摘要
过去几年中，以大语言模型（Large Language Models，LLMs）为代表的生成式人工智能（Generative Artificial Intelligence，GAI）技术迅速发展并呈指数级增长，典型应用如 ChatGPT 及其相关创新，通过应用程序接口（APIs）为用户提供类人化、直观的智能交互方式。这些技术有望从根本上改变经济与金融活动，重塑人机交互模式，并催生新的生产方式和行为模式。鉴于传统的统计模型在处理海量信息、样本稀缺或数据不可及等方面的局限性，迫切需要构建更适宜新兴环境下的研究范式。本文提出了基于 GAI 的新型经济与金融研究范式，涵盖研究目标、科学数据与模型方法，并探讨其在投资组合管理、经济与金融预测、极端场景分析、政策分析及金融欺诈检测五大典型场景中的应用前景。该范式有望为全面理解该领域的创新与变革提供重要启示。
关键词：复杂经济金融系统，生成式人工智能，人类反馈的强化学习（Reinforcement Learning from Human Feedback，RLHF）
GAI 对经济与金融活动的深刻影响
生成式人工智能的兴起，扩大了人工智能在经济与金融领域的应用边界，大大提升了生产效率与劳动生产率。通过自动化低技能与认知任务，GAI 既可能导致部分行业的岗位流失，也能解放人力，使人类专注于更具创造性和复杂性的工作，从而促进新职业类型的涌现。
根据前人的研究，大约 80% 的美国劳动力因 LLMs 的引入，其至少 10% 的工作内容将发生改变，约 19% 劳动者的任务受影响程度超过 50%；由此可见，GAI 正引发对劳动市场技能需求与教育资质的深刻重塑。
此外，GAI 系统对高质量数据的依赖，使得数据本身成为新的关键生产要素；企业必须持续获取、管理与质量监控数据，以确保 GAI 应用的有效性。与此同时，人机协同组织结构正从传统以人为中心，向更具动态性与自适应性的混合模式转变，决策流程将演进为人机共融协作，强调任务分配的合理化、决策过程的互动化和人力技能的再塑造。
构建新研究范式的必要性
传统经济与金融研究主要依赖实证与实验数据，通过统计计量模型检验理论并进行预测，但在面对日益增长的数据规模、复杂多变的经济环境以及样本稀缺或不可获取的极端事件时，传统方法显现局限。
而生成式模型（如 GANs、VAEs）能够合成与真实数据高度一致的 “虚拟样本”，既可填补数据空白，也可用于模拟难以观测的极端场景，助力风险评估与情景演练。此外，通过人类反馈的强化学习（RLHF），大模型不仅可基于历史数据进行训练，还能在专家持续反馈中优化决策，提升模型解释力与自适应能力。
本研究提出的新范式强调在 “真实数据＋生成数据” 双重驱动下，以 GAI 特性为核心，重塑研究目标与数据体系，并将模型与人类交互过程纳入研究视野，进而更全面地理解复杂经济金融系统。
新范式的核心要素
1. 研究对象的扩展
除了传统的 “人、企业、政府、市场” 等要素，未来研究需关注 GAI 驱动的机器主体，其自动化程度、学习能力、环境适应性、运算速度及 “无情感” 特性等，可能引发不同于人类的行为模式和系统反馈。
2. 多源数据与生成数据融合
在大数据（Big Data）基础上，GAI 生成的生成数据（Generative Data）可用于弥补真实数据的不足，模拟罕见或极端事件，测试模型稳健性，并在数据匮乏场景下增强预测精度。
3. RLHF 驱动的大型模型
基于 RLHF 的大型模型可通过人机交互实现迭代优化，将专家反馈融入训练流程，从定义问题、数据收集、模型训练，到反馈调整、严格测试，形成闭环学习机制，为经济金融决策提供动态支持。
典型应用场景
1. 投资组合管理（Portfolio Management）
利用 GAI 生成的市场数据与投资组合理财模型，结合专家对策略表现的实时反馈，可动态调优资产配置，平衡收益与风险。如研究表明，GANs 生成的合成时序数据有助于风险管理；LLMs 作为 “智能投资顾问”，在财务素养测试中得分 58%–67%，虽略逊于专业人士，却显现出倾向采纳建议的高依赖性，为未来智能投资顾问优化提供思路。
具体而言，有研究提出了一种名为预测辅助分类器生成对抗网络（PredACGAN）的概率模型，该模型利用 ACGAN 框架的特性，使生成器的输出形成分布，将其用于概率预测模型。同时，还提出了一种利用 PredACGAN 获得的风险度量的算法，在再平衡时刻将预测为高风险的资产从投资组合中剔除，从而在考虑回报的同时兼顾风险以优化投资组合。
通过对 1990 年至 2020 年标准普尔 500 指数的每日收盘价数据进行评估，在每月根据 PredACGAN 的预测和风险度量重新平衡投资组合的实验场景中，使用 PredACGAN 的投资组合年回报率为 9.123%，夏普比率为 1.054，而不考虑风险度量的投资组合年回报率为 1.024%，夏普比率为 0.236，且所提出的投资组合的最大回撤低于不使用 PredACGAN 的投资组合。
2. 经济与金融预测（Economic and Financial Prediction）
以大模型为核心，基于海量历史数据与新闻文本的情感分析，可实现对股价、利率、通胀率等关键指标的高精度预测。实证研究表明，LLMs 在新闻情感分析中优于传统方法，将先进语言模型融入量化策略，有望提升策略表现与预测准确性。
3. 极端场景分析（Extreme Scenario Analysis）
针对金融市场尾部风险或罕见经济冲击，GAI 可合成大量模拟场景，辅助压力测试与韧性评估。在 “真实＋生成” 双重数据驱动下，决策者得以预演不同政策或风险因素的演变路径，优化应对方案。
4. 政策分析（Policy Analysis）
面向复杂多变的经济金融系统，GAI 能创建虚拟经济模型，模拟政策实施效果，并在 RLHF 框架下通过专家反馈优化政策组合。同时，可持续监测政策执行效果，减少人为偏见与认知局限，提升分析客观性与科学性。
5. 金融欺诈检测（Financial Fraud Detection）
面对愈发隐蔽复杂的金融欺诈手段，GAI 驱动的检测系统可在大规模交易数据中自动识别异常模式，通过人机迭代不断优化检测模型，提升准确率与响应速度。GANs 生成的人工样本已被用于信用卡欺诈分类，有效缓解了样本不平衡问题。
讨论：优势与挑战
GAI 在数据处理效率、模式识别深度及决策支持可靠性方面具备显著优势，能够助力决策者逐步迈向 “理性决策” 目标；但在 “黑箱” 可解释性、模型偏见扩散、对大厂依赖、隐私与伦理风险等方面仍面临挑战。
未来研究需在透明算法、本地化模型训练及多学科监管框架下，平衡创新效益与潜在风险，确保 GAI 应用安全、可控。
生成式人工智能正引领经济与金融研究范式的深刻变革。通过将 GAI 特性嵌入研究目标、数据体系与模型流程，新范式将赋能投资管理、预测分析、风险应对、政策评估与欺诈检测等多领域应用，推动学界与业界对复杂系统的全面理解与可靠决策。展望未来，仅有在偏见治理、模型可解释性及跨领域协同监管等方面持续发力，方能实现 GAI 赋能经济金融的可持续与普惠发展。