河南村镇银行的外地储户，暴露了怎样的金融风险？| 文化纵横

数字技术如今正被全球资本大加追捧。众多行业的“数字化”转型都能获得天量投资，俨然成为超过当年互联网“新经济”泡沫的“超新经济”。然而，数字技术应用于金融市场后，也催生了投机交易、庞氏融资和更多新形式、更大规模的高利贷。那么，当前金融科技中的数字技术的本质是什么？为什么会带来上述负面影响？应该怎样看待和管理金融中的数字技术？

要回答这些问题，需要注意到当前金融科技的三大新现象：一、新兴混业经营的科技金融寡头已经形成并具备了超强的资本力量，这对金融监管提出了巨大的挑战。二、数字技术支撑的金融产品已全面渗透进日常生活，卷入其中的民众范围空前扩大。数字金融产品已经附着于日常生活，出现了繁多变体，普通民众逐渐从主动参与变成被动卷入金融交易之中。三、数字技术的介入使得有潜在风险的金融产品和业务从快速膨胀到“爆雷”的时间周期大大缩短。

数字科技介入金融领域，也确实给民众提供了便捷的消费、贷款与融资渠道。但当数字科技的技术原理复合到金融寡头的高杠杆、高利贷和投机交易之上时，金融系统的稳定性极易受到冲击。在当前的中国，由于监管及时，同时也因为单个企业已经快速“爆雷”，金融科技目前还没有形成像次贷危机那样庞大的系统性泡沫。但是长远来看，数字科技把原来金融交易中的线性稳定模型升级成了基于大数据的非线性不稳定黑箱，大大增加了宏观金融系统的不稳定性。

▍追不上技术实践的理论：当市场跑赢监管

金融科技有两个实体——“硬件”，即真实服务交易的计算机和通信基础设施；“软件”，即信息化的数据存储、分析处理等工作。信息科技影响金融行业的历史可以简单地分为三个阶段。

在第一阶段，银行等传统金融部门通过将服务实体经济的中介性金融业务（储贷、交易结算等）电子化和信息化，提高了安全性、保密性和便捷性。20世纪90年代以来，伴随着通信科技进入交易性的金融市场，买卖成交速度全面提高。信息技术的进步极大地满足了投机性交易对“先人一步”成交的要求，信息科技对金融领域的影响进入第二个阶段。在这一阶段，由于金融交易不断对IT设备和网络的性能提出极端需求，为这一时期美国信息科技的发展提供了最大份额的投资，推动了通信技术的快速发展。与此同时，苏联解体后，一大批军工、航天技术专家和科学家来到美国，他们把高深的数学带到金融衍生品的设计之中——舆论就此称呼此类工作为“火箭科学”。这些“火箭科学家”们通过分析大量数据得到相关参数，并将其带入到期权定价模型中设计金融衍生品。由此产生的大量金融产品，构筑起美国庞大的金融衍生品帝国。金融衍生品的泛滥加深了美国经济虚实二元化的隔阂，金融产业逐渐形成了一个仅创造交易而不服务于实体经济的“第二部类”，为次贷危机埋下了伏笔。

当前异军突起的大数据和人工智能技术，是信息科技影响金融行业的第三阶段。如今，高性能计算机、数据库和高速网络已经成为金融交易的标配。次贷危机发生后，信息技术放弃了“火箭科学”原理，转而依托计算机的超强算力和网络平台捕捉数据的超强能力。新一代技术完全抛弃了构造有经济学意义的模型和理论，而是结合计算机科学、物理学、数学、人工智能等跨学科前沿技术，开发出新的金融科技“软件”，进一步发展了美国金融“第二部类”中已有的衍生品。这一新趋势不仅催生了新兴的混业经营垄断寡头，还在理论上试图掩盖寡头用科技“新瓶”装次贷危机“旧酒”的本质。

在某种程度上来说，新的金融风险的出现和积累，是主流金融理论落后于时代的必然结果。金融理论的滞后，也导致了在这条赛道上监管总是落后市场的发展。

例如，量化交易集合了从超快通信基础设施到大数据、人工智能在内的金融科技硬件和软件，把监管抛在身后。在2015年中国股市惊人的大起大落之中，监管层发现了量化交易的身影，并及时进行了管理。但是，市场与舆论对此却有异议。有观点认为，量化交易在形式上并不违法，它符合主流金融理论的“套利交易”原则，仅仅是以极高的速度买进卖出，通过计算机数据分析预判其他人的下一步交易，并抢先一步执行。这不但不会加剧波动，还应该是市场的稳定器。最终，在对股市异常波动的处理过程中，监管层在对量化交易进行了调查后，并没有全面禁止这一交易模式。这一事例表明，没有相应的金融理论，就难以对新兴的金融工具实施事前和事中的监管，而只能在潜在的风险转化为现实损害的时候进行事后追责。

当前，中国的金融监管面临着诸多挑战。一方面，主流金融理论预设下的自由化“行为规范”，无法切实保护广大消费者利益；另一方面，我们既无法和跨国金融资本竞争话语权，又面对国内金融科技行业的新实践（如股票“配资”交易、“数字货币”、“P2P”金融）提出的各种各样的监管难题。2020年10月，马云在一次公开演讲中指出，蚂蚁金服能在解决中小企业贷款难问题的同时，利用数字信息技术很好地避免系统性金融风险。同样，由于缺乏对于金融科技的理论认识，监管部门也只能从保护消费者等宏观层面强调监管的重要性。监管部门强调的“零容忍”“终身责任制”，实质上也只是强调了监管的裁量权，但在技术上，我们目前还比较缺乏面对金融科技可操作的监管措施。在治理策略上，中国目前是以“金融服务实体经济”和“防范系统性金融风险”的“实效监管”作为目标，这已经远强于欧美只看交易合规性的“程序监管”；但是，如果我们没有对于新的系统性风险的充分认识，仅依靠实效监管，即使有无穷大的自由裁量权，实际上可能还是很难消除金融科技制造的系统性隐患。

要走出这一局面，一是在理论上应该超越西方主流均衡经济学范式，摆脱对美国金融路线的模仿；二是应建立新的试错机制，用以发展新形势下能达到既定目标且安全自主可控的金融体系。两个措施应不分先后、一起推进。我们首先需要明确：美式“金融创新”没有经验，只有教训；同时，金融监管的导向应从过去的促进市场效率和防范风险，向提高金融宏观效能转变。

▍数字技术的祛魅：内生不稳定的非线性黑箱

由于超级计算机和超快通信网络的普及，到目前为止，数字科技的“创新”实际上属于数据统计分析方法的升级。目前数据统计的方法有两种。一种是以“火箭科学”的高深数学进行数据统计。2008年的次贷危机，已经证明滥用数据模型的衍生品会带来灾难性后果。但是，这种方法由于它是基于有公式的模型，实际上还是可以解释分析的。而数字科技采用的数据分析办法则是人类很难分析的。在次贷衍生品出现问题后，人们发现真实世界的风险是广泛联系的非线性动态，是比天气更复杂的非线性不稳定系统。但这个直观认识不能转化为实际可操作的技术方法。这时候数字科技提供了另一种数据分析方法：引入非线性，但放弃任何理论解释的余地，把一切交给算法。

大数据和人工智能的本质在于：大量数据之间的相关性过于复杂，是非线性的网络结构，数据间可能的相关性无法通过人类可认知的模型方法给出，只能依靠算法自动评估。当数字科技应用于金融领域时，它就不再尝试传统金融学构造的定价和交易模型，而是直接使用“机器学习”的方法：用数据对算法进行“训练”。这一过程仅把历史数据和历史结果投喂给算法，由计算机自行判断如何给出结论。对人而言，这个过程是不可解释的黑箱操作，经由黑箱导出的结果也没有判定标准：人们无法判断结果不一致的时候是有个别地方出错了，还是系统结构发生了变化。为使结果有意义，人工智能只能事先假设系统是稳定的。但非线性系统往往本身是不稳定的，系统处于不间断的变化发展中；即使是静态的非线性系统，也有不稳定的多均衡存在。这就说明，人工智能基于历史数据得出的结果不一定适用于未来，也不一定能反映当下实际情况。在假设系统是静态的情况下如何能描述系统的动态？这是数字技术应用于金融领域时面临的基本逻辑矛盾。

实际上，大数据“黑箱化”的数学理论完成于上世纪，不但早于次贷危机，更早于互联网泡沫，甚至都称不上“新瓶”。次贷危机前，美国人用以衡量风险的数据量一点不比现在少，并且也有经济学理论模型背书。但由于衍生品过于复杂，已经没有人能准确地研判真实的风险究竟有多大了。如今，统计的数学模型比次贷危机时又有了一些迭代发展，数据量也更大了，但海量数据反而将系统性金融风险的苗头藏得更深，比次贷危机更难观察到。

此次数字金融创新实际面临着和次贷衍生品一样的问题。主流经济学的一般均衡模型要成立，必须预设系统是自发稳定的，当中的任何波动都被假设为外生的白噪声。但在实际情况中，系统性危机的风险往往不是外力所致，而是在“和平时期”不断积累的。金融科技基于“和平时期”的统计数据，寻找危机爆发和市场突变原因的能力为0。没有理论的指导，大量的个体数据只会淹没宏观的异常现象。危机爆发的过程是非稳态的；而数据越多，总体看起来就越像一个稳态分布。因此从基础理论上看，数字科技在金融领域的应用，直接继承了次贷危机衍生品的方法论，仍然以一般均衡作为基础假设，区别只是“机器学习”的方法没有能够显式表达的模型。

具体而言，人工智能对系统性金融风险的盲目性主要表现在两个方面：第一，不能识别大量数据中静态的宏观结构，而只是用黑箱模拟稳定的相关性，这就导致即使是最小的系统结构微调，数字科技也发现不了；第二，基于对结构的盲目性，数字科技激励金融投机和庞氏骗局，扩大不稳定结构的变动并增加突变风险，这是系统金融风险的最主要特征，会引发“蝴蝶效应”式的正反馈。

更致命的是，数字科技会主动制造自己无法识别的宏观结构变化，造成系统不稳定性。这在金融市场中有最直观的例子，即前面提到的量化交易。量化交易不过是“微秒级的胜利”，可它却用一般均衡的概念自我辩解：如果市场是自我稳定的，那么量化交易抢先交易就会加速价格向均衡点回归。但是，量化交易特别容易引发跟风交易的羊群效应，追加买单/卖单和价格的上涨/下跌经常互为因果，这是典型的正反馈交易，是超高速的“追涨杀跌”。数字科技无法识别自己造成的结构破坏，导致连数字技术的所有者本人也会被反噬。例如，在2013年发生的“光大乌龙指事件”中，光大证券交易员误下指令，产生了两百多亿元的买单并由量化交易系统自动执行，下单时间不足5毫秒，突破了所有人工和系统的防范；经由其他交易者的跟风放大，结果造成指数瞬间大涨超5%。2015年股市的异常波动中，量化交易高频做空股指期货，加剧了抛售的正反馈动力学，加速系统的结构突变，造成暴跌的正反馈。高频交易从业者也承认，当市场出现正反馈时，量化交易如果恰好和正反馈同方向就挣大钱，反之就巨额亏损。量化交易系统绝不能防范系统性风险的出现。

因此，数字技术的反稳定革命实际上是人的问题：从业人员充分利用了上述两个特征，用大量数据和算法黑箱包藏本来就难以识别的系统不稳定性，在这种情况下监管就是被动且滞后的。

▍从“精准捕食”到“精准扶持”：规范新兴混业经营寡头

从历史上看，不同国家在各个时期的金融创新在金融操作层面是一致的，区别在于新技术的引入使这些创新的影响不断增大。

金融科技最新的重要“创新”，就是混业经营的金融科技垄断寡头。混业经营使得它们更易介入居民的生活场景，更易发放高利贷、制造衍生品，实际上是给金融系统整体加杠杆。例如，网络电商平台通过支付、贷款、购物一体化，打通了居民从高利贷到超前消费、奢侈消费的全通道，侵占衣食住行所有生活场景——甚至连几十块钱的账单，也鼓动消费者分期。

形成这样的商业模式主要是因为这些互联网金融平台前期为达成垄断投入了太多推广费用，这些费用一般来自私募股权市场的融资。出资人会要求平台迅速实现账面收益以便上市，进而获取股价上涨带来的超额收益。对于这样的商业模式来说，贷款给中小企业获取长期收益太慢了，只能依靠透支消费者的未来收入以实现最快的资金回笼。

精准识别个体微观风险是这一金融创意的招牌。尽管大数据和人工智能技术号称能够基于历史数据精准识别个人的风险特征，但平台利用垄断地位在宏观上增加了超前消费和高利贷总规模，这一会影响宏观系统的行为，本身就破坏了先前微观风险识别结果的真实性。不仅如此，金融科技寡头也无法识别其他主体制造的系统不稳定性。例如，最近“爆雷”的长租公寓通过高价收房、低价放租，迫使租客借租金贷整付租金给平台，平台再分期交付房东租金的形式，构造资金池，进行庞氏融资扩张，正是利用了科技制造金融骗局的能力。这些房主和租客同时也是其他电商平台的用户，而电商的大数据却不能发现这一结构性冲击蕴含的系统性风险。

我们可以看到的是，人工智能系统得到的数据是从前居民不怎么借高利贷，还款能力很强，结果各个平台争相给居民发放高利贷，且各个平台并不知道居民借了竞争对手的高利贷。蕴藏其中的风险不仅影响人工智能的微观风险识别，宏观上也造成了规模急速扩大又可能急速破灭的泡沫循环。在这种情况下，强调科技拓展普惠金融、提高技术可靠性、完善数据标准，没有什么根本帮助。从P2P金融，到租金贷、电商平台消费贷，这一轮数字金融创新既有庞氏骗局去中心化的游击战，又有混业经营平台全面侵入居民生活场景的产品集，俨然是个蜂群，如水银泻地无孔不入。蜂群中的任何一个产品，都能单独膨胀成美国次贷那样的大象，其系统性金融风险不可低估。

既然金融科技不能自发控制自身行为导致的系统变化，那么金融科技就应该成为严厉限制的对象吗？关键在于在理论上认清监管业务合规性的难度。由于数字技术的独特性，即使监管部门使用和金融寡头一样的数据和算法，也发现不了人工智能的问题。因此，要对数字技术进行监管，必须以相关理论指导下的非线性和非稳态模型进行系统性金融危机的预警，这样做起码可以做到提前一个季度发现系统性金融风险的信号。与此同时，在理论上我们也要辨明，不同的商业模式可以将系统变化导向不同方向。现阶段，规范商业模式可能比监管业务合规性更有效。

稳定只是底线要求。如果数字技术在金融领域运用得当，也能推动经济的长期发展。

从现象上看，如今互联网金融平台热衷于发放小额消费性高利贷，其策略是“精准捕食”。“精准捕食”策略就是精准识别消费者能承担的最高商品价格和最高贷款利息的“大数据杀熟”，这种策略在短期内能带来高利润，帮助企业快速实现资金回笼，长期来看却积累了系统性金融风险，并降低了经济增长潜力。

未来，大平台的数字科技应该着力应用于精准识别、扶持风险小、有前景的企业，向它们提供不需抵押的低息贷款，降低其融资成本，如此才可能带来长期增长的高收益。消费透支的“精准捕食”易导向长期系统性金融风险，而企业融资的“精准扶持”则可以增强系统耐冲击能力，并逐步导向长期高利润。当然，由于两种商业模式的短期利润差别巨大，还需要政府充分发挥自身作用，推动金融科技转向精准扶持中小企业。在具体操作上，还是应采取分区实验、综合评估的方式，调整监管的形式。央行、财政部、发改委等部门和监管部门协商划定分区实验的范围和容错度，在此范围内允许实行不同商业模式的金融科技企业进行竞争，对在实践中有效的商业模式，逐步推广，真正落实金融服务于实体经济的发展导向。