復雜系統視角下的金融經濟研究

　　復雜系統是由大量相互作用的元素構成的整體。復雜系統的整體行為和性質，不僅取決于其構成元素行為和性質的簡單疊加，還會受元素之間的相互作用以及反饋機制的影響。20世紀末，錢學森等人提出“開放的復雜巨系統”概念，全面闡釋了復雜巨系統內涵及方法論，并強調許多現實世界中的系統，如經濟社會系統、生物體系統等都屬于開放的復雜巨系統。由此，復雜系統理論的發展為解決重大現實復雜問題提供了理論基礎。盛昭瀚等人融合管理科學領域知識與復雜系統理論，創造性地提出復雜系統管理的理念，致力于復雜系統管理的基礎理論創新，并將其運用于我國重大基礎設施工程項目管理實踐。在金融經濟學研究中，研究人員對經典理論不斷改進，逐步發展出行為金融經濟學和社會金融學。然而，基礎數理建模工具的局限性，使得這些理論在解釋現實金融經濟系統中的復雜現象時面臨巨大挑戰。金融經濟系統的影響因素眾多，系統內元素的相互關系繁雜，系統與社會環境的互動方式廣、程度深，因而有必要從復雜系統的視角來研究金融經濟系統。習近平總書記指出，“要深化對金融本質和規律的認識，立足中國實際，走出中國特色金融發展之路”。可見，深刻認識金融系統的本質和運行規律，是黨和國家關心的重大命題。回答好這一重大命題離不開對金融經濟系統的理論探索和工程建模，后者催生了一系列復雜系統視角下的金融經濟研究。

　　　　見微知著：計算實驗金融學的研究哲學

　　金融系統是由大量具有適應性并相互深度作用的個體組成的復雜系統。傳統解析模型很難對金融系統的復雜現象進行刻畫。計算能力與硬件設施的快速發展，使運用計算實驗方法對金融復雜系統進行建模成為可能。比如，計算實驗金融學的核心思想，就是通過“自下向上”的方式對金融市場參與者進行建模，探索金融系統的復雜演化規律與微觀形成機制。

　　計算實驗金融學領域涌現出了一系列代表性模型，如個體學習模型、種群演化模型以及復雜網絡模型等。個體學習模型是計算實驗金融學的早期模型之一，研究人員運用智能算法模擬投資者的學習行為，通過多期學習構建人工股票市場，以復現真實金融系統的復雜特性，并嘗試理解股票市場運行規律背后的微觀機制。種群演化模型是計算金融學融合生態學概念而形成的一類模型，其按照偏好、先驗信念與財富水平將系統中的參與者劃分為不同種群，然后依據市場交易規則模擬演化過程，以再現和理解特定的市場現象。金融系統復雜性的另一來源，是結構復雜的信息傳播網絡。上述個體學習模型與種群演化模型可以看作較為簡單的網絡模型，因為它們沒有考慮個體之間更復雜的相互作用。有鑒于此，研究人員采用復雜網絡模型來深化對金融系統演化規律的認識。其中，無標度網絡可用于具有嚴重節點異質性的網絡建模。無標度網絡中少數節點擁有極多連接，而大多數節點只有少量連接，這些少數關鍵節點對網絡系統的整體運行起著主導作用。基于無標度網絡的建模方法可以描述復雜系統整體上涌現出的嚴重不均勻分布的內在性質。有學者基于無標度網絡對信用違約風險的傳染效應和金融系統脆弱性進行分析。

　　大數據時代，信息技術的發展和新型信息主體的出現，改變了金融系統參與者的活動范圍、方式、頻率和速度，使信息交互環境變得更為復雜。但大數據技術的發展使得研究者可以用更為精細的粒度觀測系統現象，計算機技術的升級也使研究人員更易實現基于微觀視角的金融系統建模。正如張維等人指出的，基于計算實驗金融學的理論建模，既能契合現實中的復雜金融體系，又可觀測系統的動力學規律。得益于大數據時代的技術發展，未來計算實驗金融學有望在異質市場參與者對金融市場的影響、非理性要素的形成機制、市場反饋機制建模等領域取得進展。

　　　　潛移默化：文化演變與社會金融學

　　近年來，復雜金融經濟系統研究的前沿領域之一——社會金融學也取得了新進展。社會金融學將金融市場視為文化演變系統：在探究金融市場演化規律時，綜合考慮信息、策略、信仰、市場模式等動態社會文化特征的影響。社會金融學的研究哲學使其跳出了機械的古典市場動力學框架。區別于傳統金融學，其研究哲學的關鍵在于考慮了社會傳播偏差對金融系統演變的影響。社會金融學認為：經濟信號、觀念和行為是由社會塑造的，它們會伴隨社會交往發生系統性變化，因而不再是經典意義上的先驗稟賦。

　　David Hirshleifer指出的多個社會金融學研究方向均與復雜金融經濟系統密不可分。第一類研究被稱作大眾模型。大眾模型是大眾對世界運行規律的表述，往往訴諸感性，淺顯易懂且隨處可見，如對股價趨勢線的各種“迷信”。大眾模型是動態發展的，它在人群中的傳播變遷會影響個體的決策行為，因而可以用流行病學模型刻畫。第二類研究考察經濟信號的社會傳播偏差對個體的影響。例如，人們容易對未來經濟狀況產生良好預期，進而引發儲蓄不足的風險。該模型的一個重要推論是有關財富的信息不對稱會抑制消費，這和實證研究觀測財富不平等帶來的儲蓄增加效應一致。第三類研究關注自增強傳播偏差對個體決策的影響。金融市場中的投資者傾向于僅宣揚自身投資成功的經驗，導致接收信號的投資者更多采取表現較差的高風險策略。第四類研究強調現有信息傳輸手段的有限承載能力，后者將導致社會傳播網絡難以校正個體間不同信念的細微差別。

　　經典金融學和行為金融學都承認一個事實：向他人學習是金融市場的核心。然而，充分理解其中的學習和傳播過程需要一個動態演化的視角。社會金融學就提供了這樣一個研究范式。不同于行為金融學（關注心理學對市場的影響），社會金融學明確關注社會互動如何塑造系統參與者的思維和行為，以及這些特征的演化過程，因此有望幫助解釋現實金融系統中的重要現象——比如市場價格泡沫和股票回報可預測性的“異象”——因為許多研究者都認為市場泡沫、價格崩盤和市場情緒的波動是“社會”性現象，反映了投資者的情緒和思想在不同程度的傳染。

　　　　新時代的機遇：機器學習與大語言模型

　　復雜金融經濟系統具有復雜性、非線性、高度互聯等特征，使得針對復雜金融經濟系統的研究至少面臨以下三個方面的挑戰。一是數據獲取和處理。復雜金融經濟系統涉及大量數據，且這些數據可能有不同的結構、來源與頻率。研究復雜金融經濟系統就必須首先對數據進行有效的收集、清理和整合。二是模型建立和驗證。復雜金融經濟系統具有復雜的結構和動態演化的特性，復雜且變化的數據生成過程為建立合適的模型以有效解釋各類市場現象提出了挑戰。三是預測和決策。復雜金融經濟系統中的各種變量間存在著復雜的關系，這些關系又呈現出非線性與非確定性，即便建立了合適的模型，特定的模型對于某些因素或關系的忽視，也可能使其在基于新數據的預測和決策中面臨困難。

　　近年來備受矚目的機器學習技術在一定程度上解決了復雜金融經濟系統研究中的上述難點。Bryan Kelly和修大成等人將“機器學習”技術描繪成由以下方面組成的整體，即可進行統計預測的多樣化高維模型的集合，具有模型選擇和降低過擬合功能的“正則化”方法，能夠搜索大量潛在模型設定并尋求最優方案的高效算法。上述特點使這一技術在復雜金融經濟系統領域的研究前景備受矚目。例如，復雜金融經濟系統的復雜性往往被簡約的結構化模型所忽略，而機器學習相較于傳統經濟模型提供了更為靈活的模型設定以應對復雜的變量相互作用和模糊的函數形式，從而能更好地勝任復雜環境下的建模任務。

　　除了經典的機器學習模型，以ChatGPT為代表的大語言模型因其革命性的技術突破，正在對社會科學研究范式產生深刻影響。大語言模型是指輸入數據主要為文本數據，具有超高維度估計參數的大模型。既往金融經濟學的研究，大多采用小數據的經濟學或統計學模型，通常只關注其目標經濟機制中的相關信息，導致其他大量數據信息未被利用。然而，復雜金融經濟系統是一個超高維的動態復雜系統，組成元素眾多，元素之間的關聯繁雜且呈現出非線性與時變性特征，很難用小模型來刻畫其本質規律（尤其是系統層面的整體性質）。大語言模型有望為復雜金融經濟系統研究提供新的工具與方法論。洪永淼、汪壽陽等人為大語言模型在金融經濟領域的研究提出了諸多有價值的方向，其中之一是將網絡爬蟲工具與大語言模型相結合，自動收集社交媒體上發布的內容，并通過模型訓練更好地理解相關語言所包含的有價值信息，進而對輿情數據進行情感分析，以確定每條信息的情感傾向。從復雜系統的視角來看，上述研究路徑可以對復雜金融系統中的微觀個體特征進行更細粒度、更高頻率的觀測，因而有望實現對金融系統復雜特性更全面、更契合的描述。

　　復雜金融經濟系統研究已在諸多方面取得了進展，盡管該領域尚未建立起能夠與主流金融經濟學相提并論的統一理論框架體系，但隨著金融經濟系統內外部環境的日益復雜化、計算與存儲技術的升級以及對金融經濟系統復雜現象進行解釋的現實需求不斷提升，相信其研究前景會愈加光明。

　　　　（作者系南京大學工程管理學院教授；南京大學工程管理學院博士研究生）