ARTICLE · 1302522
当AI开始替你管钱:NBER论文揭示AI理财建议的惊人真相
当AI开始替你管钱:NBER论文揭示AI理财建议的惊人真相
近年来，生成式AI（大语言模型）迅速渗透到个人理财领域。数据显示： 超过**50%**的美国和英国成年人在过去一年中向AI寻求过理财建议（Lloyds Banking Group 2025） 这一比例可能已经超过咨询人类理财顾问的人数（Gallup 2025） 在受访者中，**49%**的人用AI获取储蓄建议，**49%**获取投资建议 这意味着，AI可能正在重塑一个价值数万亿美元的产业——财富管理。
本文四位作者分别来自MIT和Stanford，均为家庭金融和AI经济学领域的顶尖学者： Taha Choukhmane（第一作者） MIT Sloan School of Management 助理教授，NBER研究员 研究方向：家庭金融、退休储蓄、行为经济学 代表作：关于401(k)自动注册和储蓄助推的系列研究，发表于AER、QJE等顶刊 Tim de Silva Stanford Graduate School of Business 博士生，SIEPR研究员 研究方向：家庭金融、宏观经济学、生命周期模型 与Choukhmane合作开发了本文使用的生命周期模型框架 WeidongLin MIT 博士生 研究方向：金融经济学、资产定价 Matthew Akuzawa MIT 博士生 研究方向：家庭金融、劳动经济学 四位作者的组合体现了"经济学理论+实证方法+AI应用"的跨学科优势。Choukhmane和de Silva此前关于生命周期模型的合作为本文奠定了方法论基础。
这篇论文的方法论是最大亮点——他们开发了一个全新的框架，用真人提问来测试AI的理财建议质量。整个研究分为四个核心环节： 调查设计： 平台：Prolific（美国主流学术调查平台） 样本：1,000名美国成年人，最终952人通过质量控制 代表性：样本在年龄、性别、收入上与美国人口普查数据（CPS）基本匹配 收集方式：每位受访者需要写三个自由文本提问，模拟真实地向AI理财顾问咨询： 财务状况描述（平均43词）："请描述你的财务状况，包括任何你认为有助于AI给你有用建议的细节" 消费/储蓄建议（平均27词）："请向AI寻求关于明年应该花多少钱、存多少钱的建议" 投资建议（平均27词）："请向AI寻求关于如何在股票和更安全的选项之间分配储蓄的建议" 关键创新：这些提问来自真实用户，而非研究者设计的标准化问题。65%的受访者在第一个提问中提到了具体数字，34%提到了具体金额。这保留了人们提问方式的巨大差异——有人详细列收入，有人只问"我该存钱还是投资"。 研究者建立了一个量化生命周期模型（Life Cycle Model），这是评估AI建议质量的"金标准"。 模型核心设定：
数据来源： 收入参数：SIPP（收入与项目参与调查） 股票收益：CRSP（证券价格研究中心）全市场历史数据 个股收益：Bessembinder (2018) 关于个股收益分布的经典研究 死亡率：社会保障精算生命表 这是整个研究最精妙的环节。研究者将真人提问与生命周期模型结合，模拟一个人从22岁到90岁每年都遵循AI建议的财富轨迹。 具体步骤（每年重复）： 第1步：确定当前状态 ↓ 年龄、收入、就业状态、财富、资产组合 第2步：匹配相似提问 ↓ 按就业状态×年龄×收入分入12个桶 ↓ 从同一桶中随机抽取一个真人提问 第3步：替换变量 ↓ 将提问中的年龄、收入、财富替换为模拟个体的当前值 ↓ 保留提问者的写作风格和关注点 第4步：AI生成建议 ↓ 将三个提问合并发送给GPT-5.2 ↓ 收到文本形式的理财建议 第5步：量化翻译 ↓ 用第二个LLM将文本建议转化为数字 ↓ 提取：消费金额、储蓄金额、四类资产的具体配置 第6步：冲击实现 ↓ 随机抽取收入冲击、就业转换、资产收益 ↓ 更新下一年的状态变量 关键设计：每次AI查询都是独立的，没有记忆。这意味着AI不会记得去年说了什么，模拟个体必须依赖当前状态重新获取建议——这正是真实世界的使用方式。 研究者用三种基准来评估AI建议的质量： 基准一：最优生命周期模型（Benchmark I） 用动态规划求解的理论最优解 代表"完美理性人"的最优决策 基准二：学术提示（Benchmark II） 用研究者设计的结构化提问替代真人提问 提供完整状态变量，明确要求生命周期规划和用户利益最大化 测试"如果提问更专业，AI建议是否会改善" 基准三：一次性建议（One-shot Advice） 只在22岁时获取一次建议，然后终身遵循 测试AI建议的持久性
图1展示了AI建议下的生命周期消费和股权配置轨迹。与受访者的自我报告行为相比，遵循AI建议会带来： 
图1：AI建议下的生命周期消费与股权配置轨迹。左图显示消费在职业生涯中比收入更平坦（消费平滑），右图显示股权配置随年龄递减，与生命周期理论一致。
AI推动人们更接近生命周期理论的最优解：年轻时多储蓄、投资多元化股票基金，随着年龄增长逐步降低风险敞口。 
图2：AI建议的四个系统性偏差。AI表现出过度耐心、依赖简单启发式、消费平滑不足和被动组合漂移。 研究者发现AI建议有四个明显偏离理论最优的地方： 过度耐心：AI建议的储蓄率过高，甚至超过了标准生命周期模型的最优水平。模型估计的贴现因子β=1.034，超过1意味着AI建议的储蓄超过了标准理论的最优水平。 依赖简单启发式：31%的储蓄建议是10%的倍数，98%以上的退休提款建议不超过资产的4%（即经典的"4%规则"）。这表明AI依赖的是流行理财书的经验法则，而非严格的最优化计算。 消费平滑不足：失业后AI建议大幅削减消费，即使储户有足够的流动资金可以缓冲。在退休后，AI建议的消费下降也不够平滑。 被动投资组合漂移：AI倾向于建议如何分配新增储蓄，而不是主动再平衡现有投资组合。这意味着组合的股权比例会随市场涨跌而漂移，偏离目标配置。 有趣的是，当研究者用更结构化的"学术提示"时，部分偏差得到改善——消费平滑显著改善，对整数启发式的依赖减少——说明提问质量直接影响建议质量。 
图3：不同人群遵循AI建议的财富轨迹差异。性别、金融素养和AI经验导致60岁时财富差距约4-6%。 这是最具争议性的发现： 性别差异：用男性写的提示模拟，60岁时财富比用女性写的提示高约5%（约$60,000） 差异来源：2/3来自需求侧（男女提问方式不同），1/3来自供给侧（同样的提示，标注为男性时AI给出更高的股票配置建议） 金融素养差异：高金融素养者的提示获得更高的股票配置建议，累积到60岁时财富也高约5% AI经验差异：有AI使用经验的人获得更高的储蓄率建议
虽然研究基于美国数据，但对中文世界有重要参考价值： 中国拥有全球最多的零售投资者（超2.2亿账户），但大多数缺乏专业理财知识。AI可以提供低成本、个性化的理财建议，填补这一巨大缺口。 研究显示，结构化、信息完整的提问能获得显著更好的建议。这提示我们： 不要只问"我该买什么股票" 应该提供：年龄、收入、支出、现有资产、风险承受能力、理财目标 AI可能过度推荐储蓄（过度耐心）、依赖简单规则（如4%规则）、缺乏主动再平衡建议。用户需要保持独立思考，不能完全依赖AI。 研究显示AI可能系统性地给女性或金融素养较低者更保守的建议。这提示平台方需要审视算法公平性，用户也需要意识到这种潜在偏差。
这篇NBER论文的核心结论可以总结为： AI不会取代人类理财顾问——至少短期内不会。但它正在成为一个强大的辅助工具，特别是对于那些无力承担高昂顾问费用的普通投资者。 关键在于：把AI当作起点，而不是终点。用AI生成初步方案，然后用你自己的理解和判断去完善它。
Choukhmane, T., de Silva, T., Lin, W., & Akuzawa, M. (2026).AI Financial Advice: Supply, Demand, and Life Cycle Implications. NBER Working Paper No. 35574. https://www.nber.org/papers/w35574
本文基于NBER工作论文整理，仅供学习交流，不构成投资建议。投资有风险，决策需谨慎。
导读 ：你有没有问过AI"我该买股票还是存银行"？如果有，你不是一个人。最新NBER工作论文发现，超过一半的英美成年人已经在向AI寻求理财建议。这篇来自MIT和Stanford的论文用严谨的经济学方法回答了一个关键问题：AI给的理财建议，到底靠不靠谱？
一、研究背景：AI理财建议的崛起
二、作者介绍
三、研究方法详解
3.1 真人调查：收集真实提问
3.2 生命周期模型：构建经济学基准
维度 | 设定 |
|---|---|
时间跨度 | 22岁进入职场 → 65岁退休 → 90岁死亡 |
效用函数 | CRRA（常相对风险厌恶）效用 |
收入过程 | 年龄趋势 + AR(1)持续性冲击 + 暂时性冲击 |
就业状态 | 四种状态：在职、跳槽、失业、退休 |
资产类别 | 无风险债券、多元化股票指数、个股、其他风险资产 |
税收系统 | 2025年美国联邦所得税 + 资本利得税 |
社保体系 | 失业保险 + 社会保障退休福利 |
3.3 模拟过程：跟AI建议过一生
3.4 基准对比：三种评估标准
四、核心发现：AI建议的"三大真相"
发现一：AI建议显著优于普通人的实际行为
指标 | 普通人实际行为 | 遵循AI建议后 |
|---|---|---|
30岁前储蓄超过$10,000 | 少数 | 几乎所有人 |
参与股市 | 约2/3 | 接近100% |
股票配置 | 不合理集中 | 多元化，随年龄递减 |
退休财富 | 差异巨大 | 中位数超过$100万 |
发现二：AI建议并非完美，存在系统性偏差
发现三：AI建议存在性别和认知偏差
五、对中国的启示
1. AI理财建议的潜力
2. 提问质量决定建议质量
3. 警惕AI的系统性偏差
4. 性别和认知偏差值得关注
六、结论：AI是工具，不是神
AI理财建议能显著改善普通人的财务决策，但其效果因人而异，取决于你问什么、怎么问、以及AI如何解读你的提问。
