人工智能可以提高股权众筹的投资效率吗？

杨金娟

人工智能通过降低投资者认知的局限性，提高了投资者的信息感知能力，进而提高其决策效率。本文以聚募网公布的145起股权众筹项目为研究对象，利用传统的计量经济学模型和基于机器学习的神经网络模型来预测项目成功的概率。研究发现，将文本信息和图像信息加入评估模型能有效提高投资者对股权众筹项目的投资效率，且BP神经网络模型的预测准确率高于传统的Probit模型。使用人工智能技术能有效提高投资者对股权众筹项目的识别能力，在一定程度上缓解小微初创企业或项目的融资难问题。

一 、引言

股权众筹在解决我国小微创业企业融资问题和促进创新创业方面发挥着重要作用，然而投资者相较于筹资者而言，处于信息劣势，无法获得股权众筹项目的所有信息，投融资雙方存在一定的信息不对称性，较高的风险和不确定性增加了投资者项目选择的难度。股权众筹的参与者大多不是专业投资者，即使优质的众筹项目能发出信号，投资者也未必能有效识别。因此，从信息感知视角研究投资者如何有效利用已有的信号做出科学的判断显得尤为重要。信息感知是用户吸收和利用信息的开端，用户自身的认知经验、知识结构和信息存在的状态都会对用户的信息感知产生影响，信号理论认为提高投资者的信息感知能力可以有效降低投融资双方的信息不对称性，而投资者的信息感知能力同时受其获取信息的宽度和掌握信息的深度两方面影响［1］。由于受数据获取与数据处理等技术问题的限制，在股权众筹的现有研究中，信息获取来源多集中于传统的数值型数据，对文本数据、图像数据和音频数据等新型载体所蕴含的信息则关注较少，限制了投资者获取信息的宽度；以往研究对数据的处理大多人为设定变量之间为线性关系，在一定程度上限制了对信息的认知深度。而人工智能的兴起，使得对文本和图像等非结构化数据处理变得可能，同时机器学习算法也可以提高对复杂关系的处理程度。因此，本文尝试从信息感知视角讨论人工智能如何通过拓宽投资者获取信息的宽度和掌握信息的深度进而提高其在股权众筹项目中的投资效率。

二 、理论分析与研究假设

在股权众筹领域，可以通过筹资者主动的信息披露和投资者的信息感知来有效降低投融资双方的信息不对称程度。现有关于股权众筹信息不对称问题的研究，重点关注项目筹资者的主动信息披露行为对降低筹资者和投资者之间信息不对称性的影响［2］，也有学者同时从筹资者和投资者的视角研究了双方释放的信号在降低信息不对称时的作用［3］。而从投资者信息感知视角来研究如何降低筹资者和投资者之间信息不对称性的较少。在金融领域，很多学者利用投资者的认知能力来解释投融资双方面对的信息不对称性，从投资者有限关注的视角把投资者的认知能力当作一种有限资源来研究［4］，即投资者认知能力的有限性直接限制了投资者对项目信息的感知水平，进而影响了信号传递者所传递信息的有效性。人工智能则在数据获取（宽度）和处理（深度）方面提高了投资者的信息感知能力进而提高了投资者的决策效率。

股权众筹项目披露的信息主要包括两类：与项目相关的特征（如目标金额、最低起投额、出让股份大小等）和与创业团队相关的特征（如创业经验、团队规模、教育水平等）［5］。以往研究主要利用传统的结构化数据，很少捕捉到股权众筹项目中文本和图像所蕴含的信息。本文使用图像处理技术和文本分析技术从项目的图片和简介中提取信息，以拓宽投资者感知信息的宽度。除了数值信息外，文本和图像也可以传递有效信息，提高投资者的决策效率［6］。因此，提出本文的假设1：

H1：人工智能通过拓宽投资者的信息获取宽度进而提高了投资者的决策效率。

以往学者主要使用传统的计量经济学方法去预测股权众筹项目的成功率，然而在大数据背景下，样本量和数据维度都在呈指数上升，变量之间的关系更加复杂，机器学习算法相较于传统的计量经济学方法能够通过对历史样本的学习，寻找规律，尤其能够捕捉变量之间的复杂关系，增加对数据处理的深度，提高对未来样本预测的表现［7］（章永来等，2014）。现有研究表明使用先进的机器学习算法能提高众筹项目预测的准确率［8］。因此，提出本文的假设2：

H2：人工智能通过提高投资者的信息处理深度进而提高了投资者的决策效率。

三、研究设计

本文的145个股权众筹项目来自浙江省最大的互联网非公开股权融资平台——聚募网。表1对研究涉及变量进行了定义和说明。基于本文提出的两个假设，主要设计了Probit模型、BP神经网络、随机森林和BP神经网络模型三种模型来解决研究问题。本文认为，当固定研究模型时，加入文本和图像信息使模型预测准确率提高，则可以验证本文的假设1；当固定信息类型，使用机器学习算法的预测准确率高于Probit模型时，则可以验证本文的假设2。

四 、研究结果

表2为基于Probit模型的回归结果，列（1）是基本模型，列（2）在列（1）的基础上加入了项目简介的文本信息，列（3）在列（1）的基础上加入了创业团队的图像信息，列（4）在列（1）的基础上加入了项目简介的文本信息和创业团队的图像信息。从列（1）到列（4），模型预测的准确率在不断提升。说明将项目简介和创业团队成员照片等信息加入模型中，提高了模型的说服力，为投资者在选择投资项目时提供了有价值的参考信息。验证了本文的假设1，即机器学习对人类无法大批量处理的文本信息和图像信息进行感知，从而提高模型预测准确率，通过拓宽投资者的信息获取的宽度提高了投资者的决策效率。综上，项目简介的文本信息和创业团队的照片信息确实在预测股权项目成功与否中发挥了重要作用，基于自然语言处理技术和图像识别技术的发展，充分考虑项目简介文本中包含的信息和创业团队照片中所包含的图像信息，在提高模型精确度的同时更为投资者带来了评估项目好坏的新指标。

以总样本的85%作为训练集合，剩下的22个项目作为预测集合。在模型构建阶段，将85%的训练样本再细分成十份，进行十折交叉验证，提高算法的准确率。在预测阶段，依据传统回归模型变量的添加思路（表2），根据变量的差异分别做了四次BP神经网络拟合，得到了四个BP神经网络模型预测集上的混淆矩阵，见表3。Panel A为基本模型，只包含项目特征和创业团队特征中传统数据信息，该模型取伪错误为2个，弃真错误为3个，共错判5个，因此风险估计为0.2273，模型预测的准确率为0.7727。Panel B在基础模型的基础上加入了项目简介的文本信息，模型预测的准确率为0.8636。Panel C在基础模型的基础上加入创业团队照片信息，模型预测的准确率为0.9091。Panel D在基础模型的基础上同时加入项目简介的文本信息和创业团队的照片信息，模型预测的准确率为0.9545。通过BP神经网络的预测结果，可以得出两个结论：第一，在保持模型不变的基础上，通过在模型中加入文本和图像信息可以提高模型预测的准确率，进一步验证了本文的假设1；第二，在四种不同的信息模式下，BP神经网络的预测结果都要好于传统的probit模型，验证了本文的假设2。

本文进一步使用随机森林算法（RF）找出特征变量的最优子集，利用特征变量的最优子集再次对BP神经网络模型进行训练拟合，按照上述Probit模型和BP神经网络模型的构建思路，分别建立了四个RF+BP模型，出错率分别为13.64%、9.09%、4.55%和4.55%。表4是Probit模型、BP神经网络模型和FR+BP模型的预测准确率对比表。由表4可知，无论是Probit模型、BP神经网络模型还是FR+BP模型，随着项目简介文本信息和创业团队照片信息的加入，模型的预測准确率均得到了提高；而不论从基础模型还是之后三个加入新变量的模型来看，按模型预测准确率由高到低排序，依次为FR+BP模型、BP神经网络模型、Probit回归模型。无论从特征变量的添加还是从模型的改进来看，机器学习均在一定程度上降低了投资者人工判断的主观性，提高了投资者对股权众筹项目的投资效率。以此，验证了本文的假设1和假设2。

五、 结论

本文通过对聚募网145个股权众筹项目的研究，发现将经过自然语言处理技术处理后的项目简介和经过图像识别技术处理后的创业团队成员照片信息加入模型，会明显提高模型预测的准确度；同时，在使用传统线性预测模型的基础上，利用BP神经网络、随机森林和BP神经网络模型对项目进行训练，得到的预测模型准确率为95.45%，相比传统模型提高近17个百分点。可见，人工智能可以提升投资者获取信息的宽度和处理信息的深度，在一定程度上降低投资者认知的局限性，通过提高投资者的信息感知能力进而提高投资者的决策效率。在人工选择模型进行预测和将数据交由机器学习进行训练拟合进而预测这两种模式中，机器学习显然更胜一筹。

本文的研究对参与互联网股权众筹平台的投资者和筹资者均有一定的启示意义。一方面，对于投资者来说，在评估项目进行投资时，不仅要关注以往惯用的结构化数据，更要积极使用现在正在兴起并飞速发展的人工智能去发现项目文本、图像中所蕴含的信息，借此去评估项目甚至获得超额收益，通过提高信息获取的宽度和信息处理的深度来提高个人的信息感知能力，从而降低主观投资判断的非理性；另一方面，对于筹资者来说，在发布项目进行融资时，除了将披露信息的重点放在数字信息上，关注数字信息的严谨、客观外，还要重视项目标题、项目简介、团队介绍、成员照片等文字信息的表述和图像信息的呈现。

随着大数据、人工智能、云计算等技术的发展，人们获取数据、处理数据的方式发生着翻天覆地的变化。在新型的金融市场中，无论是投资者还是筹资者，都应拥抱新技术，充分发挥“机器”的优势，驾驭浩瀚的数据，及时获取有用、客观的信息、提高决策理性，优化决策效果。

参考文献：

［1］王春峰，李思成，房振明.投资者认知度、信息不对称与股价延迟［J］.管理评论，2018，30（11）：3-13.

［2］彭红枫，米雁翔.信息不对称、信号质量与股权众筹融资绩效［J］.财贸经济，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］游家兴，陈志锋，肖曾昱等.财经媒体地域偏见实证研究［J］.经济研究，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］章永来，史海波，周晓锋，杨秀锋.基于统计学习理论的支持向量机预测模型［J］.统计与决策，2014（05）：72-74.

［8］李雅婷，左文明.众筹项目筹资结果预测模型［J］.统计与决策，2016（02）：86-89.

作者单位：上海外国语大学，博士研究生。