徐國棟 廈門大學(xué)嘉庚學(xué)院會(huì)計(jì)與金融學(xué)院

互聯(lián)網(wǎng)+時(shí)代的來臨，大數(shù)據(jù)風(fēng)起云涌，數(shù)據(jù)量龐大，維度高維化，應(yīng)用多層次化，大大推動(dòng)了人工智能的產(chǎn)業(yè)化運(yùn)用，人工智能與醫(yī)療、教育、金融、藝術(shù)、交通、建筑的等各個(gè)產(chǎn)業(yè)深度融合，開創(chuàng)了產(chǎn)業(yè)升級(jí)創(chuàng)新驅(qū)動(dòng)的大浪潮。本文將探討人工智能算法及其在財(cái)務(wù)大數(shù)據(jù)分析和基本面量化投資中的應(yīng)用。

一、人工智能算法介紹

人工智能算法的核心為機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)的算法主要分為有監(jiān)督學(xué)習(xí)算法（Supervised Learning）、無監(jiān)督學(xué)習(xí)算法（Unsupervised Learning）、半監(jiān)督學(xué)習(xí)算法（Semi-Supervised Learning）三大類。這三大類算法的關(guān)鍵區(qū)別在于是否有樣本的標(biāo)簽，如果全部有標(biāo)簽則為監(jiān)督學(xué)習(xí)，全部都沒有則為無監(jiān)督學(xué)習(xí)，部分有部分沒有則為半監(jiān)督學(xué)習(xí)。有監(jiān)督學(xué)習(xí)的常見算法主要包括：決策樹算法、支持向量機(jī)、boosting與bagging算法、BP神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、LSTM神經(jīng)網(wǎng)絡(luò)等；無監(jiān)督學(xué)習(xí)則包括K均值聚類、層次聚類、主成分分析（PCA）、奇異值分解（Singular Value Decomposition）；半監(jiān)督學(xué)習(xí)算法則主要包括生成式高斯混合模型算法、圖半監(jiān)督學(xué)習(xí)、標(biāo)記傳播算法等。

二、基本面量化投資

黨的十九大以來，習(xí)近平總書記對(duì)資本市場作出了一系列重要指示批示，為新時(shí)代資本市場改革發(fā)展指明了方向。習(xí)近平總書記指出，金融是實(shí)體經(jīng)濟(jì)的血脈，為實(shí)體經(jīng)濟(jì)服務(wù)是金融的天職，是金融的宗旨，也是防范金融風(fēng)險(xiǎn)的根本舉措。資本市場作為企業(yè)和居民投融資的重要渠道，要發(fā)揮其服務(wù)實(shí)體經(jīng)濟(jì)的重要基礎(chǔ)性功能，理清價(jià)格信號(hào)尤為關(guān)鍵，上市公司的股價(jià)只有正確反映了以公司財(cái)務(wù)狀況和經(jīng)營情況為主的基本面信息，才能高效發(fā)揮其資源配置的價(jià)格發(fā)現(xiàn)的強(qiáng)大功能，否則，極可能導(dǎo)致投機(jī)盛行和資源錯(cuò)配?；久娣治龊蛢r(jià)值投資也是實(shí)證會(huì)計(jì)和金融科技領(lǐng)域理論研究的重點(diǎn)，具有重要的理論價(jià)值和實(shí)踐意義。近年來隨著大數(shù)據(jù)和人工智能技術(shù)的深度運(yùn)用，量化投資逐漸走入人們的視野，其中以公司財(cái)務(wù)（含經(jīng)營）信息分析為主的基本面量化投資更是成為財(cái)務(wù)領(lǐng)域研究的熱點(diǎn)。用量化的方法研究公司基本面，用人工智能的算法研究量化投資，屬于跨界和跨學(xué)科研究的熱點(diǎn)，亟待理論研究和實(shí)務(wù)操作上的突破創(chuàng)新。

傳統(tǒng)的主流投資理念是基本面價(jià)值投資，利用財(cái)務(wù)分析師的專業(yè)技能，深入分析少數(shù)幾家公司的財(cái)務(wù)報(bào)表和經(jīng)營信息，綜合判定股票的價(jià)值進(jìn)而進(jìn)行投資決策，但是具有主觀性太強(qiáng)，投資廣度差（覆蓋面低），風(fēng)險(xiǎn)不可控，可重復(fù)性（可操作性）差等天然缺陷。隨著計(jì)算機(jī)技術(shù)的發(fā)展，量化投資應(yīng)運(yùn)而生，運(yùn)用計(jì)算機(jī)的大數(shù)據(jù)分析能力對(duì)所有股票進(jìn)行高效量化分析，投資廣度大客觀性強(qiáng)，但是傳統(tǒng)的量化投資主要是以研究股價(jià)、成交量等技術(shù)面信息為主，很少涉及基本面，容易導(dǎo)致市場趨勢(shì)投資盛行，短線波動(dòng)加劇，股價(jià)信號(hào)失靈等問題。因此，近年來理論界和實(shí)務(wù)界逐漸將目光轉(zhuǎn)向了基本面+量化投資，也就是用大數(shù)據(jù)的量化分析方法對(duì)所有公司的（財(cái)務(wù)）基本面進(jìn)行統(tǒng)一分析，高效地篩選出所有質(zhì)地優(yōu)秀的股票進(jìn)行組合投資，形成了“基本面量化”的投資流派，將基本面分析和量化投資各自優(yōu)點(diǎn)得到了充分的發(fā)揮。Soliman（2008）在頂尖會(huì)計(jì)學(xué)期刊TAR，首次運(yùn)用經(jīng)典的杜邦財(cái)務(wù)分析的方法研究了美國上市的所有(有相關(guān)數(shù)據(jù)的)股票，發(fā)現(xiàn)ATO（經(jīng)營資產(chǎn)周轉(zhuǎn)率）指標(biāo)能顯著地預(yù)測(cè)未來盈余變化和股票的超額回報(bào)，從量化的角度對(duì)財(cái)務(wù)分析核心指標(biāo)的投資決策價(jià)值給出了經(jīng)驗(yàn)證據(jù)。Hirshleifer et al.(2013)首次探討了創(chuàng)新效率和股票超額收益之間的關(guān)系，利用單位研發(fā)支出轉(zhuǎn)化的專利數(shù)量來衡量公司的創(chuàng)新效率，從量化的角度證實(shí)了經(jīng)營性數(shù)據(jù)對(duì)投資決策的重要價(jià)值。Belesis et al.(2020)利用2002年至2017年期間的標(biāo)普500指數(shù)的所有成分股，以O(shè)hlson模型進(jìn)行了實(shí)證檢驗(yàn)，發(fā)現(xiàn)會(huì)計(jì)變量（收益、賬面價(jià)值、現(xiàn)金流量、研發(fā)費(fèi)用等）對(duì)股票未來收益具有顯著解釋力，并討論了其對(duì)于會(huì)計(jì)準(zhǔn)則制定者和投資價(jià)值評(píng)估的重要意義。

傳統(tǒng)的基本面量化投資，基本上都是以線性回歸模型為主，對(duì)于各個(gè)基本面因子之間可能存在的非線性關(guān)系無能為力，另外還存在過擬合和多重共線性的問題，然而近年來興起的以機(jī)器學(xué)習(xí)（含深度學(xué)習(xí)）為代表的人工智能算法較為完美的解決了這一問題（Athey and Imbens，2019）,國內(nèi)外都掀起了將人工智能技術(shù)應(yīng)用于量化投資的熱潮。Ding et al.（2015）運(yùn)用深度卷積神經(jīng)網(wǎng)絡(luò)模型，從新聞中提取出事件并進(jìn)行向量表示，對(duì)其進(jìn)行訓(xùn)練用于模擬事件對(duì)于股價(jià)變動(dòng)的短期和長期影響。模型在預(yù)測(cè) S &P500 指數(shù)和個(gè)股價(jià)格時(shí)比基準(zhǔn)方法實(shí)現(xiàn)了6%的改進(jìn)。Gu et al.(2020)在國際頂尖金融學(xué)期刊RFS發(fā)表機(jī)器學(xué)習(xí)研究論文，對(duì)比了眾多的機(jī)器學(xué)習(xí)方法預(yù)測(cè)股票收益的能力，發(fā)現(xiàn)決策樹和神經(jīng)網(wǎng)絡(luò)模型的效果最好，在某些情形下，投資業(yè)績能夠?qū)崿F(xiàn)翻番，從實(shí)證角度證實(shí)了人工智能方法在資產(chǎn)定價(jià)研究領(lǐng)域的獨(dú)特績效。國內(nèi)人工智能量化投資領(lǐng)域的研究相對(duì)較為滯后，直到最近幾年才有相關(guān)較高質(zhì)量論文發(fā)表,但是系統(tǒng)性成果較少。賀超等（2020）對(duì)傳統(tǒng)的Adaboost算法進(jìn)行改進(jìn)后，進(jìn)行多因子選股模型的檢驗(yàn)，發(fā)現(xiàn)該算法的魯棒性較好，AUC評(píng)分高達(dá)0.71。

三、財(cái)務(wù)大數(shù)據(jù)分析

證監(jiān)會(huì)召開2020年系統(tǒng)工作會(huì)議，會(huì)議提出，穩(wěn)步推進(jìn)以信息披露為核心的注冊(cè)制改革，可以說提高信息披露質(zhì)量是整個(gè)資本市場改革的關(guān)鍵和熱點(diǎn)。我國會(huì)計(jì)改革的重要目標(biāo)之一，就是提高我國資本市場中會(huì)計(jì)信息的投資決策有用性。FASB（美國財(cái)務(wù)會(huì)計(jì)準(zhǔn)則委員會(huì)）也指出，會(huì)計(jì)信息要與投資者、債權(quán)人等使用者的投資和信貸決策相關(guān)，就必須通過幫助其對(duì)過去、現(xiàn)在和將來事件的結(jié)果做出預(yù)測(cè)或者是證實(shí)或更正先前的期望，從而具備在決策中導(dǎo)致差別的能力。然而，我們認(rèn)為，應(yīng)該從大數(shù)據(jù)視角重新解構(gòu)信息披露，投資者決策所使用的的基本面信息，至少應(yīng)包括4個(gè)層面：1、財(cái)務(wù)報(bào)表數(shù)據(jù)（如市盈率、市凈率、毛利率、資產(chǎn)周轉(zhuǎn)率等指標(biāo)）；2、經(jīng)營層面數(shù)據(jù)（如主導(dǎo)產(chǎn)品產(chǎn)銷量、研發(fā)投入、專利數(shù)量、高管薪酬、員工構(gòu)成等信息）；3、證券分析師數(shù)據(jù)（如投資評(píng)級(jí)、盈利預(yù)測(cè)、評(píng)級(jí)修正等）；4、財(cái)經(jīng)媒體信息（如個(gè)股財(cái)經(jīng)新聞報(bào)道、股吧、討論區(qū)、微信公眾號(hào)等）。以往相關(guān)學(xué)術(shù)研究的焦點(diǎn)主要關(guān)注會(huì)計(jì)盈余信息，或者評(píng)估某一特定的單項(xiàng)信息（如只評(píng)估研發(fā)投入）對(duì)股價(jià)的影響，本文認(rèn)為應(yīng)該從大數(shù)據(jù)獨(dú)特視角，從以上4個(gè)層面的信息來對(duì)信息披露的質(zhì)量進(jìn)行綜合評(píng)估，在學(xué)術(shù)研究基礎(chǔ)上，從信息披露的綜合質(zhì)量評(píng)估的層面為證監(jiān)會(huì)、財(cái)政部等監(jiān)管機(jī)構(gòu)和會(huì)計(jì)準(zhǔn)則制定部門提供相關(guān)政策建議。

四、人工智能算法的應(yīng)用

人工智能戰(zhàn)略已經(jīng)上升為國家戰(zhàn)略。習(xí)近平總書記強(qiáng)調(diào)，人工智能是新一輪科技革命和產(chǎn)業(yè)變革的重要驅(qū)動(dòng)力量，加快發(fā)展新一代人工智能是事關(guān)我國能否抓住新一輪科技革命和產(chǎn)業(yè)變革機(jī)遇的戰(zhàn)略問題。要培育具有重大引領(lǐng)帶動(dòng)作用的人工智能企業(yè)和產(chǎn)業(yè)，構(gòu)建數(shù)據(jù)驅(qū)動(dòng)、人機(jī)協(xié)同、跨界融合、共創(chuàng)分享的智能經(jīng)濟(jì)形態(tài)。研究人工智能算法在基本面量化投資中的應(yīng)用，研究成果將為推動(dòng)人工智能產(chǎn)業(yè)和財(cái)務(wù)、金融產(chǎn)業(yè)深度融合，創(chuàng)新驅(qū)動(dòng)，為傳統(tǒng)金融產(chǎn)業(yè)的升級(jí)發(fā)展提供一定的理論支持和實(shí)踐指導(dǎo)。

資產(chǎn)定價(jià)理論作為財(cái)務(wù)學(xué)的核心研究主題，一直是理論研究的熱點(diǎn)難點(diǎn)。諾貝爾獎(jiǎng)獲得者Sharpe（1964）提出了著名的CAPM模型，認(rèn)為β系數(shù)是影響股票收益的核心因素。Fama和French （1992）提出了著名的三因子模型，發(fā)現(xiàn)上市公司的市值、賬面市值比、市盈率可以解釋股票回報(bào)率的差異。2015年，F(xiàn)ama and French又提出了五因子模型，在原有的三因素模型中，加入了代表盈利能力的RMW因子和代表投資模式的CMA因子?？梢哉f，對(duì)股票超額收益影響因子的考察貫穿了整個(gè)現(xiàn)代財(cái)務(wù)學(xué)的發(fā)展歷史。Fama的另一著名觀點(diǎn)則為有效市場理論。除了Fama提出的五因子之外，是否還有其他能夠顯著影響股票回報(bào)率的因子？通過財(cái)務(wù)大數(shù)據(jù)的挖掘，利用機(jī)器學(xué)習(xí)的算法找出可能影響股票超額收益率的基本面因子，進(jìn)而構(gòu)建套利投資組合，可以為資產(chǎn)定價(jià)和效率市場理論提供進(jìn)一步的經(jīng)驗(yàn)證據(jù)和學(xué)術(shù)觀點(diǎn)。

基本面量化投資主要包括單因子評(píng)價(jià)和多因子評(píng)價(jià)。對(duì)于單因子評(píng)價(jià)，可以通過單因子分組后的套利組合業(yè)績?cè)u(píng)價(jià)來評(píng)價(jià)單因子，篩選出對(duì)未來股票回報(bào)率敏感的基本面因子。具體來說，首先每月月末將待評(píng)價(jià)的單因子的標(biāo)準(zhǔn)化得分按照從小到大的順序分成10個(gè)組，將每個(gè)組的股票視作一個(gè)投資組合，計(jì)算每個(gè)投資組合的月均收益，并計(jì)算多空套利組合（因子得分最高的，減去得分最低的組）的月均收益、T統(tǒng)計(jì)量、夏普比率等指標(biāo)，如果T值顯著，夏普比率也較高，則說明該因子為敏感因子，納入下一步的多因子研究分析。

對(duì)于多因子評(píng)價(jià)，則可以在確定的敏感的基本面單因子之后，將所有敏感的單因子作為一個(gè)基本面因子集合，運(yùn)用人工智能算法，進(jìn)行多因子量化投資的分析。根據(jù)多因子量化選股的需求，由于每只股票都有橫截面期間的報(bào)酬率（標(biāo)簽），所以主要采用有監(jiān)督學(xué)習(xí)的回歸類算法進(jìn)行多因子量化投資套利組合的構(gòu)建，最后通過相關(guān)的組合業(yè)績?cè)u(píng)價(jià)指標(biāo)（如阿爾法值α、夏普比率SR、信息比率IR、貝塔系數(shù)β、最大回撤MDD等）來評(píng)價(jià)該模型的效能，最終挑選出最佳的機(jī)器學(xué)習(xí)算法模型來進(jìn)行量化投資管理。