人与机器 ： 机器人分析师与传统研究分析师投资建议的比较

会计REVIEW美国会计协会 第97卷第5号DOI:10.2308/TAR-2020-00962022年9月 pp.221-244 人与机器：机器人分析师与传统研究分析师投资建议的比较 BraidenColeman 乔治亚大学 肯尼思·默克利 印第安纳大学 约瑟夫·帕切利 哈佛大学 摘要:我们首先全面分析了所产生的投资建议的性质‘机器人分析师,’whicharehumananalyst-assistedcomputerprogramsconductingautomatedresearchanalysis.OurresultsindicatethatRobo-Analystrecommendationsdifferentfromthoseproducedbytraditional‘人类’researchanalystsacrossseveralimportantdimensions.First,Robo-Analystsproduceamorebalanceddistributionofbuy,hold,andsellrecommendationsthandohumananalystsandarelesslikelytorecommend‘魅力’股票和具有潜在投资银行业务的公司。其次，自动化允许机器人分析师比人类分析师更频繁地修改他们的建议，并合并来自复杂定期提交的信息。第三，尽管机器人分析师的建议表现出微弱的短窗口回报反应，但它们具有长期投资价值。具体而言，基于机器人分析师的买入建议形成的投资组合显著优于人类分析师。总体而言，我们的结果表明，卖方研究行业的自动化可以使投资者受益。 果冻分类：G14；G24。 关键词：卖方分析师；投资建议；金融科技；自动化。 I.INTRODUCTION 不应低估机器人分析师对提高投资建议质量的重要性...通过在财务文件的黑暗角落照射分析光，机器人分析师技术可以识别当今大多数研究分析师忽略的许多关键数据点。 -福布斯(2017) 我们受益于拉里·布朗，伊丽莎白·德默斯（讨论者），贾里德·弗莱克，瑞安·约翰逊，菲利普·乔斯，斯蒂芬妮·拉罗克（讨论者），克里斯蒂安·卢兹，罗尼·迈克尔利，丹尼尔·J。Taylor（编辑），BradyTwedt，JimWahle，以及2019年BYU会计研究研讨会，2020年财务会计和报告部分年中会议全体会议的参与者，2020年瑞士会计研究高ft营、乔治敦大学金融市场和政策中心、哈佛大学商学院、雪城大学、天普大学、卡尔加里大学、堪萨斯大学、密苏里大学、德克萨斯大学奥斯汀分校、犹他州立大学、2021年埃及会计系列研讨会和2021年巴黎金融科技会议。我们感谢DavidTraier和LeeMoeta-Koehler（来自NewCostrcts）提供有用的指导。所有剩余的错误都是我们自己的。 BraidenColeman，乔治亚大学特里商学院，J.M.Tull会计学院，美国雅典；肯尼思·默克利，印第安纳大学，凯利商学院，会计系，布卢明顿，美国；约瑟夫·帕切利，哈佛大学，哈佛商学院，会计和管理部门，马萨诸塞州波士顿。 编者注：由DanielJ.Taylor在MaryE.Barth的高级编辑下接受。 提交：2020年2月接受：2021年10月在线发布：2022年1月 221 F 金融技术（FinTech）正在彻底改变金融服务行业。1截至2018年，已向2500家公司投资了超过500亿美元，这些公司正在重新定义个人参与金融市场的方式（埃森哲2018）。FinTech创新似乎也使最终用户受益，最近的证据表明FinTech正在增强 贷款和经纪活动(达克托、普拉巴拉和罗西2019年；福斯特、普洛瑟、施纳伯和维克里2019年；唐2019年；瓦莱和增2019年)。尽管金融科技的重要性与日俱增，但我们对金融科技如何影响投资建议的产生以及信息中介机构的作用的理解仍相对有待探索。这代表了文献中的一个重要差距，特别是关于卖方研究，因为有限的研究预算与分析日益庞大和复杂的披露相关的挑战相结合，表明传统的研究模型已经成熟。 在这项研究中，我们首次对投资建议的属性进行了大规模的实证调查。‘机器人分析师,’这是人类分析师辅助的计算机程序进行自动研究分析，与传统分析师不同。2机器人分析师代表了一项重要的创新，因为他们可以分析大量的财务数据，并且可能比人类分析师产生更客观的股票推荐。我们独特的数据集 跟踪与七家著名的Robo-Analyst公司在15年内发布的大约75,000份报告相关的活动、建议修订模式和投资价值。 机器人分析师在几个关键方面与传统的卖方分析师不同。从投资者的角度来看，他们提供了一个简单的价值主张：他们的研究报告据称更全面，冲突更少（NewCostrcts2019）。与传统分析师相比，他们还更有能力收集和解析大量财务报告，并将这些细节快速整合到他们的模型中，传统分析师面临着诸如有限注意力和其他偏见等认知约束（例如Procedre，DeBodt和Thaler1990；Kahema和Lovallo1993；Drisill，Kir和Tcer2020；Hirshleifer，Levi，Lorie和Teoh2018）。机器人分析师通常遵循既定规则，人力审查更有限，使他们的建议更加一致，不易受到行为偏见的影响，并且与投资银行，交易佣金以及需要讨好公司管理层（e。Procedre，迈克尔和沃马克1999年；松本2002年；布拉德肖、理查森和斯隆2006年；科恩、格罗斯伯格和希利2006年；科和余2006年；科温、拉罗克和斯蒂格勒2017年)。最后，从商业模式的角度来看，机器人分析师的主要产品是他们的股票推荐。这与许多卖方分析师形成了鲜明的对比，他们已经将重点转移到提供一个。 品种‘软’为客户提供礼宾服务，例如促进获得管理，提供行业知识，直接咨询和组织专门的投资者会议（Green，Jame，Markov和 Subasi2014；Brown，Call， 克莱门特和夏普2015年；帕切利2019年；德雷克、乔斯、帕切利和特威特2020年)。 WhiletheseargumentssuggeststhatRobo-Analystscanprovidemoreobjectiveinvestmentrecommendationsthantraditionalanalysts,automatingtheresearchtaskisnotcost.‘软信息’），例如来自电话会议或与管理层讨论的细微差别信息，并且对私人信息源的访问权限有限（Mayew，Sharp和Veatachalam2013）。此外，Robo-Aalyst算法可能更适合分析公司基本面，而不是预测行业或宏观趋势。因此，他们的研究可能不会表现出高水平的行业特定专业知识。 人类分析师(Kadan、Madureira、Wang和Zach，2012)。 为了更好地了解机器人分析师的研究制作过程并评估他们的建议是否为投资者提供价值，我们测试和评估了关于机器人分析师和传统分析师建议之间差异的三个不同预测。首先，我们评估自动化研究过程是否会减少传统研究中据称存在的认知和激励驱动的偏见。我们预计机器人分析师平均会产生不太乐观的建议和与激励冲突相关较少的建议。其次，我们研究自动化如何影响研究生产过程。我们希望自动化的研究过程能够促进更频繁的建议修订，因为传统分析师倾向于维护。‘粘性’或过时的建议(O'Brien, McNichols,andHsiou-Wei2005;Conrad,Cornell,Landsman,andRountree2006).Wealsoexpectautomationtogeneratean 机器人分析师在提取和合并复杂、大量披露中包含的信息方面的优势，如10-K和10-Q文件。第三，也许是最重要的，我们评估了机器人分析师建议的投资价值。在一定程度上，机器人分析师能够提供更客观和全面的研究，我们希望他们的建议最终能够为投资者带来更多的利润，并超越人类分析师。 WebeginouranalystsbymanuallycollectingRobo-AnalystreportsavailableonThomsonOneissuedbetween2003and2018forwhichthereisoverlappingcoveragewithtraditionalAnalysts.Whilethisselectionlimitesourabilitytoassesstherole 1参见Goldstein，Jiang和Karolyi（2019），了解有关金融科技新兴文献的最新讨论。 2我们专注于建议，因为它们是Robo-Analysts最常见的产出，并为投资者提供直接投资建议。虽然传统的分析师报告通常提供收益预测，但许多Robo-Analyst报告并非如此。 Robo-Analysts在没有传统分析师覆盖的情况下覆盖较小的公司，有必要促进两种贡献者类型的推荐比较。我们通过分析公司网站上列出的报告风格和陈述的业务模型，将研究公司归类为Robo-Analysts。例如，Robo-Analyst公司通常宣传复杂的技术，例如‘自然语言处理,’机器学习,’and‘人工智能’在他们的公司网站上，并产生更多依赖于基本面分析而不是主观见解的报告。 我们的第一组分析考虑了建议乐观情绪的差异。鉴于Robo-Aalyst研究的一个明确的好处是它没有冲突，我们希望Robo-Aalyst的建议不会偏向购买建议。与这种观点一致，我们发现买入（卖出）建议占机器人分析师年终未完成建议的32％（24％），而传统分析师年终未完成建议的47％（6％）。我们在回归框架中进一步检查了建议的乐观情绪，该回归框架明确控制了不同公司年度的差异，并隔离了经纪行之间的差异。结果表明，机器人分析师发布的建议基本上不那么乐观。对于给定的股票，与传统分析师相比，Robo-Aalyst公司维持出色的买入推荐的可能性要低14％，维持出色的卖出推荐的可能性要高16％。 机器人分析师和人类分析师之间建议乐观情绪的差异可能与其各自研究公司的经济动机有关（例如Procedre、投资银行和交易活动 )。因此，我们接下来研究与我们的Robo-Aalyst指标相互作用的一系列公司特征的未完成建议的回归。我们的结果表明，相对于传统的公司分析师，机器人分析师的建议不太乐观。 通常被认为是‘魅力股票’（即低账面市场比率和高动量），以及具有潜在投资银行业务需求的公司。鉴于这些公司更有可能产生交易和投资银行业务（Jegadeesh，Kim，Krische和Lee2004），我们的发现与Robo-Analysts对潜在的不太敏感一致 利益冲突。 在确定了推荐输出的差异之后，我们接下来研究Robo-Aalysts在其研究生产过程中的差异。我们预计自动化研究将允许更频繁的建议修订，以分析师每年每家公司产生的修订数量以及修订未完成建议的天数来衡量。我们发现，机器人分析师在每个公司年产生的修正明显更多。我们还发现，他们维持他们的买入建议的天数明显减少（大约减少250天），而卖出建议的差异不大。3总体而言，这些发现表明，机器人分析师自动化研究的能力导致了更大的修订活动和可能更少的过时建议，特别是对于买入建议。 接下来，我们将根据Robo-Aalysts将公共信息纳入其建议修订的方式来检查Robo-Aalysts的生产流程是否有所不同。先前的研究认为，传统分析师依赖于公司新闻(例如Procedre，收益公告）在生成其建议修订时，建议其建议可能不包含增量信息（Altól²c和Hase2009；Loh和Stlz2011；Altól²c，Balashov和Hase2013；Bradley，Clare，Lee和Orthaalai2014）。这与机器人分析师形成鲜明对比，因为他们严重依赖复杂的公开披露中的数据，例如10-K/Q文件，其中包含计算用于生成其建议的调整和比