智能財務分析與診斷機器人的開發及實證檢驗
——來自我國A股上市公司的經驗證據

吳世農 林曉輝 李柏宏 王舉明

(1.廈門大學管理學院，福建 廈門 361005；2.廈門大學公司金融研究中心，福建 廈門 361005)

一、引言

自1946年第一臺計算機在美國誕生以來，計算機在企業管理中的應用越來越深入且廣泛。1954年GE應用計算機進行工資管理，此后，從基于計算機操作系統(DOS)的單項管理發展到管理信息系統(MIS)、物料需求計劃(MRP)、制造資源計劃(MRPII)和企業資源規劃(ERP)等。隨著高端服務器、互聯網、大數據、深度學習算法和類腦芯片的發展，以互聯網、大數據和人工智能為特征的第四代科技革命已經到來。

在諸多產業中，金融業正在經歷一場基于互聯網、大數據和人工智能技術所引發的變革。2019年，美國注冊金融分析師研究院(Charted Financial Analyst Institute，CFA Institute)出版了《投資管理中的人工智能領先者》(AI Pioneers in Investment Management)一書，介紹了全球成功應用大數據和人工智能技術解決投資管理問題的10個案例，中國人壽資產管理公司、中國證券評級投資公司和中國平安名列其中。在過去二十年中，大數據和人工智能技術不僅廣泛地應用于商業銀行的存取款等業務，而且已開始廣泛應用于金融投資行業的股票投資決策、銀行信貸決策、債券信用管理、投資組合管理、私人財富管理和首席投資官(CIO)的決策。并且，由于互聯網和大數據，會計核算和財務報表編制可以實現流程自動化；初級的審計智能化，即基于大數據發現關鍵審計問題的技術，開始應用于會計師事務所的審計實踐。但是，財務管理智能化的研究和應用明顯滯后于商業銀行、金融投資、會計與審計。這主要是因為基于企業財務數據的財務分析、比較、評價、識別、診斷、管理和決策，涉及更多元、更復雜的分類、認知、判斷和選擇，對人工智能技術的要求更高，技術實現和應用的難度更大。

我國具有全球最多的移動用戶數、最多的企業數，以及豐富的大數據及其應用場景，因此開展企業財務分析、比較、評價、診斷、管理與決策的智能化研究具有一定的優勢。本文作者基于我國上市公司的財務數據開發了一款“智能財務分析與診斷機器人”(artificial intelligent based financial analyst and diagnostician，AI-FAD)。開發AI-FAD的主要目標有二：一是實現快速分析企業財務報表，并診斷和發現企業潛在的關鍵問題，從而替代企業財務部門的分析人員機械和重復的人工財務分析工作，以及解決人工的財務分析耗時長、受人為主觀因素的影響多、分析專業化程度低等問題；二是應用AI-FAD分析與評價上市公司的財務績效，根據上市公司的財務績效構建投資組合直接進行或輔助進行投資決策。因此，AI-FAD具有雙重功能：第一，直接功能，即企業財務狀況的分析、財務績效評價和財務問題診斷功能；第二，間接功能，即通過AI-FAD對上市公司財務分析與診斷的結果進行投資管理與決策功能。

本文將首先討論AI-FAD的開發思路、基本目標和總體的技術路線，并展示目前已經開發完畢正在試運行的AI-FAD；其次將討論應用AI-FAD于股票投資的一個簡單實驗結果。本文的主要貢獻在于：一是具有重要應用價值，即率先開發一款智能化的財務分析與診斷機器人，實現了企業財務分析與診斷的智能化，并證明其具有應用價值；二是具有理論價值，即開拓財務智能化及其相關實驗研究領域，并嘗試“開發-實驗-實證”的新型研究范式，為財務智能化研究提供了探索性的經驗。

二、文獻回顧

目前，企業財務分析、評價、診斷、管理與決策的智能化研究仍然是個“空白”，但金融、投資、審計和財經媒體報道方面的智能化研究已悄然興起。Ban et al.(2018)[1]曾研究如何應用機器學習進行投資組合的優化，發現通過機器學習構建的“基于業績準則”(performance-based regularization，PBR)投資組合是一種具有前景的面向風險的模型范例，對未來類似的決策研究具有推廣價值。Blankespoor et al.(2018)[2]研究發現，基于人工智能機器人編輯處理的盈利的文字報告，顯著地影響股票的交易量和流動性，同時沒有證據表明其會改進或阻礙交易價格的速度。Sutherland(2018)[10]發現由于信息分享技術的發展，信貸報告導致“關系借貸”明顯下降。由于信息共享可以降低“關系轉換成本”(relationship-switching cost)，尤其對于年輕、小型或之前沒有違約的公司更是如此。Buchak et al. (2018)[3]則研究金融科技、常規套利和影子銀行的崛起，發現使用金融科技的信貸公司，相對于其他影子銀行，服務于更有信譽的借款人，在再融資市場上更加活躍，其貸款利率高14～16個基點，因此使用金融科技的信貸公司給予借款人更高的便利性而非低成本信貸。Goldstein et al.(2019)[9]于2017年提出金融科技未來的一些潛在研究方向，包括：支付變革如對等支付系統和加密貨幣，信貸、債權和股權投資、區塊鏈及分布技術、清算與交易系統、數字化金融服務如財務咨詢和財富管理、金融大數據分析、保險模型和產品、金融科技與普惠金融。Chen et al.(2019)[5]研究金融科技創新的價值，發現金融科技創新為創新者提供了巨大價值，位居前列的是物聯網、機器人咨詢和區塊鏈；金融機構引入來自非金融性創業公司的破壞性技術，會對金融機構的價值產生負面影響，而金融巨頭自己投入金融科技創新可以避免這種負面作用。Fuster et al.(2019)[8]研究金融科技在房屋按揭貸款中的作用，結果發現2010―2016年應用金融科技的美國房屋信貸公司的市場占有份額從2%上升到8%，其處理貸款的效率比不使用金融科技房屋信貸公司快20%，但沒有證據表明這些公司降低了借貸的門檻。Zhu(2019)[11]在研究大數據的治理機制中，應用實證研究分析了選擇性數據有用性的兩個效應：股票價格的信息含量效應和管理層的自律效應，結果發現：選擇性數據通過降低信息成本從而提高了股價的信息含量，對于那些想要揭開公司信息的老練投資者尤其如此；選擇性數據降低了管理層的機會主義交易，同時提高了投資效率。D’Acunto et al.(2019)[6]探討機器人投資咨詢的發展前景和未來挑戰，發現接受機器人咨詢的投資者從多元化中獲得收益，并顯著地減少了行為偏差，包括交易處置、追漲殺跌和排序效應；同時指出，未來人工智能機器人提供用于投資管理與決策的咨詢將無所不在。我國學者也開始探討金融科技的利弊和作用(龔曉葉和李穎，2020)[13]以及監管問題(張紅偉和陳小輝，2018)[14]。

德勤(2019)[12]對全球人工智能的發展進行探討，指出人工智能正在全方位商業化，重塑各行業，主要包括金融、教育、醫療、政務、零售、制造、交通和城市管理等；其中，人工智能推動了金融業構建更大范圍的高性能的商業生態系統，提高了金融機構的商業效能，改變了其內部經營全過程。

CFA Institute(2019)[4]研究了高盛、英仕曼集團等全球10家著名金融投資公司后，確認了三種應用人工智能和大數據于投資管理的模式：一是使用自然語言技術、計算機圖像技術和語音技術有效地處理文件、圖像和影響數據；二是應用機器語言，包括深度學習及其技術，提高投資管理的算法有效性；三是應用人工智能技術處理大數據，包括選擇性數據和非結構數據進行投資前瞻性管理。同時，還專門發布兩篇“焦點研究報告”：一是機器學習可以快速解決現代投資組合的有效疆界；二是使用智能搜索技術收集和處理信息可以替代大量重復性工作和節約初級分析師的時間。

2019年美國《Review of Financial Studies》發起一期特刊，專門研究金融科技問題。從2017年1月15日至2017年3月15日，該刊收到來自全球409位作者的156篇論文，其中美國占49.9%，中國位居第二位占11.5%。三類最重要的論文入選：一是區塊鏈技術在商業和金融的應用；二是金融服務的技術變革，包括對等支付系統、在線借貸評價與決策和人工智能機器人投資管理與決策咨詢等；三是大數據分析及其在金融業的應用。

綜上可見，一是由于這一領域屬于新興交叉學科，學術研究成果不多且顯現滯緩，甚至理論和應用的研究落后于金融科技業企業的研究和實踐；二是隨著金融科技應用于金融企業，案例研究越來越多；三是多數研究停留在理論推演，或對金融科技應用結果的調查研究層面，或將金融科技作為一個外部變量研究其對金融企業風險的影響，缺少可用于金融實踐的技術性成果。本文嘗試“開發-實驗-實證”這種新型的研究范式，即在開發智能財務分析與診斷機器人的基礎上，通過實驗獲得更多數據，而后開展實證研究，探討智能財務分析與診斷機器人的成效。

三、AI-FAD的開發思路、基本目標與技術路線

AI-FAD的開發思路是集大數據技術、人工智能技術、統計分析技術、會計-財務分析技術于一體，具有財務狀況分析、財務績效評價、財務問題診斷三大功能，可替代初、中級財務分析人員或證券分析師完成任意一家企業的財務分析與診斷的任務。總體而言，AI-FAD主要由三大系統，即數據庫、智能財務分析與診斷系統、報告編寫系統，六大技術模塊，即數據庫構建技術、會計分析、財務分析技術(財務狀況-財務績效-財務診斷)、統計分析技術、人工智能技術(編程與算法)、語言表述與編寫技術構成。因此，將三大系統、六大技術模塊有機且科學地結合起來，應用計算機技術實現上述三大功能，保障智能財務狀況分析、財務績效評價、財務問題診斷的科學性、準確性、時效性，是AI-FAD研發的基本目標。

AI-FAD研發的總體技術路線是(見圖1)：第一，確定具體需求和目標。廣義的財務分析一般包括分析企業的財務狀況，評價財務績效，以及在上述分析與評價的基礎上，診斷企業主要的財務問題并提出對策與建議，即一方面探究企業財務狀況變化的成因，另一方面探究財務績效變化的成因，據此提出決策建議。第二，構建基于人工智能的財務分析、評價與診斷的相關模型，包括財務狀況分析和歸因模型和財務績效評價和歸因模型；在此基礎上確定算法，編制程序和編寫代碼；此后根據數據庫中的數據反復測算與迭代；最終獲得科學、合理、可用、具有普適性的財務狀況分析與診斷模型和財務績效評價與診斷模型。第三，輸入或抓取特定企業的相關數據。對于上市公司，計算機可自動從各類數據庫中抓取相關數據；對于非上市公司，需要輸入特定企業的相關數據。第四，從數據庫中搜索、匹配并合成相關財務分析與診斷模型所需的數據。第五，自動啟動人工智能技術，依據財務狀況分析與診斷模型和財務績效評價和診斷模型等，提取數據庫中的數據和輸入的數據進行計算，并根據計算結果進行分類或聚類、分析、比較、識別、判斷、選擇或決策。第六，將分類或聚類、分析、比較、識別、判斷、選擇或決策過程和結果轉入語言編寫系統，自動編寫和生成相關的財務分析與診斷報告。報告分為四部分：一是研究摘要；二是公司簡介；三是財務分析與診斷；四是基本結論和應關注問題。第七，輸出和打印并提供相關企業的智能財務分析與診斷報告，供決策者參考和使用。第八，向三大系統(數據庫、智能分析與決策系統、報告編寫系統)反饋有關信息，調整算法以修正系統中的模型，促進系統不斷 完善。

圖1 智能財務分析與診斷機器人(AI-FAD)研發的技術路線

目前，基于我國上市公司的AI-FAD已經完成開發并進入試運行階段，其具有五大特點：一是速度快，時效性強，在具有底層數據(上市公司)或輸入相關數據(非上市公司)后，只需3～5秒鐘(上市公司)或5～10分鐘(非上市公司)即可完成一個公司五年期間的財務分析與診斷，并輸出其財務分析與診斷的文字報告；二是智能化程度較高，AI-FAD基本上可替代初、中級財務分析人員的工作；三是專業能力較強，具有與高級財務專家基本同等的智能；四是相對公平公正，基于專業視角，較客觀地分析公司的財務績效和評價公司的財務狀況；五是應用性廣，實用性較強，不僅可用于上市公司，還可用于非上市公司；不僅可用于滬深上市公司，還可用于在港交所上市的公司；既可通過PC網頁獲得專業版和高管版二種版本的財務分析與診斷報告，還可通過手機小程序直接獲得高管版的財務分析和診斷報告。

如前所述，AI-FAD具有財務狀況分析、財務績效評價、財務問題診斷三大功能，三大功能需要構建相關的理論模型。其中，綜合財務績效評價模型，是綜合國內外財務績效優秀公司的財務特征，梳理和構建一個5個維度由16個主要財務指標加權平均的綜合績效評價模型，包括“創利能力”即利潤的創造能力指標、“創現能力”即經營凈現金的創造能力指標、“創值能力”即EVA的創造能力指標、“風控能力”即流動性以及負債和償債能力指標、“成長能力”即收入、利潤和經營凈現金的成長能力指標，稱之為PCVRG(Profit-Cash-Value-Risk-controlling-Growth)模型，以此評價和辨識公司的綜合績效高低和變化特征。

四、實驗設計和檢驗方法

本文研究的第二個問題是探討所研發的智能財務分析與診斷機器人(AI-FAD)的實際應用效果檢驗。若AI-FAD是有效的，那么，一是其分析和診斷結果應該在“時效性”“專業性”和“準確性”三方面優于財務或金融分析師的人工分析與診斷結果；二是其分析與診斷結果可以作為擇股的依據，且所選擇股票具有明顯的超額收益，即應具有明顯的“擇股能力”。AI-FAD的時效性或速度顯而易見，無需再進行實驗；由于對AI-FAD進行“財務專家賦能”，因此一般而言，其準確性和專業性較高。因此，本文設計并進行了檢驗擇股能力的兩個 實驗。

(一)擇股能力的實驗設計

第一步：構建2014―2019年我國上市公司(不含科創板和金融板塊)的財務數據庫。

第二步：啟動AI-FAD對上述上市公司進行財務分析與診斷，AI-FAD將根據其分析、評價與診斷結果，自動對上市公司的綜合財務績效進行行業排序。AI-FAD對2014―2019年上述樣本公司的財務分析與診斷后，得到2015―2019年綜合財務績效分布如表1所示。

第三步：根據AI-FAD的分析與診斷結果，為了進行實驗，將上市公司按其綜合財務績效分為四類：(1)高績效型，即5年的綜合財務績效排序均為行業75%以上；(2)低績效型，即5年的綜合財務績效排序至少4年均為行業25%以下；(3)績效上升型，即綜合財務績效排序4年呈現增長或3年增長且首末年增幅(末年績效分位數-首年績效分位數)＞5%；(4)績效下降型，即綜合財務績效4年呈現下降或3年下降且首末年降幅＜-5%。

第四步：根據上述對高績效型公司與低績效型公司的定義，對績效上升型公司和績效下降型公司的定義，分別設計兩種實驗：個股實驗和組合實驗，一是比較高績效型與低績效型的累計超額收益率(cumulative abnormal return)CAR；二是比較績效上升型和績效下降型的累計超額收益率CAR。同時，觀測和檢驗兩者是否存在顯著 區別。

表1 2015―2019 年樣本公司綜合財務績效分布

個股實驗的具體步驟如下：分類后抽樣選取5家高績效型公司，并按照行業匹配原則，選取5家低績效型公司，與之進行比較，原則上，這兩種類型中所選的公司在行業上要具有一定的可比性；同理，選取5家績效上升型公司，并按照行業匹配原則，選取5家績效下降型公司與之進行比較，原則上，這兩種類型中所選的公司在行業上要具有一定的可比性。選樣結果如表2所示。然后，依次計算每家公司對比行業日收益率的超額日收益率以及累計超額收益率，并按照匹配結果進行成對比較。

組合實驗的具體步驟如下：根據AI-FAD的分析與診斷結果，對全樣本中的高績效型公司和低績效型公司分別構建兩個投資組合，分別計算組合中個股的超額收益率和累計超額收益率，并計算組合的累計超額收益率，然后比較兩個組合的累計超額收益率；同理，對全樣本中的績效上升型公司和績效下降型公司分別構建兩個投資組合，分別計算組合中個股的超額收益率和累計超額收益率，并計算組合的累計超額收益率，然后比較兩個組合的累計超額收益率。

第五步：擇股能力觀測和檢驗。一是若高績效型的上市公司或組合存在顯著的正超額收益率，低績效型的上市公司或組合存在顯著的負超額收益率，則表明賣出低績效型的個股或組合買入高績效型的個股或組合可以產生顯著的超額收益，即AI-FAD具有明顯和有效的擇股能力；二是若績效上升型的上市公司或組合存在顯著的正超額收益率，績效下降型的上市公司或組合存在顯著的負超額收益率，則表明賣出績效下降型的個股或組合買入績效上升型的個股或組合可以產生顯著的超額收益，AI-FAD具有明顯和有效的擇股能力。

為此，本文進行兩個實驗：實驗一是賣出低績效型個股或組合買入高績效型個股或組合，實驗二是賣出績效下降型個股或組合買入績效上升型個股或組合。

(二)AI-FAD擇股能力的檢驗方法

本文關注以下問題：基于AI-FAD辨識和輸出的綜合財務績效所構建高績效型與低績效型的組合，績效上升型與績效下降型的組合，在不同的時間或年份，其CAR是否存在顯著差異？換言之，綜合財務績效信息類型與CAR是否具有顯著的相關性？為檢驗上述問題，將CAR與年份(T)進行簡單回歸分析，檢驗這種相關性是否隨著時間(T)的推移，持續穩定地存在？換言之，根據AI-FAD辨識和輸出的綜合財務績效，若一個連年高績效型、績效上升型的股票或組合，其CAR顯著為正，且不斷增長，說明根據AI-FAD選股和構建組合具有持續穩定、顯著為正的CAR；若一個連年低績效型、績效下降型的股票或組合，其CAR顯著為負，且不斷下降，說明根據AI-FAD選股和構建組合具有持續穩定、顯著為負的CAR。

本文借鑒Fama(1965)[7]提出的“事件研究法”中累計超額收益率的計算方法，以2016年5月3日為起始日，2020年5月3日為結束日，依交易日計算個股或組合的超額日收益率AR，即：

其中Ri是個股或組合的日收益率；Rm是個股所屬行業所有股票的日平均收益率，本文取個股所屬申萬三級行業指數的日收益率。

1.個股累計超額收益率的計算方法

以2016年5月3日為t=1，依交易日順序累計至2020年5月3日的第i只股票的超額日收益率，獲得第i只股票的累計超額日收益率CARi，即

2.組合累積超額收益率的計算方法

以2016年5月3日組合內公司的流通市值作為權重，計算各類組合相對所屬行業的累計超額收益率CARp，即

值得指出的是，由于各組合內的部分上市公司2016年5月3日前未上市，若無交易數據，則扣除該樣本公司后，以剩余樣本公司計算組合的累計超額收益率。

3.擇股能力穩定性的實證檢驗方法

本文對個股或各類組合相對所屬行業日收益率的累計超額日收益率與交易時間(日)變量進行相關性與線性回歸分析，即構建個股的線性回歸模型(4-1)和組合的線性回歸方程(4-2)：

表2 實驗樣本公司名稱和所屬行業分布

其中CARi代表個股相對所屬行業平均收益率的累計超額收益率，CARp代表組合相對所屬行業平均收益率的累計超額收益率，T代表時間(交易日)。

根據模型(4-1)和(4-2)，當β顯著大于零，表明CAR與T顯著正相關，投資和持有高績效型股票或組合、績效上升型股票或組合的CAR隨年份的推移持續顯著增長；當β顯著小于零，表明CAR與T顯著負相關，投資和持有低績效型股票或組合、績效下降型股票或組合的CAR隨年份的推移持續顯著下降。

五、實驗和實證檢驗結果與分析

(一)個股的實驗結果與分析

1.實驗一：高績效型vs.低績效型

圖2是1家高績效型公司的實驗結果，圖3是1家低績效型公司的實驗結果。其中，左邊的柱狀圖是AI-FAD對樣本公司2015―2019年的綜合財務績效評價結果，右邊是樣本公司2016年5月3日至2020年3月3日的累計超額收益率。

圖2 FYB實驗圖(高績效型)

圖3 STZ實驗圖(低績效型)

由圖2可見，經AI-FAD分析與診斷后，這家公司2015―2019年的綜合財務績效始終處于該行業的75%以上，同期，其累計超額收益率總體上為正數且呈現顯著的上升態勢。對樣本中其它高績效型公司的實驗結果類似。這一結果表明，買入高績效的公司股票可獲取顯著的超額收益，且累計超額收益率越來越高。

由圖3可見，經AI-FAD分析與診斷后，這家公司2015―2019年的綜合財務績效至少4年處于該行業的25%以下，同期，其累計超額收益率總體上為負數且呈現顯著的下降態勢。對樣本中其它低績效型公司的實驗結果類似。可見，應用AI-FAD的分析與診斷結果選股，買入高績效型股票可以獲得顯著的超額收益，且累計超額收益率越來越高，同時可以規避投資低績效型股票的投資損失。若可賣空買空，賣空低績效型公司股票可獲取顯著的超額收益，且累計超額收益率越來越高；或賣空低績效型公司股票買空高績效型公司股票，不僅規避投資低績效型股票的投資損失，還可獲取更高的超額收益。

圖4 LXJ實驗圖(績效上升型)

2.實驗二：績效上升型vs.績效下降型

圖4是1家績效上升型公司的實驗結果，圖5是1家績效下降型公司的實驗結果。其中，左邊的柱狀圖是AIFAD對樣本公司2015―2019年的財務績效評價結果，右邊是樣本公司2016年5月3日至2020年3月3日的超額累計收益率。

由圖4可見，經AI-FAD分析與診斷后，這家公司2015―2019年的綜合財務績效呈現上升態勢并最終處于該行業的75%以上，同期，其累計超額收益率總體上為正數且呈現顯著的上升態勢。對樣本中其它績效上升型公司的實驗結果類似。這一結果表明，買入績效上升型的公司股票，可獲取顯著的超額收益，且累計超額收益率越來越高。

圖5 TCZ實驗圖(績效下降型)

表3 樣本個股累計超額收益率的實證檢驗結果

由圖5可見，經AI-FAD分析與診斷后，這家公司2015―2019年的綜合財務績效呈現下降態勢并最終處于該行業的25%以下，同期，其累計超額收益率總體上為負數且呈現顯著的下降態勢。對樣本中其它績效下降型公司的實驗結果類似。由此可見，應用AI-FAD的分析與診斷結果選股，投資績效上升型公司的股票可獲取顯著的超額收益，且超額收益率越來越高，同時可以規避投資績效下降型股票的投資損失。若可賣空買空，賣空績效下降型的公司股票可獲取顯著的超額收益，且累計超額收益率越來越高；或賣空績效下降型股票買空績效上升型股票可獲取更高的超額收益。

(二)個股的實證檢驗結果與分析

由20只個股的實驗結果(圖2～圖5)和實證檢驗結果(表3)可見，隨著時間的推移，個股的累計超額日收益率顯著增長，統計檢驗表明20只個股的CAR與交易日T顯著相關，即5只高績效型股票的CAR和5只績效上升型股票的CAR均與T顯著正相關；5只低績效型股票的CAR和5只績效下降型股票的CAR均與T顯著負相關。這表明AIFAD具有有效的選股能力，具體來說，應用AI-FAD對我國上市公司進行財務分析與診斷，并依據其分析與診斷結果，輸出上市公司過去5年的綜合財務績效及其變動態勢，再對上市公司的綜合財務績效進行分類，然后根據上市公司的綜合財務績效進行投資決策：一是賣出低績效型的股票買入高績效的股票，可以獲取明顯的超額收益。即使在沒有賣空的條件下，規避買入低績效型的股票明顯可以避免投資虧損，投資高績效型的股票可以獲得明顯的超額收益。二是賣出績效下降型的股票買入績效上升型的股票，可以獲取明顯的超額收益。即使在沒有賣空的條件下，規避買入績效下降型的股票明顯可以避免投資虧損，投資績效上升型的股票可以獲得明顯的超額收益。

(三)組合的實驗結果與分析

為獲得更加嚴謹的實驗結論，本文進一步通過投資組合進行實驗和實證檢驗。根據AI-FAD的綜合財務績效評價結果，將全A股股票分組，并構建四類投資組合，即高績效型股票的投資組合與低績效型股票的投資組合、績效上升型股票的投資組合與績效下降型股票的投資組合。通過比較各組投資組合的累計超額收益率數據，檢驗AI-FAD的擇股能力。

表4 A 股上市公司綜合財務績效的分組分布與樣本量

表5 四類組合個股累計超額日收益率的描述性統計(2016 年5 月3 日―2020 年5 月3 日)

1.組合累計超額日收益率的描述性統計

根據AI-FAD的綜合財務績效評價結果，本文將全A股上市公司(扣除金融、科創板上市公司)分為五組：高績效型組合、低績效型組合、績效上升型組合、績效下降型組合、其他組合。前面四類投資組合將用于本文的實驗和實證檢驗。各類組合的構建標準和樣本量如表4所示；各類組合中樣本個股的累計超額日收益率的統計結果如表5所示。

四類組合的累計超額日收益率的描述性統計結果(見表6)顯示，高績效型組合的累計超額日收益率的平均值、中位數均顯著高于低績效型組合，績效上升型組合的累計超額日收益率、中位數均顯著高于績效下降型組合，初步表明相對行業累計超額日收益率與綜合財務績效具有明顯的相關性。但值得注意的是，績效上升型組合的累計超額日收益率明顯低于高績效型組合的累計超額日收益率，初步表明在四類組合中，高績效型組合具有最高的累計超額日收益率。

表6 四類組合累計超額日收益率的描述性統計(2016 年5 月3 日―2020 年5 月3 日)

2.組合的實驗結果與分析

為進一步分析綜合財務績效與各類組合累計超額日收益率之間的關系，圖6～圖9列示了四類組合的綜合財務績效與其累計超額日收益率。其中，各公司的綜合財務績效由AI-FAD生成，各類組合的綜合財務績效則采用市值進行加權平均。由圖6～圖9可見，高績效型組合、績效上升型組合的累計超額日收益率總體上為正，且呈現上升態勢；低績效型組合、績效下降型組合的累計超額日收益率總體上為負，且呈現下降態勢。

圖6 高績效組合的綜合財務績效與累計超額收益率變化

圖7 低績效組合的綜合財務績效與累計超額收益率變化

圖8 績效上升組合的綜合財務績效與累計超額收益率變化

圖9 績效下降組合的綜合財務績效與累計超額收益率變化

組合的實驗結果表明，買入高績效型的投資組合，賣出低績效型的投資組合，可獲取顯著的超額收益，且累計超額收益率越來越高。即使在不可賣空的條件下，規避買入低績效型的投資組合，投資高績效型的投資組合，也可以獲得明顯的超額收益。同樣，買入績效上升型的投資組合，賣出績效下降型的投資組合，可獲取顯著的超額收益，且累計超額收益率越來越高。即使在不可賣空的條件下，規避買入績效下降型的投資組合，投資績效上升型的投資組合，也可以獲得明顯的超額收益。由此可見，無論是否可以賣空，應用AI-FAD的分析與診斷結果選股構建和管理投資組合，存在明顯的超額收益，且累計超額收益率隨著時間的推移逐漸上升，表明AI-FAD具有穩定的擇股能力。

(四)組合的實證檢驗結果與分析

根據上述實驗結果可進行實證檢驗，即針對高績效型組合、低績效型組合、績效上升型組合、績效下降型組合，分別計算各類組合中個股相對行業的累計超額收益率，再計算組合的累計超額收益率，然后根據模型(4-2)，將四個組合的CAR與時間(T)進行相關性分析。模型(4-2)的回歸結果和相關系數如表7所示，可見：

(1)高績效型組合的系數β顯著為正，而低績效型組合的系數β顯著為負，表明AI-FAD模型可有效擇股，即基于AI-FAD的綜合財務績效分析與診斷模型選股可以獲取顯著的超額收益，買入高績效股票組合，或賣出低績效股票組合可以獲得超額收益。換言之，在可買空賣空的情況下，買入高績效和賣出低績效可以獲得更高的超額收益，因此基于AI-FAD的綜合財務績效分析與診斷模型的投資決策穩健且持續有效。

表7 組合累計超額收益率的實證檢驗結果

表8 穩健性檢驗(以滬深300 指數為基準)

(2)績效上升型組合的系數β顯著為正，同時績效下降型組合的系數β顯著為負，表明AI-FAD模型有效，即基于AI-FAD綜合財務績效分析與診斷模型選股可以獲取顯著的超額收益，買入績效上升型的股票組合，或賣出績效下降型的股票組合可以獲得超額收益。換言之，在可買空賣空的情況下，買入績效上升型的股票組合和賣出績效下降型的股票組合可以獲得更高的超額收益，因此基于AI-FAD綜合財務績效分析與診斷模型的投資決策穩健且持續有效。

(3)值得指出的是，高績效型組合、低績效型組合的累計超額收益率與時間的相關性很高，β系數顯著且較大，意味著以績效高低進行選股的投資決策相對更有效；績效上升型組合的累計超額收益率與時間的相關性較低，β系數雖然顯著但較小，意味著單純根據綜合績效上升來選股的投資決策的效益相對較低。可見，在不可買空的條件下，相對于績效上升型的投資組合，高績效型投資組合的累計超額收益率最高，因此投資效益 最高。

(五)穩健性檢驗

為保障研究結論的穩健性，本文在計算樣本股票的超額日收益率和累計超額日收益率時，用滬深300指數的收益率替代行業指數的收益率，檢驗結果如表8所示。結果表明：除了績效上升型組合外，其他三類組合的結論依然穩健，其中高績效型組合的累計超額收益率最高最穩定。績效上升型組合的β系數顯著為負的主要原因在于市場收益率整體波動較大，且目前市場上缺少合適的績效上升型的指數可進行匹配對比。此外，使用Wind300除金融指數和Wind全A股指數后，結論不變(限于篇幅，不再報告)。

六、結論與展望

全球正在經歷一場以互聯網、大數據和人工智能為特征的第四代科技革命，并正在或即將快速推動企業、產業和社會各方面的變革。本文依據現代財務分析理論與方法，基于我國上市公司財務數據，構建了我國上市公司財務狀況和綜合財務績效的分析與評價模型；在此基礎上，應用人工智能技術開發一款智能財務分析與診斷機器人(AI-FAD)。該款機器人可以代替人工的財務分析與診斷，對比財務分析師，其具有快速高效、客觀公正和專業準確的特點，展示出廣泛的應用前景。

本文應用AI-FAD于股票投資決策，即根據AI-FAD對我國上市公司2015―2019年綜合財務績效的分析與評價結果，將上市公司的綜合財務績效分為四種類型，結果發現：(1)在不可賣空交易的情況下，避免投資低績效型股票或組合和績效下降型股票或組合可規避投資損失，買進高績效型股票或組合和績效上升型股票或組合可獲取明顯的超額收益；(2)在可賣空買空交易的情況下，賣空低績效型股票或組合和績效下降型股票或組合，買空高績效型股票或組合和績效上升型股票或組合，可獲得更高的超額收益；(3)對比績效上升型股票或組合，高績效型股票或組合的累計超額收益率更高更 穩定。

本文的實驗設計還可以進一步改進和完善：一是在計算超額收益率時，可以增加比較基準，如與績優股的投資基金或成長型的投資基金，甚至與最優秀的投資基金的收益率進行比較；二是與人類思維一樣，AI-FAD是基于理論建模和歷史數據推演的人工智能機器人，其中的財務分析、評價和診斷模型暫未考慮未來變化和不確定性的影響。總之，盡管AI-FAD在分析、比較、評價、識別、判斷和選擇等方面仍存在一些有待改進的局限性，但至少展示了人工智能技術應用于企業財務分析、比較、評價、識別、診斷以及投資管理和決策的可能性和可行性。

注釋

※感謝廈門大學管理學院財務學系吳育輝教授的建議和審閱。本文所使用的“智能財務分析與診斷機器人(AI-FAD)”由北京同仁慧研科技有限公司資助研發，特此致謝。