技术摘要：生成式人工智能与复杂收益信息的定价

1. 问题陈述与动机

本文探讨了会计与金融领域一个核心且尚未解决的争论：**盈余公告后漂移（PEAD）**现象。该现象是指股价在盈余公告发布后，仍会在很长一段时间内持续对盈时消息进行调整。历史上，已有三种竞争性解释被提出：

1. 风险驱动解释： 漂移是针对某种定价风险因子的补偿。
2. 套利限制解释： 漂移是阻碍专业资本纠正错误定价的摩擦因素。
3. 处理成本解释： 漂移是由于投资者在阅读和解读复杂财务报告时面临高昂成本而导致的延迟反应。

先前的实证测试未能区分这些理论，因为它们依赖于由企业选定的横截面复杂度指标，以及改变报告本身（生产端）或中介机构（中介端）的技术，而非改变读者处理信息的能力。本文认为，ChatGPT 在 2022 年 11 月 30 日的发布，为**消费边际（consumption margin）**提供了一个独特的、外生的冲击——具体而言，即降低了投资者处理复杂文本的普遍成本。这使得直接测试处理成本假设及其竞争理论成为可能。

2. 研究方法与识别策略

理论框架

作者构建了一个形式化模型，其中投资者根据精确度价值与处理成本 $c(k)$ 之间的权衡来决定是否处理某项披露，其中 $k$ 代表披露的复杂度。

• 预测： 如果生成式 AI 降低了处理成本 ($c(k)$)，则处理报告的投资者比例 ($\lambda$) 会增加。
• 含义： 即时市场反应 ($R_0$) 应增加（或保持稳定），而随后的漂移 ($R_D$) 则应减少。至关重要的是，这种效应应该是由复杂度分级的：预设处理成本较高的企业，其漂移减少程度应比简单企业更为显著。
• 区分： 风险理论和套利理论均无法预测这种针对阅读技术冲击而产生的复杂度分级响应。

数据与样本

• 来源： 来自 SEC EDGAR 的公开数据（10-K/20-F 备案文件、8-K/6-K 盈余发布）、Nasdaq 市场数据 API（价格、成交量、13F 机构持股）以及 stockanalysis.com（成分股列表）。
• 样本： 149 家公司（包括 56 家美国大盘股、55 家美国小盘股、38 家非美国 ADR），覆盖时间为 2021 年 1 月至 2024 年 12 月。
• 关键变量构建：
  • 处理成本指数 (PCI)： 一个透明的、手工构建的指数，源自年度报告的五个文本特征（Token 计数、Gunning Fog 指数、平均句子长度、长 Token 占比、数值密度）。至关重要的是，该指数完全基于发布前（2022 年 11 月 30 日之前）的备案文件进行校准，以确保处理强度是预先确定的，而非对冲击产生内生性响应。
  • 验证： PCI 通过了基于 Transformer 语言模型的 Token 级困惑度（Perplexity）验证。两者表现出显著差异（相关系数 -0.45），凸显了统计可预测性与人类可读性之间的不同。
  • 结果变量： 绝对即时反应 ($|CAR_{-1,+1}|$)、绝对漂移 ($|CAR_{+2,+21}|$)、效率比（发生在公告时的总反应份额）以及基于漂移的长短仓策略的盈利能力。

计量经济设计

研究采用了双重差分（DiD）框架：
$$Y_{it} = \beta (Post_t \times HighComplex_i) + \gamma X_{it} + \alpha_i + \phi_t + \epsilon_{it}$$

• 处理变量： $Post_t$ 是针对 2022 年 11 月 30 日及之后公告的指示变量。$HighComplex_i$ 是发布前处理成本的连续变量（或前三分之一水平的二元指标）。
• 控制变量： 企业固定效应、年-季固定效应、对数价格和对数美元成交量。
• 稳健性检验：
  • 安慰剂检验： 使用 2021 年 6 月的一个虚假发布日期。
  • 第二次冲击： ChatGPT 移动端应用（2023 年 5 月 18 日）的发布。
  • 反转诊断： ChatGPT 停机事件（尽管数据稀疏性限制了统计效力）。
  • 细分市场： 针对美国大盘股、美国小盘股和非美国 ADR 的分析。

3. 主要结果

主要发现

1. 漂移压缩： 在 ChatGPT 发布后，预设处理成本较高的企业的公告后回报持续部分显著下降。
   • 系数： 对于连续型交互项，系数为 -0.010 (t = -3.4)。处理成本每增加一个标准差，与 20 日漂移相关的降幅约为 1 个百分点。
   • 效率比： 到达公告时的反应份额增加（漂移份额减少），这在非美国发行人和小盘股中尤为明显。
2. 异质性： 该效应集中在机构持股较低且散户参与度较高的细分领域。
   • 低机构持股： 对于机构持股低于中位数的公司，漂移压缩效应显著（-0.0175, t = -3.32），而对于高持股公司，该效应可以忽略不计。这支持了以下观点：这些公司的边际投资者面临最高的体力处理成本。
   • 市场细分： 该效应在非美国 ADR（报告最复杂）中最为强烈，其次是美国小盘股，在向美国大盘股过渡的过程中，效应虽方向一致但有所减弱。
3. 策略盈利能力： 利用漂移进行的“长短仓策略”（买入极端正向意外，卖出极端负向意外）在发布后，在高复杂度企业中的收益显著下降。所谓的“处理成本溢价”（高复杂度企业相对于低复杂度企业获得的额外回报）从约 2.5% 缩小到接近于零，尽管由于惊喜分位数样本量较小，这一特定结果在统计上并不显著。

稳健性与局限性

• 安慰剂： 二元安慰剂测试（2021 年 6 月）不显著，但连续型安慰剂测试显示在前期存在正向显著趋势，表明连续型指数可能捕捉到了独立于冲击之外的持续回报上升趋势。作者提醒不要对此进行强烈的因果解读。
• 停机事件： ChatGPT 的停机事件过于稀疏，无法提供具有统计效力的反转测试（受影响窗口内仅有 2 个高复杂度事件）。
• 移动应用： 2023 年 5 月发布的移动应用作为第二次冲击，显示出高复杂度企业漂移进一步压缩（-0.0205, t = -2.84）。

4. 核心贡献

1. 理论层面： 本文将消费边际形式化为一个注意力分配问题。文章指出，只有消费边际（投资者处理过程）能产生与生产端（企业报告）或中介端（分析师预测）不同的、可直接测试的定价决策预测。
2. 测量层面： 引入了一个预定的处理成本指数，该指数仅基于冲击前的数据进行校准，从而避免了内生性问题。同时，文章记录了面向人类的可读性指标与来自语言模型的统计困惑度之间的关键分歧，表明未来的研究必须区分这两个维度。
3. 实证层面： 这是首次大规模测试通用型处理技术是否改变了盈余信息的定价。不同于以往关注预测准确性的 AI 研究，本文评估的是决策结果（价格调整速度和策略盈利能力）。

5. 重要性与主张

本文声称提供了与处理成本渠道相一致的证据，而非提供一个尖锐的识别。其核心论点是：生成式 AI 的发布降低了阅读复杂报告的成本，使得信息能够更快地进入价格，从而减少了漂移。

• 对理论而言： 它表明会计信息的“相关性”不仅是报告本身的属性，也是读者技术的属性。一份在 2022 年因成本过高而难以使用的报告，在 2023 年无需任何文本改动即可变得可用。
• 对监管而言： 如果处理成本是一个约束条件，那么提高机器可读性和可比性的法规将带来直接的效率收益，特别是对于那些披露内容最为复杂的企业。
• 对实践而言： 该技术压缩了以往通过手动处理技能获取利润的空间，尤其是在由散户投资者主导的市场领域。

作者对其结论保持审慎，指出连续型设定中的前期动态以及缺乏投资者层面的使用数据，使其无法做出确定性的因果判断。然而，跨细分市场的证据趋同性、对低机构持股公司的特异性，以及通过第二次冲击（移动应用）实现的验证，有力地支持了处理成本解释，而非风险或套利替代方案。