克拉克奖得主Isaiah Andrews谈AI模型发布对资产价格影响

以下是 Isaiah Andrews 演讲的上半部分中译全文：

非常感谢主持人丛林的介绍。今天我将分享的是我与Maryam Farboodi（Cornell）合作的研究《市场相信变革性AI吗？》（Do Markets Believe in Transformative AI?）。我们目前正在对这篇工作论文进行修订，补充一些新的研究结果。

这项研究从一个基本的问题出发：投资者如何看待AI技术进步将会带来的结果？众所周知，AI是一项发展极为迅速的技术。我们重点关注的是对人类生活具有巨大且持久影响的AI，即所谓“变革性AI”（transformative AI）。目前，外界对变革性AI可能产生的社会经济影响存在激烈争论，分歧巨大。一些人士预测它将带来史无前例的繁荣，而另一些观点则认为它对经济增长的促进可能非常有限，甚至会导致大规模失业。

我们的切入点是：针对变革性AI发表泛泛而谈的看法并不难，但人们的实际投资决策或许更好地反映他们的真实信念。我们将通过观察资产价格来考察投资者的信念。如果投资者认为变革性AI确实会到来——也就是说，如果他们认为AI将能极大地提高经济增长，或者将会毁灭人类——这必然会改变他们的前瞻性决策，从而影响长期资产价格。

具体而言，在本研究中我们将重点关注债券收益率（bond yields）。原因在于，基于消费的资产定价模型（consumption-based asset pricing models）表明，无风险债券（risk-free bonds）的收益率能够直接反映预期的随机贴现因子（stochastic discount factor）。简单来说，就是将未来的钱折算为今天的钱的“打折率”。无风险资产的此种清晰预测与股票价格形成了鲜明对比，后者对AI技术预期的反映要远为复杂。

对此，现有研究提出了一个很有意思的假设：更高的增长预期和更大的生存风险，两者都会推高利率。也就是说，如果我预期自己在未来会非常富有，那么我当下的储蓄意愿就会降低。同样，如果我认为有朝一日AI会毁灭人类，这也会降低我今天的储蓄积极性，因为不用指望未来我还能活着花完这些储蓄。在这两种情况下，实际利率（即债券收益率）都会上升。我们将用实际数据来检验这一理论推断。

01

前沿 AI 模型的发布

在数据方面，我们将围绕旗舰级生成式AI模型的发布日期来选择样本——有关AI性能和未来前景的新信息正是在这些时点上传达到市场的。根据LM Arena网站提供的权威AI模型性能排名，我们选择了始终稳居第一梯队的四家AI实验室——OpenAI、谷歌（Google）、Anthropic和xAI。在时间上，我们主要聚焦于从2022年11月（即ChatGPT发布前夕）到2025年底期间。

为了观察这些前沿AI实验室发布重大模型更新时的市场反应，我们主要追踪了固定到期日的零息美国国债收益率（constant-maturity, zero-coupon U.S. Treasury yields）。这些是名义上的、未经通胀调整的美国国债。随后，我们还会将这些债券的数据与零息通胀保值国债（Treasury Inflation-Protected Securities, TIPS）进行对比。通过分析这两种债券——期限从两年到三十年不等——我们能既观察到真实的市场反应，同时剔除单纯的通胀预期变化。

我们还需要知道市场将这些重大模型的发布解读为技术进步的利好还是利空消息。为此，我们使用了众包预测平台Metaculus的数据，特别是其中有关“通用人工智能”（Artificial General Intelligence, AGI）到来时间的预测。如果一个模型的发布让AGI的预计到来时间提前，那么我们就可以将该次发布视为AI技术提速的信号（技术“利好”消息）。反之，如果对AGI的预期出现了推迟，我们则将其视为技术放缓的信号（技术“利空”消息）。

此外，我们还追踪了其他各种资产的指标，包括企业债券指数、企业债券利差、美元汇率以及美国主权信用违约互换（U.S. sovereign credit default swaps）等。这将使我们能够验证在美国国债收益率中观察到的情况是否在更广泛的金融市场中同样存在。

02

小样本分析和检验的方法

我们采用的数据包括了上述时间段内的30个模型发布事件。针对每一次发布，我们希望在一个相对较长的事件窗口（event window）内来衡量债券收益率的变化，所以我们选取了从发布日前30天到发布日后30天内的时间段。

由于各家模型频繁更新，这60天的窗口期经常重叠，导致同一日内的市场变化可能来源于多个发布事件的影响。对此，我们采用了回归的方法来梳理重叠的时间线，同时控制相对于多个发布事件的时间距离，从而分离出可直接归因于单个发布事件的债券收益率日内变化，并将这些日内影响加总，以观察每一次发布在整个窗口期内的收益率总体变化。

如果回归分析表明债券收益率在AI模型发布前后出现了变动，我们还必须弄清楚这是一个真实的信号还是统计噪音。一般情况下，标准的统计检验需要庞大的样本量。由于我们只研究了三年的数据和30个具体事件，那些基于大样本的检验方法在这里并不可靠。因此，我们采用了几种专门针对小样本的推断方法来验证我们的发现。

第一种检验方法是置换推断（permutation inference）。我们在每年内随机抽取事件日期，生成了数千条“安慰剂时间线”（placebo timelines），并匹配实际发布的频率。如果AI模型的发布对债券收益率确实没有影响，那么实际的收益率变化应该与这些随机生成的安慰剂分布（placebo distribution）结果相差无几。而如果实际的收益率变化超出了安慰剂分布的95%置信区间，我们就可以认为它们具有统计学意义——这意味着市场反应纯属偶然的概率不到5%。

但置换推断有一定的局限性：它假设每次模型发布是随机的独立事件，因此忽略了动态竞争（比如一家实验室因为竞争对手推出了新模型，而决定仓促发布自己的新模型）。为了将模型发布时间上的相互联系纳入考量，我们使用了第二种检验方法：时间平移推断（time-shift inference）。这里，我们并没有将发布日期随机化，而是保持实际的发布时间线，但将债券收益率数据在时间上做了向前和向后平移。虽然这种方法要求我们截断一些数据，并且在统计上更为保守，但它可以作为一项严格的补充性检查，以确保即使在各实验室相互竞争的情况下，我们的发现依然稳健。

最后，作为第三项补充检验，我们对各发布事件进行了秩相关（rank correlation）分析，以确认那些带来最大技术利好的模型发布，确实与债券收益率最剧烈的变动相关。

03

模型发布前后的债券收益率变化

当我们将上述回归分析和小样本检验方法应用于这30次模型发布前后的债券收益率数据时，一个清晰的规律显现了出来。我们看到，在旗舰级AI模型发布前的15天以前，债券收益率走势正常，与随机的安慰剂分布高度吻合。然而，从模型发布前的15天开始（可能是由于AI实验室的信息泄露），债券收益率出现了明显的下降，并在模型发布后持续了至少六周。

这种下降有着重要的经济学意义，它表示长期的名义美国国债收益率下降了10到20个基点（basis point）。当我们使用零息TIPS重复这一分析时，也观察到了类似的收益率下降。这是一个至关重要的细节，它说明名义国债收益率的向下波动并非纯粹由通胀预期的变化所驱动。

我们通过刚才提到的方法验证了这些发现。无论是对于较短还是较长的事件窗口，在置换检验和时间平移推断方法下，名义国债收益率的下降都是稳健且具有统计学意义的；而在严格的平移检验下，TIPS的结果显著性则略低。

除了美国政府债券，我们还观察了其他金融资产对AI模型发布的反应。在企业债券中，我们观察到了完全相同的规律。更为重要的是，企业债券利差——即企业相对于标准美国国债必须支付的溢价收益率——并没有发生显著变化。这表明收益率的下降并非由相对风险转移或对企业违约的突然担忧所驱动。同样，我们发现美国主权信用违约互换也没有显著变化，排除了对政府违约的担忧。我们确实观察到美元指数出现了略为显著的下降，这与利率下降导致美元需求减少的逻辑相吻合。

为了确保这些实证发现不是统计上的偶然，我们还进行了一系列严格的稳健性测试，以确认收益率的下降是AI模型发布事件所独有的，并未发生在其他重大金融或经济事件前后——如联邦公开市场委员会（FOMC）会议、国债拍卖、经济数据发布或重大科技盛会。我们还按年份对数据子集进行了测试，上述核心结果在2022-2023年和2025年都表现强劲，但2024年期间的市场反应略显平淡。