跳到正文
MarketHOT
English
原文
美联储 · 演讲与证词·· 2 小时前精选AI 评分77

美联储巴尔谈人工智能对金融稳定的潜在影响

Barr, Some Potential Financial Stability Implications of Artificial Intelligence

AI 导读

美联储理事迈克尔·巴尔在演讲中讨论人工智能对金融稳定的潜在影响,并回顾美联储最新《金融稳定报告》对AI投资热潮及相关融资杠杆的评估。他指出,七家最大AI公司的表内债务预计将在年底前超过8000亿美元,相关表外义务的潜在名义最大值已超过3万亿美元;演讲还谈及AI交易、网络安全、消费金融及投资者保护方面的风险。

推荐理由

演讲讨论AI投资融资、金融市场交易、网络安全与消费金融可能带来的金融稳定和投资者保护风险。

正文 · AI 翻译

感谢今天有机会与各位交谈。1这是我过去一年中第四次专门围绕人工智能(AI)发表演讲,其他大多数演讲也都以某种方式谈到了人工智能。人工智能对全球各地人们和经济体的影响,是我们当下面临的最重要议题之一。

首先我要说明,我对人工智能赋能社会各领域的个人、企业和机构的长期前景持乐观态度。我仍然希望,只要我们有力且有效地应对当下的挑战和未来可能出现的颠覆,人工智能就能帮助人们成长、提高生产力,并广泛提升生活水平——让大多数人学得更多并且赚得更多。我对这项技术抱有乐观态度的原因之一,是我也对社会理解并应对人工智能带来的变化的能力抱有信心——能够开展建设性对话,确保人工智能带来的益处不会被它不可避免地造成的颠覆和可能带来的风险所掩盖。

本次会议正是这场对话的一部分,聚焦于我认为对于确保人工智能成为金融体系积极力量至关重要的问题:它能够赋能个人更好地管理财务、获得信贷和服务,降低成本并增强金融服务提供者的能力,同时也让市场运行得更有效。但人工智能只有在促进金融稳定的同时,才能以这种方式成功强化我们的金融体系;而金融稳定对健康的经济不可或缺。

与一段时间以来的情况一样,美联储周五发布的最新一期《金融稳定报告》(FSR)中包含有关人工智能与金融稳定的重要见解。本期半年刊重点讨论人工智能投资热潮,以及美联储工作人员开展的研究,旨在评估用于为这一增长融资的一些创新债务结构中的杠杆程度。我将概述报告的发现,然后讨论经济研究能告诉我们哪些有关人工智能融入金融市场的益处和风险,重点关注批发交易。接下来,我将考察人工智能对网络安全影响的潜在益处和风险,最后探讨人工智能对消费者和投资者保护可能意味着什么。

人工智能投资热潮
过去几周关注新闻或退休计划的人,都知道投资者对人工智能投资热潮能否持续提出了疑问。我在此需要照例声明,美联储理事会的政策制定者不会以金融市场水平为目标。市场有涨有跌,而我一向谨慎避免评论市场的涨跌。我们确实会评估与金融稳定相关的长期问题,最新一期《金融稳定报告》就涵盖了其中若干问题。

在此前的一次演讲中,我讨论了三种不同情景,概述 AI 可能对经济产生影响的广泛结果。2在若干可能情景中的一种是:即使 AI 最终成为一项变革性创新,大幅提升生产率,关键问题仍在于,投资者能否按照预期的时间表和幅度,从 AI 建设中获得回报;还是说,另一种结果可能导致资产价格大幅重估。大规模重估可能造成的投资损失会通过两种方式降低产出增长:第一,投资下降的直接影响,因为投资是国内生产总值的组成部分;第二,财富损失带来的连锁影响,即消费支出以及潜在的企业支出减少。正如最新一期《金融稳定报告》(FSR)所述,股权风险溢价(即投资者持有股票而非无风险债券所要求的额外回报的粗略衡量指标)相较历史常态处于较低水平,但远没有低至互联网泡沫时期股市繁荣阶段的水平。3这只是评估广泛股票估值指标相对于历史常态所处水平的一项指标。

数据中心建设中的杠杆
除股票估值问题外,AI 建设越来越多地由债务融资。美联储的《金融稳定报告》(FSR)深入探讨了 AI 数据中心及相关投资的融资——报告称之为“先进计算债务”——可能影响金融稳定的三种方式:(1) 这类债务迅速增长;(2) 循环融资网络;(3) 其他复杂的金融义务。如果 AI 投资出现大幅重估,AI 融资的这三个方面带来的压力可能会放大重估幅度。

七家最大 AI 公司的表内债务在 2026 年大幅增长,预计将在年底前超过 $800 billion。这些公司的债务增长令人想起 20 世纪 90 年代末和 21 世纪初电信投资周期中的债务增长。FSR 将超大规模云服务商自 2020 年以来累计的资本支出和债务发行,与 1995 年启动的宽带投资周期中电信行业所有公司的相应数据进行了比较。尽管超大规模云服务商尚未超过此前繁荣时期的对照水平,但近期资本支出的加速表明,它们可能很快就会超过。4

尽管这些公司的表内债务水平大幅增长,但长期合同、租赁承诺和残值担保等其他义务增长得更快。FSR估计,这类义务(即表外负债)的潜在最高名义价值目前已超过3万亿美元。5这些义务中有很大一部分源于复杂安排:信用评级较高的超大规模云服务商及其他大型公司,间接支持涉及信用较弱公司的项目融资,或为公用事业投资提供支持。这些表外负债包括能源供应合同、长期数据中心和算力租赁,以及各种各样的表外融资结构。正如我在以往演讲中所讨论的,这种金融复杂性可能令缺乏经验的投资者难以看清,而这种不透明性会在投资者情绪转变时加剧抛售,因为人们难以判断风险究竟在哪里。因此,这些庞大的表外结构值得密切监测。或许同样重要的是,除了超大规模云服务商之外,最依赖外部融资的低信用质量公司近几个月资本成本显著上升,因此正转向更复杂的资产支持型融资。

此外,超大规模云服务商和大型图形处理器(GPU)生产商在大型语言模型(LLM)实验室和云计算初创公司中的股权投资累计也超过1000亿美元。这些股权投资是一种“循环融资”:超大规模云服务商和GPU制造商向较小公司投资,而这些较小公司随后又用这笔资金向投资方租用或购买GPU和算力。这些投资在超大规模云服务商和GPU生产商的资产负债表中占比较小,但对接受投资的较小公司至关重要。要使AI建设投资最终具备经济可行性,这些较小公司终究必须以付费客户带来的收入,取代来自供应商(即超大规模云服务商和GPU制造商)的资金。

另一种间接循环融资形式,是超大规模云服务商和GPU生产商通过为资产支持型融资提供抵押品担保,来支持对其产品和服务的采购。最依赖外部融资的公司在融资约束日益加剧时,会从发行公司债转向发行资产支持型融资。为支持这类融资的信用,大型且信用评级较高的公司通常会担保用作融资抵押品的数据中心或GPU的转售价值。这些担保(即抵押品支持)被报告为表外负债,因为它们体现了在发生违约并清算抵押品时,超大规模云服务商和GPU生产商可能承担损失的程度。

回顾并考量与 AI 相关的资本存量投资的庞大规模时,不妨将其与以往技术周期的投资进行比较。据一项估算,与 AI 建设相关的资本投资,很可能与以往基础设施投资热潮的规模相当,甚至超过它们,其中包括 1870 年代的铁路、1950 和 60 年代的公路,以及 1990 年代的光纤电缆投资。6这些投资热潮中的每一次,或许都曾在某个阶段显得投资过度,但如今我们很庆幸当年建成了铁路、公路和光纤容量。有些早期热潮最终消退,并对更广泛的金融体系造成了影响。鉴于当前热潮背后的债务规模仍然有限,我较不担心直接损失。不过,鉴于对冲基金的杠杆以及整体风险偏好似乎都相当高,市场若急剧逆转,可能导致快速去杠杆化,并可能引发自我强化的抛售潮。此外,近年来股票策略使用的杠杆也有所增加。这些杠杆部分由大型交易商通过主经纪商服务提供。因此,尽管大型银行雄厚的资本为防止风险蔓延提供了屏障,但在股市波动时期,交易对手敞口可能上升,因此必须持续监测敞口,包括对 AI 领域持有大量头寸的交易对手的敞口。

此外,数据中心的成本大部分来自 GPU 及 AI 所用的其他专用芯片。一项担忧是,随着更新技术取而代之,这些专用芯片可能会迅速贬值,以致其所代表的算力在未来用处不大。目前,较旧型号芯片的租赁价格似乎仍保持坚挺,这表明即使是落后于尖端水平的计算技术也有用途,但值得持续关注这些趋势。很难说,如果市场对 AI 服务的需求不及预期,AI 相关资本存量的其他部分——变电站、高压连接和电网互联设施——还能作何用途。毫无疑问,在美国一些地区,无论 AI 前景如何,额外的电力和网络容量都会派上用场。在另一些地区,过剩容量可能需要数年才会发挥作用,正如 1990 年代繁荣与萧条之后,一些地区的“暗光纤”所经历的那样。又或者,AI 投资热潮不会消退,而是持续发展;我们对 AI 服务的需求将充分利用当前正在建设的资本,甚至超出其容量。只有时间才能给出答案。

AI 在证券批发交易中的意外后果
AI 对金融体系的另一种可能影响,是这项技术有可能重塑金融市场交易;此前的《金融稳定报告》曾讨论过这一主题。7生成式 AI 是一种强大的工具,能够处理更广泛、更丰富的数据和信息,并运用比传统交易算法更复杂的逻辑。它可以降低获取先进交易技术的门槛,并增加市场参与者的多样性。它还有助于改善市场监测。这些能力都可以提升市场效率、诚信度和运行状况。

然而,与任何新技术一样,这也存在风险。据我所知,生成式 AI 尚未大规模用于自主交易,但我们需要做好准备,了解其采用带来的风险和影响。8 关于 AI 将如何影响金融市场的许多关键问题,答案并非来自抽象讨论,而是取决于模型设计、训练数据、测试和部署方面的技术选择。

虽然 AI 可以让更多人获得交易专业知识和技术,但也可能加剧信息不对称和市场集中。9 最先进的系统成本高昂,需要巨额投资。10 这可能使最大型公司占据优势,并让市场力量集中在它们手中。11 即使 AI 工具广泛可用,有效使用这些工具仍需要相当高的技能,这可能使大型在位企业更具优势。12

将 AI 融入金融市场交易对价格效率的影响尚不明确。13 Markus Brunnermeier 在其 2026 年杰克逊霍尔会议论文中提醒称,由于理解上的不对称,证券价格也可能变得不那么能反映信息:AI 智能体理解人类并能预测其行为,但人类对 AI 智能体的理解不足,也无法预测它们可能采取的行动。14

市场羊群效应与可能出现的踩踏
如果交易者依赖少数几个基于相似数据训练的相似 AI 模型,就会面临羊群行为风险——交易策略可能趋同,并对新闻和其他信息作出同步反应。15 算法缺陷可能导致故障,但如果市场中有大量相似模型且它们可能存在相同缺陷,故障就可能造成系统性后果。16 此外,不法分子可能故意操纵交易、报价或新闻,同时误导相似的 AI 交易系统,从而加剧市场动荡。17

AI 模型可能会重现人类的不良倾向。例如,一些理论研究表明,某些强化学习算法——所谓的 Q-learning 交易算法——可能在没有明确意图的情况下自主形成合谋行为。18 这类自学习算法还可能自主学会操纵市场,例如通过虚假挂单(即提交旨在制造市场需求假象的订单),或采用制造并利用泡沫的交易策略,从而扰乱市场稳定。19 为了应对这些潜在风险,交易所正在部署复杂的机器学习和 AI 工具进行市场监控。20 一些交易场所已经开始采取行动,以降低 AI 交易算法“黑箱”特性带来的风险。21

我们都希望市场安全、公平且高效,因此,在将任何新技术融入交易活动或更广泛的市场基础设施之前,我们需要充分考虑其风险和影响。如果这项技术仍未得到充分理解,甚至其发展可能远远快于我们的理解,那么保持谨慎是有必要的。

AI 与网络风险
今年发生的事件表明,AI 模型可能会自主行动,偏离其人类创造者的目标,从而带来风险,包括网络风险。给定一个目标后,AI 模型曾将安全边界视为需要克服的障碍,而不是必须遵守的规则,这引发了人们对规则究竟能否有效约束那些被指示遵守规则的 AI 代理的疑问。AI 模型利用了一些人类网络攻击者也发现过的漏洞,例如许多竞争企业严重依赖同一家平台提供商。由 AI 助力的网络攻击者已证明,他们能够利用此前被认为太难攻破、因而不值得修复的漏洞,即便这些漏洞早已为人所知。AI 模型还揭示了几年前无人能想到的漏洞。例如,我以前谈到过,AI 在制作深度伪造内容时会增加网络风险。22

与攻击者一样,网络防御者也在使用 AI,以远超人类的速度发现并修补漏洞。但近期事件引发了一个问题:防御者是否可能始终处于劣势。攻击者只需成功一次,防御者却必须时时正确。网络防御必须持续奏效,而网络攻击方可以不断试验、反复失败,直到找到奏效的方法。

总而言之,防御者的工作艰难,而且随着模型创新提速,难度还在增加。私营部门和政府管理网络风险、有效应对事件的能力,将继续对维护金融稳定至关重要。我们都应当参与这场与网络攻击者的竞赛并取得胜利,因为没有强大而安全的金融体系,我们谁都无法成功。我希望那些竞相争夺金融领域 AI 未来一席之地的人能够携手合作,让网络防御始终领先于网络攻击。

AI 与消费者金融
AI 很可能会在消费者金融中发挥越来越大的作用,就像它在大多数零售业务中一样,尤其是在无需人工参与客户互动的领域。与许多其他行业相比,金融业在提供客户服务方面较早引入了 AI;消费者也在推动其普及,例如将聊天机器人用作投资建议的来源。在许多情况下,这些建议并未受到金融机构提供建议时所适用的结构化保护、监管和监督。除了个人自行求助于聊天机器人之外,金融业企业也在使用 AI 来改进其金融建议。

客户和金融机构越来越多地使用 AI,这引发了重要的投资者保护问题,例如利益冲突、投资建议的质量,以及机构有义务以投资者的最佳利益行事。AI 系统生成建议时,依据的可能不仅是投资者的财务状况和投资目标,也可能包括有利于机构商业利益的因素,例如推广自有产品、赚取交易费用或鼓励更频繁地交易。这些利益冲突可能嵌入算法之中,难以被经纪商、投资顾问、投资者或监管机构发现或理解。此外,AI 系统可能依赖不完整或有偏差的数据、生成不准确的信息,或推荐与投资者的风险承受能力、财务状况或投资期限不符的投资。

机构可能会越来越多地利用 AI 分析替代数据,以扩大个人和家庭获得信贷的机会。然而,AI 也带来了重大的合规挑战。这项技术可能像一个黑箱,导致难以解释不利决定,或确保遵守公平信贷法律。23如果使用得当,租金、水电费账单或就业模式等替代数据来源或许能扩大信贷获取范围,但也可能无意中成为种族或原国籍等受保护特征的替代指标。因此,必须谨慎处理。与传统信用报告不同,消费者通常无法查看或质疑这些信息。

要负责任地使用 AI,机构必须投资于可解释 AI 技术,实施持续的公平性监测,保存详细的模型验证记录,并提供便捷的争议处理机制。AI 提供商必须识别训练数据中的偏差,并监测输出结果,防止加剧不平等或错误定价风险。作为消费者保护法律的执法者,我们也必须同样保持警惕。

新的风险仍在不断出现。例如,大型银行目前报告称,发现 AI 代理试图在零售客户账户中采取行动,而银行无法核实其真实性、是否获得同意,以及是否符合客户指示。这些事件凸显,金融服务中的 AI 要取得长期成功,必须配备适当的防护措施:严格的身份验证、针对具体操作的明确同意核验、限制代理能力的技术控制,以及基于规则和价值观的约束。我们需要技术创新来确保 AI 代理遵循既定规则和价值观;随着代理式商业不断发展,这一点尤为重要。此外,AI 代理可能会在压力时期加速存款流出。过去,客户需要亲自执行转账;而 AI 代理可能瞬间发现收益率差异或稳定性信号,并自主快速转移资金,从而可能加速在数分钟内发生的挤兑,使传统流动性管理和监管干预的时间安排难以应对。

结论
我讨论了将 AI 融入金融体系相关的一些问题。主要挑战包括在金融领域核心业务活动中使用 AI 的实际限制,因为企业需要确保由此产生的流程和结果符合相关法律和适当的风险管理要求。大型机构正在探索将生成式 AI(包括智能体 AI)用于其业务模式,但这需要谨慎行事。要可持续地发挥生成式 AI 的潜力,基于这些模型作出的决策必须受到良好控制,在数值和法律层面都准确无误,并且可解释、可复现。AI 开发者在一定程度上仍难以满足所有这些标准。我们需要降低 AI 加剧消费者贷款偏见的风险。我们还需要防范在金融市场使用 AI 可能带来的风险,包括合谋、市场操纵,或导致市场大幅波动乃至系统性风险的交易策略。利用 AI 改善金融体系的可及性和效率、使服务提供者和客户受益,机会很多。我相信,我们能够也必须确保这一进程以保护用户、维护金融稳定的方式推进。


1. 本文所表达的观点仅代表我个人,并不一定代表我在美联储理事会或联邦公开市场委员会的同事。返回正文

2. 参见 Michael S. Barr(2026),《人工智能将广泛提高生活水平,还是加剧收入和财富不平等?》,在“新一代金融普惠”会议上发表的演讲。该会议是美联储理事会主办的第三届年度金融普惠会议,于7月14日在华盛顿举行。返回正文

3. 参见美联储理事会(2026)《金融稳定报告 (PDF)》(华盛顿:美联储理事会,11月)图1.5,第8页。 返回正文

4. 参见美联储理事会(2026)《金融稳定报告 (PDF)》(华盛顿:美联储理事会,11月)中“数据中心建设中的杠杆”方框,第23–25页。 返回正文

5. 请注意,企业通常在折现前列示表外负债,因此难以与已折现的表内数据进行比较。返回正文

6. 参见 Stijn Van Nieuwerburgh(2026),《为 AI 建设融资(PDF)》,《布鲁金斯经济活动论文》,秋季刊,第1–28页。返回正文

7. 参见美联储理事会(2025)《金融稳定报告 (PDF)》(华盛顿:美联储理事会,11月)中“人工智能与算法交易”方框,第15–16页。Cook 理事也强调了这些问题;参见 Lisa D. Cook(2025),《政策制定者眼中的金融稳定》,在乔治城大学 McDonough 商学院 Psaros 金融市场与政策中心发表的演讲,华盛顿,11月20日。返回正文

8. 参见 Board of Governors of the Federal Reserve System (2025),金融稳定报告 (PDF)(华盛顿:Board of Governors,11月);以及 International Monetary Fund (2024)《人工智能的进展:对资本市场活动的影响》,载于全球金融稳定报告:稳定航向: 不确定性、人工智能与金融稳定(华盛顿:IMF,10月),第 77–105 页。返回正文

9. 今年的一项研究表明,ChatGPT 能帮助散户投资者更好地处理公开信息,从而缩小他们面临的信息差距;参见 Anne Yanru Chang、Xi Dong、Xiumin Martin 和 Changyun Zhou(2026),《人工智能普及化与交易不平等》,Journal of Accounting Research,第64卷(6月),第1287–331页。

众所周知,许多市场的交易由数量相对较少的大型公司主导;参见 John Coughlan 和 Alexei G. Orlov(2023),《高频交易与市场质量:来自账户级期货数据的证据》,Journal of Futures Markets,第43卷(8月),第1126–60页;以及国际货币基金组织《人工智能进展》(第77–105页,见注8)。返回正文

10. 参见 Katherine Doherty、Dina Bass 和 Justina Lee(2026),《Jane Street 及其竞争对手如今不仅在速度上较量,也在争夺 AI 算力》,Bloomberg,10月22日。返回正文

11. 参见 Thierry Foucault、Leonardo Gambacorta、Wei Jiang 和 Xavier Vives(2025),《金融中的人工智能:银行业的未来》7,经济政策研究中心(巴黎和伦敦:CEPR)。返回正文

12. 参见 Jinfei Sheng、Zheng Sun、Baozhong Yang 和 Alan L. Zhang(2026),《生成式 AI 与资产管理》,Review of Financial Studies,第1–48页。返回正文

13. AI 可以更快地纳入更广泛的信息,从而提升价格的信息含量;参见 Qiang Cheng、Penkai Lin 和 Yue Zhao(2025),《生成式 AI 是否促进投资者交易?来自 ChatGPT 中断的早期证据》,Journal of Accounting and Economics,第80卷(11月至12月),101821;以及 Foucault 等人的《金融中的人工智能》(见注11)。但 AI 生成的金融相关社交媒体内容也可能助长误导信息传播,导致波动性上升;参见 David Hirshleifer、Lin Peng、Qiguang Wang、Weichen Zhang 和 Xiaoyan Zhang(2026),《AI、观点生态系统与金融》,NBER 工作论文系列 34807(马萨诸塞州剑桥:美国国家经济研究局,2月)。返回正文

14. 参见 Markus K. Brunnermeier(2026),《人工智能与金融领域的美丽新世界(PDF)》,为堪萨斯城联邦储备银行主办、于8月27–29日在怀俄明州杰克逊霍尔举行的经济政策研讨会撰写的论文。

在理解生成式 AI 模型方面正不断取得进展,研究正从单纯观察其内部运作,转向通过实验识别驱动其行为的一些机制;参见 Or Shafran、Atticus Geiger 和 Mor Geva(2026),《从组合神经元组构建可解释特征(PDF)》,第64届计算语言学协会年会论文集(第1卷:长篇论文),第 42326–48 页。返回正文

15. 参见 Stephen G. Cecchetti、Robin L. Lumsdaine、Tuomas Peltonen 和 Antonio Sánchez Serrano(2025),人工智能与系统性风险,科学咨询委员会报告 2025/16(德国法兰克福:欧洲系统性风险委员会,12月),http://dx.doi.org/10.2139/ssrn.5866223;以及 Foucault 等人,金融领域的人工智能(见注释 11)。返回正文

16. 参见 Cecchetti 等人,人工智能与系统性风险(见注释 15)。返回正文

17. 参见 Xiang-Li Lim、Puja Singh 和 Richard Stobo(2025),关于证券市场加速采用人工智能的监管考量,国际货币基金组织技术说明与手册 2025/016(华盛顿:国际货币基金组织)。返回正文

18. 参见 Winston Wei Dou、Itay Goldstein 和 Yan Ji(2025),《人工智能驱动的交易、算法合谋与价格效率》,NBER 工作论文 34054(马萨诸塞州剑桥:美国国家经济研究局,7月);以及 Jean-Edouard Colliard、Thierry Foucault 和 Stefano Lovo(2026),《证券市场中的算法定价与流动性》,金融研究评论,第 1–49 页。不过,当算法的学习过程不同时,合谋的可能性较低。例如,Q-learning 算法比基于 LLM 的算法更容易协调;参见 Kartik Anand、Sophia Kazinnik、Agnese Leonello 和 Ettore Panetti(2026),《机械智能:人工智能时代的金融稳定(PDF)》,欧洲央行工作论文系列 3225(德国法兰克福:欧洲中央银行)。此外,算法交易者有强烈动机使其策略与众不同,因为在其他参与者合谋时,不参与合谋可能非常有利可图。这或许会使算法异质性成为一种均衡结果;参见 Laura Veldkamp(2024),《对“人工智能驱动的交易、算法合谋与价格效率(PDF)”的讨论》,NBER 2024 年夏季研讨会:资产定价(马萨诸塞州剑桥:美国国家经济研究局,7月11–12日)。返回正文

19. 参见 Álvaro Cartea、Patrick Chang 和 Gabriel García-Arenas(2025),《利用学习算法欺骗和操纵订单簿》,工作论文,http://dx.doi.org/10.2139/ssrn.4639959;以及 Winston Wei Dou、Itay Goldstein 和 Yan Ji(2026),《人工智能规划时代的金融市场脆弱性》,沃顿商学院研究论文,9月16日,http://dx.doi.org/10.2139/ssrn.5763222。返回正文

20. 参见 Pedro Gurrola-Pérez 和 Kaitao Lin(2024),《全球市场操纵定义分析》,工作论文(伦敦:世界交易所联合会,6月)。返回正文

21. 参见 CME Group 的“市场监管咨询通知”:https://www.cmegroup.com/content/dam/cmegroup/notices/market-regulation/2024/07/CME-Group-RA2403-5.pdf。返回正文

22. 参见 Michael S. Barr(2025),《深度伪造与银行网络安全中的 AI 军备竞赛》,于 4 月 17 日在纽约联邦储备银行(纽约)发表的演讲。返回正文

23. 例如《公平住房法》和《平等机会法》。返回正文

来源:美联储 · 演讲与证词 · federalreserve.gov