研究背景与动机 [page::1][page::2]

• 人类非理性行为（动物精神）是金融脆弱性和价格泡沫形成的关键因素，历经郁金香狂热、2008年金融危机等案例。

- 生成式AI作为新兴参与者，其是理性算法还是会继承并放大人类偏见，影响金融稳定的角色尚未定论。

实验设计与方法 [page::4][page::8][page::14]

• 基于Cipriani和Guarino(2009)使用金融专业人士的羊群行为实验模型，采用Avery和Zemsky(1998)理论，构建包含三个交易情景（Treatment I-III）的实验。

- 使用四种大型语言模型(Anthropic Claude 3.5/3.7、Meta Llama 3、Amazon Nova Pro)，替代人类参与者进行决策对比。

• 系统提示与用户提示高度模拟真实人类实验流程，支持模型记忆历史交易信息。

AI与人类交易行为比较及理性表现 [page::16][page::17][page::21]

| 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% |

• AI模型决策更依赖私人信号，减少传统人类投资者常见的非理性跟风[page::16][page::17][page::21]

AI代理的决策推理分析 [page::18][page::19][page::20]

• Claude 3.7模型在95%以上的决策中基于价格和资产基本面预期作判断，但约三分之一不充分考虑交易历史导致部分次优决策。

- Llama 3表现更有人类判断色彩，包括对交易历史与市场趋势的更大关注，情感色彩评分明显高于其他模型。

• 主题分析显示大多数模型围绕基于信号与价格的理性判断展开，Llama 3更多体现“认为”“相信”等主观词汇。

最优AI与基线AI的差异及风险隐患 [page::21]

• 给LLM明确最优行为指引显著提升理性群聚交易（47.43%对比基线0%）。

- 最优引导AI存在部分非最优羊群与反向交易，暗示模型微调带来的复杂稳定性问题。

• 最优AI期望收益明显高于基线AI，特别在事件不确定性场景下收益优势显著。

实验变体与AI偏见发现 [page::22][page::23][page::26]

• 颜色信号编码改变（绿色/红色与红色/绿色）测试表明AI不是纯算法机器，部分模型受人类色彩认知偏见影响显著，导致大量错误决策和羊群交易增加。

- AI代理的行为对不同角色人格设定不敏感，表明当前模型对赋予个性化特征响应有限。

• 支付结构和实验长度扩展对AI决策无显著影响。

金融稳定影响与展望 [page::26][page::27][page::28]

• AI降低了羊群效应，可能缓解极端价格波动和资产泡沫，提升市场稳定性。

- 最优AI羊群行为增强市场纪律，加快价格发现，但可能引起剧烈波动，增加短期系统风险。

• AI非纯理性特性及人类和AI行为混合会为市场监管和风险管理带来新挑战，需进一步研究AI在金融系统中的长期影响。

经典实验流程图：三种Treatment交易顺序 [page::34][page::35][page::36]

• 設計框架覆盖无事件不确定性（I）, 存在事件不确定性（II），无价格更新（III）

- AI代理和人类均在这三个实验设计中执行多个交易轮次

价格动态对比：AI实验中价格随交易轮次变化走势 [page::37]

• 无事件不确定性下价格偏离50基准价幅度较大，呈现价格校正趋势。

- 存在事件不确定性时价格较为稳定，围绕50波动。

AI代理推理主题词云 [page::38]

• 体现AI理性基于信号权衡价格与预期基本面关系的推断

- Llama 3模型推理包含大量主观词汇如“相信”、“可能”“认为”，表现出更强人类化倾向

实验主结果概览：理性与部分理性决策比例 [page::39][page::40]

• AI基线模型在三种Treatment中理性与部分理性决策均明显优于人类。

- 最优AI模型下Treatment II（事件不确定性）与Treatment III(无价格更新)中大量理性羊群行为出现。

• 逆转色彩信号极大削弱AI理性表现，尤其部分模型发生大量错误决策。

AI实验核心交易行为数据表格摘录 [page::41][page::42][page::46][page::47]

| 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% |

• AI代理拒绝羊群交易导致基线模型无次优羊群行为，但也忽略部分最优羊群机会[page::16][page::21][page::47]

AI代理偏见与信号色彩实验结果摘要 [page::49][page::50]

| 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% |

• 逆转红绿信号导致AI出现大量错误决策和羊群交易，表明AI受人类条件反射和偏见影响。

- 颜色信号实验验证AI决策并非完美理性，存在被编码标签影响的非理性风险。

结论与政策启示 [page::26][page::27][page::28]

• AI降低了羊群行为倾向，有望提高金融市场稳定性，减少泡沫风险。

- 优化AI模型可能加速价格发现，但增加短期波动和市场风险。

• AI嵌入金融市场使传统基于情绪的市场情绪测度失效，监管需创新方法应对新风险。

深度分析报告：《Financial Stability Implications of Generative AI: Taming the Animal Spirits》

---

1. 元数据与概览

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。[page::0,1,4-5,28]

---

2. 逐节深度解读

2.1 引言（Introduction）

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。[page::1,2]

2.2 研究重点：羊群行为与金融稳定（Herding and financial stability）

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。[page::6-8,33]

2.3 理论模型与实验设计

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。[page::8-12]

2.4 人类实验室复现及AI实验室构建

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。[page::12-15]

---

3. 图表深度解读

图1：羊群行为与金融稳定的关系图

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。[page::33]

图2：各Treatment实验流程图（I, II, III）

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。[page::34-36]

图3：Price Dynamics

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。

• Treatment I中价格显著偏离初始值50，部分实验趋近极端值（0或75），体现理性交易者用私人信息逐步反映真实资产价值；

- Treatment II中价格多数时间徘徊于接近50，反映市场做市商由于事件不确定性而保守调整价格，压缩价格波动。
这一对比体现Pricing Mechanism对市场动态的关键作用，支持后续分析AI决策对价格路径影响的可视化验证。[page::37]

图4：LDA主题词云

基于LLMs给出的决策理由文本做主题建模，区分三大主题：

• 主题0和主题1分别聚焦于白/蓝信号对应的资产估值与价格对比逻辑，词语多为“expected,”“price,”“asset”等；

- 主题2包含“think,”“believe”等主观性较强的词汇，呈现较多推测和判断成分。
尤其Llama 3模型的解释文本几乎全部聚类于主题2，表现其可能运用更多主观情绪或判断，这与其他模型更理性、数值驱动的理由区分明显。[page::38]

图5：各Treatment下AI与人类理性及部分理性决策比例对比

• AI在Treatment I和II中理性及部分理性决策显著高于人类，特别是Treatment II理性决策率达97%，人类仅约51%；

- Optimal AI调优版本中，AI理性有下降，部分理性减少，表明更多机会下AI参与羊群行为；

• 信号标签重新编码（“红”代表好、绿代表坏等）实验中表现多样，表明AI受人类偏见影响。

整体图示突出报告论点：AI较人类更理性但非完全理性，存在对羊群行为的“厌恶”，不同编码强烈影响决策结果。[page::39-40]



---

4. 估值分析

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$\mathbb{E}[v|ht]$），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。[page::8-12,16-18,21-22]

---

5. 风险因素评估

报告识别的风险因素主要包括：

• AI继承与放大人类偏差：实验发现当信号标签与人类直觉不符（如“红色代表好”），AI决策出现大量错误，且某些模型（如Llama 3）对信号色彩极大敏感，表明AI不仅是逻辑工具，还继承了人类“动物精神”及偏见。

- AI决策“厌恶羊群”可能带来的市场变化：AI避免羊群行为可能降低泡沫风险，但若大规模市场主体行为趋同，会改变市场流动性结构，可能增加短期波动。

• 调优行为的副作用：尝试将AI提示为“最优决策”虽增加理性羊群，但同时带来更多较少预期的次优决策，可能导致新的金融稳定风险。

- AI与人类交互复杂性：人机混合交易环境可能产生难以预测的市场动态，可能放大或抑制市场波动，现有监管框架缺乏对应工具。

• 市场情绪测度难题：AI参与将削弱传统基于人类情绪的市场情绪指标的有效性，需要开发新的情绪及风险监测工具。

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。[page::5,26-28]

---

6. 批判性视角与细节点评

• 实验环境与现实市场差异： 纸上实验尽管模拟了金融专业人士交易环境，但最初模型简化且受限于具体设定，未涵盖复杂的市场互动、多资产、多策略环境，部分结论的外推需慎重。

- AI模型差异显著： Claude系列与Llama、Nova表现存在明显差异，说明不同模型设计、训练数据及推理策略对行为影响甚大，AI行为非同质。

• 对人类偏差的继承提醒谨慎： AI并非纯粹理性算法，存在对非理性因素的“学习”与复制，这带来更多不确定性，且生成式AI的不断迭代更新可能导致行为模式不可控。

- 优化指导潜藏风险： 指导AI“最优决策”未必能全局优化市场稳定，有可能导致新的次优行为，着眼点需扩大至系统性视角。

• 监管与技术发展需同步： 报告反复强调市场监管需与AI技术进步并行，尤其面对AI引发的新形式的市场动态和风险，并呼吁继续深入跨学科研究以应对未知风险。

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。[page::21,26-28,64-65]

---

7. 结论性综合

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：

• AI代理体现更强理性决策：AI依赖私人信息的概率显著高于人类，理性与部分理性决策累计达90%以上，超越人类约65%的表现，且AI几乎无错误决策，表明AI能够有效减少次优羊群与非理性行为（表1，图5）。

- 羊群行为显著减少且倾向逆势而非随势：AI决策中信息级联出现比例远低于人类，且多表现为逆势（contrarian）决策，显示生成式AI对羊群效应的“厌恶”，为金融市场提供更稳定的微观基础（表1）。

• AI忽视价格更新中隐含信息：大多数AI模型未能充分利用交易历史来估计资产价值，导致部分决策非最优，解释了部分逆势行为，这反映出AI虽理性但尚未完美，存在盲点（6.4节详细AI推理分析，表2）。

- 输入信号标记对AI行为影响显著：当信号颜色编码与人类自然偏见不符时（如“红=好”），AI表现混乱，甚至出现大量错误，强调AI继承和受限于人类经验与知识，使市场风险呈现出新复杂性（表6，7.1节）。

• 最优AI行为指导提升收益但伴次优交易：通过在Prompt中加入理论最优羊群规则指导，AI更频繁地采用最优羊群行为，收益显著提升，然同时带来一定的次优羊群交易，表明优化过程复杂且需警惕可能的金融稳定风险（表4，5）。

- 人格化设定对AI决策影响有限：输入多样化人格特征未实质改变AI决策模式，表明当前LLM对自我特征理解有限，行为仍高度依赖基础训练与Prompt设计（表10）。

• 价格变动轨迹呈现基于决策不同的动态差异：AI与人类决策差异映射到价格动态上，AI价格变动趋于稳健而人类市场更易产生极端波动，体现生成式AI具备潜在稳定市场的微观机制（图3）。

- 未来监管挑战与研究方向：AI非完美理性，且行为随技术进步变化，立法和监管需要开发AI专属市场监控和压力测试工具，考虑人机混合市场中复杂风险传导机制，深化AI与行为金融交叉研究。

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。[page::0-6,16-22,26-28,33-40,41-50]

---

参考关键表格与图示链接

• 表1：AI与人类在三种Treatment下的行为分布对比

- 表2：AI理由文本分析（情绪成分、是否参考交易历史等）

• 表4：引导最优行为的AI代理交易表现

- 表5：AI与最优AI的预期收益对比

• 表6：信号颜色编码变动对AI交易行为的影响

- 图1–5详见上述图表解读段落

---

（此分析基于完整文档第0至69页内容，引用示例：[page::12],[page::16],[page::33],[page::39]等）

报告