EN 中文
首页 > 系列报告 > 国际金融通讯(第十八期)
Home > SeriesReport > 国际金融通讯(第十八期)

国际金融通讯(第十八期)

2021年01月22日

PIIE

美国如何恢复多边经贸合作

PIIE高级研究员查德·鲍恩和安娜贝尔·刚萨雷斯建议美国恢复与其他国家的多边经济合作关系。为了达成这一目标,他们在三方面对美国政府提出了建议。第一,合作关系中的国家应当具有一定的多样性,但也应当足够同质化。这种情况下,相关合作才能在足够有代表性的同时,能够促进彼此快速达成共识。第二,在拜登上任的前一百天,贸易和投资应当与外交及环保政策有效结合。在外交方面,如果要重建美国在国际上的领导力,那么美国不仅要与同盟国修复关系,更要取消美国的单边关税,并与G20各国合作,提高新冠疫苗和其他医疗资源的供给。在环保方面,美国应当完成巴黎协定的要求。为完成这一目标,美国应当限制渔业补贴,并重新展开关于环保产品协定的谈判,以减少环保产品的关税。第三,报告指出了美国贸易上的三个重点:(1)较为紧迫的问题,包括制定对华贸易战略等;(2)很重要但并不急迫的问题,包括空客和波音的矛盾,法国等国对电子服务征税等;(3)与政治相关的其他多边贸易关系问题,包括对WTO上诉机构的改革、建立跨境支付的规则等。[1]

BIS

货币政策,技术及不平等问题

BIS于1月13日发表报告,讨论了货币政策与财富、收入不平等问题的关系,以及技术对不平等问题的影响。一方面,报告指出不平等问题影响了货币政策的传导作用。较富裕的家庭消费倾向较低,因此这些家庭的消费对货币政策刺激的反应较小。但较贫穷的家庭可能由于缺乏抵押品和足够的信誉,所以无法借款,进而无法从宽松的信贷条件中获益。另一方面,报告指出,技术的推进可以有效地改善不平等问题。其中,数字身份证明可以降低注册银行账号的成本,鼓励更多人使用银行服务。非银行现金转账中介的发展也降低了移民汇款的成本。金融科技的发展也使更多个人和企业使用银行服务,使货币政策的传导更有效率。但尽管如此,技术附带的两个特征却会加深不平等。第一,在美国抵押贷款市场中,机器学习模型加剧了种族歧视问题。第二,目前来看,新技术以及新技术带来的便利主要由较富有的个体享受。这两点特征说明技术需要在相关政策的引导下,才能在不平等问题上发挥最大的作用。[2]

美联储

美联储新政策框架的背景与结果

1月13日,美联储委员会副主席克拉里达就美联储新政策框架发表了演讲。首先,他指出,美联储推出新的政策框架,主要是为了适应自2012年以来的三点经济变化。第一,中性实际利率持续下降。根据联邦公开市场委员会的估算,2012年1月的长期中性实际利率为4.25%,而2020年12月则为2.5%。这一趋势压缩了FOMC常规货币政策的空间,这也使得经济衰退发生时,可能面临更持久的通胀下行压力和失业上行压力,而美联储的货币政策应该立足于整个经济周期而不仅仅是在经济衰退期间予以抵消。第二,物价与(人力)资源冗余的相关性降低,且菲利普曲线也变得更加平坦。在预设目标通货膨胀率保持在2%的情况下,FOMC预估的长期失业率持续下降:从2012年1月的5.5%下降至2020年12月的4.1%。第三,随着中性实际利率降低,利率有效下限开始限制货币政策的空间。货币政策不应该继续将预期通货膨胀率定在目标通货膨胀率的水平,而应该低于目标通货膨胀率。

其次,在实现物价稳定和就业率最大化这两点职责上,新政策框架主要有以下特点:第一,在个人消费支出通货膨胀率高于2%,且其他所有实现物价稳定的条件均满足的情况下,FOMC才考虑提高利率有效下限的水平。第二,2%的平均通货膨胀率不是参考过去的数据,而是主要参考FOMC对未来通货膨胀率的预期。也就是说,为了使长期通货膨胀率保持在2%的水平,预测通货膨胀率未来会持续低于2%的情况下,FOMC的目标通货膨胀率将会在一段时间内保持略高于2%的水平。第三,在满足政策正常化的条件后,货币政策仍将在一段时间内[3]保持宽松。第四,在满足政策正常化的条件后,货币政策恢复长期通货膨胀目标,保持在大于2%,不低于2%的水平。第五,FOMC将最大就业率重新定义为在不对物价稳定造成冲击下的最高就业率。从实践上来讲,当失业率高于FOMC预测的长期自然失业率时,货币政策应当在不造成物价波动风险的情况下,尽量消除就业率下降的问题。而失业率低于长期自然失业率却不会再作为使用紧缩货币政策的唯一标准。[4]

金融服务中人工智能的负责任使用和结果的公平

1月12日,美联储委员理事布雷纳德发表演讲,讨论了金融服务下的人工智能。首先,他提出了人工智能的两点重要作用:(1)在金融服务数字化的趋势下,人工智能可以很好地监控和避免金融诈骗;(2)机器学习模型可以通过分析传统、替代数据,评估缺乏传统信用记录消费者的信誉,进而提高借贷决定的准确性及公平性。但由于人工智能的算法复杂且透明度低,如果模型上没有对种族等数据进行调整,也很可能加剧歧视及不公平的问题。其次,“黑箱问题”,即人工智能模型不透明的问题,主要是因为两点原因:第一,在人工智能的操作下,是算法本身(而非学者)建立了模型。因此,没有人可以直接解释人工智能模型;第二,比起传统模型,机器学习模型可以计算更复杂的非线性关系。这一特点证明了机器学习的强大,但同时也使模型变得更为复杂、更难解释。尽管如此,“黑箱问题”还是存在一些解决方法:对于一些模型,开发人员可以直接查看各项数据的权重。即使是权重不透明的机器学习模型,开发人员也可以通过比较不同输入数据产出的结果来解释模型。最后,布雷纳德指出,对机器学习模型的解释说明没有统一的标准,这取决于模型不同的使用目的。例如,对于消费者保护、避免歧视或者银行进行风险管控等方面的模型,各自的解释标准就可以完全不同。[5]

编译:贺怡源 国家金融与发展实验室研究助理

审校:胡志浩 国家金融与发展实验室副主任


[1] Chad P. Bown, Anabel Gonzalez, “The United State Can Return to Multilateral Economic Cooperation. Here’s How.”, https://www.piie.com/blogs/trade-and-investment-policy-watch/united-states-can-return-multilateral-economic-cooperation

[2] Luiz Awazu Pereira de Silva, “Monetary Policy, Technology, and Inequality,” https://www.bis.org/speeches/sp210113.htm

[3] 所有“一段时间”的长度由FOMC开始将通货膨胀率调至高于有效下线时的经济情况决定。

[4] Richard H. Clarida, “The Federal Reserve’s New Framework: Context and Consequences,” https://www.federalreserve.gov/newsevents/speech/clarida20210113a.htm

[5] Lael Brainard, “Supporting Responsible Use of AI and Equitable Outcomes in Financial Services,” https://www.federalreserve.gov/newsevents/speech/brainard20210112a.htm