当人工智能遇上稳定币:利用大型语言模型(LLM)分析脱钩风险

《Journal of International Money and Finance》:When AI meets stablecoin: Dissecting the de-pegging risk with LLM agents

【字体: 大 中 小 】 时间:2026年08月29日 来源:Journal of International Money and Finance 3.6

编辑推荐:

  ## 摘要 为了理论研究信息冲击下稳定币脆弱性的机制,我们构建了一个基于大型语言模型(LLMs)的新型代理市场模型。该框架再现了投资者恐慌的微观认知动态,使代理能够处理非结构化的叙事数据。我们发现,稳定币的崩溃是一个高度非线性的现象,受到临界严重性阈值的控制。具体来说,尽管在适

  ## 摘要

为了理论研究信息冲击下稳定币脆弱性的机制,我们构建了一个基于大型语言模型(LLMs)的新型代理市场模型。该框架再现了投资者恐慌的微观认知动态,使代理能够处理非结构化的叙事数据。我们发现,稳定币的崩溃是一个高度非线性的现象,受到临界严重性阈值的控制。具体来说,尽管在适度压力下挂钩机制仍然稳健,但级联的储备疑虑叙事会触发“认知去挂钩”现象,在50次模拟运行中,平均最大价格偏差达到了约1,526个基点,因为异质投资者信念迅速趋于同步抛售。这表明,叙事的强度而非其具体内容是数字银行挤兑的主要驱动因素,因此监管机构应实施“叙事压力测试”来监测系统性风险。

## 引言

稳定币是现代数字经济的关键基础设施,连接了传统金融和去中心化金融(Easley et al., 2019, Harvey et al., 2021)。它们的设计目的是相对于参考资产(最常见的是美元)保持稳定的价值,并广泛应用于加密货币市场的交易、结算、抵押品和跨平台流动性提供。稳定币的制度结构通常依赖于储备资产、赎回安排、二级市场交易以及授权或 sophisticated 市场参与者的套利。对于法定货币支持的稳定币,其挂钩的可信度取决于储备的感知质量和流动性、发行方处理赎回的能力以及二级市场流动性的运作。这些特征使得稳定币与其他形式的私人货币相似,因为信心和可兑换性对其稳定性至关重要(Gorton et al., 2022, Lyons and Viswanath-Natraj, 2023)。然而,当投资者怀疑发行方维持挂钩的能力或意愿时,这种稳定性承诺可能会崩溃。

即使是完全抵押的稳定币也极其脆弱,这是金融经济学的一个核心问题。这种脆弱性显然与众所周知的套利限制问题有关。换句话说,一个看似稳健的系统在压力下可能会突然失败,因为理性的套利者受到限制(Shleifer and Vishny, 1997)。这通常是由于非基本面情绪或“噪声交易者”(De Long et al., 1990)的作用。我们认为,在稳定币领域,这些不稳定因素最好理解为市场叙事。传统的模型侧重于资产负债表的基本面,不足以解释这些现代数字银行挤兑现象。这些挤兑是由不可见的冲击叙事触发和加剧的。

关于金融脆弱性的首批重要文献是由 Diamond 和 Dybvig(1983)提出的。他们将银行挤兑归因于存款人之间的协调失败。这通常是由于关于基本面的新信息或投资者信念的改变所导致的。这种协调视角也与全球博弈论和信息级联理论密切相关。在全球博弈模型中,投资者面临战略不确定性,并根据关于系统状态的公共和私人信号决定是否发起攻击(Morris and Shin, 1998)。足够精确或突出的公共信号可以使信念趋于一致,从而增加协调性 withdrawal 的可能性。类似地,信息级联模型显示,当公共信息占主导时,代理可能会忽略私人信息,而是跟随他人的行为或推断的信念(Bikhchandani et al., 1992)。在我们的设置中,叙事的严重性起着类似的作用。由 LLM 代理处理的严重叙事不仅提供了新信息,还作为一个高度突出的公共信号,改变了代理对其他投资者可能行为的看法。当这个信号足够强烈时,异质代理会形成对市场的相同解读,并选择同时退出。我们将这一过程称为认知收敛。然而,这些框架需要适应数字资产环境,在这种环境中,信息通过社交媒体和市场叙事迅速传播。首先,在传统模型中,信息冲击通常被视为关于偿付能力或基本面的信号(Gryglewicz, 2011)。然而,在稳定币市场中,危机也可能由主观且未经证实的叙事触发,这些叙事迅速成为市场参与者的共同参考点。其次,尽管叙事经济学文献认为叙事是经济结果的重要驱动因素(Shiller, 2017, Shiller, 2020),但叙事导致市场崩溃的具体机制仍不完全清楚。因此,现有文献存在一个关键缺口:缺乏基于微观层面的模型来解释不可见的叙事冲击如何渗透到投资者群体中,改变他们的信念,并最终导致导致价格崩溃的协调性出售压力。

尽管金融脆弱性的理论基础已经确立,但在建模这些危机的微观动态方面已经取得了显著进展。基于代理的建模(ABM)是研究复杂金融系统(Axtell and Farmer, 2025, LeBaron, 2006, Lee and Lee, 2021, Macy and Willer, 2002, Palmer et al., 1994, Samanidou et al., 2007)和加密货币市场(Cocco et al., 2017, Shen and Shi, 2025)的有用工具,特别是通过异质代理模型(HAMs)(Brock and Hommes, 1998, Lux and Marchesi, 1999)。这些传统模型通过基本面分析师和技术分析师的互动成功再现了金融市场的特征,如波动性聚集(Axtell and Farmer, 2025, Samanidou et al., 2007)。然而,传统代理通常是基于规则的或“零智能”的(Farmer et al., 2005, Gode and Sunder, 1993),这意味着它们只能处理数值信号。它们无法处理非结构化信息,如叙事。Shiller(2017)强调叙事在经济信念和行为传播中的重要作用。

人工智能的最新进展,尤其是大型语言模型,也对经济行为和市场结果产生了直接影响。越来越多的研究表明,AI 可以改变信息处理方式、决策制定方式以及涉及判断和预测的任务的执行方式(Agrawal et al., 2019, Brynjolfsson et al., 2025)。在加密货币市场中,Chu 等人(2026)使用机器学习模型构建了投资者预测分歧的度量,并表明这种分歧与未来回报相关,特别是在套利限制更明显的情况下。他们的发现突显了计算建模的信念异质性和套利约束对加密货币市场结果的相关性。在金融市场中,这些效应尤其重要,因为交易决策往往取决于对嘈杂、文本化和快速变化的信息的解释,而不仅仅是数值基本面。LLMs 为模拟这种解释过程提供了实用的方法。研究人员已经表明,基于 LLM 的代理可以模拟可信的人类社会行为(Park et al., 2023),最近的研究开始使用 LLM 来模拟交易行为(Zhang et al., 2024)。在本文中,我们不是将 LLM 用作预测工具,而是作为将叙事信息转化为情绪、信心和交易意图的认知模块。这使我们能够研究 AI 表示的异质代理如何处理叙事冲击,以及他们的反应如何汇总成市场压力。

现有关于稳定币的研究主要集中在套利机制、回报可预测性、储备安排以及维持挂钩的条件上。相关研究分析了算法稳定币的“死亡螺旋”(Clements, 2021)、法定货币支持稳定币(如 Tether)的市场角色和储备相关问题(Griffin and Shams, 2020)、机器学习在预测稳定币中的作用(Liu and Shen, 2025),以及帮助稳定二级市场价格的套利机制(Lyons and Viswanath-Natraj, 2023)。最近越来越多的文献还从挤兑风险、赎回摩擦和市场微观结构的角度研究了稳定币的脆弱性。这些研究表明,稳定币的稳定性不仅取决于储备支持,还取决于赎回的可信度、二级市场流动性以及套利者在压力事件期间吸收出售压力的能力(Gorton et al., 2022, Ma et al., 2025)。这些文献提供了关于稳定币挤兑如何通过赎回、价格折扣、流动性撤回和跨稳定币避险而展开的重要证据。

我们的论文是对这一研究领域的补充。我们不是估计特定的历史挤兑事件或仅关注稳定币稳定性的资产负债表方面,而是研究叙事冲击如何在去挂钩事件发生之前转化为投资者信念和订单流。现有方法通常难以观察危机期间投资者推理的异质性。这使得很难解释为什么一个具有不变正式储备安排的稳定币在市场叙事发生变化后可能会突然面临协调性出售。我们通过使用基于 LLM 的代理来建模异质投资者如何解释非结构化信息,信念在严重冲击下如何收敛,以及这种收敛如何与流动性撤回和套利者撤退相互作用以产生去挂钩压力来解决这一缺口。本文通过将叙事经济学与基于 LLM 的代理建模相结合,弥合了这些缺口。我们构建了一个实验室来观察外部叙事冲击如何引发内部认知恐慌,并驱动同步的投资者行为,最终导致稳定币去挂钩。

我们的工作有四个主要发现。首先,我们确认稳定币崩溃是高度非线性的现象,受到临界严重性阈值的限制。系统可以处理各种低到中等程度的叙事冲击,因为内部交易活动有效地减轻了压力。但当这些叙事的感知严重性超过临界阈值时,系统会突然进入灾难性和持续的去挂钩状态。其次,我们研究了崩溃的动态并确定了一个多阶段过程。高严重性的叙事冲击引发市场恐慌,促使投资者从市场中撤离。由此导致的流动性恶化,加上散户投资者的协调性出售和套利者的近乎完全撤出,产生了大量的订单失衡,最终导致去挂钩。第三,我们利用基于 LLM 的代理的可解释性来研究总体崩溃背后的微观推理过程。我们将这种机制称为“认知去挂钩”。严重的叙事冲击不仅可能通过直接损害基本面来引发崩溃,还可以作为突出的公共信号,使投资者的信念和预期趋于一致。这种解释与全球博弈论的逻辑一致,即公共信号可以减少战略不确定性并促进对挂钩的协调性攻击(Morris and Shin, 1998),也与信息级联模型一致,即当公共信息占主导时,代理可能会在私人判断之上达成相同的行动(Bikhchandani et al., 1992)。在我们的模拟中,尽管使用了不同的启发式方法、噪声交易者和趋势追随者以及基本面交易者,但在严重冲击下最终都得出了立即退出的结论。这种认知收敛解释了导致去挂钩的协调性出售压力。第四,我们发现这一机制在不同类型的叙事中普遍适用。额外的实验表明,导致崩溃的最重要因素是叙事冲击的强度,而不是具体内容。无论是与储备疑虑、监管威胁还是技术故障相关,足够严重的冲击通常都会产生去挂钩事件。

这项研究对该领域做出了几项贡献。我们的主要理论贡献是扩展了关于金融科技和金融脆弱性的现有文献。在最近关于稳定币套利、赎回风险和挤兑微观结构的工作基础上,我们提出了一个“认知去挂钩”机制,解释了叙事冲击如何在数字银行挤兑之前和期间转化为协调性出售压力。我们不仅证明了“叙事很重要”,还解释了叙事是如何被处理的,它们如何导致认知收敛,以及这种收敛如何导致价格崩溃。这些发现支持将叙事严重性解释为可衡量风险因素的观点。方法上,我们将基于 LLM 的代理建模应用于金融市场研究。这种方法将定性叙事信息与定量市场动态相结合,增强了代理推理的可解释性。最后,我们的发现具有重要的政策意义。对于监管机构而言,明确的严重性阈值突显了进行“叙事压力测试”以评估系统性风险的重要性。这一想法与金融监管向前瞻性压力测试和情景分析的更广泛趋势一致,但它将压力对象从资产负债表变量扩展到了信息和信心冲击。对于发行人而言,我们的发现强调了通过透明沟通建立“叙事韧性”对于维持金融流动性同样重要。

本文的剩余部分组织如下:第2节详细介绍了我们的计算模型。第3节描述了模拟实验并展示了我们的结果。第4节总结了本文的主要内容。

计算模型
为了解释外部信息冲击如何引发投资者的“认知恐慌”并导致稳定币脱钩风险,我们开发并分析了一个基于代理的计算模型。该模型包含三个主要组成部分:(1)一群具有不同认知和行为框架的异质代理,其中包括基于大型语言模型(LLM)的模块,这些模块使代理能够处理传统基于规则的方法无法处理的复杂叙事信息;(2)一个双市场结构;(3)一个模拟协议。

模拟过程以离散时间步长进行,每个周期内的事件序列严格有序,以保持因果一致性。每个周期开始时,模拟引擎会引入新的叙事事件,并根据公式(4)更新恐惧指数????。这会导致立即的系统性冲击:根据公式(5)中的非对称概率,CLOB中的一部分待成交订单被取消(即流动性冲击),同时发行方的运营也会受到影响。

结论
本文研究了叙事冲击如何通过投资者认知和市场流动性来影响稳定币市场。稳定币在制度上较为脆弱,因为它们的稳定性不仅取决于储备金,还取决于赎回可信度、二级市场流动性以及对可兑换性的信心。我们开发了一个基于LLM的代理模型,以研究异质投资者如何解读外部叙事,以及这些解读如何转化为交易压力。

作者贡献声明
Bo Congcong:负责写作——审稿与编辑、写作——初稿、可视化、验证、软件开发、调查、形式分析、数据整理。
Shen Dehua:负责写作——审稿与编辑、写作——初稿、可视化、验证、监督、软件开发、资源管理、项目协调、方法论研究、资金筹集、形式分析、数据整理、概念构建。

利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢
本工作得到了国家自然科学基金(项目编号72371138和72495155)以及教育部哲学与社会科学研究重大项目(项目编号25JZD017)的支持。作者们对这项工作做出了平等的贡献。作者按字母顺序列出。

Bo Congcong | Shen Dehua
南开大学金融学院,中国天津300350
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号