【JFE论文速递】从人机大战到人机结合：股票分析的艺术和人工智能学习

• 这是“金融学前沿论文速递”第1491篇推送

• 选文:李甜 审稿:闵思凯 终审:肖红 编辑:徐若萱

• 仅用于学术交流，原文版权归原作者和原发刊所有

原刊和作者：

The Journal of Financial Economics 2024年10月

Sean Cao (University of Maryland) 

Wei Jiang (Emory University)

Junbo Wang (Louisiana State University)

Baozhong Yang (Georgia State University)

（一）建立AI分析师

为了追踪从“人机大战”到“人机结合”的路径，本文建立自己的AI模型来预测12个月的股票收益（以12个月的目标价格推断），与分析师在同期对同股票的预测进行比较。该过程可以为理解并解释AI能力提供一致且时变的基准。分析师预测的两个最重要主题是盈余(earning)和目标价格（可推断股票收益）。本文以后者为主要目标变量，因为盈余易受管理者操控，通常会控制在符合（或略高于）分析师的一致预期水平，对于缺乏这种反馈机制的AI模型而言，这样比较不公平。

本文“AI分析师”，是用及时、公开的数据和信息采用机器学习(ML)工具包进行训练而得。具体而言，收集公司层面、行业层面和宏观经济变量，以及来自公司披露、新闻和社交媒体的文本信息（更新到分析师预测前），作为输入或预测因子。特意排除分析师预测（过去和现在）本身的信息，这样AI模型就不会从分析师的见解中受益。事实证明，机器学习模型在这种环境下优于传统经济学模型（如回归），这归功于其在管理高维和非结构化数据方面的优势，以及优化和拟合未指定函数形式的灵活性。该领域的最新发展在缓解过拟合方面取得了重大进展，从而提高了样本外表现。

（二）人机大战

1. AI的总体优势

选择一组最先进的机器学习模型，集成构建AI分析师。研究发现，AI分析师整体上能够击败人类分析师：2001-2018年样本期间，AI分析师在54.5%的股票收益预测中表现优于所有I/B/E/S数据库统计的分析师。机器的优势可能源自其卓越的信息处理能力，或由于不受人类因激励或心理特征而产生的可预测偏差的影响。为了区分两者，将AI预测与“去偏差”分析师预测进行比较，其中偏差是预测出的，再用机器学习消除偏差（称“机器去偏人”）。这种改进版的人类分析师仍然落后于机器（机器去偏人仅在46.5%的预测中战胜AI），表明“可纠正”偏差解释了约22%的人-机差距。

2.异质性分析：人类与AI的比较优势

撇开AI的能力，本文更感兴趣的是人类分析师在何种情况下保持优势，因为分析师的预测平方误（与事后实际12个月股价相比）比同期AI的预测要低。本文发现，人类分析师在规模较小、流动性较差的公司以及轻资产商业模式（即高无形资产）的公司中表现更佳，这与此类公司受更高的信息不对称影响，需要更好的专业知识或行业经验来解读的观点一致。大券商的分析师也更可能击败AI，归功于其能力和更多研究资源。当公司处于动态竞争环境或面临更高的困境风险时，人类分析师更可能占上风，这再次揭示了AI在分析不熟悉和快速变化环境时有局限性。与预期一致，AI在处理信息的能力上具有明显的优势，当公开信息量更大时，AI比人类分析师更聪明。

（三）人机结合

1. 人类的增量价值

就像卡斯帕罗夫开创的半人马棋手一样，AI分析师的卓越表现并不排除人类加入的价值。若人类和机器在信息处理和决策方面都具有比较优势，则人类分析师仍然可以为“半人马分析师”做出重要贡献。将分析师预测添加到AI分析师的机器学习模型的信息集之后，得到的“人+机器”模型在54.8%的预测中优于仅AI模型。此外，对流动性较差和无形资产较多的公司，加入人类分析师更有价值。当企业面临较高的困境风险时，加入人类分析师具有更大的增量价值。重要的是，人的增量价值不会随着信息量（因此对处理能力的需求）增加而减少，尽管这对单独工作的人类而言是一个劣势。

2. 减错机制
人与机器之间的协同作用与人类分析师预测对AI的增量信息价值有关，但协同作用不止于此。协同作用也可以从人+机器预测误差的残差中体现，这些残差不能单独由任何一方的预测误差来解释。协同效应与人类优势（交易流动性不足和接近违约）及机器优势（频繁的公司事件和大市值）的特征相关。此外，当数据相对少且情况快速变化时，人机协同效应更高。最重要的是，人+机器模型避免了人类分析师所犯的90%极端错误和AI所犯的40%极端错误（同时最大限度地减少了大错误）。从某种程度上说，在许多技术性工作中，巨大的错误是灾难性的，将人类与AI的能力结合将带来实质性的好处。

3. 人机结合增效的进一步证据：基于事件研究
最后，用事件研究来进一步证实人机结合对股票分析影响的推断。近年来，“大数据”的基础设施创造了一类新的公司信息，这些信息是在公司之外收集和发布的，为投资机会提供了独特而及时的线索。一种重要且流行的数据是捕捉“消费者足迹”，例如停车位的卫星图像。这些必须通过机器学习模型处理的数据已被证实包含有股票价格的增量信息。本文以Katona et al. (2024)的公司新数据为基础，交错引入几个重要的数据库，并在新数据可用之前和之后，对分析师的表现与本文AI模型进行了DID检验。潜在的前提是，用新数据时人类分析师可能处于人+机器的情况下，因其有机会使用AI处理信息。事实上，确实发现，在新数据发布后，覆盖新数据公司的分析师相对于本文AI模型（作为基准）提高了业绩。此外，这种改善主要集中在具有强大AI能力券商的分析师上，以Burning Glass美国与AI相关的招聘数据衡量。

总体而言，本文发现人工智能可以增强分析师能力，更重要的是，分析师的工作对AI建模具有增量价值和协同作用，特别是在异常和快速发展的情况下。高风险情况下，“半人马”在克服严重的预测错误方面特别有帮助。这一独特的发现对AI助手的安全性和稳健性具有重要意义，同时保留了人类在决策中的关键作用。国际象棋和股票分析对技术类工作具有外部有效性，本文研究为人类如何利用自身优势并更好适应人工智能时代提供了指导。

在“人机大战”中，本文发现当信息透明和量大时，AI分析师的相对优势更强。当关键信息需要专业知识（如无形资产属性和财务困境条件）时，人类分析师仍然具有竞争力。将AI与人类专家的艺术相结合，在两种技能互补的环境中，准确预测的潜力最大。且协同的好处很吸引人，因为可以极大避免人类或机器单独犯下的极端错误。本研究发现的人与机器的协同作用为人类如何利用自身优势更好地适应未来不断增长的AI能力提供了指导。

尽管本文用一组相当全面的输入数据构建AI分析师，并采用了最先进的机器学习技术，但一个模型不太可能包含所有公开可得数据和所有先进的学习算法。未来在机器能力方面的研究有很大的空间，更重要的是，人类与AI的协同。

未来一些研究很有前景:

原文：

Cao, Sean, Wei Jiang, Junbo Wang and Baozhong Yang, 2024, From Man vs. Machine to Man + Machine: The art and AI of stock analyses,The Journal of Financial Economics 160, 103910.

【长按二维码自动识别】查看摘要或原文