人工智能可以提高股權眾籌的投資效率嗎？

楊金娟

人工智能通過降低投資者認知的局限性，提高了投資者的信息感知能力，進而提高其決策效率。本文以聚募網公布的145起股權眾籌項目為研究對象，利用傳統的計量經濟學模型和基于機器學習的神經網絡模型來預測項目成功的概率。研究發現，將文本信息和圖像信息加入評估模型能有效提高投資者對股權眾籌項目的投資效率，且BP神經網絡模型的預測準確率高于傳統的Probit模型。使用人工智能技術能有效提高投資者對股權眾籌項目的識別能力，在一定程度上緩解小微初創企業或項目的融資難問題。

一 、引言

股權眾籌在解決我國小微創業企業融資問題和促進創新創業方面發揮著重要作用，然而投資者相較于籌資者而言，處于信息劣勢，無法獲得股權眾籌項目的所有信息，投融資雙方存在一定的信息不對稱性，較高的風險和不確定性增加了投資者項目選擇的難度。股權眾籌的參與者大多不是專業投資者，即使優質的眾籌項目能發出信號，投資者也未必能有效識別。因此，從信息感知視角研究投資者如何有效利用已有的信號做出科學的判斷顯得尤為重要。信息感知是用戶吸收和利用信息的開端，用戶自身的認知經驗、知識結構和信息存在的狀態都會對用戶的信息感知產生影響，信號理論認為提高投資者的信息感知能力可以有效降低投融資雙方的信息不對稱性，而投資者的信息感知能力同時受其獲取信息的寬度和掌握信息的深度兩方面影響［1］。由于受數據獲取與數據處理等技術問題的限制，在股權眾籌的現有研究中，信息獲取來源多集中于傳統的數值型數據，對文本數據、圖像數據和音頻數據等新型載體所蘊含的信息則關注較少，限制了投資者獲取信息的寬度；以往研究對數據的處理大多人為設定變量之間為線性關系，在一定程度上限制了對信息的認知深度。而人工智能的興起，使得對文本和圖像等非結構化數據處理變得可能，同時機器學習算法也可以提高對復雜關系的處理程度。因此，本文嘗試從信息感知視角討論人工智能如何通過拓寬投資者獲取信息的寬度和掌握信息的深度進而提高其在股權眾籌項目中的投資效率。

二 、理論分析與研究假設

在股權眾籌領域，可以通過籌資者主動的信息披露和投資者的信息感知來有效降低投融資雙方的信息不對稱程度?，F有關于股權眾籌信息不對稱問題的研究，重點關注項目籌資者的主動信息披露行為對降低籌資者和投資者之間信息不對稱性的影響［2］，也有學者同時從籌資者和投資者的視角研究了雙方釋放的信號在降低信息不對稱時的作用［3］。而從投資者信息感知視角來研究如何降低籌資者和投資者之間信息不對稱性的較少。在金融領域，很多學者利用投資者的認知能力來解釋投融資雙方面對的信息不對稱性，從投資者有限關注的視角把投資者的認知能力當作一種有限資源來研究［4］，即投資者認知能力的有限性直接限制了投資者對項目信息的感知水平，進而影響了信號傳遞者所傳遞信息的有效性。人工智能則在數據獲?。▽挾龋┖吞幚恚ㄉ疃龋┓矫嫣岣吡送顿Y者的信息感知能力進而提高了投資者的決策效率。

股權眾籌項目披露的信息主要包括兩類：與項目相關的特征（如目標金額、最低起投額、出讓股份大小等）和與創業團隊相關的特征（如創業經驗、團隊規模、教育水平等）［5］。以往研究主要利用傳統的結構化數據，很少捕捉到股權眾籌項目中文本和圖像所蘊含的信息。本文使用圖像處理技術和文本分析技術從項目的圖片和簡介中提取信息，以拓寬投資者感知信息的寬度。除了數值信息外，文本和圖像也可以傳遞有效信息，提高投資者的決策效率［6］。因此，提出本文的假設1：

H1：人工智能通過拓寬投資者的信息獲取寬度進而提高了投資者的決策效率。

以往學者主要使用傳統的計量經濟學方法去預測股權眾籌項目的成功率，然而在大數據背景下，樣本量和數據維度都在呈指數上升，變量之間的關系更加復雜，機器學習算法相較于傳統的計量經濟學方法能夠通過對歷史樣本的學習，尋找規律，尤其能夠捕捉變量之間的復雜關系，增加對數據處理的深度，提高對未來樣本預測的表現［7］（章永來等，2014）?，F有研究表明使用先進的機器學習算法能提高眾籌項目預測的準確率［8］。因此，提出本文的假設2：

H2：人工智能通過提高投資者的信息處理深度進而提高了投資者的決策效率。

三、研究設計

本文的145個股權眾籌項目來自浙江省最大的互聯網非公開股權融資平臺——聚募網。表1對研究涉及變量進行了定義和說明?；诒疚奶岢龅膬蓚€假設，主要設計了Probit模型、BP神經網絡、隨機森林和BP神經網絡模型三種模型來解決研究問題。本文認為，當固定研究模型時，加入文本和圖像信息使模型預測準確率提高，則可以驗證本文的假設1；當固定信息類型，使用機器學習算法的預測準確率高于Probit模型時，則可以驗證本文的假設2。

四 、研究結果

表2為基于Probit模型的回歸結果，列（1）是基本模型，列（2）在列（1）的基礎上加入了項目簡介的文本信息，列（3）在列（1）的基礎上加入了創業團隊的圖像信息，列（4）在列（1）的基礎上加入了項目簡介的文本信息和創業團隊的圖像信息。從列（1）到列（4），模型預測的準確率在不斷提升。說明將項目簡介和創業團隊成員照片等信息加入模型中，提高了模型的說服力，為投資者在選擇投資項目時提供了有價值的參考信息。驗證了本文的假設1，即機器學習對人類無法大批量處理的文本信息和圖像信息進行感知，從而提高模型預測準確率，通過拓寬投資者的信息獲取的寬度提高了投資者的決策效率。綜上，項目簡介的文本信息和創業團隊的照片信息確實在預測股權項目成功與否中發揮了重要作用，基于自然語言處理技術和圖像識別技術的發展，充分考慮項目簡介文本中包含的信息和創業團隊照片中所包含的圖像信息，在提高模型精確度的同時更為投資者帶來了評估項目好壞的新指標。

以總樣本的85%作為訓練集合，剩下的22個項目作為預測集合。在模型構建階段，將85%的訓練樣本再細分成十份，進行十折交叉驗證，提高算法的準確率。在預測階段，依據傳統回歸模型變量的添加思路（表2），根據變量的差異分別做了四次BP神經網絡擬合，得到了四個BP神經網絡模型預測集上的混淆矩陣，見表3。Panel A為基本模型，只包含項目特征和創業團隊特征中傳統數據信息，該模型取偽錯誤為2個，棄真錯誤為3個，共錯判5個，因此風險估計為0.2273，模型預測的準確率為0.7727。Panel B在基礎模型的基礎上加入了項目簡介的文本信息，模型預測的準確率為0.8636。Panel C在基礎模型的基礎上加入創業團隊照片信息，模型預測的準確率為0.9091。Panel D在基礎模型的基礎上同時加入項目簡介的文本信息和創業團隊的照片信息，模型預測的準確率為0.9545。通過BP神經網絡的預測結果，可以得出兩個結論：第一，在保持模型不變的基礎上，通過在模型中加入文本和圖像信息可以提高模型預測的準確率，進一步驗證了本文的假設1；第二，在四種不同的信息模式下，BP神經網絡的預測結果都要好于傳統的probit模型，驗證了本文的假設2。

本文進一步使用隨機森林算法（RF）找出特征變量的最優子集，利用特征變量的最優子集再次對BP神經網絡模型進行訓練擬合，按照上述Probit模型和BP神經網絡模型的構建思路，分別建立了四個RF+BP模型，出錯率分別為13.64%、9.09%、4.55%和4.55%。表4是Probit模型、BP神經網絡模型和FR+BP模型的預測準確率對比表。由表4可知，無論是Probit模型、BP神經網絡模型還是FR+BP模型，隨著項目簡介文本信息和創業團隊照片信息的加入，模型的預測準確率均得到了提高；而不論從基礎模型還是之后三個加入新變量的模型來看，按模型預測準確率由高到低排序，依次為FR+BP模型、BP神經網絡模型、Probit回歸模型。無論從特征變量的添加還是從模型的改進來看，機器學習均在一定程度上降低了投資者人工判斷的主觀性，提高了投資者對股權眾籌項目的投資效率。以此，驗證了本文的假設1和假設2。

五、 結論

本文通過對聚募網145個股權眾籌項目的研究，發現將經過自然語言處理技術處理后的項目簡介和經過圖像識別技術處理后的創業團隊成員照片信息加入模型，會明顯提高模型預測的準確度；同時，在使用傳統線性預測模型的基礎上，利用BP神經網絡、隨機森林和BP神經網絡模型對項目進行訓練，得到的預測模型準確率為95.45%，相比傳統模型提高近17個百分點?？梢?，人工智能可以提升投資者獲取信息的寬度和處理信息的深度，在一定程度上降低投資者認知的局限性，通過提高投資者的信息感知能力進而提高投資者的決策效率。在人工選擇模型進行預測和將數據交由機器學習進行訓練擬合進而預測這兩種模式中，機器學習顯然更勝一籌。

本文的研究對參與互聯網股權眾籌平臺的投資者和籌資者均有一定的啟示意義。一方面，對于投資者來說，在評估項目進行投資時，不僅要關注以往慣用的結構化數據，更要積極使用現在正在興起并飛速發展的人工智能去發現項目文本、圖像中所蘊含的信息，借此去評估項目甚至獲得超額收益，通過提高信息獲取的寬度和信息處理的深度來提高個人的信息感知能力，從而降低主觀投資判斷的非理性；另一方面，對于籌資者來說，在發布項目進行融資時，除了將披露信息的重點放在數字信息上，關注數字信息的嚴謹、客觀外，還要重視項目標題、項目簡介、團隊介紹、成員照片等文字信息的表述和圖像信息的呈現。

隨著大數據、人工智能、云計算等技術的發展，人們獲取數據、處理數據的方式發生著翻天覆地的變化。在新型的金融市場中，無論是投資者還是籌資者，都應擁抱新技術，充分發揮“機器”的優勢，駕馭浩瀚的數據，及時獲取有用、客觀的信息、提高決策理性，優化決策效果。

參考文獻：

［1］王春峰，李思成，房振明.投資者認知度、信息不對稱與股價延遲［J］.管理評論，2018，30（11）：3-13.

［2］彭紅楓，米雁翔.信息不對稱、信號質量與股權眾籌融資績效［J］.財貿經濟，2017，38（05）：80-95.

［3］Usman， Sardar Muhammad， Farasat Ali Shah Bukhari， Muhammad Usman， Daniel Badulescu， and Muhammad Safdar Sial. Does the Role of Media and Founders Past Success Mitigate the Problem of Information Asymmetry？ Evidence from a UK Crowdfunding Platform. Sustainability， 2019， 11（3）：692.

［4］游家興，陳志鋒，肖曾昱等.財經媒體地域偏見實證研究［J］.經濟研究，2018，53（04）：167-182.

［5］Ralcheva， A. & Rooseboom， P. Forecasting success in equity crowdfunding. Small Business Economics， 2019， 55， 39-56.

［6］Mahmood， A.， Luffarelli， J. & Mukesh， M. What's in a logo？ The impact of complex visual cues in equity crowdfunding. Journal of Business Venturing， 2019， 34， 41-62.

［7］章永來，史海波，周曉鋒，楊秀鋒.基于統計學習理論的支持向量機預測模型［J］.統計與決策，2014（05）：72-74.

［8］李雅婷，左文明.眾籌項目籌資結果預測模型［J］.統計與決策，2016（02）：86-89.

作者單位：上海外國語大學，博士研究生。