邱寒:对《范一飞:关于央行数字货币的几点考虑》的解读

近日,媒体公开发表了中国人民银行副行长范一飞的一篇重要文章,即《关于央行数字货币的几点考虑》,透露了很多信息,提供了一个观察法定数字货币的重要窗口。


范行长这篇文章,尽显中国技术官员的专业水平和务实理性,一方面看到并顺应了数字货币的趋势,另一方面又极大的顾及到了现实,是我看到的一个最具操作性的法定数字货币解决方案。


范行长提出央行数字货币应采用双层投放体系。所谓双层投放,就是央行的法定数字货币不会直接流通到市场,而是只投放给商业银行,再由商业银行投放到市场流通。其实现在的法币流通体系基本上就是这样操作的,央行直接印制的纸币只占货币流通量的少数,大部分是商业银行通过货币乘数创造出来的货币,如各种贷款。


虽然商业银行通过贷款创造了货币,但流通的载体要么是纸质法币,要么是银行账本的转移记录,如移动支付,银行转账等。通过数字货币,上述方式都会发生变化。


在讨论双层投放之前,描述一下理想状态的数字货币单层投放场景,有助于理解两者区别。在单层投放体系上,数字货币就像纸币一样全部由央行提供,商业银行不再具有自己创造货币的能力,变成了一种通道,其金融功能大大受到限制。整个数字货币的发放、流通、使用一举一动全部由央行直接处理,各个商业银行迅速变成只是一个部门职能,理论上讲,全国只要央行一家银行就可以了。


而双层投放体系,央行发行的数字货币只做为M0基准货币投放到商业银行体系中,商业银行根据货币使用需求,自己创造发行商业银行数字货币,有点类似港币,中国银行和汇丰银行各自印制发行。到时候,就会有工农中建等各银行版的数字货币,甚至各城市商业银行都可以发行自己的数字货币,如深圳城商行数字货币。


每家商业银行都发行自己的数字货币,有的朋友感觉这完全天下大乱了。如果纸币通过这种模式各自印刷,确实会天下大乱,但数字货币就没有问题了,因为各商业银行仍然是依托在存在央行的保证金发行数字货币,不存在随意滥发。同时商业银行的数字货币的发行、流通、回收一举一动从技术上可以受到央行全程监控,反而没有以前放贷款那么自由。对老百姓来讲,就是一个钱包里面放着数字货币,直接支付使用。


这样做的好处,范行长中已经说得很清楚了,利用了现有成熟的各种软硬件、流程制度和商业模式,保证了现有银行和金融体系不会被立即颠覆。


一旦央行采用这种双层投放机制发行数字货币,可以直观的想到几个结果,一是银行机构从处于弱势的移动支付市场迅速反超,并领先一代,借助法币信用背书 ,再结合成熟的银联支付体系,可以迅速对支付宝等第三方支付构成极大压力,支付宝在第三方支付市场上的强势地位会被迅速打破。


第二是传统的M1、M2发放模式会改变,虽然范行长只讲了将央行数字货币用于现金替代,但在实际操作中,商业银行会将部分贷款用自己的数字货币投放下去,起到M1、M2的作用


第三是在上述数字货币的政策引导下,极有可能放开一些M3、M4票据的通证化,事实形成商业机构发行自己的通证票据进行流通,形成比教科书更大范围M3、M4,甚至会替代部分M2。


四是央行的权力将会更加集中高效,所有货币的流动一手掌握,商业银行自己可操作的空间将越来越少。


五是人民币国际化将开辟新的战场,在数字货币世界抢占战略制高点,通过海外银行发行自己的数字货币,一方面可以无视国界的流通,变成事实上的国际货币。另一方面,又与国内流通的数字货币可以区别开,非常容易跟踪资金的流动情况。


按照上面的解读,那么未来商业机构的各种票据、权益证券、甚至积分的通证化将是一个非常大的市场,商链作为区块链新零售概念的提出者和践行者,布局其中,正逢其时。


本文来源于公众号商链邱寒,感谢授权转载。


热门文章




深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值