他成员意见。
*2 金融危机还可能引发通货紧缩，而通缩会因实际债务负担加重对金融体系产生反噬效应——这进而可能导致企业（及家庭）破产，削减其支出与生产规模。经济活动萎缩又会引发裁员与物价进一步下跌，即形成"通缩螺旋"。美国在1930年代大萧条后与日本在1990年代银行业危机后均经历此过程。相关综述参见：John C. Williams (2009), "The Risk of Deflation," FRBSF Economic Letter 2009-12（旧金山：旧金山联储，3月）。
*3 参见 Ralf R. Meisenzahl (2017), "Auto Financing During and After the Great Recession," FEDS Notes（华盛顿：美联储理事会，6月22日）。
*4 参见 Tobias Adrian, Daniel Covitz, and Nellie Liang (2015), "Financial Stability Monitoring," Annual Review of Financial Economics, vol. 7 (12月), pp. 357–95。
*5 参见 Jose Berrospide, Fang Cai, Siddhartha Lewis-Hayre, and Filip Zikes (2025), "Bank Lending to Private Credit: Size, Characteristics, and Financial Stability Implications," FEDS Notes（华盛顿：美联储理事会，5月23日）；以及 Sydney Carlino, Nathan Foley-Fisher, Nathan Heinrich, and Stéphane Verani (2025), "Life Insurers' Role in the Intermediation Chain of Public and Private Credit to Risky Firms," FEDS Notes（华盛顿：美联储理事会，3月21日）。
*6 金融业监管局 (2025), "Treasury Daily Aggregate Statistics"（访问于2025年11月17日）。
*7 对冲基金国债持仓数据详见美联储官网：https://www.federalreserve.gov/releases/efa/efa-hedge-funds.htm。私营部门持有国债市值数据参见：https://www.dallasfed.org/research/econdata/govdebt。
*8 参见 Daniel Barth and R. Jay Kahn (2025), "Hedge Funds and the Treasury Cash-Futures Basis Trade," Journal of Monetary Economics, vol. 155 (10月), 103823；Mathias S. Kruttli, Phillip J. Monin, Lubomir Petrasek, and Sumudu W. Watugala (2025), "LTCM Redux? Hedge Fund Treasury Trading, Funding Fragility, and Risk Constraints," Journal of Financial Economics, vol. 169 (7月), 104017；以及 Andreas Schrimpf, Hyun Song Shin, and Vladyslav Sushko (2020), "Leverage and Margin Spirals in Fixed Income Markets during the Covid-19 Crisis," BIS Bulletin 2（瑞士巴塞尔：国际清算银行，4月）。
*9 参见 Emil N. Siriwardane, Adi Sunderam, and Jonathan Wallen (2025), "Segmented Arbitrage," The Journal of Finance, vol. 80 (5), pp. 2543–90；以及 Jefferson Duarte, Francis A. Longstaff, and Fan Yu (2007), "Risk and Return in Fixed-Income Arbitrage: Nickels in Front of a Steamroller?" The Review of Financial Studies, vol. 20 (3), pp. 769–811。另见 Ayelen Banegas and Phillip Monin (2023), "Hedge Fund Treasury Exposures, Repo, and Margining," FEDS Notes（华盛顿：美联储理事会，9月8日）。
*10 参见 Kruttli, Monin, Petrasek, and Watugala, "LTCM Redux? Hedge Fund Treasury Trading, Funding Fragility, and Risk Constraints"（同注释8）。
*11 参见 Roberto Perli (2025) "Recent Developments in Treasury Market Liquidity and Funding Conditions," 华盛顿短期融资市场会议演讲，5月9日。
*12 参见 Andrei A. Kirilenko and Andrew W. Lo (2013), "Moore's Law versus Murphy's Law: Algorithmic Trading and Its Discontents," Journal of Economic Perspectives, vol. 27 (2), pp. 51–72；以及 Maureen O'Hara (2015), "High Frequency Market Microstructure," Journal of Financial Economics, vol. 116 (2), pp. 257–70。
*13 参见 Robert A. Jarrow and Philip Protter (2012), "A Dysfunctional Role of High Frequency Trading in Electronic Markets," International Journal of Theoretical and Applied Finance, vol. 15 (3), 1250022。
*14 参见 Alain P. Chaboud, Benjamin Chiquoine, Erik Hjalmarsson, and Clara Vega (2014), "Rise of the Machines: Algorithmic Trading in the Foreign Exchange Market," Journal of Finance, vol. 69 (5), pp. 2045–84；以及 Evangelos Benos, James Brugler, Erik Hjalmarsson, and Filip Zikes (2017), "Interactions Among High-Frequency Traders," Journal of Financial and Quantitative Analysis, vol. 52 (4), pp. 1375–402。
*15 参见 Albert Menkveld and Bart Zhou Yueshen (2019), "The Flash Crash: A Cautionary Tale about Highly Fragmented Markets," Management Science, vol. 65 (10), pp. 4470–88；以及 Dobrislav Dobrev and Ernst Schaumburg (2016), High-Frequency Cross-Market Trading and Market Volatility," 纽约联储Liberty Street Economics博客，2月17日。
*16 参见 Anne Lundgaard Hansen and Seung Jung Lee (2025), "Financial Stability Implications of Generative AI: Taming the Animal Spirits," Finance and Economics Discussion Series 2025-090（华盛顿：美联储理事会，9月）。
*17 参见 Álvaro Cartea, Patrick Chang, Mateusz Mroczka, and Roel Oomen (2022), "AI Liquidity Provision in OTC Markets," Quantitative Finance, vol. 22 (12), pp. 2171–204；以及 Winston Wei Dou, Italy Goldstein, and Yan Li (2025), "AI-Powered Trading, Algorithmic Collusion, and Price Efficiency," NBER Working Paper Series 34054（马萨诸塞州剑桥：国家经济研究局，7月）。
*18 参见 Laura Veldkamp (2024), "Discussion of 'AI-Powered Trading, Algorithmic Collusion, and Price Efficiency,'" NBER 2024年夏季会议：资产定价，马萨诸塞州剑桥，7月11-12日。
*19 参见 Álvaro Cartea, Patrick Chang, and Gabriel García-Arenas (2025), "Spoofing and Manipulating Order Books with Learning Algorithms," 详见：https://ssrn.com/abstract=4639959。
*20 参见 Alessio Azzuti, Wolf-Georg Ringe, and H. Siegfried Stiel (2022), "Machine Learning, Market Manipulation and Collusion on Capital Markets: Why the 'Black Box' Matters," University of Pennsylvania Journal of International Law, vol. 43 (1), pp. 79–135。
*21 参见 Pedro Gurrola-Perez and Kaitao Lin (2024), "An Analysis of Market Manipulation Definitions round the World," 工作论文（伦敦：世界交易所联合会，6月）。
*22 参见芝加哥商品交易所集团《市场监管咨询通告》：https://www.cmegroup.com/content/dam/cmegroup/notices/market-regulation/2024/07/CME-Group-RA2403-5.pdf。
*23 参见 Anna Irrera and Justina Lee (2025), "Billionaire Trader Alex Gerko's XTX to Build €1 Billion Data Hub," 彭博社，1月22日。
特别声明：以上内容仅代表作者本人的观点或立场，不代表Hehson财经头条的观点或立场。如因作品内容、版权或其他问题需要与Hehson财经头条联系的，请于上述内容发布后的30天内进行。
