楊金娟

人工智能通過降低投資者認(rèn)知的局限性，提高了投資者的信息感知能力，進而提高其決策效率。本文以聚募網(wǎng)公布的145起股權(quán)眾籌項目為研究對象，利用傳統(tǒng)的計量經(jīng)濟學(xué)模型和基于機器學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型來預(yù)測項目成功的概率。研究發(fā)現(xiàn)，將文本信息和圖像信息加入評估模型能有效提高投資者對股權(quán)眾籌項目的投資效率，且BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率高于傳統(tǒng)的Probit模型。使用人工智能技術(shù)能有效提高投資者對股權(quán)眾籌項目的識別能力，在一定程度上緩解小微初創(chuàng)企業(yè)或項目的融資難問題。

一 、引言

股權(quán)眾籌在解決我國小微創(chuàng)業(yè)企業(yè)融資問題和促進創(chuàng)新創(chuàng)業(yè)方面發(fā)揮著重要作用，然而投資者相較于籌資者而言，處于信息劣勢，無法獲得股權(quán)眾籌項目的所有信息，投融資雙方存在一定的信息不對稱性，較高的風(fēng)險和不確定性增加了投資者項目選擇的難度。股權(quán)眾籌的參與者大多不是專業(yè)投資者，即使優(yōu)質(zhì)的眾籌項目能發(fā)出信號，投資者也未必能有效識別。因此，從信息感知視角研究投資者如何有效利用已有的信號做出科學(xué)的判斷顯得尤為重要。信息感知是用戶吸收和利用信息的開端，用戶自身的認(rèn)知經(jīng)驗、知識結(jié)構(gòu)和信息存在的狀態(tài)都會對用戶的信息感知產(chǎn)生影響，信號理論認(rèn)為提高投資者的信息感知能力可以有效降低投融資雙方的信息不對稱性，而投資者的信息感知能力同時受其獲取信息的寬度和掌握信息的深度兩方面影響［1］。由于受數(shù)據(jù)獲取與數(shù)據(jù)處理等技術(shù)問題的限制，在股權(quán)眾籌的現(xiàn)有研究中，信息獲取來源多集中于傳統(tǒng)的數(shù)值型數(shù)據(jù)，對文本數(shù)據(jù)、圖像數(shù)據(jù)和音頻數(shù)據(jù)等新型載體所蘊含的信息則關(guān)注較少，限制了投資者獲取信息的寬度；以往研究對數(shù)據(jù)的處理大多人為設(shè)定變量之間為線性關(guān)系，在一定程度上限制了對信息的認(rèn)知深度。而人工智能的興起，使得對文本和圖像等非結(jié)構(gòu)化數(shù)據(jù)處理變得可能，同時機器學(xué)習(xí)算法也可以提高對復(fù)雜關(guān)系的處理程度。因此，本文嘗試從信息感知視角討論人工智能如何通過拓寬投資者獲取信息的寬度和掌握信息的深度進而提高其在股權(quán)眾籌項目中的投資效率。

二 、理論分析與研究假設(shè)

在股權(quán)眾籌領(lǐng)域，可以通過籌資者主動的信息披露和投資者的信息感知來有效降低投融資雙方的信息不對稱程度?，F(xiàn)有關(guān)于股權(quán)眾籌信息不對稱問題的研究，重點關(guān)注項目籌資者的主動信息披露行為對降低籌資者和投資者之間信息不對稱性的影響［2］，也有學(xué)者同時從籌資者和投資者的視角研究了雙方釋放的信號在降低信息不對稱時的作用［3］。而從投資者信息感知視角來研究如何降低籌資者和投資者之間信息不對稱性的較少。在金融領(lǐng)域，很多學(xué)者利用投資者的認(rèn)知能力來解釋投融資雙方面對的信息不對稱性，從投資者有限關(guān)注的視角把投資者的認(rèn)知能力當(dāng)作一種有限資源來研究［4］，即投資者認(rèn)知能力的有限性直接限制了投資者對項目信息的感知水平，進而影響了信號傳遞者所傳遞信息的有效性。人工智能則在數(shù)據(jù)獲取（寬度）和處理（深度）方面提高了投資者的信息感知能力進而提高了投資者的決策效率。

股權(quán)眾籌項目披露的信息主要包括兩類：與項目相關(guān)的特征（如目標(biāo)金額、最低起投額、出讓股份大小等）和與創(chuàng)業(yè)團隊相關(guān)的特征（如創(chuàng)業(yè)經(jīng)驗、團隊規(guī)模、教育水平等）［5］。以往研究主要利用傳統(tǒng)的結(jié)構(gòu)化數(shù)據(jù)，很少捕捉到股權(quán)眾籌項目中文本和圖像所蘊含的信息。本文使用圖像處理技術(shù)和文本分析技術(shù)從項目的圖片和簡介中提取信息，以拓寬投資者感知信息的寬度。除了數(shù)值信息外，文本和圖像也可以傳遞有效信息，提高投資者的決策效率［6］。因此，提出本文的假設(shè)1：

H1：人工智能通過拓寬投資者的信息獲取寬度進而提高了投資者的決策效率。

以往學(xué)者主要使用傳統(tǒng)的計量經(jīng)濟學(xué)方法去預(yù)測股權(quán)眾籌項目的成功率，然而在大數(shù)據(jù)背景下，樣本量和數(shù)據(jù)維度都在呈指數(shù)上升，變量之間的關(guān)系更加復(fù)雜，機器學(xué)習(xí)算法相較于傳統(tǒng)的計量經(jīng)濟學(xué)方法能夠通過對歷史樣本的學(xué)習(xí)，尋找規(guī)律，尤其能夠捕捉變量之間的復(fù)雜關(guān)系，增加對數(shù)據(jù)處理的深度，提高對未來樣本預(yù)測的表現(xiàn)［7］（章永來等，2014）?，F(xiàn)有研究表明使用先進的機器學(xué)習(xí)算法能提高眾籌項目預(yù)測的準(zhǔn)確率［8］。因此，提出本文的假設(shè)2：

H2：人工智能通過提高投資者的信息處理深度進而提高了投資者的決策效率。

三、研究設(shè)計

本文的145個股權(quán)眾籌項目來自浙江省最大的互聯(lián)網(wǎng)非公開股權(quán)融資平臺——聚募網(wǎng)。表1對研究涉及變量進行了定義和說明?；诒疚奶岢龅膬蓚€假設(shè)，主要設(shè)計了Probit模型、BP神經(jīng)網(wǎng)絡(luò)、隨機森林和BP神經(jīng)網(wǎng)絡(luò)模型三種模型來解決研究問題。本文認(rèn)為，當(dāng)固定研究模型時，加入文本和圖像信息使模型預(yù)測準(zhǔn)確率提高，則可以驗證本文的假設(shè)1；當(dāng)固定信息類型，使用機器學(xué)習(xí)算法的預(yù)測準(zhǔn)確率高于Probit模型時，則可以驗證本文的假設(shè)2。

四 、研究結(jié)果

表2為基于Probit模型的回歸結(jié)果，列（1）是基本模型，列（2）在列（1）的基礎(chǔ)上加入了項目簡介的文本信息，列（3）在列（1）的基礎(chǔ)上加入了創(chuàng)業(yè)團隊的圖像信息，列（4）在列（1）的基礎(chǔ)上加入了項目簡介的文本信息和創(chuàng)業(yè)團隊的圖像信息。從列（1）到列（4），模型預(yù)測的準(zhǔn)確率在不斷提升。說明將項目簡介和創(chuàng)業(yè)團隊成員照片等信息加入模型中，提高了模型的說服力，為投資者在選擇投資項目時提供了有價值的參考信息。驗證了本文的假設(shè)1，即機器學(xué)習(xí)對人類無法大批量處理的文本信息和圖像信息進行感知，從而提高模型預(yù)測準(zhǔn)確率，通過拓寬投資者的信息獲取的寬度提高了投資者的決策效率。綜上，項目簡介的文本信息和創(chuàng)業(yè)團隊的照片信息確實在預(yù)測股權(quán)項目成功與否中發(fā)揮了重要作用，基于自然語言處理技術(shù)和圖像識別技術(shù)的發(fā)展，充分考慮項目簡介文本中包含的信息和創(chuàng)業(yè)團隊照片中所包含的圖像信息，在提高模型精確度的同時更為投資者帶來了評估項目好壞的新指標(biāo)。

以總樣本的85%作為訓(xùn)練集合，剩下的22個項目作為預(yù)測集合。在模型構(gòu)建階段，將85%的訓(xùn)練樣本再細(xì)分成十份，進行十折交叉驗證，提高算法的準(zhǔn)確率。在預(yù)測階段，依據(jù)傳統(tǒng)回歸模型變量的添加思路（表2），根據(jù)變量的差異分別做了四次BP神經(jīng)網(wǎng)絡(luò)擬合，得到了四個BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測集上的混淆矩陣，見表3。Panel A為基本模型，只包含項目特征和創(chuàng)業(yè)團隊特征中傳統(tǒng)數(shù)據(jù)信息，該模型取偽錯誤為2個，棄真錯誤為3個，共錯判5個，因此風(fēng)險估計為0.2273，模型預(yù)測的準(zhǔn)確率為0.7727。Panel B在基礎(chǔ)模型的基礎(chǔ)上加入了項目簡介的文本信息，模型預(yù)測的準(zhǔn)確率為0.8636。Panel C在基礎(chǔ)模型的基礎(chǔ)上加入創(chuàng)業(yè)團隊照片信息，模型預(yù)測的準(zhǔn)確率為0.9091。Panel D在基礎(chǔ)模型的基礎(chǔ)上同時加入項目簡介的文本信息和創(chuàng)業(yè)團隊的照片信息，模型預(yù)測的準(zhǔn)確率為0.9545。通過BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果，可以得出兩個結(jié)論：第一，在保持模型不變的基礎(chǔ)上，通過在模型中加入文本和圖像信息可以提高模型預(yù)測的準(zhǔn)確率，進一步驗證了本文的假設(shè)1；第二，在四種不同的信息模式下，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果都要好于傳統(tǒng)的probit模型，驗證了本文的假設(shè)2。

本文進一步使用隨機森林算法（RF）找出特征變量的最優(yōu)子集，利用特征變量的最優(yōu)子集再次對BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練擬合，按照上述Probit模型和BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建思路，分別建立了四個RF+BP模型，出錯率分別為13.64%、9.09%、4.55%和4.55%。表4是Probit模型、BP神經(jīng)網(wǎng)絡(luò)模型和FR+BP模型的預(yù)測準(zhǔn)確率對比表。由表4可知，無論是Probit模型、BP神經(jīng)網(wǎng)絡(luò)模型還是FR+BP模型，隨著項目簡介文本信息和創(chuàng)業(yè)團隊照片信息的加入，模型的預(yù)測準(zhǔn)確率均得到了提高；而不論從基礎(chǔ)模型還是之后三個加入新變量的模型來看，按模型預(yù)測準(zhǔn)確率由高到低排序，依次為FR+BP模型、BP神經(jīng)網(wǎng)絡(luò)模型、Probit回歸模型。無論從特征變量的添加還是從模型的改進來看，機器學(xué)習(xí)均在一定程度上降低了投資者人工判斷的主觀性，提高了投資者對股權(quán)眾籌項目的投資效率。以此，驗證了本文的假設(shè)1和假設(shè)2。

五、 結(jié)論

本文通過對聚募網(wǎng)145個股權(quán)眾籌項目的研究，發(fā)現(xiàn)將經(jīng)過自然語言處理技術(shù)處理后的項目簡介和經(jīng)過圖像識別技術(shù)處理后的創(chuàng)業(yè)團隊成員照片信息加入模型，會明顯提高模型預(yù)測的準(zhǔn)確度；同時，在使用傳統(tǒng)線性預(yù)測模型的基礎(chǔ)上，利用BP神經(jīng)網(wǎng)絡(luò)、隨機森林和BP神經(jīng)網(wǎng)絡(luò)模型對項目進行訓(xùn)練，得到的預(yù)測模型準(zhǔn)確率為95.45%，相比傳統(tǒng)模型提高近17個百分點?？梢?，人工智能可以提升投資者獲取信息的寬度和處理信息的深度，在一定程度上降低投資者認(rèn)知的局限性，通過提高投資者的信息感知能力進而提高投資者的決策效率。在人工選擇模型進行預(yù)測和將數(shù)據(jù)交由機器學(xué)習(xí)進行訓(xùn)練擬合進而預(yù)測這兩種模式中，機器學(xué)習(xí)顯然更勝一籌。

本文的研究對參與互聯(lián)網(wǎng)股權(quán)眾籌平臺的投資者和籌資者均有一定的啟示意義。一方面，對于投資者來說，在評估項目進行投資時，不僅要關(guān)注以往慣用的結(jié)構(gòu)化數(shù)據(jù)，更要積極使用現(xiàn)在正在興起并飛速發(fā)展的人工智能去發(fā)現(xiàn)項目文本、圖像中所蘊含的信息，借此去評估項目甚至獲得超額收益，通過提高信息獲取的寬度和信息處理的深度來提高個人的信息感知能力，從而降低主觀投資判斷的非理性；另一方面，對于籌資者來說，在發(fā)布項目進行融資時，除了將披露信息的重點放在數(shù)字信息上，關(guān)注數(shù)字信息的嚴(yán)謹(jǐn)、客觀外，還要重視項目標(biāo)題、項目簡介、團隊介紹、成員照片等文字信息的表述和圖像信息的呈現(xiàn)。

隨著大數(shù)據(jù)、人工智能、云計算等技術(shù)的發(fā)展，人們獲取數(shù)據(jù)、處理數(shù)據(jù)的方式發(fā)生著翻天覆地的變化。在新型的金融市場中，無論是投資者還是籌資者，都應(yīng)擁抱新技術(shù)，充分發(fā)揮“機器”的優(yōu)勢，駕馭浩瀚的數(shù)據(jù)，及時獲取有用、客觀的信息、提高決策理性，優(yōu)化決策效果。

參考文獻：

［1］王春峰，李思成，房振明.投資者認(rèn)知度、信息不對稱與股價延遲［J］.管理評論，2018，30（11）：3-13.

［2］彭紅楓，米雁翔.信息不對稱、信號質(zhì)量與股權(quán)眾籌融資績效［J］.財貿(mào)經(jīng)濟，2017，38（05）：80-95.

［3］Usman， Sardar Muhammad， Farasat Ali Shah Bukhari， Muhammad Usman， Daniel Badulescu， and Muhammad Safdar Sial. Does the Role of Media and Founders Past Success Mitigate the Problem of Information Asymmetry？ Evidence from a UK Crowdfunding Platform. Sustainability， 2019， 11（3）：692.

［4］游家興，陳志鋒，肖曾昱等.財經(jīng)媒體地域偏見實證研究［J］.經(jīng)濟研究，2018，53（04）：167-182.

［5］Ralcheva， A. & Rooseboom， P. Forecasting success in equity crowdfunding. Small Business Economics， 2019， 55， 39-56.

［6］Mahmood， A.， Luffarelli， J. & Mukesh， M. What's in a logo？ The impact of complex visual cues in equity crowdfunding. Journal of Business Venturing， 2019， 34， 41-62.

［7］章永來，史海波，周曉鋒，楊秀鋒.基于統(tǒng)計學(xué)習(xí)理論的支持向量機預(yù)測模型［J］.統(tǒng)計與決策，2014（05）：72-74.

［8］李雅婷，左文明.眾籌項目籌資結(jié)果預(yù)測模型［J］.統(tǒng)計與決策，2016（02）：86-89.

作者單位：上海外國語大學(xué)，博士研究生。