2019年7月13日至14日，为促进尖端科技在会计和金融研究方面的应用，由光华—罗特曼信息和资本市场研究中心与香港中文大学（深圳）高等金融研究院共同主办的The second Second conference Conference on Intelligent Information Retrieval in Accounting and Finance（第二届智能信息检索与会计金融研究会议）在北京大学光华管理学院成功举行。

会议共入选论文九篇，来自会计与金融研究领域的八十余位海内外专家学者就文本分析、非结构化数据分析、机器学习、人工智能在会计和金融领域的应用等方面在会上进行了分享与讨论。会议还邀请到了嘉实基金董事长赵学军博士也应邀出席会议，为大会带来了 作了主题为“人工智能在金融行业中的应用”的精彩演讲。

刘俏 北京大学光华管理学院院长

会议首日，由北京大学光华管理学院院长刘俏教授为会议致辞，解读大数据人工智能对会计和财务会产生巨大的影响。刘俏教授表达了对与会学者的欢迎与对会议的期待，他表示，尖端科技与金融会计的结合“将是光华的国际化发展中不可或缺的组成部分”，传达出对与会学者的欢迎与对会议的期待。在会议由北京大学光华管理学院会计系教授，联合系主任、多伦多大学罗特曼管理学院教授卢海的主持下，会议正式开始。

卢海 北京大学光华管理学院会计系教授，联合系主任、多伦多大学罗特曼管理学院教授

新切入：电话会议

首先由来自美国康奈尔大学的Subramanian Sethuraman教授汇报了他与合作者的研究Engagement in Earnings Conference Calls: A Multi-Method Examination。不同于以往研究中将会议参与双方作为研究对象，这篇研究以电话会议为切入点，将对话中的问答环节作为研究主体，探究其对于市场参与者（第三方）的信息价值。基于心理学和社会学的研究理论并结合实验和档案式数据方法，该研究证明了经理和分析师在电话会议的互动程度是具备信息作用的。文章使用Linguistic Style Matching（LSM）的度量作为谈话互动的代理变量。通过对MBA学生进行对照实验，首先证明了LSM确实是经理人与分析师之间对话参与度的合理代理变量：当经理人更有动机参与到对话中时，LSM会更大。文中进一步使用经验证据说明了研究问题的合理性，数据包括2400多个有关收益的电话会议录音和文本抄本。与会嘉宾就实验操纵的具体手段、是否应该控制测度信心的变量进行了讨论，同时也对研究问题中参与程度是否改变了市场对于相关事件的信心，从而影响事件重要性认知改变交换了意见。

Subramanian Sethuraman 康奈尔大学教授

投资研究：Seeking Alpha

接着来自美国德克萨斯大学达拉斯分校的Stanimir Markov教授汇报了他与合作者的研究The Democratization of Investment Research: Implications for Retail Investor Profitability and Firm Liquidity。文章利用Seeking Alpha的数据，以探究源自投资大众的信息对投资者盈利能力和市场流动性的影响，进一步探究零售订单对预测未来回报程度的偏差。作者发现零售订单失衡预测未来回报的能力是已有SA研究发现结论的两倍。围绕Seeking Alpha平台，与会嘉宾进一步询问有关零售投资者的身份，提出平台文章贡献者的身份是否会产生内生性的问题，进一步讨论了平台内容贡献者的需求驱动方式是什么，是否需要作为控制变量使模型更精确。

Stanimir Markov 美国德克萨斯大学达拉斯分校教授

新指标：出租车客流量

来自美国南佛罗里达大学的Jared William教授汇报了他的研究When Bankers Go to Hail: Insights on Fed-Bank Interactions from Taxi Cab Data，文章引入纽约联邦储备银行和总部位于纽约的大型金融机构之间的出租车客流量，作为预测股市异常回报的新指标。。当联邦银行的客流量低（高）时，市场最佳策略是买入（卖出）市场投资组合，其夏普比率比市场投资组合高出50%。该策略的显著结果在FOMC会议期间尤为明显。作者同时还发现纽约联邦储备银行（New York Fed）的深夜会议和午餐时间的场外互动在FOMC会议前后有所增加，一定程度反映美联储（Federal Reserve）的信息很可能通过非正式或更小心谨慎的方式流向了市场。与会学者对于文章中对于出租车客流量的背后反映的理论概念进行了讨论，并且提出是否应该用目的地附近的出租车客流量做进一步的控制变量；对于未来市场的影响，是否应该用社交网络的信息作为市场信息反应的代理变量。

Jared William 美国南佛罗里达大学教授

字典库的制作：机器学习与文本分析

来自瑞士洛桑大学的Minyue Dong教授与合作者Michael Rockinger 教授共同报告了他们的论文Textual Analysis of Bank’s Pillar 3 Documents。文章以2004年至2016年188家欧洲上市银行为样本，对银行第三支柱（market discipline）报告和年报进行文本分析以展示银行如何制定监管报告。作者首先基于机器学习以及文本分析制作字典库。此外，作者还构建了文本复杂性、文本细节和样板文件的度量。通过提取大量的文本索引包括情感得分、语气度量、报告随时间的相似性以及银行间的相似性来验证词典的准确性。文章同时用感知、语气和准确性作为第三支柱披露风险和不确定性的代理变量研究市场如何对文本差异作出反应。与会学者针对文章中格式合同如何排除，以及银行业监管等问题进行了讨论。

Minyue Dong 瑞士洛桑大学教授

Michael Rockinger 瑞士洛桑大学教授

委婉与收益

美国巴克内尔大学的Kate Suslava教授介绍了她的研究Stiff Business Headwinds and Unchartered Economic Waters: The Use of Euphemisms in Earnings Conference Calls有关投资者对于收益相关电话会议中使用的委婉语的反应。在研究过程中编写了第一本企业沟通中使用的委婉语词典，并通过对7.8万份电话会议记录的文本分析，得出了一种可随意使用委婉语的方法（ABN_EUPH）。基于Loughran和McDonald dictionary，研究也发现ABN_EUPH与当前和三个月的股票超额收益和整体看涨情绪之外的超额收益负相关。她研究发现，投资者意识到投机者更可能使用委婉语，并因此在认购日前后下调了估值。非正常使用委婉语会在电话会议时误导投资者，也会在接下来的一个季度导致价格反应不显著。与会学者提出，投资者是否能够理解委婉语会对结果有影响，委婉语背后的理论构念也值得商榷，同时学者们对是否应当加入心理学的机制研究进行了探讨。

Kate Suslava 美国巴克内尔大学教授

金融词典：文本挖掘在金融领域的应用

来自意大利博科尼大学的Francesco Grossetti教授介绍了他和合作者的研究When Less Is Not Necessarily More: Losing Meaning With Dedicated Dictionaries，随着文本挖掘在金融领域的不断探索使用，他们发现，一些专门的金融词典很少包括对于市场信息的描述，原因可能是管理层的讨论和分析文档中很少包含与市场相关的信息。当使用通用词典时，会检测到市场的显著反应。他们通过使用两个专用的金融词典和两个通用词典来更详细地研究这个问题。汇报者与嘉宾讨论中强调，文本挖掘的基础就是使用的词典，构建词典的方法可能会导致特定主体之外的文本意义的丧失。

Francesco Grossetti 意大利博科尼大学教授

数字化对企业价值和绩效的影响

来自哈佛大学的博士生Wilbur Chen报告了他与导师合作的文章Going “Digital”: Implications for Firm Value and Performance。文章研究了非技术公司采用诸如人工智能、大数据、云计算和机器学习等数字技术的增长趋势对公司价值和绩效的影响。对于所有的美国上市公司，通过对公司财务报告和电话会议的文本分析来确定哪些公司正在走向数字化。作者首先展示了近年来非技术公司对数字技术的采用有了显著的增长。非数字技术采用者与科技公司的股价协同波动要大于业内同行的，这表明数字化活动正使他们变得与科技公司类似。同时，数字用户会倾向于持有更多现金，规模更大，更年轻，资本密集度更低。与行业同行相比，数字化应用会带来更高的估值（市净率高7%-21%），这一比例对于更年轻、资本密集型、销售增长更快、且数字化应用普遍的行业来的更高。然而，市场对数字活动的披露反应迟缓。通过数字披露形成的投资组合，在3年的时间跨度内，经账面市值比调整后的回报率为25%（每月的alpha值为40个基点）。虽然以资产回报率衡量的财务业绩没有显著改善，但资产周转率显著增加，利润率和销售增长显著下降。管理经验对于数字化技术的采用尤为重要，这可能是由于拥有高级技术主管的公司在数字化时表现得更好。与会学者讨论了数字技术与一般IT行业技术的差异，是否选择进入数字化具有内生性。

Wilbur Chen 美国哈佛大学博士生

谁来决定信用评级行动报告的主题？

来自新加坡国立大学的Michael Shen教授报告了他与合作者的文章Information Content of Credit Rating Reports: A Topic Modeling Approach。文章考察了穆迪评级行动报告（Moody’s rating action reports）中的定性和定量信息是否包含资本市场的价值相关信息。使用潜在的狄利克雷分配（Latent Dirichlet Allocation）来量化穆迪信用评级行动报告中的各种定性和定量主题。发现某些主题的权重(例如信用指标、流动性、业务风险、收购和子公司)与市场对评级行动报告的反应有关，可以预测发行人未来的评级下调和未来违约的可能性。证据表明信用评级行动报告中的主题与预测发行人的信用风险有关。与会学者针对文中使用机器学习是否必要、变量定义是否恰当等进行了热烈讨论。

Michael Shen 新加坡国立大学教授

机器学习：公司如何在推特上讨论社会责任行为

来自新加坡管理大学的Richard Crowley教授也报告了他与光华卢海教授，罗炜教授等其他合作者的文章Do Firms Tweet Social Responsibility? Evidence from Machine Learning Analysis。文章对标准普尔1500指数成分股公司发布的近1100万条推文进行了测试，以考察这些公司如何在推特上讨论社会责任行为。该文章发现了与“漂绿行为（green washing）”相一致的证据：社会责任感较低的公司会更多地在推特（Twitter）上发布此类行为，而表现出更多亲社会行为的公司则不会。作者同时还发现了一些与这种现象相关的市场效应。与会学者针对文章内生性问题、社会责任指标构建的细分类目等方面交换了意见。

Richard Crowley 新加坡管理大学教授

主题演讲：人工智能在金融行业中的应用

在13日的欢迎晚宴上，嘉实基金管理有限公司董事长赵学军博士为与会嘉宾带来了关于AI和大数据在资产管理中应用的演讲。赵博士认为，有效市场假说在中国市场上有局限性。对于中国市场而言，市值加权的组合并非等于有效前沿组合。赵博士提出在非有效市场上需要建立一个优化组合作为有效前沿，然后在优化的组合上管理资产。赵博士相信主动管理与基本面研究，认为深度研究是为投资人带来回报的原因。对于有效市场上的资产管理而言，重要的是信息加工的速度和方法；而对于非有效市场而言，获取更高质量信息、证实信息真实性也尤为重要。

赵博士的团队近些年努力试图回答在中国这个目前非有效市场上如何构造股票市场的有效前沿问题，尝试模拟Smart Money，也就是主动管理基金，将其加总出来作为有限前沿组合（Smart Beta）。此处的Smart Beta与学术上Smart Beta意义有所区别：前者属于注重基本面，由思想驱动；而后者是由因子驱动。赵博士认为，Beta之所以有用，除了结合风险特征之外，更需要逻辑。中国市场是由基本面、深度研究驱动的，而不仅仅是由因子驱动。

赵学军 嘉实基金管理有限公司董事长、博士

秉承光华管理学院“创造管理知识，培养商界领袖，推动社会进步”的使命，该系列会议旨在为相关国际学者提供一个高水平学术交流平台，增强光华的国际学术影响力。第二届会议吸引了大量来自于欧洲、北美和东南亚等高校的学者积极投稿，对该新领域的发展起到了助推作用。会议同时也增进了国内外相关领域专家学者间的交流，为青年学者们奉上了一场精彩的思想盛宴。

光华-罗特曼信息和资本市场研究中心，是由北京大学光华管理学院和多伦多大学罗特曼管理学院共同支持下创办的一个具有国际影响的信息披露和资本研究机构。研究中心通过田野研究和深度学习方法来深刻理解中国资本市场，比较发达经济体和新兴市场的信息质量和公司治理实践。

行政中心系事务与活动部供稿