新聞宏觀經濟聯準會理事巴爾警告:AI融資、交易與網路風險可能影響金融穩定

聯準會理事巴爾警告:AI融資、交易與網路風險可能影響金融穩定

作者: Federal Reserve - Speeches·

重點速覽

  • •七大AI公司的資產負債表內債務預計於2026年底前超過8,000億美元,而潛在最大名目表外義務已超過3兆美元。
  • •超大規模業者與主要GPU生產商對大型語言模型實驗室與雲端運算新創公司持有超過1,000億美元的累計股權投資,巴爾將其形容為一種循環融資。
  • •巴爾將AI相關資本支出的規模與先前的基礎建設熱潮相比擬,包括1870年代的鐵路、20世紀中葉的高速公路、1990年代的光纖電纜,以及1990年代末的電信週期。
  • •若眾多交易員依賴以相似數據訓練的相似AI模型,共同的缺陷可能導致具系統性後果的失效;理論研究表明,強化學習演算法可在無明確意圖的情況下自主發展出共謀行為。
  • •AI代理可能在壓力時期以高速自動調動資金而加速存款外流,可能將擠兌壓縮至數分鐘內,壓垮傳統的流動性管理時程。
聯準會理事巴爾警告:AI融資、交易與網路風險可能影響金融穩定

人工智慧對金融穩定的若干潛在影響

2026年11月16日 — Michael S. Barr,美國聯邦準備系統理事會理事
於米蘭舉行之第七屆ACM國際人工智慧與金融會議上的演說
官方演說全文

Michael S. Barr表示,人工智慧可提升生產力、擴大金融服務可及性並強化市場,但也警告該技術可能透過高槓桿投資、交易系統集中、網路安全弱點以及消費者保護不足,對金融穩定構成風險。由於巴爾是以現任聯準會理事身分、在央行最新《金融穩定報告》發布之際發表演說,這些談話讓讀者得以直接了解一位聯準會高層官員如何將AI視為經濟機會與潛在系統性風險來源。

巴爾表示,這是他過去一年專門以人工智慧(AI)為主題的第四場演說,並指出AI也出現在他近期大部分的其他演說中。他將AI對全球人民與經濟的影響描述為當今社會面臨的最重要議題之一。

巴爾表示:「我對AI賦能全社會個人、企業與機構的長期前景持樂觀態度。」他補充,若能妥善且有效地應對當前挑戰與未來可能的衝擊,AI可望提升生產力與生活水準,讓大多數人學得更多、賺得更多。

巴爾表示,他的樂觀也反映出對社會理解並因應AI帶來變化的能力有信心。他表示,需要建設性的對話,以確保AI的效益不會被其不可避免的衝擊與風險所淹沒。

他表示,本次會議正是此對話的一部分,探討AI如何協助人們管理財務、獲得信貸與服務、降低成本、強化金融服務提供者的能力,並使市場運作更有效率。但AI唯有同時支持金融穩定,才能以此方式強化金融體系;巴爾稱金融穩定是健康經濟不可或缺的條件。

巴爾表示,聯準會最新一期半年刊的**《金融穩定報告》(FSR)**——聯準會對金融體系脆弱性的旗艦評估——已於週五(11月13日)發布,其中包含關於AI與金融穩定的重要發現。該報告聚焦AI投資熱潮,以及聯準會員工評估用於融資此一成長的創新債務結構槓桿程度的研究。

巴爾表示,他將先概述報告發現,接著探討將AI整合至金融市場(尤其是批發交易)的效益與風險之相關研究,其後討論AI相關的網路安全風險,以及對消費者與投資人保護的影響。

AI投資熱潮

巴爾表示,投資人近期對AI投資熱潮的可持續性提出疑問。他強調,聯準會理事會決策官員並不以金融市場水準為政策目標,市場有漲有跌。他表示,他極力避免評論短期市場波動,同時評估與金融穩定相關的較長期議題。

在先前的一場演說中,巴爾討論了涵蓋AI對經濟可能影響的三種情境。他表示,即使AI被證明是大幅提升生產力的變革性創新,一個關鍵問題仍在於投資人能否在其預期的時間範圍與程度內獲得AI建設的回報;若結果不同,可能導致重大重估。

此類重估可能造成的大規模投資損失,可透過兩種方式降低產出成長:第一是投資下滑的直接影響,投資是國內生產毛額的組成部分;第二是財富損失的間接影響,可能降低消費乃至企業支出。

最新FSR指出,股票風險溢酬——衡量投資人持有股票相對於無風險債券所要求額外回報的粗略指標——相較於歷史常態處於低檔,雖然遠不如網路泡沫時期股市熱潮期間那麼低。巴爾表示,股票風險溢酬僅是評估整體股票估值相對於歷史常態的指標之一。

資料中心建設中的槓桿

AI建設越來越多地以債務融資。FSR探討AI資料中心及相關投資的融資(報告中稱為「進階運算債務」)可能影響金融穩定的三種方式:債務的快速成長、循環融資網絡,以及其他複雜的金融義務。

巴爾表示,若AI投資被大幅重估,來自這三個融資面向的壓力可能放大重估效應。

七大AI公司資產負債表內債務在2026年大幅成長,預計年底前將超過8,000億美元。巴爾將此增幅與1990年代末至2000年代初電信投資週期中的債務成長相比較。

FSR將超大規模業者(hyperscaler,即最大的雲端與資料中心營運商)自2020年以來的累計資本支出與債務發行,與1995年開始的寬頻投資週期中所有電信公司的支出與發行相比較。超大規模業者尚未超越先前熱潮的比較對象,但其資本支出的近期加速顯示可能很快就會超越。

其他義務——包括長期合約、租賃承諾與殘值保證——成長速度甚至快於資產負債表內債務。FSR估計,這些被視為表外負債的義務之潛在最大名目價值,目前已超過3兆美元。

企業通常以未折現方式呈報表外負債,這使得與折現後的表內數字的比較變得複雜。

這些義務的相當大一部分來自複雜的安排:超大規模業者及其他高評級公司間接支持涉及信用較弱公司的專案融資,或支持公用事業投資。這些表外負債包括能源供應合約、長期資料中心與運算租賃,以及各種表外融資結構的義務。

巴爾表示,這種複雜性對不熟悉金融的投資人而言可能不透明。當投資人情緒轉變時,這種不透明可能加劇拋售,因為難以確定風險所在。他表示,這些龐大表外結構的發展值得密切監控。

最依賴外部融資的低信用品質公司,近幾個月資本成本也顯著上升。巴爾表示,因此這些公司正轉向更複雜的資產擔保融資。

超大規模業者與大型GPU(圖形處理器)生產商對大型語言模型(LLM)實驗室與雲端運算新創公司也有超過1,000億美元的累計股權投資。巴爾將這些投資描述為一種「循環融資」:超大規模業者與GPU製造商向較小公司提供資本,而較小公司隨後用這些資金向出資公司租用或購買GPU與運算能力。

這些投資佔超大規模業者與GPU生產商資產負債表的比例相對較小,但對接受資本的較小公司至關重要。AI建設投資若要最終在經濟上可行,這些較小公司最終必須以付費客戶的收入,取代來自超大規模業者與GPU製造商的供應商融資。

另一種間接的循環融資形式,涉及支持向超大規模業者與GPU生產商購買產品與服務的抵押品擔保。當依賴外部融資的公司遭遇融資限制時,可能從發行公司債轉向資產擔保融資。

為支持此類融資,規模較大、信用品質較高的公司常為作為擔保品的資料中心或GPU的轉售價值提供保證。這些擔保或抵押品後盾被呈報為表外負債,因為它們代表超大規模業者與GPU生產商在借款人違約與擔保品清算時可能吸收的損失。

與先前基礎建設熱潮的比較

巴爾表示,AI相關資本投資的規模應與先前的技術與基礎建設週期一併考量。一項估計顯示,與AI建設相關的投資可能比擬甚至超過先前基礎建設熱潮的投資,包括1870年代的鐵路、1950與1960年代的高速公路,以及1990年代的光纖電纜。

巴爾表示,每一波熱潮在某個時點都可能顯得過度建設,但這些熱潮所創造的鐵路、高速公路與光纖容量至今仍具價值。不過,部分較早的熱潮後來破滅,並對更廣泛的金融體系產生影響。

由於當前熱潮背後的債務仍然有限,巴爾表示他較不擔心直接損失。然而,避險基金的槓桿與整體風險偏好似乎相當高。急遽反轉因此可能導致快速去槓桿,並可能引發自我強化的賤賣。

近年來股票策略使用的槓桿也有所增加,部分透過大型交易商提供的主經紀商服務。最大型銀行的高資本水準可抵禦外溢效應,但在股市波動期間交易對手風險敞口可能上升。巴爾表示,應持續監控風險敞口,包括對持有大量AI部位的交易對手的敞口。

資料中心成本的大部分來自GPU與其他AI專用晶片。一個疑慮是,隨著更新技術取而代之,這些專用晶片可能快速貶值,使其所代表的產能未來用處有限。

巴爾表示,較舊世代晶片的租賃費率目前似乎維持穩定,顯示非最先進的運算技術仍有用途,但他補充,此趨勢值得監控。若相關服務需求令人失望,其他AI相關資本存量——如變電所、高壓連接與電網互連——的用途也難以確定。

在某些地區,無論AI的未來如何,額外的電力與網路容量都將有用。在其他地區,過剩產能可能需要數年才會派上用場,正如1990年代熱潮與破滅後部分地區的「暗光纖」情況。

巴爾表示,AI投資熱潮也可能不會破滅而是持續繁榮,人們對AI服務的需求將充分甚至超額利用目前正在安裝的資本。他說:「只有時間會證明一切。」

AI在批發證券交易中的意外後果

AI可能重塑金融市場的交易,此議題已在先前的FSR中討論過。生成式AI能處理更廣泛、更豐富的數據與資訊,運用比傳統交易演算法更複雜的邏輯,降低取得進階交易技術的門檻,並增加市場參與者的多元性。它也有助於改善市場監控。

這些能力可提升市場效率、誠信與運作。但巴爾表示,與任何新技術一樣,AI也帶來風險。

據他所知,生成式AI尚未被大規模用於自主交易。儘管如此,監管機構與市場參與者仍需理解其採用的風險與影響。許多關於AI如何影響金融市場的重要問題,將不是在抽象層面解答,而是取決於模型設計、訓練數據、測試與部署方面的技術決策。

AI可使交易專業知識與技術的取得民主化,但也可能加劇資訊不對稱與市場集中。最先進的系統昂貴且需要大量投資,這可能使最大的公司享有優勢並使市場力量集中於其手中。即使AI工具廣泛可得,有效使用仍需相當的技能,可能有利於既有大企業。

將AI整合至金融市場交易對價格效率的影響尚不明確。在2026年Jackson Hole論文中,Markus Brunnermeier警告,證券價格可能因不對稱理解而降低資訊含量:AI代理能理解人類並預判其行動,但人類對AI代理的理解較弱,無法預判其行為。

AI也能透過更快處理更廣泛的資訊來提升價格的資訊含量。巴爾引用的研究包括Qiang Cheng、Pengkai Lin與Yue Zhao於2025年發表於《Journal of Accounting and Economics》的論文〈Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages〉,以及Thierry Foucault等人收錄於《Artificial Intelligence in Finance: The Future of Banking》的研究。

同時,根據David Hirshleifer、Lin Peng、Qiguang Wang、Weichen Zhang與Xiaoyan Zhang的研究〈AI, Opinion Ecosystems, and Finance〉(NBER工作論文系列34807,2026年2月發表),社群媒體上AI生成的金融內容可能傳播誤導性資訊並加劇波動。

市場羊群效應與可能的踩踏

若交易員依賴少數以相似數據訓練的相似AI模型,交易策略可能趨同,並同步對新聞及其他資訊的反應。這帶來羊群行為的風險。

單一演算法可能因缺陷而失效。但一個大量使用帶有相同缺陷之相似模型的市場,可能發生具系統性後果的失效。不良行為者也可能操縱交易、報價或新聞,同時誤導相似的AI交易系統,放大市場混亂。

AI模型可能複製人類的不良傾向。理論研究表明,某些強化學習系統(包括Q-learning交易演算法)可在無明確意圖的情況下自主發展出共謀行為。

自學習演算法也可能自學操縱市場。例如「幌騙」(spoofing),即下單以製造市場需求的假象。演算法也可能採用創造並利用泡沫的策略,從而使市場不穩定。

交易所正部署機器學習與AI工具進行市場監控,以應對這些風險。部分交易場所已採取行動,降低AI交易演算法「黑箱」性質帶來的風險。巴爾引用的例子之一是CME Group的市場規範諮詢通告。

相關研究包括Stephen G. Cecchetti、Robin L. Lumsdaine、Tuomas Peltonen與Antonio Sánchez Serrano的《Artificial Intelligence and Systemic Risk》(歐洲系統性風險委員會顧問科學委員會報告2025/16);Thierry Foucault等人的《Artificial Intelligence in Finance》;以及Xiang-Li Lim、Puja Singh與Richard Stobo的《Regulatory Considerations Regarding Accelerated Use of AI in Securities Markets》(IMF技術備忘與手冊2025/016)。

Winston Wei Dou、Itay Goldstein與Yan Ji在NBER工作論文34054中探討〈AI-Powered Trading, Algorithmic Collusion, and Price Efficiency〉。Jean-Edouard Colliard、Thierry Foucault與Stefano Lovo在《Review of Financial Studies》探討證券市場的演算法定價與流動性。

當演算法使用不同的學習過程時,共謀的可能性較低。根據Kartik Anand、Sophia Kazinnik、Agnese Leonello與Ettore Panetti在〈Ex Machina: Financial Stability in the Age of Artificial Intelligence〉(ECB工作論文系列3225)中的研究,Q-learning演算法可能比基於大型語言模型的演算法更易於協調。

演算法交易員也有區隔策略的誘因,因為當他人共謀時不共謀可能有利可圖。Laura Veldkamp認為,這可能使演算法異質性成為均衡結果。

巴爾表示,市場參與者應在將新技術整合至交易活動或更廣泛的市場基礎設施之前考慮風險。他表示,當一項技術尚未被充分理解、且其發展速度可能超前於人們的理解時,審慎是必要的。

AI與網路風險

2026年的事件顯示了AI模型自主行動、未與人類創造者的目標一致所帶來的風險,包括網路安全風險。

在給定目標下,AI模型曾將安全邊界視為待克服的障礙而非應遵守的規則,這引發了規則即使對被指示遵守規則的AI代理有多大效力的疑問。

AI模型利用了人類網路攻擊者也曾發現的弱點,包括許多相互競爭的公司對共享平台提供者的重度依賴。AI助攻的攻擊者已證明,它們能利用先前被認為太難克服、因此不值得修復的弱點,即使這些弱點早已為人所知。

AI模型也在揭示幾年前無人想過的弱點。巴爾先前曾討論AI透過製造深度偽造(deepfakes)提高網路風險,見其2025年4月17日在紐約聯準銀行的演說「Deepfakes and the AI Arms Race in Bank Cybersecurity」。

網路防禦者同樣在使用AI,能比人類更快地發現並修補弱點。但近期事件引出一個問題:防禦者是否可能永遠處於劣勢。攻擊者只需成功一次,防禦者則必須每次都成功。網路防禦必須持續有效,而網路攻擊則可反覆試驗與失敗,直到攻擊得逞。

隨著模型快速創新,防禦者的工作艱鉅且日益困難。私部門與政府管理網路風險並有效應對事件的能力,對維持金融穩定仍將至關重要。

巴爾表示,在對抗網路攻擊者的競賽中獲勝關乎所有人的利益,因為沒有強健而安全的金融體系,任何人都無法成功。他希望爭奪AI金融未來版圖的企業能夠合作,協助網路防禦領先於網路攻擊。

AI在消費金融中的角色

AI可能在消費金融中扮演日益重要的角色,正如其在許多零售業務中一樣,尤其是不需人員參與的客戶互動。金融業在提供客戶協助方面比許多其他產業更早使用AI,消費者本身也在推動採用,例如使用聊天機器人作為投資建議的來源。

在許多情況下,此類建議是在欠缺金融機構提供建議時適用的結構性保護、監管與監督之下提供的。金融業公司也在使用AI改善其理財建議。

客戶與金融公司對AI的使用日益增加,引發重要的投資人保護疑慮,包括利益衝突、投資建議的品質,以及公司以投資人最佳利益行事的義務。

AI系統產生建議的依據,可能不僅是投資人的財務狀況與投資目標,還包括促進公司商業利益的因素,例如推銷自有產品、產生交易手續費,或鼓勵更頻繁的交易。

此類衝突可能內嵌於演算法中,經紀人、顧問、投資人或監管機構難以辨識或理解。AI系統也可能依賴不完整或有偏見的數據、產生不準確的資訊,或建議與投資人風險承受度、財務狀況或投資期限不一致的投資。

金融機構可能日益使用AI與替代數據分析來擴大家庭信貸的可及性。然而,該技術帶來重大的合規挑戰。AI可能以黑箱方式運作,難以解釋不利決定或確保遵守公平借貸法律,包括《公平住房法》與《平等機會法》。

替代數據如租金支付、水電費帳單或就業模式,若使用得當,可擴大信貸可及性。但同樣的數據也可能無意間成為種族或族裔等受保護特徵的替代指標。與傳統信用報告不同,消費者往往無法審閱或爭議替代數據。

負責任地使用AI,需要機構投資於可解釋AI技術、持續進行公平性監控、保存詳細的模型驗證紀錄,並提供可及的爭議機制。AI供應商必須識別訓練數據中的偏見並監控輸出,以防止擴大不平等或風險錯價。負責執行消費者保護法律的官員也必須保持同樣的警覺。

新風險持續浮現。大型銀行通報發現AI代理試圖在零售客戶帳戶中採取行動,而銀行無法驗證真實性、同意與客戶指示的一致性。

這些事件顯示,AI在金融服務中的長期成功需要適當的防護措施,包括嚴格的身分驗證、針對特定行動的明確同意驗證、限制代理能力的技术控制,以及基於規則與基於價值的約束。

巴爾表示,需要技術創新來確保AI代理遵循既定的規則與價值,在代理式商務(agentic commerce)擴張之際尤為關鍵。

AI代理還可能在壓力時期加速存款外流。過去客戶需自行執行轉帳,而AI代理可即時偵測收益率差異或穩定性訊號,並以高速自主調動資金。這可能加速在數分鐘內展開的擠兌,壓垮傳統的流動性管理與監管介入時程。

結論

巴爾表示,將AI整合至金融體系,對在核心業務活動中使用該技術的公司帶來實務挑戰。企業必須確保AI驅動的流程與結果符合相關法律與適當的風險管理標準。

大型機構正在其商業模式中探索生成式AI,包括代理式AI,但巴爾表示必須審慎行事。要在可持續的基礎上發揮生成式AI的潛力,基於這些模型的決策必須受到良好控制、在數值與法律上精確、可解釋且可複製。AI開發者在所有這些標準上仍有待努力。

金融體系必須降低AI強化消費貸款偏見的風險,也必須防範AI在金融市場使用可能導致的風險,包括共謀、市場操縱,或造成重大市場波動乃至系統性風險的交易策略。

巴爾提出的監控議程為讀者提供了具體的追蹤指標:超大規模業者資本支出相對於1990年代末電信基準的腳步、超過3兆美元表外義務的成長、較舊世代GPU的租賃費率,以及與大型AI部位相關的交易商交易對手敞口——這些是他與FSR標記為值得關注的項目——以及聯準會下一期半年刊的FSR。

巴爾表示,AI為改善金融體系的可及性與效率提供了大量機會,使提供者與客戶皆受益。「我相信我們能夠且必須確保這一進程以保護使用者並支持金融穩定的方式推進,」他說。

演說中引用的參考文獻

  1. 巴爾表示,本文觀點僅代表其個人立場,不必然代表聯準會理事會或聯邦公開市場委員會同僚的立場。
  2. Michael S. Barr(2026),〈Will Artificial Intelligence Broadly Raise Living Standards or Drive Income and Wealth Inequality?〉,於聯準會理事會主辦之第三屆「金融普惠會議」(Next-Gen Financial Inclusion)發表演說,華盛頓,7月14日:https://www.federalreserve.gov/newsevents/speech/barr20260714a.htm。
  3. 美國聯邦準備系統理事會(2026),《Financial Stability Report》,圖1.5,華盛頓,11月:https://www.federalreserve.gov/publications/files/financial-stability-report-20261113.pdf。
  4. 美國聯邦準備系統理事會(2026),《Financial Stability Report》,「Leverage in the Data Center Buildout」,第23–25頁。
  5. 表外負債的名目價值通常以未折現方式呈報,這使得與折現後表內金額的比較變得複雜。
  6. Stijn Van Nieuwerburgh(2026),〈Financing the AI Buildout〉,《Brookings Papers on Economic Activity》,秋季刊,第1–28頁:
  7. 美國聯邦準備系統理事會(2025),《Financial Stability Report》,「Artificial Intelligence and Algorithmic Trading」,第15–16頁:https://www.federalreserve.gov/publications/files/financial-stability-report-20251107.pdf。巴爾亦引用Lisa D. Cook(2025),〈A Policymaker's View of Financial Stability〉,於喬治城大學McDonough商學院Psaros金融市場與政策中心發表演說,華盛頓,11月20日:https://www.federalreserve.gov/newsevents/speech/cook20251120a.htm。
  8. 美國聯邦準備系統理事會(2025),《Financial Stability Report》;及國際貨幣基金(IMF,2024),「Advances in Artificial Intelligence: Implications for Capital Market Activities」,收錄於《Global Financial Stability Report: Steadying the Course: Uncertainty, Artificial Intelligence, and Financial Stability》,華盛頓,10月,第77–105頁:
  9. Anne Yanru Chang、Xi Dong、Xiumin Martin與Changyun Zhou(2026),〈AI Democratization and Trading Inequality〉,《Journal of Accounting Research》,第64卷,6月,第1287–1331頁。巴爾亦引用John Coughlan與Alexei G. Orlov(2023),〈High-Frequency Trading and Market Quality: Evidence from Account-Level Futures Data〉,《Journal of Futures Markets》,第43卷,8月,第1126–60頁;及IMF之「Advances in Artificial Intelligence」。
  10. Katherine Doherty、Dina Bass與Justina Lee(2026),〈Jane Street and Rivals Are Now Fighting for AI Power as Well as Pace〉,《Bloomberg》,10月22日。
  11. Thierry Foucault、Leonardo Gambacorta、Wei Jiang與Xavier Vives(2025),《Artificial Intelligence in Finance: The Future of Banking 7》,經濟政策研究中心(CEPR),巴黎與倫敦:
  12. Jinfei Sheng、Zheng Sun、Baozhong Yang與Alan L. Zhang(2026),〈Generative AI and Asset Management〉,《Review of Financial Studies》,第1–48頁。
  13. Qiang Cheng、Pengkai Lin與Yue Zhao(2025),〈Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages〉,《Journal of Accounting and Economics》,第80卷,11–12月,101821;及David Hirshleifer、Lin Peng、Qiguang Wang、Weichen Zhang與Xiaoyan Zhang(2026),〈AI, Opinion Ecosystems, and Finance〉,NBER工作論文系列34807:
  14. Markus K. Brunnermeier(2026),〈Artificial Intelligence and the Brave New World in Finance〉,為堪薩斯城聯準銀行於懷俄明州Jackson Hole舉辦之經濟政策研討會所撰論文,8月27–29日: Shafran、Atticus Geiger與Mor Geva(2026),〈Constructing Interpretable Features from Compositional Neuron Groups〉,第64屆計算語言學學會年會論文集,第42326–48頁:
  15. Stephen G. Cecchetti、Robin L. Lumsdaine、Tuomas Peltonen與Antonio Sánchez Serrano(2025),《Artificial Intelligence and Systemic Risk》,顧問科學委員會報告2025/16,歐洲系統性風險委員會,12月:
  16. Cecchetti等人,《Artificial Intelligence and Systemic Risk》。
  17. Xiang-Li Lim、Puja Singh與Richard Stobo(2025),《Regulatory Considerations Regarding Accelerated Use of AI in Securities Markets》,IMF技術備忘與手冊2025/016:
  18. Winston Wei Dou、Itay Goldstein與Yan Ji(2025),〈AI-Powered Trading, Algorithmic Collusion, and Price Efficiency〉,NBER工作論文34054: Colliard、Thierry Foucault與Stefano Lovo(2026),〈Algorithmic Pricing and Liquidity in Securities Markets〉,《Review of Financial Studies》;Kartik Anand、Sophia Kazinnik、Agnese Leonello與Ettore Panetti(2026),〈Ex Machina: Financial Stability in the Age of Artificial Intelligence〉,ECB工作論文系列3225: Veldkamp(2024),〈Discussion of 'AI-Powered Trading, Algorithmic Collusion, and Price Efficiency'〉,NBER暑期研討會2024。
  19. Álvaro Cartea、Patrick Chang與Gabriel García-Arenas(2025),〈Spoofing and Manipulating Order Books with Learning Algorithms〉,工作論文, Wei Dou、Itay Goldstein與Yan Ji(2026),〈Financial Market Fragility in the Era of AI Planning〉,Wharton學院研究論文,9月16日,
  20. Pedro Gurrola-Pérez與Kaitao Lin(2024),〈An Analysis of Market Manipulation Definitions Around the World〉,工作論文,世界交易所聯合會,6月。
  21. CME Group,〈Market Regulation Advisory Notice〉:
  22. Michael S. Barr(2025),〈Deepfakes and the AI Arms Race in Bank Cybersecurity〉,紐約聯準銀行,4月17日:https://www.federalreserve.gov/newsevents/speech/barr20250417a.htm。
  23. 例如《公平住房法》與《平等機會法》。