2024年12月21日至22日，首届ADEFT-XueShuo冬季学术研讨会“社科人工智能与人工智能经济学”在线上成功举办。
此次会议由清华大学孵化的学说平台主办，康奈尔大学商学院金融科技中心和斯坦福金融科技高阶实验室等全球多个研究机构和研究中心提供学术支持。
研讨会联席组委由康奈尔大学约翰逊商学院Rudd家族管理学讲席教授、金融学教授及《Management Science》金融主编叢林（丛林），与斯坦福大学管理科学与工程系终身教授Markus Pelger组成。
来自美国佐治亚州立大学的杨保中教授进行了关于“公司金融中的人工智能”的精彩分享。
杨保中
美国佐治亚州立大学罗宾逊商学院
公司金融中的人工智能
杨保中教授围绕AI in Corporate Finance主题，介绍了团队的三项最新研究成果。在展示具体论文之前，他首先梳理了这一领域的研究发展脉络。他指出，得益于强化学习、Transformer架构和大语言模型等人工智能技术的快速发展，学术界和产业界开始深入探索AI在公司金融研究中的应用潜力。目前来看，这一领域既面临挑战也蕴含机遇：一方面，公司金融研究的数据更新频率普遍较低，且需要考虑复杂的经济学理论基础；另一方面，随着机器算法在处理非结构化数据方面的能力不断提升，这一领域的研究正变得日益丰富多样。
其次，杨教授介绍了第一篇“How to Talk When a Machine is Listening（当机器在倾听时如何说话：企业信息披露在人工智能时代的调整）“论文。随着机器学习技术的发展，自动化文本分析在金融市场中的应用日益普及。在这样的背景下，上市公司的信息披露策略可能发生重要变化。本研究探讨了一个关键问题：当公司了解机器如何分析数据后，是否会相应调整其信息披露方式来影响机器的输入，即所谓的"反馈效应"。
为了深入研究这一问题，研究团队创新性地构建了三个关键度量指标：机器下载量、机器可读性和情绪指标。机器下载量用于衡量机器读取公司文件的程度，机器可读性评估文件被机器处理和解析的难易程度，而情绪指标则分析上市公司对外传播的情绪倾向。这些指标的构建为研究公司信息披露策略提供了全新的量化视角。
研究发现，高机器可读性与交易速度显著相关，表现为交易发生更快，但同时也导致了更宽的bid-ask spread。特别有趣的是，由于机器倾向于将文字信息判定为消极情绪，公司管理层在口头表述时会表现出更加积极和正面的情绪。这些发现表明，公司在知晓机器如何处理文本后，会相应调整其信息披露策略，形成了一个显著的反馈效应。
杨教授带来的第二个研究名为“Visual Information and AI Divide: Evidence from Corporate Executive Presentations （视觉信息与人工智能鸿沟：来自企业管理层演示文稿的证据）。上市公司在其演示文稿中经常包含大量的图形信息，包括未来产品设计、运营计划和财务数据等第一手资料。这促使研究者深入探讨两个核心问题：机器学习技术是否能从视觉数据中提取有价值的信息来帮助投资者理解公司运营，以及AI技术是否会造成市场参与者之间的信息鸿沟，使具备AI技术的参与者获得信息和交易优势。
该研究收集了多份从企业演示幻灯片，在数据处理过程中，研究将每张幻灯片分为三类：Operations Forward（前瞻性运营信息）、Operations Summary（现有运营信息）和Others（其他信息）。在方法论上，研究采用了先进的卷积神经网络（CNN）并结合迁移学习技术，通过整合公共标记图片数据库来提高预测准确性。
研究发现，前瞻性运营信息具有显著的预测能力。更深入的分析表明，Operations Forward不仅与长期收益和销售额呈现正相关关系，而且这种关联在AI机构持股较高的股票中表现得更为明显。特别值得注意的是，研究发现具备AI能力的机构的交易行为与Operations Forward呈现显著的正相关关系，而非AI机构和散户投资者的交易则没有表现出这种关联性。
最后，杨教授展示了第三个研究“Can Machines Understand Human Decisions: Insights from Analyst Selection（机器能理解人类决策吗？来自分析师选择的启示）“。此研究讨论机器是否能够理解和评估人类的决策能力，并选择证券分析师这一群体作为研究对象，旨在探索机器是否能够准确评估分析师的技能。
研究团队构建了一个全面的特征体系，包含了分析师层面（如公司经验、预测期限等15个特征）、宏观层面（如通货膨胀、油价等12个特征）和公司层面（如规模、账面市值比等40个特征）的信息。在方法论上，研究创新性地采用了CNN架构，并基于领域知识将特征分为四大类：预测值相关、预测特征、努力与经验、以及投资组合与资源。
研究结果表明，非线性模型，特别是采用从低维到高维特征交互的CNN模型，在预测分析师能力方面表现最为出色。机器学习预测的明星分析师不仅表现优于历史准确的分析师，也超过了人工标记的明星分析师。特别是在公司信息较为透明且经济处于正常状态时，预测的准确性更高。研究还发现，这一方法能够很好地解释分析师修正后漂移异象（post-revision drift anomaly），ML共识能更好地预测盈余惊喜，并能预测盈余公告前后的股票收益。
杨教授团队的这三项研究在方法论上展现了显著的创新性。在数据处理方面，研究团队创造性地整合了文本、图像和数值数据的分析方法，开发了一系列新的量化指标体系。在AI技术应用方面，研究创新性地将迁移学习技术应用于金融图像分析，开发了适应金融场景的深度学习架构，实现了从低维到高维的特征交互分析。更重要的是，这些研究成功地将金融学、计算机科学和行为经济学的研究方法有机结合，为AI技术在金融研究中的应用提供了新的范式。
疯狂暗示↓↓↓↓↓↓↓↓↓↓↓
