《Finance Research Letters》：GAN and DML for Causal Inference: Does FinTech Innovation Reduce Bank Liquidity Risk?
编辑推荐：
摘要关于金融科技创新是否以及如何影响银行流动性风险，目前仍存在争议，这 partly 是因为现有实证研究样本规模较小、存在偏差，且存在诸多混淆因素。为解决这些方法论问题，我们采用了一种综合方法，结合生成对抗网络进行数据增强，运用双重机器学习方法进行因果推断，同时还引入基于文本的指
摘要
关于金融科技创新是否以及如何影响银行流动性风险，目前仍存在争议，这 partly 是因为现有实证研究样本规模较小、存在偏差，且存在诸多混淆因素。为解决这些方法论问题，我们采用了一种综合方法，结合生成对抗网络进行数据增强，运用双重机器学习方法进行因果推断，同时还引入基于文本的指标来衡量金融科技创新程度。研究结果表明，金融科技创新能够显著降低银行的流动性风险。通过生成对抗网络增强的样本所带来的标准误差更小，这证明了我们的方法在减少样本偏差方面的有效性。进一步的机制分析表明，降低信息不对称和缓解期限错配是金融科技创新降低流动性风险的主要途径。本研究为小样本研究提供了可靠的实证框架，也为银行在数字时代管理流动性风险提供了实用指导。
引言
银行流动性风险的管理对全球金融稳定而言至关重要（Bouslimi等人，2024年）。与此同时，包括人工智能、区块链和大数据分析在内的金融科技快速发展正在重塑银行业格局。这种融合为监管机构和银行从业者提出了一个重要问题：金融科技创新是提升了银行应对流动性短缺的能力，还是带来了新的风险，加剧了此类风险（Acharya等人，2011年）？
现有学术研究对于这一关系存在不同观点。一种观点认为，金融科技加快了资产流转速度，加剧了竞争，还推动了风险承担行为，从而增加了流动性风险（Wu等人，2023年；Alshouha等人，2025年；Fang等人，2023年）。最新研究也表明，诸如机器人顾问之类的特定金融科技服务可能会加剧流动性和期限错配风险（Wu & Dong，2025年），而银行的数字化进程则可能因降低风险承担意愿而抑制流动性创造能力（Wang等人，2025年）。相反，另一种观点认为，金融科技降低了交易成本，规范了信息流，提高了信贷效率，从而降低了流动性风险（Wang等人，2023年；Zhang等人，2023年）。Liao等人（2025年）为这一观点提供了直接实证支持，他们发现金融科技发展水平较高的中国银行的期限错配程度更低。
以往的研究仍然面临三大挑战。首先，现有研究通常通过分析银行年度报告或新闻报道中的词汇频率来衡量金融科技发展情况。这类衡量方式可能会受到为迎合国家政策导向而进行的过度宣传的影响，因此无法真实反映银行的实际应用情况（Liu等人，2023年；Wen等人，2023年）。其次，以往研究多聚焦于大型银行，而对小型银行的关注不足，而小型银行的流动性风险更有可能显现出来。最后，由于流动性风险受多种因素影响，基于线性模型的估计结果可能会因混淆效应而出现偏差（Jiang等人，2023年）。
本文做出了三项改进。首先，我们突破了基于词汇频率的指标局限性，改进了金融科技创新的衡量方法。具体而言，我们运用自然语言处理技术分析银行专利文本，构建了能够同时体现金融科技创新数量（FinTech_number）和质量（FinTech_quality）的指标。其次，为解决小样本带来的问题，我们在研究设计中加入了生成对抗网络（Goodfellow等人，2014年），以此减少小样本机器学习场景下的估计偏差。最后，我们采用了双重机器学习框架（Chernozhukov等人，2018年），从而获得金融科技创新因果效应的无偏估计。
我们构建了2015年至2023年间197家中国银行的面板数据集，并通过生成对抗网络对其进行了数据增强。实证结果表明，金融科技创新能够显著降低银行的流动性风险，其主要作用机制是缓解期限错配和信息不对称。这一效应在地方性银行以及数字化发展水平较高的地区的银行中更为明显。本研究背后的理论机制如图1所示。
具体而言，图1表明，金融科技创新通过两个中介渠道降低银行流动性风险：缓解信息不对称和减轻期限错配，这两个机制均源自金融中介理论，也为我们的后续实证分析提供了方向。
本文的其余结构如下：第2节介绍研究方法、变量测量及数据来源；第3节阐述基准实证结果及稳健性检验；第4节分析传导机制与异质性效应；第5节对研究进行总结，并探讨相应的政策启示。
章节要点
研究方法
如图2所示，我们利用原始数据训练生成对抗网络。通过对抗学习过程，生成器与鉴别器不断交互，逐渐学会生成与真实数据几乎无法区分的合成数据集。这一操作将样本量扩大到5,000个观测值，从而为开展异质性分析提供了更丰富的数据环境。此外，经过此处理后，估计得到的标准误差也会有所下降。
基准回归结果
参照Zhang（2023年）的方法，该研究采用1:4的样本分割比例，并运用随机森林算法。相关结果见表2。FinTech_number和FinTech_quality的估计系数均为负值，且在1%的水平上具有统计显著性。具体而言，FinTech_number每增加一个标准差，银行的流动性比率（LR）就会降低0.4639个标准差；FinTech_quality每增加一个标准差，LR则会降低0.4118个标准差。
机制分析
我们研究了两种传导机制：期限错配（MM）和信息不对称（IA）。相关结果分别见表A.6和表A.7。研究表明，FinTech_number和FinTech_quality都能通过缓解期限错配来降低银行的流动性风险（Diamond和Dybvig，1983年；Hou和Yang，2024年）。此外，二者还能通过降低银行的信息不对称来减轻流动性风险，其中FinTech_quality的作用更为显著。
结论
本研究通过提供金融科技创新能够降低银行流动性风险的因果证据，为金融科技与银行稳定性领域的研究做出了贡献。虽然现有研究多聚焦于特定的金融科技服务，如机器人顾问（Wu & Dong，2025年），或是数字化对流动性创造的影响（Wang等人，2025年），但我们的研究重点在于基于专利的科技创新数量与质量。我们的研究结果补充了Liao等人（2025年）的发现，他们也证实了金融科技与较低的期限错配程度之间存在关联。
作者声明
我们确认本稿件为原创内容，未曾发表过，也未在其他期刊接受审稿。所有作者都对本研究做出了重要贡献，均已批准最终稿件版本，并同意将其投稿至贵刊。我们不存在任何利益冲突需要声明。经过五轮修改后，我们认为本稿件与《金融研究通讯》的办刊宗旨和读者群体十分契合，尤其考虑到该期刊关注的
数据与资料获取方式
如需获取数据，可向我们提出申请。
资金支持
本研究得到了辽宁省教育厅的资助（项目编号为JYTZD 2023080）。
作者贡献
贾凯伟：研究构思；研究设计；指导监督；论文撰写与修改。
孙静燕：数据收集与处理；研究设计；软件使用；论文初稿撰写；论文撰写与修改。
李博华：指导监督；论文撰写与修改。
所有作者均已阅读并批准了最终稿件。
CRediT作者贡献说明
贾凯伟：论文撰写与修改、结果验证、指导监督、研究方法设计、资金筹集、研究构思。 孙静燕：论文撰写与修改、论文初稿撰写、软件使用、资源协调、研究方法设计、正式分析、数据整理、研究构思。 李博华：结果验证、指导监督、研究方法设计。
Kaiwei Jia|Jingyan Sun|Bohua Li
中国辽宁省葫芦岛市龙湾南街188号，辽宁工程技术大学商学院，邮编125105
