◇江振龙（金融研究所副研究员）

　　人工智能从“数据—模型—理论”三个维度深刻改变了宏观金融的研究范式。一是AI提升了宏观金融的分析预测能力。传统宏观金融分析主要依赖官方统计数据，其频率较低且存在发布时滞。AI既能对企业、居民和金融机构产生的海量微观数据进行实时处理与聚合，从微观行为中提取宏观经济信号，也能借助自然语言处理、图像识别和机器学习等技术，从新闻文本、企业公告、社交媒体等非结构化数据中提取实时经济金融信息，为宏观金融分析预测提供更加及时丰富的信息支撑。二是AI提升了宏观金融模型的计算能力。传统宏观金融模型多采用低阶近似方法求解，但随着异质性主体、金融摩擦及更多状态变量的引入，传统计算方法难以兼顾计算效率与求解精度。三是AI推动宏观金融理论创新发展。传统宏观金融理论大多建立在理性预期和代表性主体等假设上，难以刻画现实经济系统的非线性和异质性特征以及经济与金融的复杂交互机制。AI凭借强大的数据挖掘和模式识别能力，推动宏观金融理论向更加注重微观基础、经济主体异质性和非线性作用机制方向演进。

　　然而，AI对宏观金融研究带来的挑战亦不可忽视。其一，AI正弱化宏观金融理论假设的适用性。随着算法交易、智能投顾和算法定价等技术的广泛应用，越来越多的经济决策由算法而非自然人完成。当算法主体在市场运行中占据主导地位时，宏观金融理论的微观基础将发生深刻变化。现有理论关于预期形成、市场均衡和政策传导的分析框架亟待重新检验。其二，AI可能弱化宏观金融研究中的理论驱动机制。宏观金融研究的核心任务并非简单提升预测精度，而是识别经济运行规律并揭示因果机制。大语言模型已能够完成文献梳理、代码生成、数据处理甚至实证分析工作，在提高研究效率的同时可能诱发“重结果、轻机制”倾向。若研究者将大语言模型输出视为知识本身，忽视其背后的理论逻辑与识别条件，宏观金融分析则容易演变为挖掘数据间的相关性，从而削弱理论解释现实和指导实践的能力。其三，AI正重塑宏观金融运行机制，并可能催生新的系统性金融风险。在AI广泛应用于经济金融领域的背景下，算法之间的同质性可能引发羊群效应，放大金融市场波动。同时，AI大模型的“黑箱”特征增加了风险识别和监管难度。如何刻画智能体决策行为、识别新型风险传导机制并完善监管体系，将成为宏观金融研究的一项重要课题。

　　面对AI带来的机遇和挑战，青年学者需要在技术应用与理论创新之间寻求平衡。一方面，应坚持以理论为研究起点。无论AI如何发展，宏观金融研究的核心仍是对经济金融运行的现象及机制作出分析和解释。扎实掌握宏观经济学、货币金融学和计量经济学等基础理论，是正确运用AI工具并识别其局限性的前提。另一方面，应更加重视制度背景与现实问题的研究导向。经济金融的运行往往受到制度安排、政策环境和历史条件的影响，这些因素难以完全通过大语言模型自动获得。要深入理解和分析中国经济金融的运行特征，调查研究始终是关键一招。同时，应建立清晰的人机协同边界。AI可以承担搜集信息、处理数据和编写程序等辅助工作，但提出研究问题、构建理论框架、设计因果识别策略以及阐释政策含义等核心工作，必须由研究者主导完成。唯此，AI才能真正服务于学术创新，而非替代学术思考。

　　未来，要积极推动AI与宏观金融理论的融合发展，深化对经济金融运行规律的认识，为推动高质量发展、加快构建新发展格局提供坚实的理论支撑。