伦敦同业拆借利率（Libor）操纵案发生之后，主要经济体分别对基准利率进行了改革，并最终确定了基于真实交易的近似无风险利率(Risk-free Rates，RFRs) 的替代方案，而以Libor为代表基于报价形成的旧基准利率将于2021 年末正式退出。鉴于国际基准利率改革将对全球金融市场带来深远的影响，对新旧基准利率的形成机制进行对比分析，特别是在数字经济背景下，考察大数据、机器学习、高频交易等对新基准利率形成机制的影响，具有重要的现实意义。

新基准利率具有显著优势

与以Libor 为代表的旧基准利率相比，新型基准利率（RFRs）具有以下显著的优势。

首先，RFRs 基于市场的真实交易形成，从而规避了报价型利率在特殊时期可能出现的操纵行为。其次，RFRs 形成的市场基础更为扎实。全球银行间拆借市场在近十年快速萎缩，致使Libor 的交易规模与使用它定价的金融产品规模不匹配。为此，主要经济体或者将拆借市场的主体进行扩容，扩展到非银行金融机构，尽可能涵盖全部的金融市场交易者；或者直接将拆借市场替换为交易更为活跃的回购市场。再次，RFRs 剔除了银行的信用风险，从而强化了基准利率的无风险性。最后，RFRs 是隔夜利率。一方面，在货币市场的交易中，隔夜市场的交易量通常远高于其他期限市场，更具代表性；另一方面，隔夜利率与多数国家政策利率的期限相同，能更好地反映政策利率调整的方向。

数字经济对新基准利率形成机制的影响

尽管新型基准利率形成机制同样带来一些新的问题，但随着数字经济的快速发展，这些问题已经有所缓解。

其一，信用关系技术化弥补新基准利率在银行信用风险管理领域的缺失。

Libor 的本质是信用市场基准利率，反映的是银行负债端的融资成本，而RFRs 接近无风险利率，难以反映银行的融资成本。因此，将RFRs 作为基准利率，会显著增加银行资产负债管理的难度。

数字经济对RFRs 的改善主要体现为信用关系的技术化，即商业银行通过综合使用算法交易、智能化技术、机器学习等多种技术手段提高资产、负债两端的风险管理水平和风险定价准确程度，进而缓解RFRs 难以反映相关信用风险的问题。在商业银行的负债端，人工交易、电话报价被电子交易平台和自动报价系统所取代，银行间的抵押和回购交易从线下转移到线上，在降低交易成本的同时，打破了负债端利率定价过程的时空限制，提高了交易的透明度；在资产负债管理中引入基于机器学习技术的压力测试预警系统，如随机树模型、神经网络模型等，能够识别复杂数据系统中的变量关系，显著减少拒真错误和纳伪错误发生的概率。在商业银行的资产端，商业银行可以通过人工智能、自然语言处理技术将贷款客户的软信息（包括电商平台的交易评价、社交网络数字痕迹等）纳入违约风险计算模型，在减少对传统抵押物依赖的前提下, 提高了违约风险计算的准确度。此外，商业银行通过与科技企业在资产端的密切合作，将传统的贷款发放流程解构、改造和重新链接；借助科技企业在客户画像方面的比较优势，在有效控制风险的前提下对不同类型贷款客户设定异质性的资金成本，提升了信用风险定价的准确程度。

其二，大数据、机器学习等新技术，辅助新基准利率构建利率曲线。

在利率曲线估算方面，不同于Libor，RFRs 均为隔夜期限，这将为银行的风险管理、客户现金流规划以及资产定价带来挑战。

大数据分析、机器学习等新技术手段可以改善基准利率市场的价格发现功能，深度应用于交易型基准利率收益曲线的构建过程。以美国为例，虽然隔夜品种无风险利率SOFR（隔夜担保融资利率）依赖的回购市场具有丰沛的交易量，但是其他固定期限品种的SOFR 回购市场缺失或交易量不足，市场参与机构无法直接确定中长期固定期限基准利率。因此，SOFR 管理机构替代参考利率委员会（Alternative Reference Rate Committee，ARRC）提出，在实践中计算前瞻性固定期限利率时需要大量参考衍生品市场定价，根据期货利率与隔夜指数掉期（Overnight Index Swap，OIS）进行综合计算。基于证券、期货衍生品市场的交易实践，机器学习等新技术在衍生品定价中发挥了重要作用，相比传统计算方法在价格发现、构建收益率曲线方面具有明显优势。以衍生品市场应用为例，市场参与者事先建立高维度、非线性统计模型，设计让计算机可以自动“学习”的算法，从大数据中自动分析获得规律，并基于规律对利率定价进行预测。与传统计算范式相比，机器学习方法选择的变量数量更多、类型更丰富，预测结果更贴近真实情形。

机器学习方法同样适用于解决基准利率定价问题：一是基准利率定价问题的本质是对不同资产未来超额收益的条件期望求解，机器学习方法的主要使用场景之一即为条件期望计算；二是影响基准利率定价的相关因素多、机制复杂，不仅包括资产的个体因素，还包括行业因素、宏观因素等，这些因素之间存在高度相关性，传统回归算法应用效果不佳，而机器学习方法中变量选择和降维技术专门用于解决变量复杂性问题；三是基准利率定价方程的形式难以确定，机器学习方法综合了线性方程、回归树和神经网络模型，可以很好解决“模糊”方程的“黑箱子”问题。因此，以机器学习方法为代表的数字技术在交易型基准利率收益曲线构建方面的作用日趋明显。

其三，多国央行数字货币的发行削弱了新基准利率下美国货币政策的外溢性影响。

本次国际基准利率改革意味着美国离岸美元定价权的回归。此前美国调控离岸美元利率的难度较大（主要通过影响Libor 实现），因为离岸货币的流通路径和传导机制更为复杂，受全球市场供需关系的影响较大。用SOFR 作为离岸美元定价的基准利率，使得美国对离岸市场的调节更加直接和有效。但问题在于，由于美元是世界货币，离岸美元定价权回归意味着美联储对全球金融市场的影响途径更加直接，影响效果更加显著。在此背景下，其他国家的境内美元定价并不能直接反映本国境内美元市场的供给和需求关系，而是主要取决于美联储的货币政策以及美国境内市场参与者的交易行为。这将对非主要货币国家货币市场短期利率的形成机制造成冲击，从而对这些国家货币政策的独立性带来新的挑战。

央行数字货币的研发和使用可以缓解这个问题。央行数字货币包括批发型和零售型两种，前者主要在中央银行和金融机构之间流通，后者在居民、企业等部门间流通。批发型央行数字货币的作用类似央行准备金，但是自动化程度更高，更便于中央银行结算、管理；零售型央行数字货币是中央银行对居民和非金融企业的直接负债，其他金融中介的运行情况、金融市场流动性状况对央行数字货币的稳定性不产生任何影响。央行数字货币的结构设计、部署实施与一国数字经济和金融发展的综合实力密切相关；国家数字移动网络基础设施、在线交易场景构建、数字技术创新、金融综合治理能力、金融数字法律框架等共同构成央行数字货币的基础。近年来，数字支付方式的全面普及和新冠肺炎疫情后现金支付锐减的现实，加快了央行数字货币计划的实施进度。

央行数字货币相比传统货币在便捷性、安全性、支付效率等各个维度具有比较优势。在国际支付和清算领域，数字货币的使用极大地简化了流程，节省了跨国支付的时间成本和交易成本，更重要的是促进了不同国家货币当局的直接合作，减少了对美元的依赖，削弱了美国货币政策的外溢性影响。

其四，电子交易、高频交易对新基准利率带来多重、复杂影响。

基于真实交易的RFRs 还会受到多重复杂因素的影响，如真实交易的成本、市场流动性、抵押品供需关系变化等。因此，RFRs 通常表现出比Libor 波动性更强的特征，这对其作为市场基准利率使用带来了负面影响。

数字经济的发展也对RFRs 带来多个方面的影响。其中，电子交易能够减少RFRs 形成过程中的交易成本。广义的电子交易是基于电子系统进行的交易，包括线上报价、在线竞价等。电子交易系统在基准利率市场的全面部署使得从报价、交易、结算到持仓管理的全流程实现自动化处理，替代了基准利率市场双边、多边电话报价交易方式，减少了基准利率市场中人力参与的工作量，大幅降低了基准利率形成过程中的交易成本，同时降低了现货、衍生品复杂组合交易的实施难度。在标的资产搜寻、匹配过程中引入电子交易，减少了搜寻成本和交易摩擦成本，提高了基准利率市场的整体效率。因此，在数字经济背景下，电子交易技术的进步对基准利率形成过程将持续产生积极的影响。

算法交易对基准利率形成机制的影响较为复杂。算法交易又称自动化交易，参与机构预设算法程序，由程序代替交易员根据基准利率市场变化随时自主作出买入和卖出决定，并基于基准利率走势和冲击事件对买卖数量、顺序、报价方式等细节进行动态优化。高频交易是算法交易的一种，是针对流动性好、交易量大的资产类别，利用极为短暂的微小价差进行交易的行为。高频交易在正常市场环境下会增加基准利率市场流动性、提高价格发现的效率。证券期货市场和固定收益市场的实证研究结果表明，从参与机构微观角度分析，采用高频交易策略的机构在获悉市场冲击后能够更快速地执行交易决策，对机构个体而言，“算法战胜人脑”的速度优势能够减少损失、增加期望收益。从市场宏观角度分析，市场中使用高频交易的交易者越多，资产价格对冲击事件的反应速度越快，相应增强了基准利率市场的价格发现功能。

但是，需要关注的是，高频交易也会对基准利率市场的稳定性和风险管理提出新的挑战。高频交易的应用使交易买卖价差变窄，如在高频交易频繁的发达国家市场，买卖价差已经接近最小变动单位（tick）。问题在于，买卖价差通常被视为监测市场质量的重要指标之一，在高频交易情形下，监管机构和市场参与主体基于买卖价差对市场质量作出的判断极易出现偏误，出现过于乐观估计市场流动性状况、低估流动性风险甚至对其错误定价的情况。此外，当市场遭遇异常冲击时，高频做市交易的自动撤单机制有可能放大市场风险。