温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。

作者： 宗景辉（西北大学）
邮箱： jh_zong2023@163.com

 

• Title: GenAI 正在如何改变金融研究？一份系统性综述（中）
• Keywords: 生成式人工智能, GenAI, 大语言模型, LLM, 金融文本分析, 综述, ChatGPT

 

编者按： 本推文主要翻译自下文，略有改动，特此感谢！

Source: Mo, H., & Ouyang, S. (2025). (Generative) AI in Financial Economics. Journal of Chinese Economic and Business Studies, 23(4): 509-587. Link, PDF, Google.

 

查看系列推文：GenAI 正在如何改变金融研究？一份系统性综述 (上、中、下)

 

导言

Mo & Ouyang (2025) 这篇综述论文旨在为国内金融实证研究者提供一份系统的 AI 与金融经济学交叉领域应用指南。该综述全面梳理了人工智能 (特别是生成式 AI 和大语言模型) 在金融经济学六大核心领域的应用进展、方法论创新及面临的挑战。

本系列分为 [上、中、下](GenAI 正在如何改变金融研究？一份系统性综述) 三篇。上篇聚焦 AI 时代背景与 GenAI 的三重角色；中篇将深入探讨公司金融、资产定价、家庭金融、劳动经济学等应用前沿；下篇则讨论风险挑战与未来方向。

本文 (中篇) 将重点介绍四个方面：

• AI 与公司金融：AI 投资如何影响企业绩效、组织变革与风险，以及 AI 如何重塑企业信息的生产与解读方式；
• AI 与资产定价：机器学习如何提升收益可预测性、推动因子发现与随机折现因子估计，并革新投资组合构建策略；
• AI 与家庭金融：AI 如何促进信贷市场的金融普惠、赋能智能投顾，以及由此引发的数据隐私问题；
• AI 与劳动力市场：AI 的自动化与增强效应如何影响就业、工资不平等与宏观经济产出。

文中提及的文献已在推文 255 篇论文：GenAI 在金融领域的各种应用 中列出。

1. AI 与公司金融

1.1 AI 投资与企业绩效

产业界已步入 AI 技术赋能的新时代。然而，AI 采用对企业的收益并非显而易见，AI 虽可通过将高技能任务自动化来提升效率，但这项技术或许仍处于应用的早期阶段，其效果尚待充分释放。

AI 主要通过两大机制惠及企业：其一，简化实验流程、降低创新成本，从而促进产品创新（Bustamante, Cujean, & Frésard, 2019）；其二，降低单位劳动成本，并借助更精准的预测能力提升运营效率，从而削减流程创新的成本。估算 AI 对企业层面影响的核心挑战在于缺乏细粒度的投资数据和可靠的因果识别策略 (Frank et al., 2019; Seamans & Raj, 2018)。

在利用人才数据衡量 AI 投资效果方面：

• Babina et al. (2024) 利用简历和职位发布数据衡量企业 AI 人才存量与需求，发现 AI 投资与企业规模之间形成正反馈循环。
• Fedyk et al. (2022) 分析 36 家美国大型审计公司逾 31 万份员工简历，发现引进 AI 人才有助于减少财务重述和降低费用，从而提升产品质量与生产率，但收益分配不均。
• Zhang (2024) 基于职位发布衡量共同基金的 AI 采用程度，发现 AI 采用率较高的基金凭借对信息丰富型股票更强的选股能力，显著跑赢同行。
• Wu, Lou, & Hitt (2025) 发现获取 AI 人才有助于缓解企业在 IPO 后因短期财务和披露压力而出现的创新下滑。
• Gambacorta, Sabatini, & Schiaffi (2025) 利用意大利银行业数据表明，基于 AI 的信用评分因更多依赖可量化的硬信息，显著提升了借款人评估的准确性。
• Zheng (2025) 发现借助机器学习进行专利筛选可使专利质量提升 17%–26%，进而提高上市公司资产收益率，并增加私营企业实现 IPO 或被并购的可能性。

另一条互补的研究脉络聚焦于 AI 创新本身的生产，越来越多的研究以专利数据作为 AI 技术活动的代理变量 (Cockburn et al., 2018; Webb et al., 2018)：

• Alderucci et al. (2020) 将美国专利商标局的 AI 专利与人口普查微观数据匹配，发现 AI 创新与企业收入增长、人均增加值提升以及内部工资不平等加剧显著相关。
• Ahmadi et al. (2023) 发现 AI 创新在所有专利中的占比已从 1990 年的 5% 攀升至 15%–35%，但企业就业规模基本未变，表明 AI 对劳动力起到的是互补而非替代作用。
• Chen & Wang (2024) 将 AI 创新区分为增强型和替代型两类，发现增强型 AI 能同时增加就业并提升生产率，而替代型 AI 虽降低劳动成本却未能提升生产率，但两类 AI 均提升了企业估值。

AI 创新对企业的价值正日益凸显：

• Chen, Shi, & Srinivasan ([2024](https://www.hbs.edu/ris/Publication Files/24-069_e5bcc300-d7f3-43b7-af9f-945b5937495e.pdf)) 基于 1995—2020 年美国专利数据发现，AI 专利相对于非 AI 专利存在约 9% 的价值溢价，源于更高的知识溢出和更大的商业化潜力，且随时间稳步上升。
• Yang (2022) 基于台湾电子产业发现，AI 技术虽与生产率和就业正相关，但非 AI 专利也产生了类似幅度的正面效应，且 AI 创新的影响因企业条件、任务类型和技能水平而存在显著差异。

市场似乎已将 AI 对企业价值的影响纳入定价：

• Rock (2019) 以 Google 开源深度学习框架 TensorFlow 为事件，发现拥有更多 AI 人才储备的企业获得了显著的估值收益，且驱动力是投资者预期修正而非即时生产率提升。
• Eisfeldt, Schubert, & Zhang (2023) 发现在 ChatGPT 推出后两周内，做多高暴露企业、做空低暴露企业的组合日收益达 0.44%，且估值效应呈现显著的行业差异。
• Lu, Phillips, & Yang (2024) 发现 AI 采用不成比例地惠及拥有更优质数据和技术人才的大型企业，推高了市场集中度，并增强了其对股权投资者的吸引力。

1.2 AI 驱动的组织变革

AI 是技能导向型组织变革的重要驱动力：

• Babina et al. (2023) 发现加大 AI 投资的企业倾向于雇用更高学历的劳动力，且组织层级趋于扁平化。
• Abis & Veldkamp (2024) 发现正如工业化曾让工人能够生产更多商品一样，AI 让知识工作者能利用数据完成更多任务，企业从每单位数据中获取更多价值，同时所需人力投入也相应减少。
• Jones & Tonetti (2020) 指出数据具有非竞争性，可被多方同时使用而不被消耗，广泛共享可产生巨大的社会收益。
• Beraja, Yang, & Yuchtman (2023) 基于中国场景验证了数据共享的收益，发现通过公共安全合同获取政府监控数据的 AI 企业在三年内平均增加了约两款商业软件产出。

组织变革可能具有路径依赖性：

• Schubert (2025) 提出组织技术阶梯概念，发现企业在疫情期间为远程办公搭建的数字基础设施，为后续整合生成式 AI 奠定了基础，这种路径依赖可能进一步加剧企业间生产率的分化。
• Campello, Cong, & Zhou (2023) 利用深度学习和离线强化学习分析管理决策，展示了 AI 可生成高维度、动态化和反事实的管理洞见，优化短期和长期市值分别实现季度超额表现 10.1% 和 8.7%。

然而，AI 采用也可能产生意料之外的反效果：

• Chen & Han (2024) 指出 AI 提供的额外信息可能使管理者的估计落入薪酬与决策脱钩的区间，反而诱使其追求私人利益，凸显了在 AI 增强决策中设计有效治理结构以防范代理问题的重要性。
• Erel et al. (2021) 将董事选择视为预测问题并应用多种机器学习算法，发现算法选出的董事表现优于许多实际中受偏见或代理问题影响的人为选择。
• Bubb & Catan (2022) 利用机器学习分析基金投票行为，发现大型被动基金在关键治理问题上比此前假设的更倾向于挑战管理层，而依赖代理顾问的小型被动基金则可能助长了代理顾问影响力的膨胀。

总体而言，AI 正在重新定义企业的运营和治理方式，但充分释放其潜力需要审慎的技术整合、对人力资本的互补性投资以及健全的治理结构。鉴于 AI 更可能增强而非替代人类决策，设计有效的人机协作框架将是推动可持续且高效组织变革的关键。

温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。