复杂系统是由大量相互作用的元素构成的整体。复杂系统的整体行为和性质，不仅取决于其构成元素行为和性质的简单叠加，还会受元素之间的相互作用以及反馈机制的影响。20世纪末，钱学森等人提出“开放的复杂巨系统”概念，全面阐释了复杂巨系统内涵及方法论，并强调许多现实世界中的系统，如经济社会系统、生物体系统等都属于开放的复杂巨系统。由此，复杂系统理论的发展为解决重大现实复杂问题提供了理论基础。盛昭瀚等人融合管理科学领域知识与复杂系统理论，创造性地提出复杂系统管理的理念，致力于复杂系统管理的基础理论创新，并将其运用于我国重大基础设施工程项目管理实践。在金融经济学研究中，研究人员对经典理论不断改进，逐步发展出行为金融经济学和社会金融学。然而，基础数理建模工具的局限性，使得这些理论在解释现实金融经济系统中的复杂现象时面临巨大挑战。金融经济系统的影响因素众多，系统内元素的相互关系繁杂，系统与社会环境的互动方式广、程度深，因而有必要从复杂系统的视角来研究金融经济系统。习近平总书记指出，“要深化对金融本质和规律的认识，立足中国实际，走出中国特色金融发展之路”。可见，深刻认识金融系统的本质和运行规律，是党和国家关心的重大命题。回答好这一重大命题离不开对金融经济系统的理论探索和工程建模，后者催生了一系列复杂系统视角下的金融经济研究。
见微知著：计算实验金融学的研究哲学
金融系统是由大量具有适应性并相互深度作用的个体组成的复杂系统。传统解析模型很难对金融系统的复杂现象进行刻画。计算能力与硬件设施的快速发展，使运用计算实验方法对金融复杂系统进行建模成为可能。比如，计算实验金融学的核心思想，就是通过“自下向上”的方式对金融市场参与者进行建模，探索金融系统的复杂演化规律与微观形成机制。
计算实验金融学领域涌现出了一系列代表性模型，如个体学习模型、种群演化模型以及复杂网络模型等。个体学习模型是计算实验金融学的早期模型之一，研究人员运用智能算法模拟投资者的学习行为，通过多期学习构建人工股票市场，以复现真实金融系统的复杂特性，并尝试理解股票市场运行规律背后的微观机制。种群演化模型是计算金融学融合生态学概念而形成的一类模型，其按照偏好、先验信念与财富水平将系统中的参与者划分为不同种群，然后依据市场交易规则模拟演化过程，以再现和理解特定的市场现象。金融系统复杂性的另一来源，是结构复杂的信息传播网络。上述个体学习模型与种群演化模型可以看作较为简单的网络模型，因为它们没有考虑个体之间更复杂的相互作用。有鉴于此，研究人员采用复杂网络模型来深化对金融系统演化规律的认识。其中，无标度网络可用于具有严重节点异质性的网络建模。无标度网络中少数节点拥有极多连接，而大多数节点只有少量连接，这些少数关键节点对网络系统的整体运行起着主导作用。基于无标度网络的建模方法可以描述复杂系统整体上涌现出的严重不均匀分布的内在性质。有学者基于无标度网络对信用违约风险的传染效应和金融系统脆弱性进行分析。
大数据时代，信息技术的发展和新型信息主体的出现，改变了金融系统参与者的活动范围、方式、频率和速度，使信息交互环境变得更为复杂。但大数据技术的发展使得研究者可以用更为精细的粒度观测系统现象，计算机技术的升级也使研究人员更易实现基于微观视角的金融系统建模。正如张维等人指出的，基于计算实验金融学的理论建模，既能契合现实中的复杂金融体系，又可观测系统的动力学规律。得益于大数据时代的技术发展，未来计算实验金融学有望在异质市场参与者对金融市场的影响、非理性要素的形成机制、市场反馈机制建模等领域取得进展。
潜移默化：文化演变与社会金融学
近年来，复杂金融经济系统研究的前沿领域之一——社会金融学也取得了新进展。社会金融学将金融市场视为文化演变系统：在探究金融市场演化规律时，综合考虑信息、策略、信仰、市场模式等动态社会文化特征的影响。社会金融学的研究哲学使其跳出了机械的古典市场动力学框架。区别于传统金融学，其研究哲学的关键在于考虑了社会传播偏差对金融系统演变的影响。社会金融学认为：经济信号、观念和行为是由社会塑造的，它们会伴随社会交往发生系统性变化，因而不再是经典意义上的先验禀赋。
David Hirshleifer指出的多个社会金融学研究方向均与复杂金融经济系统密不可分。第一类研究被称作大众模型。大众模型是大众对世界运行规律的表述，往往诉诸感性，浅显易懂且随处可见，如对股价趋势线的各种“迷信”。大众模型是动态发展的，它在人群中的传播变迁会影响个体的决策行为，因而可以用流行病学模型刻画。第二类研究考察经济信号的社会传播偏差对个体的影响。例如，人们容易对未来经济状况产生良好预期，进而引发储蓄不足的风险。该模型的一个重要推论是有关财富的信息不对称会抑制消费，这和实证研究观测财富不平等带来的储蓄增加效应一致。第三类研究关注自增强传播偏差对个体决策的影响。金融市场中的投资者倾向于仅宣扬自身投资成功的经验，导致接收信号的投资者更多采取表现较差的高风险策略。第四类研究强调现有信息传输手段的有限承载能力，后者将导致社会传播网络难以校正个体间不同信念的细微差别。
经典金融学和行为金融学都承认一个事实：向他人学习是金融市场的核心。然而，充分理解其中的学习和传播过程需要一个动态演化的视角。社会金融学就提供了这样一个研究范式。不同于行为金融学（关注心理学对市场的影响），社会金融学明确关注社会互动如何塑造系统参与者的思维和行为，以及这些特征的演化过程，因此有望帮助解释现实金融系统中的重要现象——比如市场价格泡沫和股票回报可预测性的“异象”——因为许多研究者都认为市场泡沫、价格崩盘和市场情绪的波动是“社会”性现象，反映了投资者的情绪和思想在不同程度的传染。
新时代的机遇：机器学习与大语言模型
复杂金融经济系统具有复杂性、非线性、高度互联等特征，使得针对复杂金融经济系统的研究至少面临以下三个方面的挑战。一是数据获取和处理。复杂金融经济系统涉及大量数据，且这些数据可能有不同的结构、来源与频率。研究复杂金融经济系统就必须首先对数据进行有效的收集、清理和整合。二是模型建立和验证。复杂金融经济系统具有复杂的结构和动态演化的特性，复杂且变化的数据生成过程为建立合适的模型以有效解释各类市场现象提出了挑战。三是预测和决策。复杂金融经济系统中的各种变量间存在着复杂的关系，这些关系又呈现出非线性与非确定性，即便建立了合适的模型，特定的模型对于某些因素或关系的忽视，也可能使其在基于新数据的预测和决策中面临困难。
近年来备受瞩目的机器学习技术在一定程度上解决了复杂金融经济系统研究中的上述难点。Bryan Kelly和修大成等人将“机器学习”技术描绘成由以下方面组成的整体，即可进行统计预测的多样化高维模型的集合，具有模型选择和降低过拟合功能的“正则化”方法，能够搜索大量潜在模型设定并寻求最优方案的高效算法。上述特点使这一技术在复杂金融经济系统领域的研究前景备受瞩目。例如，复杂金融经济系统的复杂性往往被简约的结构化模型所忽略，而机器学习相较于传统经济模型提供了更为灵活的模型设定以应对复杂的变量相互作用和模糊的函数形式，从而能更好地胜任复杂环境下的建模任务。
除了经典的机器学习模型，以ChatGPT为代表的大语言模型因其革命性的技术突破，正在对社会科学研究范式产生深刻影响。大语言模型是指输入数据主要为文本数据，具有超高维度估计参数的大模型。既往金融经济学的研究，大多采用小数据的经济学或统计学模型，通常只关注其目标经济机制中的相关信息，导致其他大量数据信息未被利用。然而，复杂金融经济系统是一个超高维的动态复杂系统，组成元素众多，元素之间的关联繁杂且呈现出非线性与时变性特征，很难用小模型来刻画其本质规律（尤其是系统层面的整体性质）。大语言模型有望为复杂金融经济系统研究提供新的工具与方法论。洪永淼、汪寿阳等人为大语言模型在金融经济领域的研究提出了诸多有价值的方向，其中之一是将网络爬虫工具与大语言模型相结合，自动收集社交媒体上发布的内容，并通过模型训练更好地理解相关语言所包含的有价值信息，进而对舆情数据进行情感分析，以确定每条信息的情感倾向。从复杂系统的视角来看，上述研究路径可以对复杂金融系统中的微观个体特征进行更细粒度、更高频率的观测，因而有望实现对金融系统复杂特性更全面、更契合的描述。
复杂金融经济系统研究已在诸多方面取得了进展，尽管该领域尚未建立起能够与主流金融经济学相提并论的统一理论框架体系，但随着金融经济系统内外部环境的日益复杂化、计算与存储技术的升级以及对金融经济系统复杂现象进行解释的现实需求不断提升，相信其研究前景会愈加光明。
（作者系南京大学工程管理学院教授；南京大学工程管理学院博士研究生）
