“人工智能与金融业深度融合的新业态，是金融模式变革的方向，在大力发展的同时亦需要提防可能带来的系统性风险。”中国金融四十人论坛(CF40)资深研究员、中国证监会原主席肖钢12日在北京举行的“CF40·孙冶方悦读会”上说。 当天的活动上，发布了由肖钢本人牵头撰写的《中国智能金融发展报告(2019)》。该报告提及，人工智能技术加大了金融监管的难度，尤其智能金融应用往往以无须人工干预的方式运转，如果事前没有考虑控制手段，事后一旦出现风险很难管理。 肖钢分析称，由于人工智能主要依靠模型和算法，因此在该技术运用于金融市场时，一旦数据质量不高或出现偏差，则有可能产生蝴蝶效应，带来系统性风险。 例如，在资本市场上，事先设定的投资模型往往在实施中没有人为干预，这可能使得投资策略产生高度一致性，并在某个时点上对市场造成冲击，由此引发系统性风险。美股就曾经出现过“闪电崩盘”，道琼斯指数在极短时间内暴跌上千点。 “随着未来人工智能不断发展，这种风险是存在的”，肖钢指出，金融监管机构对此一定要有所预防，对人工智能算法本身要加强研究。首当其冲的是，在技术上要攻克“算法黑箱”问题，对模型的可解释性要加强监管，要能够解释清楚模型到底基于何种逻辑。 与此同时，还要将智能金融有关模型和算法的构建者、设计者一并纳入监管体系之中，相关从业者应具有认可的资质。 此外，对模型利用的极端情形亦要准备预案。肖钢表示，如针对类似美股“闪电崩盘”的事件，要事先设计好一些交易管控机制，“这样的机制可能若干年用不上，但一定要准备好”。
王鸿8月11日-12日，第四届地新引力峰会于上海宝华万豪酒店举行，地产、资管、物业、租赁、产业、科技、金融、区块链、文旅等行业领袖齐聚，思考特殊时期的破局之路，探寻地产的第二增长极，全程直击。现场直播》》 微众银行区块链负责人范瑞彬认为联盟链是能够坚固金融稳定和创新的一条可持续道路，行业的发展也证明了这条道路的正确性。 他介绍在区块链领域主要做了三件事。 第一，技术。区块链对我们来说，技术是根基。 第二，产业应用。应用才能够体现技术的价值，同时也才能够体现行业的成熟度，一直在大力推进各种各样应用，不仅限于微众也不仅限于金融。 第三，开源生态，这是微众这几年在区块链选择的一条很少有人走的特色发展路径，基于开源技术去构建开源生态。 区块链在数据交换方面有广阔用武之地，数据通过交换、通过分享能够把它的价值充分发挥。数据的黑产很严重，这是最主要的痛点，难以打通坚固数据孤岛及数据滥用，针对这个痛点设计出解决方案，是可信数据交换的解决方案，同时也是符合国家W3C规范，而且泛行业、跨地域、跨机构解决方案。这个解决方案主要作用就是通过区块链将数据的所有者，将数据的提供方以及数据的使用方还有监管机构等连接起来，让数据流通更加可信更加高效。 他提到区块链可以用在很多领域，监管领域也是一个非常好的应用场景。在深圳地方金融监督局指导之下推出服务平台，主要解决的是网贷机构相关问题，网贷机构一般牵涉到大量的参与方，涉及大量债权方。一方面通过人脸识别解决用户的实名，同时利用区块链把司法机构监管机构连接起来确保整个过程透明可信，相当于一个技术解决一个痛点，这个痛点在这个场景产生很不错的社会价值。
近日，金融科技领域再迎“国家队”强势入局——继央行成立数字货币研究所、深圳金融科技有限公司、长三角金融科技有限公司之后，2020年7月30日成方金融科技有限公司（以下简称成方金科）由央行征信中心、央行清算总中心以及央行全资控股的中国金币总公司、中国金融电子化公司、中国印钞造币总公司等五家央行系公司出资成立，注册资本金达20.078亿元。 从经营范围来看，成方金科与一般的金融科技公司比较并无特别，即主要为软件开发、技术开发、技术咨询、技术服务、技术转让、数据处理、计算机系统服务、租赁机械设备、租赁电子产品、销售计算机软件及辅助设备、机械设备、电子产品等。 特别的地方在于股东，正是这些股东赋予了成方金科非同一般的意义。具体来说： 中国金融电子化公司主要承担的是央行信息化建设任务，包括央行信息系统开发、检测及认证、灾难备份、金融标准、信息化研究等职能。 央行征信中心负责企业和个人征信系统（即金融信用信息基础数据库，又称企业和个人信用信息基础数据库）的建设、运行和维护。 中国人民银行清算总中心担负中国人民银行支付清算系统建设、运行、维护和管理的职责。整个支付清算系统又包含了大额实时支付系统（HVPS）、小额批量支付系统（BEPS）、网上支付跨行清算系统（IBPS）、境内外币支付系统（CFXPS），这些都是我国重要的金融基础设施，也是公众日常使用电子支付方式的重要保障。 从央行数字货币研究所、到深圳金科、再到成方金科，金融科技的基础设施正在逐渐完善。 此前，央行科技司司长李伟就曾公开表示，央行自身会整合在沪科技机构的科技资源，成立金融科技子公司，建设数据中心等具体措施来支持上海金融科技中心的建设。 不出意外，在央行主导成方金科的带头示范效应下，金融科技底层基础设施建设将逐渐完善，通过股东优势完善数据共享、数字货币的清结算、征信数据库建设等工作。同时，也将进一步解决一直以来金融科技发展中存在的“监管科技”发展难题。 银行系金融科技公司优势 除了央行成立的金融科技公司外，银行系金融科技公司的布局已经先行一步。 7月28日，农行发布公告称，通过附属机构成立的农银金融科技有限责任公司（下称农银金科）正式注册成立。 自此，银行系金融科技公司增至12家。其中，国有六大行中，除邮储银行尚未成立金融科技公司外，工、农、中、建、交均完成金融科技公司的战略部署。 与此同时，12家全国股份制银行中，兴业、光大、民生、招商、华夏各自以全资或控股的方式成立金融科技子公司。 除此之外，还有城商行中的北京银行、外资行中的泰国开泰银行完成金融科技公司的注册。 而金融壹账通作为平安系的一员，虽然并不隶属平安银行旗下，但也同样被市场看做是银行系金融科技的玩家。 作为主力玩家，银行成立金融科技公司，有诸多优势。 首先是母行的资源优势。作为银行的“亲儿子”，多数银行系金融科技子公司全面承接了银行的信息科技人员，对银行业务的理解更为深刻，在监管合规的要求方面更为审慎。同时，在母行强大的资本优势下，能够保持持续的科技高投入，且短期内没有盈利的考核压力。 从目前展业的这些金融科技子公司来看，业务都和母行紧密连接，带母行基因。譬如兴业数金早在2010年推出的“银银平台”，依托兴业银行 “同业之王”的优势；金融壹账通依托平安集团各体系的技术输出等。 其次是业务和服务范围优势。金融科技的发展离不开金融的业态，目前银行业金融科技讨论的最多、发展的最快、应用的范围也最广。但证券业科技、保险科技、资管科技也正在加速发展。银行系的券商、保险、基金公司，或许将是这些金融科技子公司触角延伸到其他业态的重要一步。 当然，银行系科技子公司也面临一些挑战，比如竞争对手多样、互联网运营能力薄弱以及商业可持续困难等方面。 总之，从长远来看，银行金融科技子公司如何平衡好服务内部与对外输出的关系，以及如何解决产品的创新、定价、激励等方面的问题，都考验着母行与子公司的智慧，并关系到子公司的持续发展和运营。 非银系金融科技公司的发展方向 除了银行系金融科技公司外，非银系的金融科技公司也与其形成竞争与合作关系，双方的竞争促进各自的发展，合作促使双方在资源、科技、互联网化等方面的共享与互补。 2020胡润全球独角兽榜单中，中国金融科技行业的独角兽一共有18家，总估值达到2390亿美元。其中，蚂蚁科技、苏宁金融、京东数科、陆金所、度小满金融都是从母公司体系拆分出来的独角兽公司。 除此之外，还有更多的非银金融机构巨头正在布局金融科技。例如7月22日，中国太保发布第九届董事会第四次会议决议公告，会议指出，同意由中国太平洋保险(集团)有限公司出资成立太保金融科技有限公司，注册资本金为7亿元人民币，持股比例100%。 这也是首家由保险业巨头发起设立的全资金融科技子公司。 这些非银行系的金融科技巨头拥有场景、用户、流量、数据、运营的优势，长远看来，与银行系的金融科技公司的合作会越来越紧密，优势互补。对于不具备场景、用户、流量的金融科技公司来说，其需要更注重于发挥自身的核心技术优势，在ABCDI（AI、云计算、区块链、大数据、物联网）中专注研发能力，为金融机构和其他金融科技公司提供基础技术的支撑。 金融科技的持牌即将来临 时间回溯至2019年12月12日，中国人民银行科技司司长李伟在“2019中国金融科技上海高峰论坛上”表示，金融科技创新监管有三大原则，即坚持持牌经营、坚持依法合规以及坚持权益保护。“金融科技的本质是金融，要做金融服务必须要持牌。”李伟说。 成方金科及此前各家银行已成立的金融科技公司，组成了金融科技公司的正规军，为金融科技公司持牌打下了铺垫。 对金融科技公司的持牌要求，必然会对非银系的金融科技公司造成较大的冲击。许多科技公司在从事金融相关服务，其在数据使用、客户运营、流程合规、收费方式等方面，面临着较多的整改空间。 金融科技公司持牌将不久到来，持牌的门槛可能较高，鼓励具有较强实力的金融科技公司研发前沿技术与金融的结合，不断创新出新模式、新产品、新服务，科技赋能金融，协同发展。
浦发银行因2013年至2018年存在12宗违法违规事实，被上海银保监局总共罚款2100万元。浦发银行称，目前相关整改工作已基本完成，并对相关责任人员进行了严肃问责。
2020年8月7日-9日，第五届CCF-GAIR全球人工智能与机器人峰会，于深圳隆重举办。此次峰会由中国计算机学会主办，香港中文大学（深圳）、雷锋网联合承办，鹏城实验室、深圳市人工智能与机器人研究院协办。在8月9日的「AI金融专场」中，《AI金融评论》邀请了6位最具代表性的顶尖AI金融专家，分享能够代表未来10年风向的智能技术方法论、产品逻辑和风险管理理念。首先登场的，是微众银行首席AI官杨强教授。联邦学习和隐私计算，是今年所有金融巨鳄和科技寡头们，都在重点布局的重要技术方向。作为这一领域的全球领军人物，杨强也在会上带来了他在前沿研究与产业应用的真知灼见。以下为杨强教授演讲全文，雷锋网AI金融评论做了不改变原意的整理：先简单介绍一下，微众到现在有五年的历史了，目前有大概两亿的个人用户，还有将近百万的小微企业用户。这么短的时间可以获得这么大的用户群，应该说很大程度上是取决于技术上的创新，包括云计算、大数据和人工智能。其中一大亮点就是做连接，把不同的企业连接成一个生态。在这个过程当中，AI是不可或缺的——正如今天的主题：AI到底在金融界能起到什么作用？我们在很短的时间内汇聚了很多人才，这些人才主要在四个方面把互联网银行大致规模化、模型化了。这四个团队把微众银行内部和外部的业务过程、经验总结成了模型，这些模型可以供应给其他行业一键下载、一键装配，比如可以做营销、服务、资产管理，把金融的前台和后台都包括了。迁移学习和联邦学习也是如今比较突出的两项技术，可以把整个金融业务再往前推进一步。我们可以把未来的银行想像成从左到右的流程，最左边的是获客，这是任何企业都需要做的，要找到有价值的客户，对客户进行安全评估、风险信用评估，尽早发现可能的欺诈行为。评估办法之一是参考央行的征信数据，但国内很多人没有征信数据（信用分），而且它只是一个维度，所以我们需要把维度变得更加丰富。还有运营、监管、对沉睡用户的唤醒、7×24小时的客户服务，里面都有人工智能的影子。分布性数据隐私保护、联合建模的挑战和需求在所有这些过程当中有一个主线：如何能够顺利把尽量多的数据用起来。我们联邦学习的宗旨是数据不动模型动，这是一个做法，目标就是数据可用不可见：数据可以用，但是别人的数据我是见不到的，所以可以把数据加入到生态里面来共同建模，一些散乱的小数据就可以成为虚拟的大数据，这是我们的思想。这个思想的初衷其实是，现在很多行业并没有真正意义上的大数据，像在金融里面有很多的数据，其实是黑天鹅现象。比方说在反洗钱应用中用于模型训练的洗钱案例，其实数量并没有想象中那么多，还是属于少数现象。这种数据拿它来训练，效果不是很好。如果要用人工智能改变很多行业的话，其实都没有高质量、有标注、不断更新的数据。第四范式公司在实践当中就发现，如果要为大额贷款做一个营销模型或风控模型，数据往往是在上百例以内，这点样本是没有办法训练一个好的深度模型的，所以他们的做法是从小额贷款到大额贷款做迁移学习。每个人也都有手机，手机都是联到云端的，每个手机上的数据，每时每刻都在更新，都有新的图片、新的声音、新的文章可以点击，每个手机上的信息又是私密的，如何保证私密不传出去，又能让云端的大数据模型得到更新呢？大家都熟悉无人车，比如有一千辆无人车，每辆车见到的数据都是有限的，我们能不能让一千辆车的数据汇聚成一个虚拟的大数据，同时又不暴露某个车看到的某个场景？这就是分布性数据隐私、联合建模的挑战和需求——能不能把小数据聚合起来成为大数据？问题是，现在监管和社会的要求也非常严格，老百姓、社会对于技术工作者的要求是首先要保护隐私。政府也纷纷立法，比如欧洲建立了GDPR的数据法规。我们国内也有相关的保护法，在国家层面、地区层面，大家都在探索类似于、甚至更加严格于GDPR的数据法规。所以，简单粗暴地把数据从A传到B是违法的。透视联邦学习联邦学习，“邦”的意思是每个实体参与者地位都是相同的，无论大小，提供的价值才是他们存在的意义。“联”就是用一种方式把它们联起来，把隐私保护起来，同时又可以做一些有意义的事情。用一个简单的例子来解释：假设用一只羊来类比机器学习模型，草就是数据，我们希望羊吃了草以后能够长大。过去的做法是，把草买到一起来建立模型。比方说左边的模型，左边的箭头是指向羊的。羊不动，但是草被购买到中心。相当于简单粗暴地获取数据，形成大数据，来建立模型。但我们希望能够保护各自的隐私，所以让草不动，让羊动。这样羊既能吃那个地方的草，主人又不知道到底吃了哪些草，久而久之羊就长大了——这个就是联邦学习的新思路，就是让草不出草场，本地主人无法知道羊吃了哪些草，但是羊还是长大了。这个思想的关键是，当我们的模型从一个地方传到另外一个地方的时候，要传尽量少的东西，同时传的模型参数要被加密。图右这些带有一个框的W就是加密的意思，在本地加密，就只能在本地解密。现在有一种穿透式的加密，把所有的加密包放在云端的时候，还可以对它进行更新操作。比如对这个模型的集成更新，用集成学习。谷歌就提出了“对模型联邦平均”的做法，还有其他比较复杂的方法如神经网络等。这种做法分两种数据格式，一种格式是把样本分割，放在终端，像图左边所表示的一样，这是横向联邦。还有一种是纵向联邦，沿着特征把数据分成几块，每一块属于一个机构。比如有两家医院，双方数据可能在用户上有很多重叠，可是在特征上面没有很多重复。比如其中一家医院做的是胸片，另外一家做的是核酸检测，如果联合就可以做更好的模型。但出于隐私或利益等原因，他们不愿意互传。这时就可以用如图所示的方式，可以让一方的数据在加密状态下传到另一方，参与模型更新，重复多次后得到最优化的模型。有新用户的时候也是通过加密传输，使中间结果得到运算。纵向联邦适合to B的场景，横向联邦适合to C的场景。谷歌用的比较多的是横向，我们微众用的比较多的就是纵向，当然也有混合的用法，横向中有纵向，纵向中有横向。在座的朋友们可能会问，联邦学习跟以前的分布式AI、参数服务器、联邦数据库有什么区别？过去，分布式AI和联邦数据库里面，数据的形态、分布、表征都是一样的，是同类的。在联邦学习里面，它们可以是异构的，特征不一样，分布也不一样。从机器学习的角度来说，更加复杂。同时，隐私保护是第一性的要求。过去，分布式AI和联邦数据库都是在一个数据的功能下，把数据分布在不同的数据库，目的是并行计算、提高效率。但是现在数据本身属于不同的属主，所以需要做加密情况下保护隐私的计算。可能还有听众想问，假如在多个参与者中，有一个参与者是坏人怎么办？他在努力猜你的数据，甚至在做数据的“下毒”，比如故意标注一些错误的信息，就有可能把最终的模型变成对自己有利的方向，这也是有可能的。如果原始数据是0，在OCR的场景下，另一方可以不断地接受对方的梯度猜出对方的数据。如果百分之百地采用同态加密，用联邦学习的方法，这种情况就不会发生。联邦学习的特点是引入了生态的维持机制，也就是经济学机制。如果要让联盟能够持续下去，每个参与者都要感觉到作用和收益是成正比的，这就要引入经济学或者博弈论的机制来保证持续的平衡点。总结一下，其中有很多工作要做，包括安全合规，这是跟法律层面、跟政府层面合作；有防御攻击，还有算法效率，技术应用、还有激励机制，要引入很多经济学家的工作。举个例子，因为联邦学习是一个大的框架，所以有各种各样落地的场景。比如推荐场景，大家用抖音、用头条、用电商，这个时候都离不开个性化的推荐，但是推荐是数据越多越好。如果数据来自不同方，过去是把数据买到本地来进行推荐模型的建立。可以用联邦学习来解决这个问题，这个做法是“联邦推荐”。最近我们把联邦推荐的算法应用在广告推荐的场景上，用各方的数据，最后广告推荐的场景可以个性化，但是数据可以不出本地。联邦学习如何为金融发挥作用？应用在信贷和征信系统，我们希望利用大数据建立360度的用户和企业画像，参加建立更好的征信。但是联邦学习出现以前都没有很好的技术，大家都不参与到这个生态里面，担心自己的数据被偷走。用了联邦学习以后就可以做这个尝试。比如这个尝试是一家银行和票据公司的合作，数据都不出本地，银行所提供的是这个用户贷款的关键数据，合作企业提供的是企业的交易数据，这种交易数据为企业的活跃度提供了很多的信息，这两个数据进行联邦，可以让坏账率大幅度降低。应用在计算机视觉，每个库房都有很多摄像头监控本地的库存，可以用不同视觉公司的监控数据进行供应链联邦。更多跨领域的应用，比如监管和银行、互联网和电商、互联网和医院，都可以进行联邦。建立这样一个生态，离不开行业标准。我们推进建立的IEEE国际标准这个月也会出台，国家层面也有标准。我们也推出了开源软件FATE。我用微众银行的典型案例进行总结，刚才说的联邦技术贯穿了所有前台和后台。比如智能营销，引入联邦学习以后，可以把不同的数据源结合起来，让营销提高点击率。特别受关注的是点击之后用户有没有转化、有没有变成你的用户，这个过程需要更多的数据支持，这些数据往往来源于合作者，利用联邦学习的效果可以大幅度提高20%以上。反欺诈方面，可以在人脸识别、语音识别方面都可以大幅度提高效率。风控方面，也是利用大数据把金融公司和非金融公司联成生态，大家在这个生态里面进行数据价值的交易。还可以利用另类数据，比如把卫星数据、电信数据、非传统财报数据联合起来，可以实时为投资者服务。如何唤醒沉睡的、有价值的用户？也可以用联邦学习识别这个客户有没有重新跟你合作的意愿。我们的经验是在当前这个经济形势下，是非常好的金融场景。7×24小时的机器人服务，微众现在有98%以上是机器人在做后台服务，包括对话系统、客户服务、服务当中的监管、质量检测、智能监控、反洗钱，把细碎的小数据联系起来，变成可用数据。以上就是我们的经验和总结，谢谢大家。
近日，滴滴APP中“金融服务”板块进行了全新升级。账户信息和产品入口更直观，新增手机充值服务，同时推出盛夏消费补贴等丰富活动，打造惠及出行生态内个人及家庭的方便、实惠的一站式金融服务平台。 滴滴方面表示，在此次改版中，滴滴金融更加注重“场景+金融”的融合，提升实用性和互动性。将“个人账户”置于导航页顶部，用户可以直观看到自己的信贷额度、资产收益、保障额度的账户信息。在页面中部的产品聚合栏，对滴水贷、百万医疗、大病互助、急救卡等产品入口进行了视觉优化，调整了理财、保险产品的布局，用户既可以在聚合栏中快速进入服务页面，又可以在导航页浏览保险、理财的精选产品和热门信息。 滴滴金融强调，希望通过“盛夏消费补贴”“点石成金拿福利”“免息借钱”等活动回馈新老用户，提升产品互动性，满足车主和乘客的低成本资金周转需求，提供定制化的理财产品，为消费市场输血供能，为经济助活。
量化宽松政策与金融机构的激励不相容 弗里德曼研究了货币，却没有研究金融机构，盲目认为只要放松货币政策，货币就会进入实体经济，而忽略了金融机构的激励问题。 经济萧条时降息，几乎成为各国央行的习惯性动作。这在“央行—实体经济”这样的简化模型中是成立的。在这样的模型中，是不考虑金融机构的，把金融机构看作是没有生命、没性格的物理管道。但现实根本不是如此，央行释放的货币并不能直接进入实体经济，必须由金融机构作为中介才可以输送到实体经济。但在制定货币政策时，如果考虑到了金融机构的利益，情况就会变得相反。 一般情况下，利率越低，对金融机构越不利。因为：首先，金融机构没有自己的资金，资金都来自于社会，利率越低越不利于金融机构募集资金。尽管央行放出了不少货币，但流动性还是差，货币会掉入流动性陷阱。其次，金融机构也会考虑自身的利益，利率对金融机构至关重要。金融机构是根据利率高低赚取利润的，利率越低的环境下，金融机构的利润也会越低，利率越高的环境下，金融机构的利润也越高。高利率环境才会造就金融业的发达，低利率环境下，金融机构是没法生存的，它们需要一定的利润对冲金融风险。 如果没有足够的利率空间给金融机构，不能对金融机构形成足够的激励，低利率和零利率政策将会是失效的。金融机构就是资金到达实体经济的中间商，想甩开中间商做生意，生意是做不成的。 这里面最关键的问题，我们称之为货币政策与金融机构的激励不相容。在零利率环境下，金融机构缺乏相应的利率空间作为激励，金融机构没有足够的利润，就没法覆盖风险，货币又没法直接进入实体经济。弗里德曼在提出其货币主张时其实忽略了这点，因此其主张通过宽松货币政策来解决经济危机，是会得到相反结果的，这种失败我们也称为“货币失灵”。凯恩斯虽然从民众的货币投机需求的角度解释了流动性陷阱的问题，但也没有注意到金融机构的激励问题。因此凯恩斯也主张经济危机时降低利率，但是因为凯恩斯认为利率没赤字财政效果更好，所以没作为主要主张推广。 弗里德曼主张宽松货币或零利率治理经济衰退也忽略了货币流通速度的问题。市场上可用金融资金的多少，并不仅仅取决于基础货币有多少，更要看货币的流动速度有多大。目前金融学界对货币流动速度的探讨很少，甚至大多数版本的金融教材都没有关于货币流动速度的专门讨论。 现有宏观经济学中货币流通公式是GDP与货币数量之比，这样的解释不存在分析意义，也看不出货币流通速度是由哪些因素决定的。因此人类目前对货币流通速度的研究是不充分的。 如果将货币学分为三部分的话，应该包括货币需求理论，货币供给理论和货币流通理论。目前货币学中研究比较充分的是货币需求理论，货币供给理论研究的很少，货币流通理论基本没有展开。 在我看来，利率是决定货币流动速度的关键因素。货币流通速度是利率的函数。凯恩斯及其继任者虽然没有明确表达，但似乎也是倾向于支持高利率有利于提高货币流动速度的观点。其实在高利率环境下居民倾向于储蓄和购买债券已经为提高货币流动性奠定了基础。 其实高利率可以提高货币流通速度，主要基于两点：首先，利率越高，民众储蓄与投资理财的热情越高；其次，利率越高金融机构的激励越大，前者可以为市场提供充足的弹药，后者则是在市场里勇敢冲锋，因此高利率环境下的货币流动速度比低利率环境下要快。金融市场绝大部分时候是供给决定需求，而不是需求决定供给。 金融机构的激励问题在以前一些时期表现得不明显，如在凯恩斯的金融模型中，只有银行和债券两类金融机构，而现在中国为企业做融资业务的除了银行和债券机构，还有股权、信托、保理、融资租赁、小贷、基金、互联网金融等非常多的机构，这些机构都是利率驱动的。 如果弗里德曼注意到了这点，就不会主张经济危机时实行低利率。当然不仅弗里德曼忽略了，几乎所有的央行都忽略了这点。所以一发生经济危机他们就将利率一降到底，降息几乎成了治理经济危机的标配。但这种做法是错误的。 如果降息就可以治理经济危机，那治理经济危机就是一件太简单的事情了。降息只是释放基础货币，但同时降低了货币流动速度，所以降息对治理经济危机效果不大，甚至是起相反效果的。当然也跟金融结构有关，在以前银行为主体的金融市场中，降息对经济的刺激作用会大一些，但如果是以更市场化的影子银行市场为主，则利率就会对市场产生非常大的影响，低利率并非是刺激经济的有效手段。 在我看来，扩大货币流动速度比释放基础货币还重要。因此我主张在发生经济危机不要降低利率。在现有中央央行体系下，货币数量和货币价格事实上是可以分开控制的，适度放松数量倒是可行。 金融市场也是供给决定需求 其实从本质上看，货币金融市场也是供给创造需求，是金融供给决定企业的金融需求，而非企业需求决定金融供给。企业需要资金，如果没有金融机构愿意给他们放贷，也是解决不了融资问题的。 在低利率环境下，金融机构的利润没法覆盖风险，金融机构大部分无法运转，因此也没有机构愿意为企业做融资工作，社会上就没有金融供给，所以企业即使想融资也融不到，所以低利率并不是好事，低利率也并不一定能促进企业融资。 而金融供给的高低是由金融利率决定的，金融利率越高，金融供给越旺盛。利率越高，就有越多的资金愿意交给金融机构放贷，金融机构就会创新出各种金融工具帮助企业融资，原来很多不符合条件的企业融资也可以通过金融创新完成，我们将之称为利率对金融机构的“利率激励效应”。政府在制定货币政策时也应该考虑到金融机构作为货币传导渠道的激励问题，金融机构的激励与利率成正比：市场利率越高，金融机构获利的可能性越大，激励也就越大，货币流通速度也就越大；市场利率越低，金融机构获得的激励也就越低，货币流通速度也就越低。如果制定货币政策时不考虑金融机构的激励问题，就会导致“货币失灵”，货币失灵的本质是“金融机构的激励失灵”。
登录
工商服务
危机公关
金融律师
app开发
财税服务
金融牌照
网站建设
知识产权
企业征信
审计评估