精品细读|“人工智能+”如何赋能券商高质量发展?

这是“金融预测”第978期推送
编辑:宋延洁(西南交通大学经济管理学院)
审稿:吴晗琳(西南交通大学经济管理学院)
仅用于学术交流，原本版权归原作者和原发刊所有

导读

contents

近年来，以人工智能为代表的新一代信息技术正以前所未有的广度和深度重塑金融行业生态。作为资本市场核心中介，证券公司的业务模式、运营逻辑与竞争格局均面临深刻变革。其中，首次公开募股业务因其数据密集、技术密集与场景复杂的特性，成为券商智能化转型的关键战场。本期小编为大家推送一篇发表在《管理世界》期刊上的文章：“人工智能+”如何赋能券商高质量发展？—基于IPO抑价率的解释。文章系统探究了券商人工智能技术实力对其核心业务能力及市场表现的影响，为理解金融科技赋能证券行业高质量发展提供了实证证据与理论洞见。

标题

“人工智能+”如何赋能券商高质量发展？—基于IPO 抑价率的解释

文章信息

（网页截图）

Abstract

人工智能的迅猛发展正深刻改变证券行业的运行逻辑与发展路径。作为数据密集、技术密集且场景复杂的重要领域，券商首次公开募股（以下简称IPO）业务在传统模式下难以应对日益复杂的市场环境，智能化转型迫在眉睫。基于此，本文通过机器学习识别并量化券商的人工智能专利信息，以IPO抑价率为切入点，探讨人工智能技术是否为券商IPO业务注入了强劲动能。研究发现，券商的人工智能技术实力显著降低了IPO抑价率，背后机制在于其提升了券商的信息处理、市场预测和风险识别能力，从而有效抑制了抑价率水平。进一步分析表明，这一效果在人工智能大模型复杂度较高、应用劳动节约型技术与注册制背景下尤为显著。此外，从券商个体及行业看，券商的人工智能技术实力不仅进一步增强了低IPO抑价率对业务优势的正面作用，体现在提升券商声誉、降低承销风险和增加承销收入方面，还能影响不同券商的发展路径，为大券商实现IPO规模化发展和小券商打造特色化竞争力提供了有力支持。总之，本文不仅丰富了技术进步对IPO影响的相关文献，还为推动证券行业的智能化与高质量发展提供了有益参考。

论文简介

本文利用机器学习技术识别并量化券商的人工智能专利信息，并将其与2016~2023年沪深A股IPO企业的数据相匹配，以IPO抑价率为切入点，探究券商为何在IPO业务中广泛采纳人工智能技术。首先，在影响机制部分，本文分别从信息处理能力、市场预测能力和风险识别能力等三个方面，检验券商人工智能技术实力降低IPO抑价率的内在逻辑。其次，在异质性分析部分，本文关注上述效应是否因技术复杂性、工作流程优化及外部监管环境等方面而存在差异，并基于此进一步从人工智能模型复杂度、劳动节约型技术应用以及是否实施注册制进行分组检验。最后，本文进一步探究券商人工智能技术实力对券商及行业的影响，并从券商声誉、承销风险和承销收入等三个方面检验券商人工智能技术实力是否增强低IPO抑价率对业务优势的积极影响。

理论与假设

作者基于资源编排理论构建了本文的分析框架。该理论强调，企业需通过“资源构建-资源整合-资源利用”的动态过程，将人工智能这类复合型战略性资源转化为组织能力，并最终实现价值创造。具体到券商IPO业务，人工智能技术能够整合算力、算法、数据等要素，深度嵌入信息处理、市场预测与风险识别三大关键环节，从而形成应对市场复杂性的系统性能力。由此，研究提出核心假设：券商的人工智能技术实力越强，其承销IPO项目的抑价率越低。进一步地，文章从三个具体机制路径提出了分假设：人工智能技术主要通过提升券商的信息处理能力、市场预测能力以及风险识别能力，来有效抑制IPO抑价率。

数据与变量构建

本研究选取 2016-2023 年在沪深 A 股市场首次公开发行的企业作为样本。本文根据研究需要做出如下筛选：（1）考虑行业特殊性，剔除银行、保险等金融类上市公司；（2）剔除相关数据缺失的样本。最终得到 1676 个有效观测值。本文的券商人工智能专利数据来自 IncoPat 数据库，券商的相关信息从中国证券业协会网站获取，IPO 招股说明书从巨潮资讯网、东方财富网获取，IPO 企业的财务数据来自于 CSMAR 数据库、CNRDS 数据库和 Wind 数据库。

自变量： IPO 抑价率（Underprice ）

借鉴Loughran和McDonald (2013)的方法，将上市首日的收益率作为衡量 IPO 抑价率的指标。

因变量：券商人工智能技术实力（AI ）

衡量指标包括 IPO 前券商获授权人工智能专利数量加 1 的自然对数（AIPatent）以及获授权人工智能专利的外部引用率（AICite）。

（1）构建人工智能词典。参考陈和斯里尼瓦桑（2024）提供的人工智能词语，结合麦肯锡发布的《人工智能研究报告（2020）》、中商产业研究院发布的《2019 年中国人工智能行业市场前景研究报告》，选取 AI、人工智能、机器学习、大数据等作为种子词。然后，采用Word2vec 方法，运用 Skip-gram 模型，将中国企业专利文本作为语料进行训练，根据种子词与输出词语的余弦相似度，挑选相似度最高的 10 个词语作为人工智能关键词库。接着，剔除重复词语、与人工智能无关的词语及关键词前存在“无”“不”“没有”等否定词的词语。最终构造人工智能词典。

（2）构建券商人工智能技术实力指标。本文通过 IncoPat 专利数据库获取券商专利的标题、摘要、申请日期、授权日期、申请人、分类号等专利详细信息。通过将申请人信息与券商相关联，根据专利的标题、摘要、主权利要求和技术功效等是否包含人工智能词典中的关键词以识别券商人工智能专利。最后，统计 IPO 前券商获授权人工智能专利数量以及获授权人工智能专利的外部引用次数和总引用次数。

实证分析

为考察券商为何在IPO 业务中广泛采纳人工智能技术，本文构建如下模型：

其中，核心被解释变量Underprice为IPO 抑价率。核心解释变量AI表示券商人工智能技术实力。Controls表示控制变量，本文控制了年度固定效应（Year）和行业固定效应（Industry），ξ代表随机误差项。

表1 描述性统计结果

表1报告了描述性统计结果。Underprice 的平均值为 0.6405，即新股上市后平均 IPO 抑价率为 64.05%，最大值和最小值分别为 2.7759 和-0.2014，标准差为 0.5881，说明不同企业间 IPO 抑价率差异较大。AIPatent 的平均值为 0.1864，最大值和最小值分别为 1.7918 和 0.0000，标准差为 0.4416，表明不同券商之间人工智能技术实力存在一定差异。AICite 的平均值为 0.1221，表明券商人工智能专利的平均外部引用率约为 12.21%。其他控制变量的统计结果与现有研究基本一致。

表2 基准回归

表2报告了基准回归结果，第（1）、（2）列为以 AIPatent 作为自变量的回归结果，第（1）列加入控制变量但不控制行业和年份固定效应，第（2）列控制行业和年份固定效应。结果显示，AIPatent 系数均在 1%水平显著为负。第（3）、（4）列为 AICite 作为自变量的回归结果，第（3）列加入控制变量但不控制行业和年份固定效应，第（4）列控制行业和年份固定效应。结果显示，AICite 系数均在5%水平显著为负。以上结果说明，券商的人工智能技术实力越强，IPO 抑价率越低。

表3 影响机制分析

（1）信息处理能力

本文采用 IPO 招股说明书的特质信息含量作为衡量券商信息处理能力的指标。参考Hanley和Hoberg (2010)的方法，采用 IPO 招股说明书文本内容与同行业其他企业招股说明书文本内容之间的余弦相似度的相反数，衡量特质信息含量（Information）。该指标值越大，表明招股说明书中体现的特质信息越丰富。表 3 第（1）、（2）列显示，自变量系数均显著为正，验证了作用机制的存在。

（2）市场预测能力

参考刘井建等（2021）的做法，本文使用 IPO 报价修订程度（Forecast）作为衡量券商市场预测能力的变量，定义为 IPO 发行价格与申报价格之差的绝对值除以申报价格。报价修订幅度在一定程度上反映了券商对市场的预测力，报价修订幅度越小，说明券商在IPO 阶段对市场需求的预判越为精准。表3第（3）、（4）列显示，自变量系数均显著为负，验证了作用机制的存在。

（3）风险识别能力

本文以 IPO 风险信息披露的充分性衡量券商的风险识别能力。本文首先选取“风险”“不确定性”“可能”“波动”等作为种子词集，接着使用 Word Embedding 神经网络模型对大量财经文本进行训练，扩充和优化初始种子词集，形成一个精确的风险关键词集合。在关键词集构建完成后，本文通过计算招股说明书中风险关键词的总词频，并将其与文本总词数的比值作为 IPO 风险信息披露充分性的度量指标（Identification）。表3第（5）、（6）列显示，自变量系数均显著为正，验证了作用机制的存在。

表4 经济后果分析-对券商对影响

（1）券商声誉

本文以券商人工智能技术实力与 IPO 抑价率的交乘项作为自变量，以券商声誉（Reputation）作为因变量，并采用 Logit 模型进行回归分析。同时，为提升回归结果的可读性，本文对 Underprice 取相反数处理。其中，对于券商声誉的衡量，借鉴余峰燕和梁琪（2017）的思路，以券商未来一年IPO业务承销数量的排名为依据，当券商未来一年的IPO业务承销数量排名位居前 5%时，Reputation取 1，否则为0。表4第（1）、（2）列显示，券商人工智能技术实力有助于提升低抑价率对券商声誉的促进作用。

（2）承销风险

本文以券商人工智能技术实力与 IPO 抑价率的交乘项为自变量，以承销风险为因变量，进行回归分析。参考陈运森和宋顺林（2018）的研究，以未来一年券商因承销环节违规而被证监会处罚次数衡量承销风险（Risk）。表4第（3）、（4）列显示，券商人工智能技术实力有助于提升低抑价率对承销风险的抑制作用。

（3）承销收入

本文以券商人工智能技术实力与IPO 抑价率的交乘项为自变量，以承销收入作为因变量，进行回归分析。以券商未来一年的 IPO 承销收费衡量券商承销收入（Revenue）。表4第（5）、（6）列显示，券商人工智能技术实力有助于提升低抑价率对承销收入的促进作用。

文章亮点

亮点1: 从IPO抑价率视角，为理解券商广泛采纳人工智能技术提供经验解释；

亮点2: 从技术进步角度，丰富了IPO抑价率影响因素的相关研究；

亮点3：从IPO市场的视角，拓展了应用人工智能技术的经济后果研究。

参考文献

1.Loughran, T., & McDonald, B. (2013). IPO first-day returns, offer price revisions, volatility, and form S-1 language. Journal of Financial Economics, 109(2), 307-326.

2.Hanley, K. W., & Hoberg, G. (2010). The information content of IPO prospectuses. The Review of Financial Studies, 23(7), 2821-2864.

3.刘井建,徐一琪,吕禾雨,等.主承销商网络中心度与IPO报价修订——影响机制、询价扩容及异质效应[J].管理工程学报,2021,35(5):117-130.

4.余峰燕,梁琪.地方关系承销与市场定价有效性研究——基于承销商独立性视角[J].金融研究,2017,(5):143-159.

5.陈运森,宋顺林.美名胜过大财:承销商声誉受损冲击的经济后果[J].经济学(季刊),2018,17(1):431-448.

作者信息

王嘉鑫：中南财经政法大学会计学院；

赵牧：中南财经政法大学会计学院

引用格式

王嘉鑫,赵牧.“人工智能+”如何赋能券商高质量发展？——基于IPO抑价率的解释[J].管理世界,2025,41(11):196-220.

原文链接

https://kns.cnki.net/kcms2/article/abstract?v=vBS8OnoClU8iM7I0CuUeF3xrFWEhqNIVjApIv1_SLJ8fhsFVNTSk31RjFvDY838aeAc0y8iLhxdrEwy1HXJkr5r9T_eools2A76u5QiStxhtFfj6JB-ytqV1WYLoeC52OuN21L-TOj9YJa7KXABrGfrThGC4qgsQvRLViNYzYjw=&uniplatform=NZKPT

(或点击左下角“阅读原文”)

相似研究

1.承销商与重返IPO表现:基于信息不对称的视角[J].经济研究,2020.

2. 券商数字化能提升IPO定价效率吗?.技术经济,2025.

了解我们

微信公众号“金融预测”精推关于金融市场波动率和收益率预测等最新国际高质量期刊论文和工作论文，同时搭配推送相关领域高级别期刊目录，旨在丰富学术推文市场内容，搭建国内外预测研究的交流平台。联系方式：finance_forecast@126.com

版块分区

团队介绍

团队成员/团队老师

推文部分

精品细读/团队成果/工作论文

期刊目录