点击蓝字
关注我们
目前，我们正处在全球金融的一个关键转折点。数字资产，尤其是比特币，正在加速迈向机构化。2025年，美国总统签署行政命令建立“战略比特币储备”，将通过没收程序所得比特币纳入联邦储备体系，并禁止出售，同时授权财政部与商务部在不增加纳税人负担的前提下制定预算中性策略以增加持有量。这标志着比特币从边缘投机品向国家层面战略资产的转变。与此同时，稳定币及真实世界资产（RWA）的代币化正以惊人速度重构全球流动性结构。截至2025年第二季度，RWA市场已超过250亿美元，自2020年以来增长约245倍。RedStone与 Gauntlet等报告指出，RWA市场在短短三年内增长了380%，目前约为240亿美元，并预计未来可成长至数十万亿美元规模。
在此趋势中，BlackRock的BUIDL基金以及高盛、纽约梅隆银行等机构推出的代币化货币市场基金，正在推动传统金融流动性进入链上市场。国际清算银行将央行储备、银行存款和政府债券的代币化视为下一代金融系统的重要支柱；学术界也将稳定币与AI并列为推动未来金融变革的核心力量。处于这一背景之下，AI不再是单纯的效率工具，而是理解、驱动、并塑造整个复杂金融体系的核心引擎。本文将围绕AI在价格预测、资本流向监控与政策模拟中的关键作用，探索这一时代如何构成全球资本的新逻辑。
图1：2020至2025年间现实世界资产代币化规模激增245倍
在传统金融体系中，对于资产价格，尤其诸如黄金、比特币等具有高度非线性特征的资产，早期依赖的是诸如ARIMA、GARCH等计量模型或简单的神经网络来进行预测。这些模型虽然在一定程度上能处理时间序列中的趋势和周期性，但它们在面对复杂的宏观与微观交互因素时，往往受限于其结构和可捕获的依赖范围，延迟预测效果，难以满足日益增长的市场精细化需求。近年来，随着人工智能尤其是深度学习技术的发展，更先进的模型结构如 Transformer和多模态融合模型，正在从根本上提升跨资产价格预测的准确性与鲁棒性。
模型演进：从RNN到Transformer与大型预训练模型
深度学习最初在金融领域得到应用，主要是利用循环神经网络（RNN）及其变体LSTM、GRU捕获时间依赖。这类模型适用于中短期趋势分析，但在时间序列极长或变化剧烈的情况下，容易出现梯度消失、长期依赖捕捉不足等问题。为克服上述限制，Transformer架构在金融时间序列分析中的应用迅速兴起。其基于注意力机制（self-attention），能够直接计算序列中任意两个时点之间的依赖关系，显著提升模型捕捉长程依赖的能力，同时支持并行运算，极大提高训练效率。
更进一步，大模型与预训练范式借鉴自然语言处理的成功经验，被逐步引入金融时序预测领域。例如，PLUTUS是首个针对金融时间序列设计的大型预训练 Transformer模型，涵盖超过1000亿条观测数据，参数量超过10亿，其编码模块采用可逆嵌入与对比学习技术，强化噪声环境下的泛化能力，并在多个下游任务中实现优异表现。此外，TimeGPT类似于时间序列领域的GPT，能够在少样本或新数据下保持良好性能，并为多行业提供零样本预测能力。
图2：TimeGPT的输入过程与预测结果生成过程
纯Transformer虽具捕捉长程依赖的优势，但在处理金融市场中结构不同、噪声扰动强的多源数据时，还需与其他网络结构融合，或加入多模态信息以增强表现稳定性与解释力。例如，融合CNN和Transformer的混合模型能够同时抓住短期局部模式与长期趋势关系；Attention-based Hybrid Transformer模型在预测加密货币价格时显著优于RBFN、GRNN、BiGRU、BiLSTM等多种模型。
更具代表性的如“Modality-aware Transformer”（MAT），不仅融合多模态数据，还通过特征级注意力机制，实现不同模态间的信息融合，并在金融数据上取得超越传统方法的预测效果。
在黄金、比特币、稳定币资产上的应用表现
黄金价格往往受到通胀预期、利率、美元走势、地政学风险等宏观变量的影响，预测难度较大。应用多模态 Transformer 或混合模型可融合这些宏观指标与技术信号，在预测误差上取得显著优势。有研究表明，MM-iTransformer在黄金价格数据上的平均绝对误差（MAE）低至 0.185，展现出较佳准确性；而采用TCN架构的模型，在RMSE和MAE上也表现出极具竞争力的趋势。
图3：TCN模型
比特币以其高波动性、情绪驱动性和链上活动频繁为特点，对模型提出更高要求。部分研究使用Transformer+GRU的组合架构，相较基线模型显著降低预测误差，提升预测准确度。此外，更具实战意义的是方向预测，其对交易策略设计更关键。有报告指出，AI模型在市场指数预测中准确率可达70%以上，为量化交易、风险控制提供强有力支持。除价格预测外，部分模型结合链上数据与社交媒体情绪等输入，进一步提升比特币预测的时效性与敏感度，这类多源融合方法也越来越受到关注。
稳定币虽不像比特币那样剧烈波动，但其价值稳定性依赖于基础资产储备结构，脱钩风险和资本流路径监控是AI应用于稳定币价格预测之外的重要方向。AI可以通过分析储备金结构、链上交易行为、资金流动模式，监测脱钩风险并预测流动性变化趋势。这种分析帮助预防突发性事件、维护市场安全性，背后依托的技术同样是前述Transformer及融合模型架构。
要让AI在跨资产资本流动监测中真正可用，前提是一个能把链上与链下信息贯通的“数据底座”。链上侧，Nansen等平台通过对300M+标注地址与多公链数据的长期清洗与归因，形成了对资金大额迁移、巨鲸及机构地址组的可视化追踪，这使研究者能够在价格反应之前观察到流向结构的微妙变化与“先行信号”。这种联动了地址画像、资金路径与协议敞口的视角，已经成为判断某条资产或某条链上生态是否面临结构性变化的实务工具。
图4：Nansen平台
与此同时，社区驱动的Dune提供了从原始区块数据到“解码、整理”数据层的持续刷新流程，允许分析师直接以SQL构建高度定制的查询与看板；其文档对数据新鲜度进行分层解释，并引入面向实时/低延迟场景的Sim APIs，用于构建“实时钱包”与AI代理等应用，说明其数据链路已针对准实时与实时使用场景进行了工程化分层。
图5：Dune Data Freshness
更结构化的链上指标由Glassnode与CryptoQuant长期提供，并持续规范关键口径。Glassnode的教材与透明度说明系统性梳理了交易所流入/流出、非零地址数等指标的含义、优缺点与误分类治理思路；CryptoQuant则对交易所净流量等口径给出清晰定义，便于跨平台复核。对研究者而言，这些“可解释口径”是把不同供应商时间序列接入 AI 模型时最核心的对齐机制。
在把预测能力前置到数据生产环节方面，IntoTheBlock走得更远。其官方资源明确定位为AI 驱动的链上/链下融合分析，并公开了“价格方向预测”等深度学习产物的设计与覆盖范围；这意味着部分数据平台本身已经把“特征工程+预测信号”打包交付，成为 AI 研究的“前端扩展”。
仅靠链上数据仍不足以刻画跨资产资本的全貌。宏观数据、新闻与情绪对高频流动具有放大器效应。Bloomberg与LSEG（Refinitiv）在数据采集、另类数据与 AI 能力上的强化，正在把非结构化文本与结构化行情打通：一方面，终端层与数据科学工具链持续引入生成式与检索式 AI以提升研判效率；另一方面，情绪维度则由Sentifi与LunarCrush等专门化服务补位——前者与大型券商/平台的合作稿与对外资料显示其以 AI 处理海量社交与新闻文本并生成资产级情绪信号，后者则长期对加密资产的社交强度、话题热度与影响者活动进行量化，这些指标与链上资金迁徙结合时，往往能解释“价格尚未动作，但资金已在调仓”的现象。
在方法论上，AI把上述异构数据转化为可行动洞察的路径，大致经历三个层次的合成。第一层是异常模式识别，通过图学习与时序模型，跨链聚合异常大额转账、洗售/拉抬迹象或跨交易所“空转”路径，生成可疑事件的告警分数。第二层是事件、主体、价格的知识图谱，把政策议程、新闻舆情与链上链下资金跃迁在图谱中关联，解释“是谁、因为什么事件、在何时何处迁移了哪些资金”，并把宏观变量与微观路径统一到同一条因果链。第三层是主体群体化与行为体细分，基于聚类与社区发现，把海量匿名地址弱监督归入“中心化交易所、做市/套利、长期持有者、协议金库”等簇，并对各簇的同步性与先行性进行评分；这类评分在实际策略中比单点指标更稳健，因为它们更接近“资金的组织行为”而非“价格的滞后影子”。这些做法与央行、国际组织在AI侧的“宏观高频化”趋势互为佐证——从BIS创新枢纽的通胀即时预测到ECB在网页爬取日频价格与 LLM分类方面的应用，金融体系正把AI从数据采集推进到结构化认知与政策接口。
AI与跨资产流动性的深度融合，正在重构全球金融体系的运作方式，这不仅是一场技术变革，更催生了治理模式的革命。结合现实趋势与研究证据，可以归纳为以下四个战略维度，值得全球金融治理机制深入研讨与部署。
资本流动速度跃升与监管响应的滞后
随着AI驱动算法交易与稳定币、代币化资产的即时结算功能逐渐普及，全球资本流动已进入“超音速”时代。国际货币基金组织指出，生成式人工智能和类似技术正在显著提升资本市场的交易和资产配置效率，快速解析复杂非结构化数据并自动化决策过程，已开始显现显著影响。与此同时，KPMG的研究指出，AI交易、实时清算与区块链基础设施的结合将推动资本市场向零交易成本和即时结算方向发展，“T+0”甚至更低延迟将成为常态。
基于智慧芽全球专利数据信息检索平台，使用S-FSC关键核心技术测度模型，聚焦“战新”产业，获取2010-2021年的合计140余万条专利数据，并通过熵值法测算关键核心技术突破指数，最终依据“发展趋势－产业分异－区域对比”的分析逻辑，系统剖析我国“战新”产业关键核心技术突破呈现的多维特征。
图6：KPMG报告
然而目前大多数监管依然依靠季度或月度报告，以及人力审查。这种结构已经无法应对几乎即时的资金迁移与流动风险。金融监管必须转型为实时、高频、自动化监控，广义的SupTech/RegTech应用显得迫在眉睫。监管科技应引入自动报告、实时监测、异常识别等机制，以应对资本流动速度的指数级提升。
图7：应用监管科技（suptech）的金融监管领域
算法主权崛起与治理框架的构建
技术能力已成为定义金融主权的新边界。掌握先进金融AI和链上资产配置工具的国家或机构，将获得前所未有的市场塑造力、风险预测力与资本流向影响力。美国建立“战略比特币储备”既是数字资产作为储备资产概念的实现，也标志着“算法主权”的初步显现，这是一个国家通过算法工具管理数字储备、塑造市场预期的战略姿态。
图8：建立战略比特币储备与美国数字资产库行政令
这类策略不仅是金融运作逻辑的变化，更是地缘政治的延伸。对传统货币竞争加入技术赋能维度，将催生新型国家博弈范式：谁能率先完成链上资产治理与AI预测的结合，谁将在全球资本格局中占据先发优势。TP战略地位开始由货币政策扩展至AI与数字资产双轮驱动的“技术金融主权”。
足以见得，AI驱动下的金融系统是极度动态且快速演化的。静态、按规则构建的治理体系很快过时。需要构建一个能够灵活回应新技术与资产类型的治理架构，全球需构建共享平台与实验机制，让监管者有“安全沙盒”测试AI工具对市场稳定性的潜在影响。
斯坦福对RegTech和SupTech的研究指出，未来监管应实现技术中立与互操作性，避免监管技术锁定、促进监管者与市场的协同进化。这意味着监管体系不仅要在规则上开放，也要在操作上给予监管机构与金融机构可以安全试错的平台和流程。
全球AI金融治理标准的紧迫倡导
目前，全球在金融领域应用AI的监管尚处于高度分散的状态，这种碎片化不仅削弱了监管效能，也使金融体系面临因AI技术带来的系统性风险难以全面识别与应对。在这种背景下，迫切需要以国际合作为基础，推动建立最低通行标准，并在此基础上构建协调一致的全球治理架构。
作为应对路径，金融稳定理事会（FSB）、国际清算银行（BIS）、国际货币基金组织（IMF）等国际组织应当率先承担责任，通过协同制定一系列通用原则和规则，覆盖AI模型风险管理、算法透明性以及跨境数据共享等核心领域。FSB在其2024年和2025年的报告中反复强调，随着生成式AI等技术的普及，模型风险、数据质量、黑箱模型的可解释性以及对核心基础设施的依赖日益突显，这些均可能放大金融脆弱性。
图9：SR 11-7模风险管理指引
具体来看，在模型风险管理方面，应对那些可能触发系统性风险的高风险金融AI应用确立统一的测试、验证与审计机制，以确保其稳健性和一致性。当前美国依然沿用2011年的SR 11-7模风险管理指引，该指引强调模型开发、验证和治理等基本要素，但其并未专门涵盖AI及其复杂性，现有金融监管机构虽已通过2021年的征询意见表明未来可能出台更贴合AI/ML的框架。
在欧盟方面，其已通过横向AI法规——《AI法案》，将金融系统中涉及信用评估、风险评分等高风险场景纳入监管范畴，特别强调数据质量、记录保存、透明度与人类监督等要求。此外，欧盟还在2025年发布了一版通用AI模型（GPAI）合规守则草案，以指导通用型AI模型的透明、安全性和知识产权合规。
虽然欧盟试图主导监管节奏，但监管仍面临技术发展的快速变化带来的更新滞后问题；监管结构虽然分层以应对风险，却恐难与AI创新同步。与此同时，欧洲央行也指出AI在提升客户服务、信息处理与安全防护方面潜力巨大，但也可能引发群体行为、供应商集中依赖及更高级的网络攻击等风险，需要加强监控与监管机制。
图10：人工智能应用场景统计
在英国，金融政策委员会（FPC）已着手评估AI在宏观层面可能带来的系统性风险，例如银行和保险机构运用AI决策可能导致市场参与者行为趋同，进而在压力情境中加剧市场冲击。他们正采用多元监测机制，包括AI普及度调查、事件报告机制、市场与监管情报收集等，以建立灵活且前瞻性的监管响应体系。
在中国，金融AI的治理更多依赖行业协会和相关部门发布的指导性文件，目前尚未形成强制性监管框架。这种路径体现了以行业自律和试点探索为主的特点，有助于在快速发展的技术环境下保持政策的灵活性。但与此同时，也意味着在高风险金融AI应用的管控上，仍存在进一步强化制度化安排的空间。未来，随着国家层面对AI治理的整体顶层设计逐步落地，金融AI的监管有望在保持创新活力的同时，逐步建立起更加系统、可预期的制度框架，从而避免潜在的系统性风险。
AI与跨资产流动的结合，正在重塑全球资本逻辑。比特币被纳入美国“战略储备”，稳定币与RWA代币化推动传统金融流动性上链，资本运行速度进入“超音速”阶段。在这一进程中，AI不仅提升了跨资产价格预测的精度，还成为监测链上链下资金流向和预警市场风险的核心工具。其作用已超越效率层面，直接影响国家金融主权与全球治理格局。未来，AI主导的金融体系需要监管模式与之同步进化：既要通过实时监测与异常识别应对高频流动风险，又要在国际层面形成统一标准，防止监管碎片化放大系统性脆弱性。可以预见，谁能率先实现AI与资本治理的深度融合，谁就将在全球金融竞争中掌握主动权。这一趋势不仅是技术演化，更是金融与地缘政治格局的重塑。
主理人｜刘典
编辑 | 贾翔旭（清华大学）
排版 | 彭昕彤（北京外国语大学）
终审 | 梁正 鲁俊群
