Когда центральные банки выходят из строя, они часто обращаются за помощью к другим центральным банкирам. Риксбанк попросил Мервина Кинга, главу Банка Англии до 2013 года, исследовать его прогностические способности в течение 2010-х. Недавно Банк Англии, чьи собственные прогнозы пошли накриво (конечно же, никакого отношения к практикам, установленным Мервином Кингом, это не имеет), попросил бывшего председателя ФРС и профессора Принстонского университета Бена Бернанке взглянуть на его методы.
Бернанке представил свой отчет год назад, где его общий вывод заключался в том, что центральные банки в целом плохо справились с макроэкономическим прогнозированием, в основном из-за серии крупных глобальных потрясений, которые пережил мир (и я бы добавил, из-за последующего “шок и трепет” ответа со стороны центральных банков). В частном случае Банка Англии Бернанке нарисовал непривлекательную картину загрустившего учреждения, где программные системы устарели, наборы данных слабы, а ресурсы сотрудников плохо управляются.
Один из умных способов решить все это мог бы быть просто в наш век ИИ, попросить ChatGPT прогнозировать рост и инфляцию. Я сделал это, и он сказал мне обратиться в Банк Англии.
Фактически, центральные банки уже используют то, что широко известно как ИИ. Некоторые центральные банки в развивающихся странах, таких как Индонезия, используют его для сканирования общественной реакции на свою денежно-кредитную политику, и многие экономисты давно используют машинное обучение и вероятностные модели задолго до того, как ИИ стал популярным. Действительно, появляется все больше мыслей о применении ИИ в центральном банковском деле организациями, такими как Банк международных расчетов (БШР).
В некоторых областях центральные банки используют ИИ для контроля за надзором за финансовыми учреждениями. ЕЦБ запустил проект Athena, который использует ИИ для сканирования миллионов документов банковскими надзирателями, чтобы помочь регуляторам выявить аномалии. Расширением этого внимания является мониторинг центрального банка финансовых технологий, которые сами используют ИИ для выдачи кредитов и стратегий инвестирования частным лицам и домохозяйствам.
В последнее время я упоминал о росте этого сегмента банковской индустрии, особенно о том, что более трети компаний на уровне “единорогов” в Великобритании являются финтехами, и многие из них занимаются выдачей кредитов на основе ИИ. Это создает множество проблем для надзирателей, не только в сложностях борьбы с новыми наборами данных (и их происхождением), но и в попытках понять конструкцию ИИ-моделей, которые дирижируют финтех-сервисами.
В контексте завершения Европейского акта об ИИ в этом году использование ИИ в финансах является одной из областей, где центральные банки и надзиратели должны догнать. Представьте, когда фондовые биржи и определенные институты начнут использовать квантовые вычисления в торговле и исследованиях.
Насколько мне известно, использование ИИ в центральном банковском деле кажется основанным на предположении, что результаты, управляемые ИИ, создаются для помощи, но не замены экономиста/надзирателя. Я называю это подходом “Один человек и его собака”, где человек помогается в сложной задаче умным, адаптивным неземным актером (раньше это была собака, а теперь – компьютер). Было бы ошибкой для центральных банкиров принимать более машиноцентрический подход. Однако остаются некоторые препятствия.
Согласно заключению профессора Бернанке относительно Банка Англии, ИТ-системы в центральных банках и возможности управления данными отстают от лучших в частном секторе, а рынок интеллектуального труда находится в состоянии пузыря, что касается навыков в области ИИ. В результате техники-специалисты по языковым моделям вряд ли будут работать в центральных банках – хотя по моему опыту лучшие экономисты также очень хорошо умеют моделировать и применять модели ИИ.
Данные, возможно, являются самым большим препятствием. Я начал заниматься экономикой и эконометрикой в то время, когда “собственные наборы данных” вводились вручную в электронные таблицы Excel из корпоративных отчетов, или с помощью громоздких кодов Datastream. Сегодня мир изобилует наборами данных, которые помогают объяснить поведение домохозяйств и компаний – если центральные банки могли бы получить доступ к этим данным, они, возможно, стали бы намного мудрее, чем сейчас, хотя есть риск того, что они могли бы стать слишком зависимы от данных.
Искушение для следующего поколения центральных банкиров заключается в использовании своих контрольных полномочий для получения высокочастотных блестящих наборов данных от платежных компаний, стартапов “купи сейчас, плати позже” и наборов данных по оценке опционов от институтов, по которым они осуществляют контроль, и подготовки и анализа их в пользу денежной политики и выявления мошенничества. Некоторые центральные банки, такие как Банк Канады, действуют в этом направлении, но это развивающийся тренд. Эти данные высокой частоты могут потенциально быть очень интересными для анализа экономических потрясений и реакции экономик на последующую денежную политику после потрясений.
Есть как минимум два других аспекта.
Во-первых, относительно немногие экономические наблюдатели устанавливают связь между центральными банками цифровых валют и ИИ. Цифровые валюты центральных банков, если они будут реализованы, могут генерировать огромные наборы данных о финансовом поведении домохозяйств, которые затем могут быть лучше использованы для корректировки денежной политики. В идеальном монетарном мире центральные банки будут делать малые, высокочастотные и специфические для экономики корректировки политики через свои цифровые валютные рамки (в этом каждое домохозяйство имело бы счет в центральном банке), согласно моделям, управляемым ИИ, с целью достижения своих монетарных целей.
Во-вторых, центральные банкиры, довольно консервативная, хоть и не лишенная утонченности группа, должны научиться менять свои способы мышления и техники общения, если они собираются использовать ИИ в свою пользу. Это может стать самым большим препятствием.
