策略深度研究

人工智能将如何影响投资

核心观点

当前正处于金融和前沿科技深入融合的阶段，大数据、人工智能和区块链等前沿技术与金融深度融合，将会大幅实现金融服务的降本增效，解决传统金融信息不对称、市场缺乏有效性等痛点。其中AI对金融行业的赋能，将会加强金融行业风险管理能力、促进金融行业效率提升，并且创造一系列全新的产品和服务，重新塑造金融行业价值链。

在投资管理方面，AI将会为投资管理中的核心业务和支持性业务提供智能分析和决策支持能力，提高业务的自动化水平，打造投资管理的新模式。我们列举了一些AI在投资管理方面的应用场景，用以说明AI在投资管理方面的应用现状及未来发展趋势。

（1）股票市场预测：在股价预测中，AI能扩大可分析数据的范围进而提高预测准确度、实现预测模型的高度自动化、降低股票研究成本。在情感分析方面，AI可以通过从舆情数据中监控投资者的情绪，从而与技术分析等方法结合，提高股价预测的胜率。在市场趋势预测中，文本分析可以专门用于分析某类特定文本，如政策文件等，实现对某市场部门的政策或发展趋势的预测，从而达到预测市场趋势的目的。

(2）财务风险识别：在上市公司财务风险产生的早期，我们就可以通过监控企业的经营行为来从一定程度上解释公司披露的财务数据的真实性。AI在识别企业财务风险或企业的财务欺诈行为的过程中，将会结合分析企业的经营数据、财务数据等数据进行全面、客观的分析，通过对企业财务数据质量进行评估，识别潜在的财务数据欺诈问题。

(3）流程自动化：生成式AI在投资管理方面的将会大幅提高基础工作的自动化水平，提高从业人员的工作效率。具体地讲，文档整理可以帮助实现会议纪要、企业报表、研究报告的自动整理和归纳工作；代码生成等应用降低对特定知识和技能的访问门槛，扩大研究人员的能力圈；知识管理将会变革从业者学习和工作方式，使其简单高效地掌握跨专业、跨领域的知识体系。

（4）ESG 投资：AI可以丰富ESG评级的数据来源，实现数据采集流程和风险监控的自动化，并且可以实现评级模型从静态到动态的转变。

AI的广泛应用将会对股票市场产生一系列影响：

传统的股票市场正因AI的广泛应用而发生深刻的变革。结合Gartner发布的AI技术成熟度曲线，我们认为在未来五年内将会有一系列AI应用在股票相关行业中落地。AI应用带来的效益将会最先体现在实现传统业务的降本增效上。但AI在核心投资环节中的深入应用仍有待于技术的发展和相关法律法规的完善。

AI在股票市场中的广泛应用，将会通过削弱信息的不对称性、降低市场波动率等方式激发市场参与者的投资意愿，增加流动性，进而提高市场的有效性。但是，AI的应用是一把双刃剑，AI在给股票市场带来巨大发展机遇的同时，可能会产生技术性风险、法律合规风险等一系列风险问题。

风险提示：AI技术成熟度、人工智能在投研应用中潜在的法律风险和道德风险等。

策略研究·策略深度

证券分析师：王开
021-60933132
wangkai8@guosen.com.cn
S0980521030001

基础数据.

中小板/月涨跌幅(%)	7263.15/-8.48 2245.82/-8.22
创业板/月涨跌幅(%) AH股价差指数	141.17
A股总/流通市值 (万亿元)	79.24/69.70

市场走势.

资料来源：Wind、国信证券经济研究所整理

内容目录

重塑价值链，AI驱动金融产业转型升级， 4
科技赋能金融业的三大阶段， 4
AI带给金融业的三大变革， 5
AI在金融领域的典型应用 5
科技赋能，AI打造投资管理新模式 6
AI在投资管理中的应用场景， 7
展望未来，AI与产业应用协同发展 19
未来已来：中长期视角AI对投资产生深远影响 19
AI的广泛应用对股票市场的影响. 19
结论... 20
风险提示.. 21

图表目录

图1：科技赋能金融业的三大阶段. 5
图2：AI对资本市场价值链的影响， 7
图3：深度学习（DL）、机器学习（ML）和人工智能（AI）之间的关系 8
图4：基于机器学习模型的股价预测流程图 9
图5：情感分析预测股价步骤. 10
图6：基于交易信号测算的债券市场情绪指数与国债到期收益率走势对比 11
图7：基于文本语义测算的宏观经济和固定收益情绪指数， 12
图8：基于文本语义的宏观情绪指数样本分析. 12
图9：基于文本语义的固收情绪指数样本分析. 12
图10：基于文本语义的宏观情绪指数与国债收益率联系 12
图11：基于文本语义的固收情绪指数与国债收益率联系 12
图12: AI模型对美联储货币政策的预测， 13
图13: 文本大数据的一般步骤. 13
图14: 美联储相关表述的"手动"量化评分体系与宏观指标、政策利率的对比， 14
图15：基于机器学习的财务报表欺诈检测（FSFD）中数据来源及数据类型 15
图16：AI系统对经理人原始生产力影响（解决问题数量） 17
图17：部署AI系统对经理人原始生产力的影响(客户满意度） 17
图18：AI对 ESG 评级流程的影响举例... 18
图19：2022年Gartner人工智能技术成熟度曲线. 19
表1：传统机器学习算法举例．
表2：债市情绪指数底层指标的选取， 11

重塑价值链，AI驱动金融产业转型升级

技术创新驱动的前三次工业革命极大推动了人类生产力的进步，现如今我们正处于以人工智能、物联网、机器人、3D打印、大数据和云计算等技术为代表的第四次工业革命，即工业4.0 的浪潮中。其中，人工智能技术（下文简称 AI）是工业4.0 的核心驱动力之一，正在产业中深度应用，赋能千行百业向智能制造转型升级。

1956年在达特茅斯学院举行的一次研讨会中，约翰·麦卡锡首次提出了AI的概念，认为机器可以模拟人类的学习活动和其他的人类智能特征。1966年，麻省理工学院的德裔美国计算机科学家约瑟夫·威森鲍姆开发了人类历史上第一个聊天机器人。1997年，IBM的人工智能国际象棋计算机"深蓝"击败时任国际象棋世界冠军加里·卡斯帕罗夫，AI的发展开始转入快车道。2010年以来，海量数据和新算力推动了AI的多元发展和应用落地，将AI推向人类生活。目前，大数据、计算机视觉、语音识别、自然语言处理、机器学习等AI核心技术已经得到广泛的应用。大数据是指从巨量的结构化、半结构化和非结构化数据中，获取有价值的信息，是AI发展的基础条件；计算机视觉是指让计算机具有像人一样观察和识别图像的能力；语音识别是指让计算机获得识别和理解语音信号的能力；自然语言处理（NLP）是指让计算机具备以自然语言的形式与人类通信的能力；机器学习是指让计算机具备类似人类的不断学习的能力，是AI最为核心的技术。

随着人工智能理论、技术日益成熟和应用场景不断拓展，人工智能的应用落地已经成为世界各国发展人工智能的竞争重点。我国虽然在人工智能领域的起步晚于西方发达国家，但发展迅速，已经在金融、医疗、制造、教育、交通、物流、零售等产业中开发出丰富的应用场景。在金融领域，人工智能在风险控制、投融资决策、服务升级等方面深度应用，重塑了金融产业价值链，在规范金融市场合规运行、提高市场有效性方面发挥重要作用。例如，AI可以帮助投资者以更快的速度处理巨量的信息，从而削弱A股市场信息的不对称性，减少投资者的非理性行为，在一定程度上促使有效市场假说在A股市场趋于成立。

科技赋能金融业的三大阶段

纵观金融科技的发展历程，每一次科技进步都推动了金融业深层次变革，驱动金融产业转型升级。从信息技术对金融业的影响来看，可以将金融科技发展分为三个阶段。第一阶段是金融电子化阶段，金融行业通过传统IT的软、硬件实现办公的电子化，大幅提升了办公效率，降低了业务成本。第二阶段是互联网金融阶段，互联网通过链接资产端、交易端、支付端和资金端，打通了资金流和信息流网络式传播的渠道，深层次变革了金融业务模式。第三阶段是金融和前沿科技深入融合的阶段，在此阶段，大数据、人工智能和区块链等前沿技术与金融深度融合，将会大幅实现金融服务的降本增效，解决传统金融信息不对称、市场缺乏有效性等痛点。其中，AI在金融行业中的应用可以贯穿金融业务全流程，促进金融业效率提升，提高金融风险管理能力并创造全新的产品和服务。

图1：科技赋能金融业的三大阶段

资料来源：前瞻产业研究院，国信证券经济研究所整理

AI带给金融业的三大变革

（一）促进金融业效率提升

在人工智能时代下，金融科技的边界将会不断扩展，给金融服务创造更多的可能性。AI在金融产业软、硬件中的应用，将会大幅提升业务运作效率，降低对金融产品和服务对人员的依赖性，进一步促进金融业务效率提升。

（二）提高金融风险管理能力

AI对金融风控方面的影响可分为两个方面。一方面，如机器学习等AI技术带来了全新的风险控制模型，提升了风险管理效率并降低了实施门槛；另一方面，随着前沿科技对金融的深入赋能，金融风险与科技风险相互交织混合，金融风险的隐蔽性大大增加，而AI等技术与传统风控机制的融合则可以有效管理此类技术催生的风险问题。

（三）创造全新的产品和服务

AI对金融的强大赋能，将会驱动金融服务向高度场景化、智能化转变，为金融产品和服务提供更多的想象空间，AI风控、AI投资、AI办公自动化等应用将会在金融业蓬勃发展。

AI在金融领域的典型应用

（一）风险管理

风险管理是金融服务中的关键环节，有效的风险管理可以帮助金融机构防范和化解风险事件，对保障自身业务的稳定性和实现业绩目标至关重要。传统的风险管理依赖于人员和资源投入，耗费时间长，运行效率低。而AI可以提高传统风险管理的预测准确性、优化变量选择过程，从而大大提高风险管理职能的运行效率，降低风险管理的运作成本，并且可以处理和分析大量的非结构化数据，在控制信息风险上具有天然优势。目前，许多金融机构将AI应用于信用风险建模、交易行为监控、情绪分析等工作中。例如，意大利中央银行使用NLP技术分析新闻文本，建立情绪和不确定性指标以监控意大利经济活动的短期变化，并发现基于文本的情绪和经济政策不确定性指标有助于预测GDP，比传统的月度经济指标的时效性更好。

（二）量化投资

量化投资是指通过事先设计的计算机程序实现自动交易的投资方式。相比于传统的手动投资，量化投资主要有以下优点：计算机程序会严格执行交易策略，避免个性情绪对交易的影响；计算机可以高效处理海量的数据，快速跟踪市场趋势，从而更好地捕捉投资机会，降低交易成本；量化策略可以对投资组合的风险进行分解，较好地分散投资组合的非系统性风险。AI可以进一步丰富量化投资的算法模型，提高数据分析能力，优化算法交易效益。例如，荷兰国际集团推出的人工智能债券交易工具"Katana"可以帮助交易员根据历史和实时数据决定报价，提高了约90%交易的效率，并降低了约25%的交易成本。

（三）智能监管

随着信息技术的高速发展，金融科技创新在赋能金融机构实现效率提升、价值升级的过程中也衍生出风险识别难度大、技术风险和交易风险增加等问题，给传统的监管方式带来巨大的挑战。而人工智能对金融监管的赋能，可以实现监管过程的自动化，大大提升监管的效率。例如，Comply Advantage 提供的欺诈检测解决方案利用机器学习和交易行为分析，可以从数百万个结构化和非结构化的数据点中识别风险事件，为金融机构提供反洗钱和反欺诈保护。

（四）智能保险

互联网和保险的融合将保险业推向数字化，而人工智能技术与保险数据的融合将会将保险业推向智能化。AI在保险中的应用，将会颠覆性地变革保险的业务模式，对保险的分销、承保、定价和理赔等全业务流程产生重要影响。例如，Lemonade基于AI算法，实现了大部分业务的自动化，并在保险理赔的过程中使用AI模型预测客户的潜在欺诈行为。

（五）智能服务

ChatGPT的横空出世，让我们对大语言模型在智能服务上的应用充满期待，未来的智能客服将会更加拟人化。在金融领域，智能聊天机器人已经广泛用于客户服务。例如，Mastercard 的聊天机器人KAI可以实现账户信息查询、交易流水查询、福利活动查询以及购物等功能。

（六）智能投研

随着机器学习、自然语言处理等技术在金融领域的应用，投研人员可以从大量的基础投研信息搜集等工作中解放出来，将更多的时间和精力用于研究分析工作。此外，AI还能丰富投研方法，将部分投研流程自动化，扩大投研人员的能力圈。例如，EquBot的AI投资平台，可以汇总和分析世界各地的新闻、媒体报道、财务报表等数据来简化投研工作。

科技赋能，AI打造投资管理新模式

随着AI在资本市场中深入应用，AI将会重塑资本市场价值链，打造投资管理新模式。从AI应用的扩散路径来看，AI基础设施和算法将会首先得到大量资本投入，进而产生一系列多模态的、跨领域的AI平台。这些AI平台将会集合多种 AI技术为资本市场提供适应性的解决方案，实现资本市场价值链中五大核心业务的自动化、智能化再造。尤其是对于投资管理领域，AI将会为投资决策提供智能分析和决策支持，如定制化投资组合、交易策略支持、风险控制、机器人顾问等，并且帮助提高业务的自动化水平，如智能文档分析、自动报告生成等。

图2：AI对资本市场价值链的影响

资料来源：BCG官网，国信证券经济研究所整理

AI在投资管理中的应用场景

（一）股票市场预测

由于股票市场受到地缘、经济、突发事件和公司业绩等多种因素的影响，股价一般难以通过单一因素实现有效预测。然而，股票市场上存在大量的结构化和非结构化数据。因此，研究人员一直在努力尝试不同的分析方法来预测股价趋势，并推动了算法交易的发展。其中，越来越多的交易公司使用机器学习（ML）来分析股票市场，利用AI来预测股票价格，从而做出更好的投资决策并降低投资风险。

传统的机器学习算法包括随机森林、朴素贝叶斯、支持向量机、K近邻、ARIMA等。这些算法在处理股价预测的各个情形中各有优缺点，如部分算法在处理历史数据方面表现更好，部分算法则擅长处理情绪数据。

表1：传统机器学习算法举例

算法	原理简介优缺点
随机森林	以决策树为基本单位，每颗决策树都是一个分类器，对每棵树都随机有，随机森林在使用大型数据集，实现高精度的预测方面比较有效，有的分类结果进行结合，得到最终的分类结果。
朴素贝叶斯	假设对物品X进行分类，将X与所有可能的分类进行比较，选择后验朴素贝叶斯分类是一种简单而有效的ML算法，常用于分析较小概率最大的分类。的数据集，用以确定某个事件对另一个事件产生影响的可能性。
支持向量机	对数据的特征进行提取，以特征为维度构建特征空间，在空间中找到某支持向量机在大型数据集的分类方面准确度较高，但可能难以处一个（超)平面将数据分为两类，使得两类数据到平面的距离之和最大。理复杂和动态的场景。
K近邻	在特征空间中，如果某一个样本附近的K个最近的样本中，多数属于某K近邻算法简单，但计算量大。一个类别，则将该样本也分类为该类别。
ARIMA	ARIMA模型即差分自回归移动平均模型，先将非平稳的时间序列转化ARIMA擅长根据季节性等历史趋势预测短期的股价波动，但在为平稳时间序列，再进行回归分析以达到预测的目的。处理非线性数据和长期股价预测时可能效果不佳。

资料来源：国信证券经济研究所整理

区别于传统的机器学习算法，深度学习（DL）可以认为是一种高级的机器学习算法，它采用人工神经网络（ANN）的算法，来实现更实现更复杂的分析和预测。人工神经网络由许多相互连接的单元组成。这些单元可以交换信息，并分布在不同的层中，第一层和最后一层称为输入层和输出层，而中间的层称为隐藏层。复杂的人工神经网络包含大量的隐藏层，称为深度神经网络，因此这种算法得名深度学习。在股票预测中，研究人员对深度学习的关注度越来越高，尤其是表现最好的长短期记忆（LSTM）算法。与传统的机器学习算法相比，深度学习算法的股价预测能力更强，但需要大量的数据进行训练，并且占据大量的计算资源。

图3：深度学习（DL）、机器学习（ML）和人工智能（AI）之间的关系

资料来源：国信证券经济研究所绘制

具体地看，股价预测可以归结为两种方法，分别为基本面分析和技术分析。基本面分析旨在通过分析市场、行业和公司数据指标，如市值、股息、交易量、市盈率等来确定股价的内在价值和未来波动。而技术分析则不关注股票的内在价值及驱动因素，而选择从股价、交易量随时间的变化趋势中挖掘潜在的规律，从而预测股价未来的趋势，尤其是短期的趋势。对于AI在股价预测方面的应用，有效的股票预测模型应该结合两种预测方法，不仅要从基本面分析股票的内在价值，也要抓住股价市场波动的短期机会，即选股和择时。特别地，我们选取AI在股票市场预测中的典型应用，用以说明AI在股价预测方面的风险和机遇。

1）股价预测

上文已经提到，为了预测股票价格，研究者们创造了基本面分析、技术分析、量化分析等一系列分析方法。但每种方法都有各自的优缺点，分别适用于不同的情形。近些年来，随着股票市场可分析数据的增加，越来越多的研究者选择将机器学习纳入到股价预测模型中，以优化模型效果。通俗地讲，机器学习预测股票价格的原理是基于股票趋势、公司业绩、舆论信息、投资者行为等大数据，隐式地建立起数据与股价的关联模式。

图4：基于机器学习模型的股价预测流程图

资料来源：国信证券经济研究所绘制

与传统的股价预测方法相比，AI在股价预测方面具备一些优点。

第一，AI分析的数据范围更广，并且可以将不同的类型和来源的数据关联在一起。例如，基本面分析试图通过研究市场趋势、行业景气度以及公司经营和财务指标等因素，来预测股价的变化；技术分析则不关注于股价的内在驱动因素，而关注股价、交易量等历史数据，尝试发现股价的变化规律；然而，机器学习等AI算法不仅可以将上述两种分析方法研究的数据类型纳入到分析范围，还可以研究更复杂的非结构化数据，例如新闻、社交媒体评论等。正因为机器学习等AI算法可以分析海量的数据，所以AI往往能挖掘出人类忽视的数据趋势，从而达到更准确的预测效果。

第二，AI能实现预测模型的高度自动化，极大提升预测速度。传统的预测方法需要研究者主动地获取、处理、筛选数据，然后选择合适的预测模型，导致研究周期长，模型适用性低。但随着AI的发展，AI不仅能为研究者提供更多的预测模型选择，还能实现数据获取与处理、数据分析、模型选择、算法交易等全栈投资流程的高度自动化，从而实时地分析市场趋势和股价变化，做出更好、更及时的投资决策，提高胜率。

第三，AI可以降低股票研究门槛，节约研究成本。AI通过将传统上许多由人类分析员完成的研究工作自动化，大大降低了股票研究成本。并且，随着AI人机交互能力的提升，投资者可以方便地以自然语言与AI进行沟通，构建符合个人投资目标和风险偏好的投资策略，并且AI可以实时地、动态地将模型预测过程展现给投资者。

虽然，AI在股价预测方面的优势突出，但其缺点也不容忽略。第一，AI虽然提供了一种行之有效的预测股价的分析方法，但在复杂的股市中并不能确保考虑到所有的因素，特别是会极大影响股票价格的突发事件。第二，存在过度依赖人工智能预测的风险。投资者在使用AI模型的过程中，人工参与的工作较少，容易产生对AI模型的过度依赖。第三，AI预测模型仍需要持续的人工监测和干预。大多数AI属于黑箱模型，预测原理的可解释程度低。所以，人们必须要持续地监测AI预测过程，在必要时对AI模型进行干预，确保快速发现并修复模型的错误或缺陷，提高模型的可靠性。

2）情感分析

股价不仅受企业经营业绩的影响，投资者关于上市公司的看法以及对政策变化、突发事件的情绪变化等心理因素也会极大地引起股价的波动。因此，基于网络爬虫、大数据和自然语言处理等技术的情感分析可以作为一种有效的股票投资策略，投资者可以利用市场情绪的变化预测股票的买卖时点。

图5：情感分析预测股价步骤

资料来源：dailyfx官网，国信证券经济研究所整理

虽然，通过对新闻、社交媒体评论等数据的分析可以提炼出投资者的情绪，进而预测股价变动的方向，但预测的准确性还受到数据质量和可靠性、市场有效性等诸多因素的影响。所以，情感分析通常会与技术分析相结合，以提高股价预测的胜率。例如，在股价高波动时期，敏感性事件会对投资者情绪产生大幅度的影响，在短时间造成超买或超卖的现象。此时，社交媒体或新闻上的负面消息可能会引起市场恐慌促使投资者大量抛售股票，利好消息则会提升投资者情绪，促使股价上升。

如果我们认为市场是有效的，那么终端的价格信号涵盖了众多信息，但无论是基于期货对现货的价格发现，还是衍生品反馈的交易情绪，最终的结论往往是短期的，且一定程度上容易偏离主线。再以债券市场为例，笔者曾综合国债期货技术指标、利率债市场指标、信用债市场指标共三大板块的数据，经过KMO和Bartlett检验的去量纲化处理后，用主成分分析法降低维度并确定权重，最终构造出日度高频的债市情绪指数。和债券收益率下降表示债券牛市相同，该指数值越低表示债市情绪越高亢，指数数值越高表示市场情绪越低迷，即指数数值是债券市场情绪的反向指标。

表2：债市情绪指数底层指标的选取

指标领域	数据名称	数据频率	起始时间	数据来源	其他
国债期货技术指标	BR	每日	2015/4/27	万得	∑CFFE×x10年期国债期货最高价-前收盘价） BR= ×200 ∑(前收盘价-最低价)
	AR	每日	2015/3/20	万得	Σ(CFFEX10年期国债期货最高价-开收盘价) AR= 2×200 £(开盘价-最低价)
	CR	每日	2015/3/20	万得	CR= £（中间价_最低价_）
	基准债利差	每日	2002/2/4
	期限利差	每日	2002/2/4		中债估值中心中债国开债到期收益率:10年-中债国债到期收益率:10 年中债估值中心中债国债到期收益率：10年-1年
利率债市场	国开债隐含税率	每日	2002/2/4		中债估值中心 1-国债到期收益率(10Y)/中债国开债到期收益率
	国开债波动率	每日	2002/2/4	中债估值中心	中债国开债到期收益率:10年:GARCH模型测算标准差;
	同业存单利差	每日	2013/12/13	中债估值中心	中债国债到期收益率：10年:GARCH模型测算标准差; 中债商业银行同业存单到期收益率(AAA,3M)-中债国债到期收益率(3M)
信用债市场	信用利差	每日	2010/1/4		中债商业银行同业存单到期收益率(AAA，3M)-中债国开债到期收益率(3M) 兴业研究AAA产业债信用利差、AA产业债信用利差、1年期企业债:AA-AAA

资料来源：万得，国信证券经济研究所整理

债市情绪指数显示出对十年期国债收益率较好的领先性，我们计算了情绪指数滚动三年期的均值±两倍标准差构建上下边际，发现当情绪指数触及上下边际时，提示10年期国债收益率将发生行情反转。例如，2020年4月，情绪指数进入“恐慌”区域，疫情冲击减弱经济进入修复期，4月市场期待的降息落空，央行连续37个交易日未开展逆回购操作，同时积极的财政政策落地大幅提高了债市供给，市场对债市牛熊转换的担忧加剧，情绪指数对后期10年期国债收益率由降转升提供了有效预测。从新冠疫情以来的现实状况来看，市场利率走势追随基本面情形较多，情绪指数更多是对基本面（通胀+增长+信用）解释不了的部分，从交易者行为金融学角度可以找到证据。

图6：基于交易信号测算的债券市场情绪指数与国债到期收益率走势对比

资料来源：万得，国信证券经济研究所测算

换一种思考途径，如果通过文本语义的识别对市场情绪进行判断，通过分析师对于宏观经济、固收市场的态度的方向变化、边际变化来构造情绪指数，似乎更主观些。实则可以规避上述基于市场价格先行信号测算情绪指数过程中引发的过拟合问题，中间不至于是一个黑箱过程，指数测算结果类似于问卷调查，和市场利率的表现更为贴近。但是对文本语义的识别难免有主观判断之嫌，且通过文本语义来构造情绪指数对应到市场利率，多为右侧信号，很难有左侧验证的效果，那么在"正弦市"拐点的位置即面临掣肘。

图7：基于文本语义测算的宏观经济和固定收益情绪指数

资料来源：万得，国信证券经济研究所测算；注：（1）指数背景：通过追踪41家投研机构，共59家宏观/固收分析师每周发布的观点，跟进市场在经济数据/债券收益率预测、经济/债市预期措辞上的边际变化，发掘市场对经济/债市的观点是一致还是分化。基于两类领域的差异，分别编制宏观指数和固收指数；（2)打分标准：我们将投研机构观点的评价分为5个层次，从高到低依次为“乐观”、“偏乐观”、“中性”“偏悲观”、“悲观”，对应分值分别是2、1、0、-1、-2；（3）指数发布：分别求取两个板块评分样本的均值，构造出投研机构的宏观市场经济预期指数和固收市场债市预期指数，以反映两类市场对经济/债市的预期。情绪指数取值范围为[-2,2]，固收指数越高表示分析师对债市的情绪越乐观，宏观指数越高，表示其对宏观经济的情绪越乐观。（4）图中截取2018.7-2019.10期间分析案例，下同。

图8：基于文本语义的宏观情绪指数样本分析

资料来源：万得，国信证券经济研究所测算

图9：基于文本语义的固收情绪指数样本分析

资料来源：万得，国信证券经济研究所测算

图10：基于文本语义的宏观情绪指数与国债收益率联系

资料来源：万得，国信证券经济研究所测算

图11：基于文本语义的固收情绪指数与国债收益率联系

资料来源：万得，国信证券经济研究所测算

综上，通过AI在股票、债券市场投资研究中的应用，可以减少主观判断成分、基于过去样本的学习和迭代也能够保证随着样本数据的积累，最终情绪指数的结果更具有效性。通过对文本语义、资金流动、媒体新闻等高频监测可以高频筛选正面信息和剔除负面信息，并将成果用于交易信号的提示，相比于机械化筛选或者过渡依赖价格信号都加高效且准确。

3）基于文本大数据的市场趋势预测

文本分析不仅可以应用于投资者情绪分析，还可以用于分析某些特定类别文本，如政策文件、头条新闻等，从中挖掘出对市场趋势有重大影响的信息。根据文本转化的数量化信息，我们可以建立与待预测变量之间的预测模型，实现对市场趋势的预测。例如，Joseph Lupton等经济学家基于ChatGPT 的语言模型，将美联储发布的声明及官员的言论转化为"鹰-鸽"指数，用以预测美联储的货币政策变化。其原理在于通过AI对美联储官员讲话等非正式的政策相关信息的情感基调进行判断并将之指数化，然后再分析两次政策公布期间的定量化指数与下一次货币政策的相关性，进而实现对美联储货币政策的预测。特别地，研究者发现当模型显示两次会议期间，美联储官员讲话的"鹰派"基调上升时，下一次货币政策会变得更加"鹰派”，从而带动1年期国债收益率上升。

图12：AI模型对美联储货币政策的预测

资料来源：彭博，国信证券经济研究所整理

图13：文本大数据的一般步骤

资料来源：沈艳等（2019），文本大数据分析在经济学和金融学中的应用：一个文献综述，经济学(季刊);国信证券经济研究所整理

美联储的研究体系纷繁复杂，从泰勒公式及各种改进形式对自然利率的测算，到金融监管和风险评估，可谓包罗万象。而对美债利率比较重要的就是议息会议、票委发言、褐皮书三个内容，我们试图用文本研究法，对上述三个方面加以量化：

第一，美联储最引市场瞩目的就是FOMC 联邦基金议息会议，其中3、6、9、12月的四次会议，会发布反映未来加/减息预期路径的点阵图，以及对未来宏观数据的预测，也是最容易做出加息、降息等重大的决策部署的会议。这些会议PressConference 中对经济、物价、就业市场的用词（如 modest、moderate.....）的轻微差异各有不同，我们按照乐观到悲观程度依次评分，而Minutes中涉及票委人数的词汇（several、some、a few.....）也有迹可循，我们作为权重，这样就可以构建出反映联储票委对基本面、货币政策态度的量化打分卡。

第二，除了FOMC会议外，我们会关注联储票委们平时的表述，并将其发言的鸽派和鹰派比例作为一个季度内货币政策走向的前瞻，毕竟加息降息、扩表缩表与否是这些票委"投"出来的，我们也通过跟踪这些票委的行为量化得出了每周的态度变化，在会议前会有一段时间各位票委们的"静默期”，因此数据是断续的。

第三，地方联储关联企业调研汇总的"褐皮书"主要反馈各州独立的情况，也涉及全国劳动力市场和薪酬、物价等方面的综合表述，可以根据撰写习惯量化。

图14：美联储相关表述的"手动"量化评分体系与宏观指标、政策利率的对比

资料来源:美联储官网，国信证券经济研究所测算。注：图(1)为根据美联储FOMC月度的议息会议中，对经济各方面（劳动力、经济活动、家庭开支、商业投资等）用词赋予不同情绪等级，按照不同权重加权算出的指标。图（2）是每次FOMC月度会议参会的票委人数，和对最终货币政策投赞成票的票委比例。图(3)、(4)是FOMC季度会议中，各票委对未来三年经济预期的中位值的加权得分(当年到后年，权重递减)，较上一次会议的变动。图(5)、(6)是联储月度会议下个月公布的Minutes 中，以对失业率/通胀率的看法为标的，以抱有各类看法的票委人数为比例，构造的情绪分布。其中，失业率越低越乐观，通胀率遵循2%对称通胀目标原则，高于预期开始往目标值靠拢为乐观，高于预期继续上升为偏乐观，低于预期继续走低为悲观，低于预期但开始往预期靠拢为偏悲观。图（7）为根据当周发言的联储委员用词所编制的增量情绪高频指标，图8为根据月度会议前彭博联储分析仪对委员们鹰/鸽派划分，加权计算的存量情绪指标。图（9）和（12）为根据联储每年不定期发布的8期褐皮书中对经济活动用词赋值的加权得分。图(10)、(11)为 Press Release 中关于就业和物价表述的打分值。

人工智能进行联储发言分析，无疑可以避免上述"手动评分体系"的工作量和主观性。相比于市场和官方的分析，其测算结果既没有联邦基金利率期货、OIS、欧洲美元期权市场所夹杂的过于高频交易噪声，同时也比每季度发布的点阵图更为高频灵敏，便于做到及时追踪。

（二）财务风险识别

随着资本市场的发展，尤其是注册制的全面实行，A股上市公司数量将会迅速增加。上市公司数量上的增加给A股市场带来了更多的活力的同时，也给投资者带来更多鉴别上市公司风险的压力。其中，部分上市公司通过财务数据造假攫取利益的行为不仅让投资者蒙受重大损失，还严重破坏了市场秩序。所以，衡量上市公司的财务风险或识别上市公司财务造假行为对于投资者而言意义重大。

上市公司的财务风险暴露过程可以分为四个阶段，分别为潜伏期、发作期、恶化期和实现期。往往在财务风险潜伏期，企业就存在盲目扩张，如销售额上升利润下降等现象。与此同时，存在财务数据造假行为的公司往往在财务风险的潜伏期就忽视了风险管理，以至于在财务风险的恶化期，企业管理者无心处理财务风险问题，选择粉饰财务报表甚至严重造假等行为来逃避责任。所以，在财务风险产生的早期，就能通过监控企业的经营行为来评估潜在的财务风险。

上市公司财务造假手段主要为通过虚增收入和资产、虚减成本费用和负债的方式虚增利润。大多数财务造假行为都是公司管理层采用专业手法对公司整体财务数据进行系统性的造假，欺骗性强，识别难度大。所以，在识别公司是否存在造假行为的过程中，我们不仅需要分析公司的财务数据，还需要结合分析非财务数据，从企业经营逻辑上判断企业披露的财务数据真实性。

不论是财务风险识别还是财务造假识别，都需要结合分析企业的经营数据和财务数据，挖掘出企业披露数据的不合理之处。传统的风险识别方案依赖于人工的专业知识和理性判断，不仅效率低，而且不能保证预测结果的客观性。但通过 AI来构造数据模型，可以实现对上市公司数据自动地、全面的分析，不仅大大降低了人工分析的工作量，还更加全面、客观。目前，AI已经在财务风险识别方面得到了较广泛的应用，如资金链断裂风险预测、财务造假行为识别、还债风险分析等。例如，DataRobot使用基于资产负债表和损益表的数据集构建了100多个不同的机器学习模型，用以对企业财务数据质量进行评估，从而识别潜在的财务数据造假问题。

图15：基于机器学习的财务报表欺诈检测（FSFD）中数据来源及数据类型

资料来源：Matin N.Ashtiani, Bijan Raahemi(2021),Intelligent Fraud Detection in Financial Statements Using Machine Learning and Data Mining:A Systematic Literature Review,IEEE Access；国信证券经济研究所整理

（三）流程自动化

以ChatGPT为代表的生成式AI的成功打破了人机之间的沟通障碍，开启了人机协同工作的新时代。生成式AI使用机器学习算法自动生成原始内容，减少了创造文本、代码、音频、图像、视频等内容的成本和时间，使企业可以快速地大规模制作更多内容并提高日常工作的自动化水平，从而提高生产力和盈利能力。据经济学家Joseph Briggs 和DeveshKodnani的预测，生成式AI或许能代替目前人类1/4的工作，将会在未来十年内促进全球GDP增长7%。在投资管理领域，生成式AI的应用将会实现许多基础工作的自动化，让人员从繁杂的日常重复劳动中解放出来，从而将更多的工作精力投入到增值型工作中。

1）文档整理

在投资研究中，我们需要花费大量的时间对文档进行归纳总结，例如会议纪要、企业报表、研究报告等。一方面，投研人员需要花费大量的时间用于文档整理和归纳工作，导致研究周期漫长、效率低下。另一方面，文档信息归集，如观点提取等工作容易受到研究人员知识背景、工作状态等主观影响。而生成式AI对文档强大的归纳总结能力可以帮助研究人员实现对大量文档的筛选、信息提取、归纳总结等工作，大大提升投研人员常规工作的效率。例如，生成式AI可以用于实现会议纪要的自动撰写、行情数据的自动生成、报表数据的格式化整理等功能。

2）代码生成

在投资研究中，研究人员在很多场景下面临着基础代码编写工作，例如编写爬虫代码获取数据、编写代码进行量化分析等。因此，研究人员不仅需要具备过硬的编写代码能力，还需要有扎实的金融理论知识。而生成式AI的出现，可以降低代码编写的门槛，研究人员仅仅需要对AI生成的代码进行适当的调整，就能迅速实现代码功能。简言之，生成式AI可以降低工作中对特定知识和技能的访问门槛，可以使研究人员更方便地利用数字化技术，扩大研究人员的能力圈。

3）知识管理

生成式AI最激动人心的一项应用是知识管理。许多传统的知识门槛型工作要求从业人员专精于独特的领域。但随着技术的进步，越来越多的工作要求人员具备复合型的专业背景和多样化的工作能力。尤其是对于行业研究人员，不仅需要具备扎实的金融理论知识，还需要对其他学科的知识有一定的了解。这就大大提高了部分工作的从业门槛并对从业人员造成较大的工作压力。但随着生成式AI的发展，知识管理可以帮助我们建立起属于自己的“知识仓库”，相当于在人脑外，通过计算机储存知识，并且训练计算机来模拟人类的思维方式，从而实现对知识的高效调用。例如，外资投行正利用OpenAI的GPT模型实现对财富管理领域知识的生成。一方面，公司内部人员可以很方便地通过提示性词汇获取到公司内部知识；另一方面，只需要对生成内容进行审查和微调，就能为客户生成定制化的内容。虽然，AI生成内容的准确性还有待提高，但随着模型的改进、训练数据规模的扩大和算力的提升，生成式AI在知识管理方面的应用将会迅速改变人类的学习和工作方式。

图16：AI系统对经理人原始生产力影响 (解决问题数量）

资料来源：NBER官网，国信证券经济研究所整理；注：数据口径为每小时解决问题的数量。

图17：部署AI系统对经理人原始生产力的影响 (客户满意度)

资料来源：NBER官网，国信证券经济研究所整理；注：数据口径为客户满意度。

（四）ESG投资

ESG 评级是指从环境（E）、社会（S）和治理（G）三个视角来衡量企业的可持续经营能力。随着气候变化、人权问题等全球性社会问题日益凸显，ESG投资受到投资者的广泛重视，已经成为全球的投资趋势。但是，目前ESG评价方法没有标准的定义，ESG评价指标由各评价机构自行确定，不同的机构在数据来源、评价体系、评分模型等方面差异很大，并且ESG 评价方法受到设计者的主观影响。而 AI与传统 ESG 评级方法的结合，可以创造 ESG 投研的新模式，推动 ESG 投资体系的完善。

第一，AI可以丰富 ESG 评级的数据来源，提高 ESG 数据质量。传统的 ESG 评级方法受限于人工提取数据的成本、效率和数据类型，不同机构采用的数据点规模、质量差异较大。实际上，大部分的ESG数据都是非结构化数据，而AI在处理和分析非结构化数据上具有很大的优势。通过网络爬虫、深度学习、自然语言处理等技术，可以实现对大量非结构化的另类数据进行信息提取和分析，从而构建更全面的指标体系。比如，可以根据大量的新闻报告、社交媒体信息等舆论数据中提取各利益相关者在环境、社会和治理三个维度对公司的评价，并量化数据，形成 ESG评级指标。此外，AI可以实现对数据真实性的检测，提高ESG数据质量。例如，针对部分企业的"漂绿"现象(企业以虚假的行为或宣传提升自身ESG评级),我们可以利用AI对采集到的数据进行交叉验证，如企业周边的环境数据和企业主动披露的 ESG 数据，识别企业的"漂绿"行为。

第二，AI可以实现数据采集流程和 ESG 风险事件监控的自动化，提高信息的时效性。大部分的 ESG数据是事后数据，导致传统的 ESG 评级方法大多属于静态模型，评级结果时效性较差。随着人工智能的发展，许多数据可以实现自动化地采集，大大加强信息的时效性。例如，可以利用计算机视觉（CV）技术，对企业的卫星遥感影像进行分析，监控企业的污染排放数据。还可以通过监控新闻报道等舆论信息，提取与公司相关的争议事件，如环境污染、法律诉讼、监管处罚等信息，实现对公司ESG风险事件的自动监控。

第三，AI算法可以将权重设置过程标准化，减小权重设置过程中的主观影响。传统的 ESG评级方法一般根据公司的行业类型，通过选择不同的指标、设置不同的权重，来削弱行业对评级结果的影响。这种主动权重设置方法依赖于专家知识，主观性较强。而采用AI算法设置权重，或采用AI分类算法代替传统的线性加权的分类方法，可以消除掉权重设置环节研究人员主观性的影响。例如，我们可以对同一行业的公司，选取相同的ESG 指标，采用聚类算法，如K近邻算法，实

现对公司ESG绩效水平的分类。

第四，AI可以实现ESG评级模型从静态到动态的转变，满足投资者的个性化定制需求。传统的ESG评价模型一般为静态模型，投资者只能获取评级机构的评级结果和部分底层数据。如果将AI应用到ESG评级的全流程，我们可以实现评级数据的自动化采集和实时更新，投资者可以根据个性化的需求，选取评价指标、设置评级算法，实现ESG评级模型的定制化和评级结果的动态更新，从而满足不同投资者的 ESG 投研需求。

图18：AI对ESG评级流程的影响举例

资料来源：国信证券经济研究所绘制

展望未来，AI与产业应用协同发展

未来已来：中长期视角AI对投资产生深远影响

随着AI技术的发展和应用场景的扩展，在可预见的未来，AI必将深入变革股票市场。结合Gartner发布的AI技术成熟度曲线，我们认为在未来五年内，将会有一系列的AI技术在股票市场中得到应用。首先，以文本生成为代表的生成式 AI技术将会在2至5年内极大提高从业人员的工作效率，优化工作流程。其次，以数据为中心的AI、决策智能等AI技术也会在2至5年内重塑投资管理流程，创造出一批全新的产品和服务。虽然AI在股票投资相关领域内的应用将会迅速增加，但是AI应用的效益将会最先体现在实现传统业务的降本增效上，AI在核心投资环节的深入应用仍有待于技术的发展和相关法律法规的完善。

图19：2022年Gartner人工智能技术成熟度曲线

资料来源：Gartner官网，国信证券经济研究所整理

AI的广泛应用对股票市场的影响

（一）增添市场活力，提高市场有效性

从分析自动化到交易自动化，AI正以多种方式重塑投资管理流程。人工智能驱动的投研系统、交易系统将会助力投资者更全面地分析数据并做出更快、更明智的投资决策。总而言之，传统的股票市场正在因AI的广泛应用而发生深刻的变革。

对于个人投资者而言，AI可以促进数据获取民主化，实现更快速便捷地获取、处理、分析数据，帮助投资者管理投资组合、优化交易策略并降低风险敞口。对于市场参与机构而言，AI对投资、交易管理及支持性业务的赋能，将为各类型机构实现业务流程优化、降本增效、提高产品竞争力再引源头活水。对于股票市场整体而言，AI将会大幅增加专业投资者数量占比，促使市场参与者趋向理性博弈，降低市场波动性，更好地实现资本市场和实体经济的良性互动。在可预见的未来，AI的广泛应用将会降低股票市场波动率并削弱信息的不对称性，激发市场参与者的投资意愿，增加流动性，进而提高市场有效性。

（二）风险与机遇并存，AI的应用亦是一把双刃剑

AI的应用是一把双刃剑，我们要审慎看待AI赋能资本市场带来的机遇和风险。

第一，AI的应用存在技术性风险。虽然AI技术发展的速度很快，但毕竟AI还是一种新技术，其在投资管理中的应用将会受到技术成熟度的制约。例如，绝大多数 AI投资策略属于黑箱模型，策略使用者无法绝对保证策略本身的逻辑自洽和策略编码的安全性和可靠性。第二，AI的应用存在法律和合规风险。虽然AI的发展势头迅猛，但在AI相关的立法方面相对滞后，盲目应用AI可能会受到监管处罚。例如，在使用AI收集数据的过程中，很有可能会侵犯用户的隐私或引发数据安全问题。第三，AI本身就是AI最大的风险隐患。目前AI通过对传统产品和服务的替代或升级来实现对股票市场的赋能，但在未来广泛应用AI的同时，会不会出现专门作用于AI应用的AI技术呢？例如，在基于舆情分析的投资策略中，会不会有一些AI应用专门创造出适合AI分析的新闻或社交媒体评论，从而引导 AI分析的过程呢？因此，要牢牢掌控AI应用的方向盘，既要把握住AI赋能股票市场的机遇，也要审慎看待AI应用带来的一系列风险问题。

结论

在本文中，我们对AI在金融领域，尤其是股票市场中的应用场景进行了列举，并探讨了AI应用对股票市场的影响。在可预见的未来里，AI势必会全面赋能投资管理，并通过削弱信息不对称性、降低市场波动率等方式，促进市场有效性提升。但AI的应用是一把双刃剑，AI在给股票市场带来巨大发展机遇的同时，也会产生技术性风险、法律合规风险等一系列问题。我们要审慎看待AI带来的机遇和风险，把控好AI在投资交易中应用的舵盘，确保安全可靠地驶向未来。

风险提示

AI技术成熟度、人工智能在投研应用中潜在的法律风险和道德风险等。

免责声明

分析师声明

作者保证报告所采用的数据均来自合规渠道；分析逻辑基于作者的职业理解，通过合理判断并得出结论，力求独立、客观、公正，结论不受任何第三方的授意或影响；作者在过去、现在或未来未就其研究报告所提供的具体建议或所表述的意见直接或间接收取任何报酬，特此声明。

国信证券投资评级

类别	级别	说明
股票投资评级	买入	股价表现优于市场指数20%以上
	增持	股价表现优于市场指数10%-20%之间
	中性	股价表现介于市场指数±10%之间
	卖出	股价表现弱于市场指数10%以上
行业投资评级	超配	行业指数表现优于市场指数10%以上
	中性	行业指数表现介于市场指数 ±10%之间
	低配	行业指数表现弱于市场指数10%以上

重要声明

本报告由国信证券股份有限公司（已具备中国证监会许可的证券投资咨询业务资格）制作；报告版权归国信证券股份有限公司（以下简称“我公司”）所有。本报告仅供我公司客户使用，本公司不会因接收人收到本报告而视其为客户。未经书面许可，任何机构和个人不得以任何形式使用、复制或传播。任何有关本报告的摘要或节选都不代表本报告正式完整的观点，一切须以我公司向客户发布的本报告完整版本为准。

本报告基于已公开的资料或信息撰写，但我公司不保证该资料及信息的完整性、准确性。本报告所载的信息、资料、建议及推测仅反映我公司于本报告公开发布当日的判断，在不同时期，我公司可能撰写并发布与本报告所载资料、建议及推测不一致的报告。我公司不保证本报告所含信息及资料处于最新状态；我公司可能随时补充、更新和修订有关信息及资料，投资者应当自行关注相关更新和修订内容。我公司或关联机构可能会持有本报告中所提到的公司所发行的证券并进行交易，还可能为这些公司提供或争取提供投资银行、财务顾问或金融产品等相关服务。本公司的资产管理部门、自营部门以及其他投资业务部门可能独立做出与本报告中意见或建议不一致的投资决策。

本报告仅供参考之用，不构成出售或购买证券或其他投资标的要约或邀请。在任何情况下，本报告中的信息和意见均不构成对任何个人的投资建议。任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效。投资者应结合自己的投资目标和财务状况自行判断是否采用本报告所载内容和信息并自行承担风险，我公司及雇员对投资者使用本报告及其内容而造成的一切后果不承担任何法律责任。

证券投资咨询业务的说明

本公司具备中国证监会核准的证券投资咨询业务资格。证券投资咨询，是指从事证券投资咨询业务的机构及其投资咨询人员以下列形式为证券投资人或者客户提供证券投资分析、预测或者建议等直接或者间接有偿咨询服务的活动：接受投资人或者客户委托，提供证券投资咨询服务；举办有关证券投资咨询的讲座、报告会、分析会等；在报刊上发表证券投资咨询的文章、评论、报告，以及通过电台、电视台等公众传播媒体提供证券投资咨询服务；通过电话、传真、电脑网络等电信设备系统，提供证券投资咨询服务；中国证监会认定的其他形式。

发布证券研究报告是证券投资咨询业务的一种基本形式，指证券公司、证券投资咨询机构对证券及证券相关产品的价值、市场走势或者相关影响因素进行分析，形成证券估值、投资评级等投资分析意见，制作证券研究报告，并向客户发布的行为。

国信证券经济研究所

深圳深圳市福田区福华一路125号国信金融大厦36层邮编：518046总机：0755-82130833

上海
上海浦东民生路1199弄证大五道口广场1号楼12层
邮编：200135
北京
北京西城区金融大街兴盛街6号国信证券9层
邮编：100032

国信证券-策略深度研究：人工智能将如何影响投资-230509.pdf