“学海拾珠”系列之一百五十二：人工智能可以读懂企业高管的想法吗？-20230802-华安证券-25页_1mb

人工智能可以读懂企业高管的想法吗？

核心内容

本报告探讨了人工智能（AI）是否能够通过分析企业财务报告中的文本信息，识别出能够预测未来公司盈余表现的信号。研究基于美国公司季报和年报文本，利用自然语言处理（NLP）技术，包括情绪模型、词袋模型和大型语言模型（LLM），分析文本中隐藏的积极与消极信息，并评估其在预测未来盈余惊喜方面的有效性。

主要观点

1. MD&A部分长度与公司未来盈余呈负相关：MD&A部分的文本长度越短，公司未来盈余表现越佳。该方法在投资组合排序中表现良好，能够产生显著的CAPM alpha值。

2. 词袋模型无法有效预测未来盈余：尽管词袋模型基于传统机器学习方法，但无法有效识别未来盈余惊喜。这可能是因为公司报告的长度和复杂性增加，使得传统的NLP方法难以捕捉关键信息。

3. LLM模型在预测盈余惊喜方面表现更好：经过财务目标训练的LLM模型（如FtBERT）在所有多空投资组合策略中都具有显著的经济和统计意义，预测盈余符号正确，优于传统的情绪模型和词袋模型。

4. FinBERT模型在某些情况下表现不佳：尽管FinBERT在情感识别方面优于LM2011，但在投资组合排序中表现最差，且其预测结果在控制规模和账面市值比后变得不显著。

5. FtBERT模型优于FrozenBERT：FtBERT通过动态微调，克服了传统方法在识别管理层语言变化方面的不足，具有更好的预测能力。

6. 模型预测结果与分析师分歧相关：FtBERT预测的最负和最正组合与分析师分歧最大，这可能反映了市场反应不足或价格调整缓慢。

关键信息

• 数据来源：1993年至2021年的美国公司季报（10-Q）和年报（10-K）文本，以及I/B/E/S和CRSP数据。
• 预测目标：使用下季度的盈余惊喜作为财务目标，通过标准化盈余惊喜（SUE）衡量。
• 模型比较：
  • 词汇（情感-得分）方法：包括LM2011和FinBERT。
  • 词袋模型：包括线性回归、LASSO、弹性网络、支持向量回归、前馈神经网络等。
  • LLM模型：包括FrozenBERT和FtBERT，后者在财务目标训练下表现更优。
• 投资组合策略：根据预测结果将公司分为五分位数投资组合，评估高-低策略的绩效。
• 稳健性检验：包括控制规模、账面市值比、动量等公司特征，以及事件研究回归。

实证分析

• 模型表现：
  • 词袋模型：OLS方法在预测中表现最差，其他方法如EN、Lasso、XGBoost等表现一般。
  • LLM模型：FtBERT在所有稳健性检验中表现最佳，能够准确预测盈余符号。
• 投资组合绩效：
  • MD&A长度：在市值加权投资组合中，最低MD&A长度五分位数的CAPM alpha值为每年4.13%。
  • FtBERT：在控制Fama-French六个因素后，其预测的CAPM alpha值为每年3.71%，具有经济和统计意义。

风险提示

• 文献结论基于历史数据和海外研究，不构成任何投资建议。
• 公司可能调整语言以规避AI模型的识别，影响模型的准确性。
• 市场可能未能完全捕捉AI模型识别的信息，尤其是在短期内。

相关报告

1. 《动量、反转和基金经理过度自信——“学海拾珠”系列之一百四十四》
2. 《股票因子个性化：基于股票嵌入的因子优化——“学海拾珠”系列之一百四十五》
3. 《盈余公告披露的现象、方法和目的——“学海拾珠”系列之一百四十六》
4. 《基金抛售资产时的选择性偏差——“学海拾珠”系列之一百四十七》
5. 《投资者情绪能预测规模溢价吗？——“学海拾珠”系列之一百四十八》
6. 《基于强化学习和障碍函数的自适应风险管理在组合优化中的应用——“学海拾珠”系列之一百四十九》
7. 《运用少量 ETF 可以复制主动基金的业绩吗？——“学海拾珠”系列之一百五十》
8. 《A股流动性、波动性及其溢出效应——“学海拾珠”系列之一百五十一》

总结

本研究通过比较不同NLP方法在预测公司盈余惊喜中的表现，发现传统的词袋模型和基于词汇的情绪模型在捕捉未来盈余信息方面存在局限，而大型语言模型（LLM）在财务目标训练下表现更优。特别是FtBERT模型，能够动态适应管理层的语言变化，提供更准确的预测。尽管如此，模型的预测结果在市场反应中仍需时间才能完全体现。研究还指出，MD&A部分的长度是一个有效的预测指标，可以为投资者提供额外的alpha机会。