详细内容或原文请订阅后点击阅览
利用人工智能让历史讲述银行挤兑
纽约联储经济博客上的 Sergio Correia、Stephan Luck 和 Emil Verner：银行危机通常与银行挤兑和银行恐慌相关，但我们对银行挤兑的实证理解因缺乏银行层面的数据而受到限制。在一篇新论文中，我们使用大型语言模型 (LLM) 从 [...] 中提取有关银行挤兑的信息
来源:Mostly EconomicsSergio Correia、Stephan Luck 和 Emil Verner 在纽约联储经济博客上的发言：
银行危机通常与银行挤兑和银行恐慌相关，但我们对银行挤兑的实证理解因缺乏银行层面的数据而受到限制。在一篇新论文中，我们使用大型语言模型（LLM）从数百万个数字化历史报纸页面中提取有关银行挤兑的信息，创建了美国历史上最全面的银行挤兑数据库。我们发现的每个银行挤兑事件都记录在一个配套网站上，用户可以在其中浏览和检查各个事件，并阅读原始报纸文章。在这篇文章中，我们描述了如何构建该数据集并讨论其基本特征所揭示的内容。
他们使用人工智能扫描历史报纸
直到 1933 年大萧条的严重阶段结束之前，银行挤兑一直是美国经济生活中反复出现的特征。然而，他们在官方记录中几乎没有留下任何痕迹。历史监管文件，例如货币监理署的文件，记录了银行何时关门。但此类记录并不表明故障之前是否发生过运行。同样，也没有系统记录记录银行遭受挤兑但仍继续运营的情况，因此从未出现在任何银行关闭的监管清单中。
在我们的新论文中，我们试图通过从历史报纸中提取有关银行困境事件的信息来克服这一挑战。我们利用国会图书馆的编年史项目将数千万篇历史报纸文章数字化。该档案是经济历史学家的宝库，包含大量信息。尽管其庞大的规模带来了挑战，但大型语言模型和计算能力的进步使研究人员可以访问此类历史记录。下面，我们将描述如何让这个庞大的数据库向我们讲述银行挤兑的情况。
很棒的东西。