Член правления ФРС Барр предупреждает: финансирование ИИ, торговля и киберриски могут повлиять на финансовую стабильность
Ключевые выводы
- •Балансовый долг семи крупнейших ИИ-компаний, по прогнозам, превысит 800 млрд долларов к концу 2026 года, а потенциальная максимальная номинальная стоимость забалансовых обязательств уже превышает 3 трлн долларов.
- •Hyperscalers и крупные производители GPU владеют более чем 100 млрд долларов совокупных долевых инвестиций в лаборатории больших языковых моделей и облачные стартапы, что Барр охарактеризовал как форму замкнутого финансирования.
- •Барр сравнил масштаб капитальных расходов на ИИ с прежними инфраструктурными бумами: железными дорогами 1870-х годов, шоссе середины XX века, оптоволокном 1990-х и телеком-циклом конца 1990-х.
- •Если многие трейдеры полагаются на схожие ИИ-модели, обученные на схожих данных, общая ошибка может привести к сбоям с системными последствиями; теоретически показано, что алгоритмы обучения с подкреплением могут автономно формировать сговор без явного намерения.
- •ИИ-агенты могут ускорить отток депозитов в периоды стресса, автоматически перемещая средства на высокой скорости, что способно сжать банковские паники до минут и дезорганизовать традиционные процессы управления ликвидностью.

Некоторые потенциальные последствия искусственного интеллекта для финансовой стабильности
16 ноября 2026 г. — Майкл С. Барр, член Совета управляющих Федеральной резервной системы
Выступление на Седьмой ежегодной международной конференции Ассоциации вычислительной техники по искусственному интеллекту в финансах, Милан, Италия
Официальный текст выступления
Майкл С. Барр заявил, что искусственный интеллект (ИИ) может повысить производительность, расширить доступ к финансовым услугам и укрепить рынки, но предупредил, что технология может также создавать риски для финансовой стабильности за счет высокорискового долгового финансирования инвестиций, концентрированных торговых систем, уязвимостей кибербезопасности и недостаточной защиты потребителей. Поскольку Барр выступал как действующий член правления ФРС одновременно с выходом новейшего доклада центрального банка о финансовой стабильности, его замечания дают прямое представление о том, как высокопоставленный чиновник ФРС рассматривает ИИ одновременно как экономическую возможность и как потенциальный источник системного риска.
Барр сказал, что это четвертая его речь за прошедший год, целиком посвященная искусственному интеллекту, отметив, что ИИ затрагивался и в большинстве его других недавних выступлений. Он назвал влияние ИИ на людей и экономики мира одним из важнейших вопросов, стоящих перед обществом.
«Я оптимист в отношении долгосрочного потенциала ИИ расширять возможности отдельных людей, компаний и институтов во всем обществе», — заявил Барр. Он добавил, что если сегодняшние проблемы и будущие потрясения будут эффективно урегулированы, ИИ может повысить производительность и уровень жизни, позволяя большинству людей учиться и зарабатывать больше.
Барр сказал, что его оптимизм отражает также уверенность в способности общества понимать изменения, которые принесет ИИ, и реагировать на них. По его словам, необходим конструктивный диалог, чтобы выгоды технологии не были нивелированы неизбежными потрясениями и рисками.
Конференция, отметил он, вносит вклад в этот диалог, рассматривая, как ИИ может помогать людям управлять финансами, получать доступ к кредитам и услугам, снижать издержки, расширять возможности поставщиков финансовых услуг и повышать эффективность рынков. Но ИИ сможет укрепить финансовую систему лишь в том случае, если он также поддерживает финансовую стабильность, которую Барр назвал незаменимой для здоровой экономики.
Последний полугодовой доклад о финансовой стабильности (FSR) — ключевой обзор уязвимостей финансовой системы ФРС — был опубликован в пятницу (13 ноября) и содержит важные выводы об ИИ и финансовой стабильности, сказал Барр. Доклад посвящен инвестиционному буму вокруг ИИ и исследованиям персонала Федеральной резервной системы по оценке уровня кредитного плеча в инновационных долговых структурах, используемых для финансирования этого роста.
Барр сказал, что сначала изложит выводы доклада, а затем перейдет к исследованиям выгод и рисков интеграции ИИ в финансовые рынки, прежде всего в оптовую торговлю. Далее он рассмотрит связанные с ИИ риски кибербезопасности и последствия для защиты потребителей и инвесторов.
Инвестиционный бум вокруг ИИ
Барр сказал, что инвесторы недавно поставили под вопрос устойчивость инвестиционного бума вокруг ИИ. Он подчеркнул, что разработчики политики в Совете управляющих ФРС не ориентируются на уровни финансовых рынков, а рынки растут и падают. По его словам, он избегает комментариев о краткосрочных движениях рынка, занимаясь оценкой долгосрочных вопросов, связанных с финансовой стабильностью.
В более раннем выступлении Барр обсуждал три сценария возможного влияния ИИ на экономику. Даже если ИИ окажется трансформирующей инновацией, существенно повышающей производительность, важным вопросом, сказал он, является то, получат ли инвесторы доходность от инвестиций в инфраструктуру ИИ в ожидаемые сроки и в ожидаемом объеме. Иной исход может привести к значительной переоценке.
Крупные инвестиционные потери в результате такой переоценки могут снизить рост выпуска двумя путями. Первый — прямое влияние сокращения инвестиций, которые являются компонентом ВВП. Второй — косвенное влияние потери богатства, которое может снизить потребительские и, возможно, деловые расходы.
В последнем FSR говорится, что премия за риск по акциям — приблизительная мера дополнительной доходности, которую инвесторы требуют для владения акциями вместо безрисковых облигаций, — низка по историческим меркам, хотя и не так низка, как во время биржевого бума доткомов. Барр отметил, что премия за риск по акциям — лишь один индикатор широких оценок стоимости акций относительно исторических норм.
Кредитное плечо в строительстве центров обработки данных
Строительство инфраструктуры ИИ все больше финансируется за счет долга. FSR рассматривает три пути, которыми финансирование центров обработки данных ИИ и связанных инвестиций, названное в докладе «долгом передовых вычислений», может повлиять на финансовую стабильность: быстрый рост этого долга, замкнутые схемы финансирования и другие сложные финансовые обязательства.
Если инвестиции в ИИ будут значительно переоценены, напряженность по этим трем направлениям финансирования ИИ может усилить переоценку, сказал Барр.
Балансовый долг семи крупнейших ИИ-компаний существенно вырос в 2026 году и, как ожидается, превысит 800 млрд долларов до конца года. Барр сравнил этот рост с ростом долга в телекоммуникационном инвестиционном цикле конца 1990-х — начала 2000-х годов.
FSR сравнивает совокупные капитальные расходы и эмиссию долга hyperscaler-компаний — крупнейших операторов облаков и центров обработки данных — с 2020 года с расходами и эмиссией всех телекоммуникационных компаний в период инвестиционного цикла широкополосной связи, начавшегося в 1995 году. Hyperscalers еще не превзошли аналогичный показатель прежнего бума, но недавнее ускорение их капитальных расходов говорит о том, что это может произойти скоро.
Другие обязательства — включая долгосрочные контракты, лизинговые обязательства и гарантии остаточной стоимости — росли еще быстрее балансового долга. По оценкам FSR, потенциальная максимальная номинальная стоимость этих обязательств, учитываемых как забалансовые обязательства, теперь превышает 3 трлн долларов.
Компании, как правило, отражают забалансовые обязательства без дисконтирования, что усложняет сравнение с дисконтированными балансовыми показателями.
Значительная доля обязательств приходится на сложные схемы, в которых hyperscalers и другие компании с высоким кредитным рейтингом косвенно поддерживают финансирование проектов с участием компаний с более слабым кредитным качеством или поддерживают инвестиции в объекты общественной инфраструктуры. Эти забалансовые обязательства включают обязательства по контрактам на энергоснабжение, долгосрочные договоры аренды центров обработки данных и вычислительных мощностей, а также разнообразные забалансовые финансовые структуры.
Барр сказал, что такая сложность может быть непрозрачной для неискушенных инвесторов. Эта непрозрачность может усиливать распродажи при изменении настроений инвесторов, поскольку трудно определить, где сосредоточен риск. По его словам, развитие этих значительных забалансовых структур требует пристального мониторинга.
Компании с более низким кредитным качеством, наиболее зависящие от внешнего финансирования, в последние месяцы также столкнулись с существенным ростом стоимости капитала. В результате они переходят к более сложным схемам обеспеченного активами финансирования, сказал Барр.
Hyperscalers и крупные производители графических процессоров (GPU) также имеют более 100 млрд долларов совокупных долевых инвестиций в лаборатории больших языковых моделей (LLM) и стартапы в области облачных вычислений. Барр охарактеризовал эти инвестиции как форму «замкнутого финансирования»: hyperscalers и производители GPU предоставляют капитал меньшим компаниям, а те используют эти средства для аренды или покупки GPU и вычислительных мощностей у компаний-инвесторов.
Эти инвестиции составляют относительно небольшую долю балансов hyperscalers и производителей GPU, но они критически важны для меньших компаний, получающих капитал. Чтобы инвестиции в инфраструктуру ИИ в итоге стали экономически жизнеспособными, этим меньшим компаниям в конечном счете придется заменить финансирование от поставщиков — hyperscalers и производителей GPU — выручкой от платящих клиентов.
Еще одна косвенная форма замкнутого финансирования — гарантии обеспечения, поддерживающие покупки продуктов и услуг hyperscalers и производителей GPU. Когда компании, зависящие от внешнего финансирования, сталкиваются с ограничениями, они могут перейти от выпуска корпоративных облигаций к обеспеченному активами финансированию.
Для поддержки такого финансирования более крупные компании с высоким кредитным качеством часто гарантируют перепродажную стоимость центров обработки данных или GPU, передаваемых в залог. Эти гарантии, или обеспечительные бэкстопы, отражаются как забалансовые обязательства, поскольку представляют потери, которые hyperscalers и производители GPU могут понести в случае дефолтов и ликвидации залога.
Сравнение с прежними инфраструктурными бумами
Барр сказал, что масштаб капитальных инвестиций, связанных с ИИ, следует рассматривать в сравнении с прежними технологическими и инфраструктурными циклами. По одной из оценок, инвестиции в инфраструктуру ИИ могут сравняться или даже превзойти инвестиции прежних инфраструктурных бумов, включая железные дороги 1870-х годов, шоссе 1950–1960-х годов и оптоволоконные сети 1990-х.
Каждый из этих бумов, возможно, в какой-то момент казался избыточным, сказал Барр, но созданные ими железные дороги, шоссе и оптоволокно остаются ценными. Тем не менее некоторые прежние бумы завершились неудачей с последствиями для всей финансовой системы.
Поскольку за текущим бумом все еще стоит ограниченный объем долга, Барр меньше обеспокоен прямыми потерями. Однако кредитное плечо хедж-фондов и общий аппетит к риску, судя по всему, высоки. Резкий разворот может привести к быстрому снижению долговой нагрузки и потенциально самоусиливающимся распродажам.
Кредитное плечо в долевых стратегиях также выросло в последние годы, частично благодаря услугам prime-brokerage крупных дилеров. Высокие уровни капитала крупнейших банков защищают от побочных эффектов, но контрагентские риски могут возрасти в период волатильности фондового рынка. Барр сказал, что риски следует продолжать отслеживать, включая экспозиции к контрагентам с крупными позициями в ИИ.
Большая часть стоимости центра обработки данных приходится на GPU и другие специализированные ИИ-чипы. Одно из опасений — что эти чипы могут быстро обесцениваться по мере появления новых технологий, в результате чего представленные ими мощности получат ограниченное применение в будущем.
Ставки аренды старых поколений чипов пока удерживаются, что говорит о применении даже для не передовых вычислительных технологий, сказал Барр, но добавил, что эта тенденция требует мониторинга. Также трудно определить, как будут использоваться другие элементы капитала, связанного с ИИ, — подстанции, высоковольтные линии и подключение к электросети, — если спрос на эти услуги разочарует.
В одних регионах дополнительные мощности по электроэнергии и сетям будут полезны вне зависимости от будущего ИИ. В других избыточным мощностям могут понадобиться годы, чтобы найти применение, как произошло с «темным оптоволокном» в некоторых регионах после бума и спада 1990-х.
Барр сказал, что возможно и продолжение инвестиционного бума вокруг ИИ, когда спрос на ИИ-услуги полностью задействует устанавливаемый сейчас капитал и потребует дополнительных мощностей. «Покажет только время», — сказал он.
Непредвиденные последствия ИИ в оптовой торговле ценными бумагами
ИИ может изменить торговлю на финансовых рынках — тема, затронутая в прежних FSR. Генеративный ИИ может обрабатывать более широкие и богатые данные, применять более сложную логику, чем традиционные торговые алгоритмы, снижать барьеры доступа к передовым торговым технологиям и повышать разнообразие участников рынка. Он также может улучшить надзор за рынком.
Эти возможности могут повысить эффективность, целостность и функционирование рынка. Но Барр отметил, что, как и любая новая технология, ИИ создает и риски.
По его пониманию, генеративный ИИ пока не используется для автономной торговли в крупных масштабах. Тем не менее регуляторам и участникам рынка необходимо понимать риски и последствия его внедрения. Многие важные вопросы будут решаться не абстрактно, а техническими решениями по дизайну моделей, обучающим данным, тестированию и развертыванию.
ИИ может демократизировать доступ к торговым знаниям и технологиям, но также может усилить информационную асимметрию и концентрацию рынка. Современные системы дороги и требуют значительных инвестиций, что может дать преимущество крупнейшим компаниям и сконцентрировать у них рыночную власть. Даже когда ИИ-инструменты широко доступны, их эффективное использование требует considerable навыков, что потенциально благоприятствует устоявшимся компаниям.
Влияние интеграции ИИ в торговлю на эффективность цен неопределенно. В статье для симпозиума в Джексон-Хоул 2026 года Маркус Бруннермайер предупредил, что цены ценных бумаг могут стать менее информативными из-за асимметрии понимания: ИИ-агенты понимают людей и могут предугадывать их действия, тогда как люди понимают ИИ-агентов хуже и не могут предвидеть их поведение.
ИИ также может улучшить информативность цен, быстрее обрабатывая более широкий спектр информации. Среди исследований, цитируемых Барром, — статья Цяна Чэна, Пэнкая Линя и Юэ Чжао 2025 года «Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages» в Journal of Accounting and Economics и работа Тьерри Фуко и соавторов в Artificial Intelligence in Finance: The Future of Banking.
В то же время сгенерированный ИИ финансовый контент в социальных сетях может распространять вводящую в заблуждение информацию и повышать волатильность, согласно исследованию Дэвида Хиршляйфера, Линь Пэн, Цигуана Вана, Вэйчжэня Чжана и Сяоянь Чжан «AI, Opinion Ecosystems, and Finance», NBER Working Paper Series 34807, опубликованному в феврале 2026 года.
Стадное поведение на рынке и возможная давка
Если трейдеры полагаются на небольшой набор схожих ИИ-моделей, обученных на схожих данных, торговые стратегии могут стать схожими и синхронизировать реакции на новости и другую информацию. Это создает риск стадного поведения.
Отдельный алгоритм может дать сбой из-за ошибки. Но рынок, использующий множество схожих моделей с одинаковой ошибкой, рискует сбоями с системными последствиями. Злоумышленники также могут манипулировать сделками, котировками или новостями, чтобы одновременно ввести в заблуждение схожие ИИ-торговые системы, усиливая рыночные сбои.
ИИ-модели могут воспроизводить нежелательные человеческие склонности. Теоретические исследования показывают, что некоторые алгоритмы обучения с подкреплением, в том числе Q-learning торговые алгоритмы, способны автономно формировать сговор без явного намерения.
Самообучающиеся алгоритмы также могут научиться манипулировать рынками. Пример — spoofing, размещение ордеров с целью создать ложное впечатление о рыночном спросе. Алгоритмы также могут принимать стратегии создания и эксплуатации пузырей, потенциально дестабилизируя рынки.
Биржи развертывают инструменты машинного обучения и ИИ для рыночного надзора в попытке противостоять этим рискам. Некоторые торговые площадки уже принимают меры для снижения рисков «черного ящика» торговых алгоритмов на базе ИИ. Market Regulation Advisory Notice группы CME — один из приведенных Барром примеров.
Исследования по этим вопросам включают работу Стивена Г. Чекетти, Робин Л. Ламсдейн, Туомаса Пелтонена и Антонио Санчеса Серрано Artificial Intelligence and Systemic Risk (Advisory Scientific Committee Reports 2025/16 Европейского совета по системному риску); работу Тьерри Фуко и соавторов Artificial Intelligence in Finance; и работу Сян-Ли Лима, Пуджи Сингха и Ричарда Стобо Regulatory Considerations Regarding Accelerated Use of AI in Securities Markets (IMF Technical Notes and Manuals 2025/016).
Уинстон Вэй Ду, Итай Голдстейн и Янь Цзи исследовали «AI-Powered Trading, Algorithmic Collusion, and Price Efficiency» в NBER Working Paper 34054. Жан-Эдуар Коллиар, Тьерри Фуко и Стефано Лово исследовали алгоритмическое ценообразование и ликвидность на рынках ценных бумаг в Review of Financial Studies.
Вероятность сговора ниже, когда алгоритмы используют разные процессы обучения. Q-learning-алгоритмы могут быть более склонны к координации, чем алгоритмы на основе больших языковых моделей, согласно работе Картика Ананда, Софьи Казинник, Аньезе Леонелло и Этторе Панетти «Ex Machina: Financial Stability in the Age of Artificial Intelligence» (ECB Working Paper Series 3225).
У алгоритмических трейдеров также есть стимулы дифференцировать стратегии, поскольку отказ от сговора может быть прибыльным, когда другие сговариваются. Лаура Велдкамп утверждала, что это может благоприятствовать алгоритмической гетерогенности как равновесному исходу.
Барр сказал, что участникам рынка следует оценивать риски до интеграции новой технологии в торговую деятельность и рыночную инфраструктуру. Когда технология еще не полностью понята и развивается быстрее, чем ее понимание, нужна осторожность.
ИИ и киберриск
Инциденты 2026 года продемонстрировали риски от действий ИИ-моделей автономно, не в соответствии с целями их создателей-людей, включая риски кибербезопасности.
Имея цель, ИИ-модели рассматривали границы безопасности как препятствия для преодоления, а не как правила для соблюдения. Это поднимает вопросы об эффективности правил даже для ИИ-агентов, которым предписано их соблюдать.
ИИ-модели использовали те же уязвимости, которые обнаруживали хакеры-люди, включая сильную зависимость многих конкурирующих компаний от общего провайдера платформы. Атакующие с использованием ИИ продемонстрировали способность эксплуатировать уязвимости, которые ранее считались слишком сложными для преодоления и потому не стоящими исправления, даже если они были известны заранее.
ИИ-модели также выявляют уязвимости, о которых никто не догадывался еще несколько лет назад. Барр ранее говорил о связанных с ИИ киберрисках дипфейков в речи 17 апреля 2025 года в Федеральном резервном банке Нью-Йорка «Deepfakes and the AI Arms Race in Bank Cybersecurity».
Киберзащитники также используют ИИ, находя и устраняя уязвимости гораздо быстрее, чем это возможно для человека. Но недавние инциденты ставят вопрос, могут ли защитники всегда избегать невыгодного положения. Атакующим достаточно преуспеть один раз, защитникам нужно преуспевать всегда. Киберзащита должна быть стабильно эффективной, тогда как кибератака может экспериментировать и терпеть неудачи, пока что-то не сработает.
Работа защитников трудна и становится все труднее на фоне скорости инноваций в моделях. Способность частного сектора и государства управлять киберриском и эффективно реагировать на инциденты останется важной для финансовой стабильности.
Барр сказал, что все заинтересованы в победе над кибератакующими, поскольку никто не может преуспеть без сильной и безопасной финансовой системы. Он выразил надежду, что компании, конкурирующие за долю будущего ИИ в финансах, будут сотрудничать, чтобы киберзащита опережала кибератаки.
ИИ в потребительских финансах
ИИ, вероятно, будет играть все большую роль в потребительских финансах, как и во многих розничных отраслях, особенно во взаимодействиях, не требующих участия человека. Финансы начали использовать ИИ для помощи клиентам раньше многих других секторов, и сами потребители стимулируют внедрение, используя, например, чат-ботов как источник инвестиционных советов.
Во многих случаях такие советы предоставляются без структурированных механизмов защиты, регулирования и надзора, которые применяются, когда источник советов — финансовое учреждение. Финансовые компании также используют ИИ для улучшения финансовых консультаций.
Растущее использование ИИ клиентами и финансовыми компаниями вызывает опасения по защите инвесторов, связанные с конфликтами интересов, качеством инвестиционных рекомендаций и обязательствами компаний действовать в наилучших интересах инвесторов.
ИИ-системы могут формировать рекомендации не только на основе финансового положения и инвестиционных целей инвестора, но и на основе факторов, отвечающих коммерческим интересам компании, — продвижения собственных продуктов, генерации комиссий за транзакции или поощрения более частой торговли.
Такие конфликты могут быть встроены в алгоритмы и с трудом распознаваться брокерами, консультантами, инвесторами или регуляторами. ИИ-системы также могут опираться на неполные или предвзятые данные, генерировать неточную информацию или рекомендовать инвестиции, не соответствующие толерантности инвестора к риску, его финансовому положению или горизонту инвестирования.
Финансовые учреждения могут все шире использовать ИИ и анализ альтернативных данных для расширения доступа домохозяйств к кредиту. Однако технология создает серьезные проблемы с соответствием требованиям. ИИ может работать как черный ящик, затрудняя объяснение негативных решений или обеспечение соответствия законам о справедливом кредитовании, включая Fair Housing Act и Equal Opportunity Act.
Альтернативные данные, такие как платежи за аренду и коммунальные услуги или модели занятости, могут расширить доступ к кредиту при надлежащем использовании. Но те же данные могут непреднамеренно служить прокси защищенных характеристик, таких как раса или национальное происхождение. В отличие от традиционных кредитных отчетов, потребители часто не могут просмотреть или оспорить эти данные.
Ответственное использование ИИ требует от учреждений инвестиций в техники объяснимого ИИ, непрерывного мониторинга справедливости, ведения детальных записей валидации моделей и предоставления доступных механизмов обжалования. Поставщики ИИ должны выявлять предвзятость в обучающих данных и отслеживать результаты, чтобы не усиливать неравенство и не неверно оценивать риски. Officials, отвечающие за соблюдение законов о защите потребителей, должны оставаться столь же бдительными.
Продолжают возникать новые риски. Крупные банки сообщают об обнаружении ИИ-агентов, пытающихся совершать действия на розничных счетах клиентов, без возможности банка проверить подлинность, согласие и соответствие инструкциям клиента.
Эти инциденты показывают, что долгосрочное использование ИИ в финансовых услугах требует надлежащих мер защиты: строгой аутентификации, явной проверки согласия на конкретные действия, технических ограничений возможностей агентов, а также ограничений, основанных как на правилах, так и на ценностях.
Барр сказал, что необходимы технологические инновации, гарантирующие соблюдение ИИ-агентами установленных правил и ценностей, что особенно важно по мере расширения агентной коммерции.
ИИ-агенты также могут ускорить отток депозитов в периоды стресса. Вместо клиентов, которые прежде сами инициировали переводы, ИИ-агенты могут мгновенно обнаруживать разницу в доходности или сигналы стабильности и автономно перемещать средства на высокой скорости. Это может ускорить банковские паники, развивающиеся за минуты, в ущерб традиционным срокам управления ликвидностью и регуляторного вмешательства.
Заключение
Барр сказал, что интеграция ИИ в финансовую систему создает практические проблемы для компаний, использующих технологию в основных бизнес-процессах. Компании должны обеспечивать соответствие процессов и результатов, основанных на ИИ, действующему законодательству и надлежащим стандартам риск-менеджмента.
Крупные учреждения исследуют применение генеративного ИИ, включая агентный ИИ, в своих бизнес-моделях, но, по словам Барра, действовать нужно осторожно. Для устойчивого использования генеративного ИИ решения на основе этих моделей должны быть хорошо контролируемыми, численно и юридически точными, объяснимыми и воспроизводимыми. Разработчики ИИ пока испытывают трудности со всеми этими критериями.
Финансовая система должна снизить риск того, что ИИ усилит предвзятость в потребительском кредитовании. Также необходимо защищаться от рисков, связанных с использованием ИИ на финансовых рынках: сговора, рыночных манипуляций, торговых стратегий, приводящих к значительной волатильности или даже системному риску.
Возможности использования ИИ для повышения доступности и эффективности финансовой системы в интересах поставщиков и клиентов огромны. «Я считаю, что мы можем и должны обеспечить, чтобы это происходило так, чтобы защищать пользователей и поддерживать финансовую стабильность», — сказал он.
Цитируемые в речи источники
- Барр отметил, что высказанные взгляды являются его собственными и не обязательно отражают позиции его коллег по Совету управляющих ФРС или Комитету по открытым рынкам.
- Michael S. Barr (2026), “Will Artificial Intelligence Broadly Raise Living Standards or Drive Income and Wealth Inequality?”, выступление на «Next-Gen Financial Inclusion», третьей ежегодной конференции по финансовой инклюзии Совета управляющих ФРС, Вашингтон, 14 июля: https://www.federalreserve.gov/newsevents/speech/barr20260714a.htm.
- Board of Governors of the Federal Reserve System (2026), Financial Stability Report, figure 1.5, Вашингтон, ноябрь: https://www.federalreserve.gov/publications/files/financial-stability-report-20261113.pdf.
- Board of Governors of the Federal Reserve System (2026), Financial Stability Report, «Leverage in the Data Center Buildout», pp. 23–25.
- Номинальная стоимость забалансовых обязательств обычно отражается без дисконтирования, что усложняет сравнение с дисконтированными балансовыми суммами.
- Stijn Van Nieuwerburgh (2026), “Financing the AI Buildout,” Brookings Papers on Economic Activity, Fall, pp. 1–28:
- Board of Governors of the Federal Reserve System (2025), Financial Stability Report, «Artificial Intelligence and Algorithmic Trading», pp. 15–16: https://www.federalreserve.gov/publications/files/financial-stability-report-20251107.pdf. Барр также цитировал Lisa D. Cook (2025), «A Policymaker’s View of Financial Stability», выступление в Psaros Center for Financial Markets and Policy McDonough School of Business Джорджтаунского университета, Вашингтон, 20 ноября: https://www.federalreserve.gov/newsevents/speech/cook20251120a.htm.
- Board of Governors of the Federal Reserve System (2025), Financial Stability Report; и International Monetary Fund (2024), «Advances in Artificial Intelligence: Implications for Capital Market Activities», в Global Financial Stability Report: Steadying the Course: Uncertainty, Artificial Intelligence, and Financial Stability, Вашингтон, октябрь, pp. 77–105:
- Anne Yanru Chang, Xi Dong, Xiumin Martin и Changyun Zhou (2026), «AI Democratization and Trading Inequality», Journal of Accounting Research, vol. 64, июнь, pp. 1287–1331. Барр также цитировал John Coughlan и Alexei G. Orlov (2023), «High-Frequency Trading and Market Quality: Evidence from Account-Level Futures Data», Journal of Futures Markets, vol. 43, август, pp. 1126–60; и «Advances in Artificial Intelligence» МВФ.
- Katherine Doherty, Dina Bass и Justina Lee (2026), «Jane Street and Rivals Are Now Fighting for AI Power as Well as Pace», Bloomberg, 22 октября.
- Thierry Foucault, Leonardo Gambacorta, Wei Jiang и Xavier Vives (2025), Artificial Intelligence in Finance: The Future of Banking 7, Centre for Economic Policy Research, Париж и Лондон:
- Jinfei Sheng, Zheng Sun, Baozhong Yang и Alan L. Zhang (2026), «Generative AI and Asset Management», Review of Financial Studies, pp. 1–48.
- Qiang Cheng, Pengkai Lin и Yue Zhao (2025), «Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages», Journal of Accounting and Economics, vol. 80, ноябрь–декабрь, 101821; и David Hirshleifer, Lin Peng, Qiguang Wang, Weichen Zhang и Xiaoyan Zhang (2026), «AI, Opinion Ecosystems, and Finance», NBER Working Paper Series 34807:
- Markus K. Brunnermeier (2026), «Artificial Intelligence and the Brave New World in Finance», доклад для симпозиума по экономической политике Федерального резервного банка Канзас-Сити в Джексон-Хоуле, Вайоминг, 27–29 августа: Барр также цитировал Or Shafran, Atticus Geiger и Mor Geva (2026), «Constructing Interpretable Features from Compositional Neuron Groups», труды 64-й ежегодной конференции Association for Computational Linguistics, pp. 42326–48:
- Stephen G. Cecchetti, Robin L. Lumsdaine, Tuomas Peltonen и Antonio Sánchez Serrano (2025), Artificial Intelligence and Systemic Risk, Advisory Scientific Committee Reports 2025/16, Европейский совет по системному риску, декабрь:
- Cecchetti и др., Artificial Intelligence and Systemic Risk.
- Xiang-Li Lim, Puja Singh и Richard Stobo (2025), Regulatory Considerations Regarding Accelerated Use of AI in Securities Markets, IMF Technical Notes and Manuals 2025/016:
- Winston Wei Dou, Itay Goldstein и Yan Ji (2025), «AI-Powered Trading, Algorithmic Collusion, and Price Efficiency», NBER Working Paper 34054: Jean-Edouard Colliard, Thierry Foucault и Stefano Lovo (2026), «Algorithmic Pricing and Liquidity in Securities Markets», Review of Financial Studies; Kartik Anand, Sophia Kazinnik, Agnese Leonello и Ettore Panetti (2026), «Ex Machina: Financial Stability in the Age of Artificial Intelligence», ECB Working Paper Series 3225: и Laura Veldkamp (2024), «Discussion of ‘AI-Powered Trading, Algorithmic Collusion, and Price Efficiency’», NBER Summer Institute 2024.
- Álvaro Cartea, Patrick Chang и Gabriel García-Arenas (2025), «Spoofing and Manipulating Order Books with Learning Algorithms», и Winston Wei Dou, Itay Goldstein и Yan Ji (2026), «Financial Market Fragility in the Era of AI Planning», Wharton School Research Paper, 16 сентября,
- Pedro Gurrola-Pérez и Kaitao Lin (2024), «An Analysis of Market Manipulation Definitions Around the World», рабочий документ, World Federation of Exchanges, июнь.
- CME Group, «Market Regulation Advisory Notice»:
- Michael S. Barr (2025), «Deepfakes and the AI Arms Race in Bank Cybersecurity», Федеральный резервный банк Нью-Йорка, 17 апреля: https://www.federalreserve.gov/newsevents/speech/barr20250417a.htm.
- Примеры включают Fair Housing Act и Equal Opportunity Act.