摘 要 ：信息传播是影响资本市场效率的重要因素。生成式人工智能的升级迭代和赋能应用，对资本市场信息传播模式的变革产生了重大影响。在比较“算法主导+AI赋能应用”与“规则基础+人类专业判断”两种类型的资本市场信息传播模式，识别“算法主导+AI赋能应用”信息传播模式主要特征的基础上，本文通过分析AI介入审计师识别财务错报和舞弊、分析师盈余预测和股票评级中的作用，揭示了AI介入信息中介传播信息的特定角色；借助分析AI介入散户与机构投资者的投资决策以及AI量化投资，揭示了AI介入信息传播对资本市场交易效率的影响。此外，本文还针对具有互动性和动态性影响的闭环信息传播过程，进一步检视了AI介入资本市场信息传播过程中上市公司信息披露及其内部治理的反馈效应。
关键词 ：人工智能；信息传播；审计；盈余预测；投资决策
信息传播是影响资本市场效率的一个重要因素。随着机器学习（ML）、深度学习（DL）和大语言模型（LLM）的发展，根据斯坦福大学发布的人工智能指数报告（2015），2024年美国、中国和欧洲分别产出了40个、15个和3个重要人工智能模型。特别是以ChatGPT、DeepSeek、Gemini和Midjourney为代表的生成式人工智能（Generative AI，以下统称AI）技术或工具的升级迭代和赋能应用，对资本市场信息传播模式的变革产生了重大影响。根据Eisfeldt & Schubert（2024）对美国大型金融机构从业人员的分类统计，财务与投资分析师、信贷主管、财务经理、私人财务顾问、会计与审计师、保险承保人使用AI工具处理工作任务的比例占到42%—50%。Cao et al.（2023）以单天下载50家以上上市公司的文件作为度量机器下载（machine downloads）的统计发现：在美国，利用机器下载上市公司10-K和10-Q财务报告文件的比例从2003年不到5%上升到2016年的近90%。在资本市场信息传播链条中，主要来源于上市公司的信息披露，经由审计师审计鉴证、分析师解读、投资者利用，对股票定价和资源配置产生影响。AI介入资本市场信息传播，不仅改变了审计师、分析师等信息中介在处理、解读与传播信息的范式与效率，影响了投资者处理与利用信息开展投资决策的效率，改变了股票交易的模式。此外，AI介入上市公司信息处理、解读、传播与利用还可能对上市公司的信息披露及其内部治理带来冲击，上市公司的信息披露及其内部治理也会作出相应的反馈效应（feedback effects）。
本文透过比较分析“算法主导+AI赋能应用”和“规则基础+人类专业判断”资本市场信息传播的主要特征，基于AI介入资本市场信息传播案例实践、现实验证和实验模拟的文献证据，着重揭示AI介入审计师识别错报和舞弊、分析师盈余预测和股票评级的特定角色，以及AI介入信息传播对资本市场交易效率的主要影响。在此基础上，进一步检视AI介入资本市场信息传播过程中上市公司信息披露及其内部治理的反馈效应。
本文主要研究以下四个方面的问题：一是分析“算法主导+AI赋能应用”这一新型资本市场信息传播与传统的“规则基础+人类专业判断”资本市场信息传播的差别，从而识别“算法主导+AI赋能应用”资本市场信息传播模式的主要特征；二是针对审计师这个资本市场信息传播最重要的“守门人”和分析师这一资本市场信息传播最重要的信息中介，分别讨论AI介入审计师识别财务错报和舞弊、分析师盈余预测和股票评级的案例实践、现实验证和实验模拟，进而识别AI介入信息中介处理和传播信息的特定角色；三是从投资者这一资本市场信息传播最重要的受众和最主要的信息使用者，讨论AI介入资本市场信息传播对散户和机构投资者的投资决策、AI量化投资的影响，以揭示AI介入信息传播对资本市场交易效率发挥的作用；四是检视当AI工具借助审计、市场分析和投资决策等渠道成为上市公司各类信息披露即时或事后的重要阅读者、听众或观众时，资本市场源头信息的提供者即上市公司在其信息披露及其内部治理方面的反馈效应。
一、“规则基础+人类专业判断”与“算法主导+AI赋能应用”的资本市场信息传播
资本市场的信息传播，主要涉及上市公司的信息披露、审计师和分析师等信息中介处理和传播信息、投资者处理和利用信息以及资本市场监管。本文侧重于信息中介处理和传播信息以及投资者处理和利用信息。要深入分析和深刻揭示AI介入资本市场信息传播过程中的角色及作用，无论是比较人类审计师与AI审计师、人类审计师+AI审计师人机协同，或者人类分析师与AI分析师、人类分析师+AI分析师人机协同角色的差别，还是比较传统散户和机构的投资与利用AI的散户和机构的投资、AI量化投资的差别，都首先必须找到一个有助于比较的基准，同时能清晰定义传统的与新型的资本市场信息传播模式的主要特征。
传统的资本市场信息传播模式可被定义为“规则基础+人类专业判断”。它由两个最基本的要素构成：一是规则基础；二是人类的专业判断。其中，规则基础是指依规则处理、披露、传播和利用信息。根据信息传播参与方的不同，相关监管机构分别制定了不同类型的规则，如针对上市公司管理层的会计准则、内部控制规则和信息披露规则，针对审计师的审计准则，针对分析师的执业行为准则，针对包括投资者在内的证券信息传播行为守则和禁止内幕交易的规定等等。人类的专业判断则指在特定的领域（如审计师的审计判断、分析师的盈利预测和机构投资者的专业投资决策）中，人类基于专业知识、经验和技能做出的专业性预测、判断和决策。“规则基础+人类专业判断”的资本市场信息传播模式，具有遵从规则、风险导向、代理约束、情绪传染、专业审慎判断和强监管等主要特征。
AI介入后新型的资本市场信息传播模式可被定义为“算法主导+AI赋能应用”。其中，算法主导是指由内嵌于人工智能技术或工具中的一系列逻辑指令集合，借助算法主导优化判定、流程或系统的运行方式。算法优化的关键在于算法中有关数据递推、递归、穷举、分治、动态规划、迭代和回溯等方法的设计。AI赋能应用则指利用AI技术或工具来增强现有的或新的系统、工具和服务。AI介入资本市场信息传播，在算法主导下，AI的赋能应用表现在多个方面，如在审计环节优化审计流程、增强审计识别财务错报和舞弊的能力、提升审计质量，在分析师环节拓展数据处理范围、优化数据分析、提升分析师盈余预测和股票评级频率与准确性，在投资环节增强投资者利用信息的能力，开展AI量化投资，提升投资决策效率等。
与“规则基础+人类专业判断”相比，“算法主导+AI赋能应用”的资本市场信息传播模式表现出了以下明显不同的特征：
AI增强高维复杂特征变量提取与判断模型优化。借助强化学习（RL）、深度学习和模型压缩等方法，通过不断试错、多层神经网络模型、模型压缩包，增强了高维复杂特征变量的提取。AI介入资本市场信息传播，不仅可拓展和深化利用来自先前的知识和经验（即先验已知，a priori known），由因及果进行更优化的推断，还可在更大程度上解决对先验未知（a priori unknown）事项（如先验概率未知）的预测和判断问题。由于AI模型偏好数据关联而非因果关系，它提取的高维复杂特征变量也可能诱发错误的判断。
AI信息原生融合与信息处理低成本和高效率。利用多模态信息处理技术和大语言模型，将数字、文本、图像和视频信息原生融合，体现出强推理、强交互、长记忆的基本特征。AI介入资本市场信息传播，不仅可优化依赖预设的推理前提条件处理信息，以单调性推理（monotonic reasoning）开展预测和决策，还可在一定程度上实现非单调性推理（non-monotonic reasoning）的低成本和高效率。利用AI虽然有助于降低边际信息处理成本，但由于模型训练和前期部署的成本高，真实的成本仍有待验证。此外，信息融合的效率提升依赖于高质量的数据，现实中AI融合的资本市场数据噪声较多，也可能导致效率下降。
AI在使用单位的组织身份淡化与低代理成本。尽管不同的AI技术或工具如ChatGPT和DeepSeek存在异质性，但从AI的利用层面看，AI并没有像人类审计师、分析师和投资者那样具有特定的组织身份，受代理问题的困扰较少。淡化了这一组织身份的AI介入资本市场信息传播，可能有助于缓解代理问题，降低代理成本。由于AI开发公司仍然具有组织身份，因此可能存在算法制定者的代理问题。
AI无自我意识与相对理性行为。行为金融理论揭示了资本市场参与者的非理性行为会系统性地影响股票等金融资产的定价。人类审计师、分析师和投资者等市场参与者的个人情绪、非理性判断，都可能影响资本市场信息传播的效率。无自我意识的AI介入资本市场信息传播，可大大减少情绪等非理性因素的影响，有助于形成更为理性的判断。需要指出，AI虽然没有情绪，但训练语料所包含的偏见也可能带来新的非理性因素，从而放大人类的行为偏差，诱发不可预见的系统性风险。
AI本身暂不具独立法人地位与相对弱监管。人类审计师、分析师和投资者的信息处理、披露和利用受到各类相应规则的限制，其行为与法律责任挂钩，强监管是必然的。由于AI本身暂不具独立法人地位，不直接承担法律责任，AI介入资本市场信息传播的监管相对较少。这一特征，一方面加快扩大了AI技术或工具在资本市场信息传播中的应用，另一方面AI的应用也可能带来更多的假信息和信息操纵，从而诱发潜在的监管需求。
AI算法可解释性困境及滥用风险与信任置疑。算法模型本身的复杂性和排他性，就像一个“黑箱”，信息传播相关方对它的信任就成为一个重要因素。模型算法的滥用，中间可能存在人为干预算法的演化过程、关键阈值调整、风险评估维度等，也常被资本市场参与者置疑。此外，AI的幻觉（hallucinations）和前视偏见（look-ahead bias）有可能制造假信息，误导预测和判断，影响信息传播效率。
AI及其使用差异与新的不公平问题。不同AI技术或工具的开放性和接入限制，不同机构所在地的信息基础设施环境和条件，不同信息传播参与者的知识、技术和能力等存在一定程度的差异，AI在资本市场信息传播中的应用也可能带来新的不公平问题。
基于“算法主导+AI赋能应用”与“规则基础+人类专业判断”资本市场信息传播的特征差异，本文在第二和第三部分，将借助案例实践、现实验证和实验模拟的文献证据，分别讨论AI介入审计师识别错报和舞弊以及分析师盈余预测和股票评级的特定角色；在第四部分，将重点关注利用AI介入散户和机构的投资、AI量化投资与传统投资模式的差别。
二、AI介入审计师识别错报和舞弊
审计师作为资本市场信息传播最重要的“守门人”，因应对海量财务数据处理的需求、标准化流程的执行以及风险识别与控制的严格要求，审计成为AI技术落地的重要领域。凭借机器学习算法和自然语言处理技术，AI拥有强大的数据分析能力，能够系统性提升审计质量与效率（Fedyk et al.，2022），增强审计师对欺诈风险的敏感度（Christensen et al.，2025），并在异常交易识别、舞弊检测等关键环节展现出变革性潜力（Bao et al.，2020）。
（一）案例实践、现实验证和实验模拟
案例实践。国内外领先的会计师事务所都尝试将AI技术整合至审计流程中。在国际四大会计师事务所中，普华永道采用机器学习算法强化财务欺诈检测能力。其开发的GL.ai系统通过分布式计算架构可实现企业全量总账数据的实时分析，单日数据处理量级可达百亿条交易记录，不仅消除了传统抽样方法带来的风险，还大幅提高了重大错报识别率。毕马威依托其开发的Clara平台，通过自然语言处理技术、人工智能技术，实现了对合同中关键信息与潜在风险漏洞的快速识别与提取，并形成自动化风险分析和动态建议生成，显著提升审计精准度，也为客户提供了更及时且具有前瞻性的决策支持。在国内，天健会计师事务所开发的“天健财判”系统，通过集成DeepSeek等AI技术，构建了智能数据采集助手、反舞弊机器人及监管助手等工具，显著提升了审计师识别异常交易与舞弊行为的精准性和时效性（叶钦华和黄世忠，2025）。除外部审计，AI技术在公司内部审计中也有越来越多的实践应用。例如，跨国能源企业Uniper的内部审计团队利用ChatGPT优化了审计全流程，涵盖风险导向审计的计划制定、数据分析和报告撰写，不仅缩短了审计周期，还提升了审计报告的可读性与决策支持价值（Emett et al.，2024）。
现实验证。根据Law & Shen（2025）对美国会计师事务所的一项调查，以工作岗位和工作任务描述定义的AI雇员（AI employees）在“四大”、非“四大”和全部会计师事务所人员的比例，在2003至2019年间有明显的提升。其中，2019年AI雇员在“四大”的人员占比超过了30%，在全部会计师事务所的人员占比也接近20%。AI雇员的增加从一个侧面说明了AI介入审计的真实发生。基于对美国“四大”及非“四大”会计师事务所中多位审计合伙人的深度访谈发现，AI技术已在审计流程中得到广泛应用，尤其是在光学字符识别、收入分析、异常检测以及欺诈预警等方面展现出较强的技术优势，显著提升了审计工作的效率和质量（Fedyk et al.，2022）。使用无人机和自动计数软件可以将库存盘点时间从681小时减少到19小时（Christ et al.，2021）。与传统人工盘点相比，无人机结合AI图像识别技术不仅能够留存更直观、详细的视觉证据，还具备更强的独立性和可验证性，进一步提升了审计报告的质量和可靠性，凸显了AI在审计工作中的优势（Christ et al.，2021）。AI技术正在逐步替代低层次、重复性的审计任务，使审计师能将精力集中于复杂性更高、判断性更强的审计活动（Fedyk et al.，2022）。但也有部分审计从业者表示，AI技术的普及正在减少初级审计师通过实践学习审计技能的机会，担心影响其未来处理更高级的任务（Samiolo et al.，2024）。此外，尽管AI技术的全量数据验证能力能够辅助增强审计师的判断能力，但前提是，审计师需要能够理解和质疑机器输出，并将其与个人经验和专业判断相结合。否则，审计师可能会忽略技术输出，导致技术的潜力无法充分发挥（Samiolo et al.，2024）。
实验模拟。除了真实存在的AI介入审计的验证外，还存在一批透过实验模拟考察人类审计师、AI审计师、人类与AI协作审计作用的文献。借助这些成果，也有助我们进一步理解AI介入审计是如何影响资本市场信息传播的。机器学习算法，如强化学习、集成学习方法等，在捕捉高维变量间复杂交互关系方面具备显著的技术优势。基于公司历史数据训练的机器学习模型，在会计错报检测和舞弊识别方面，表现出显著高于传统方法的预测准确率和适应能力，并能够通过算法迭代不断提升识别精度（Bao et al.，2020）。AI还在信息处理方面展现出独特优势，能够从海量的结构化和非结构化数据中，有效剔除错误信息和提取关键信息，大幅降低信息处理成本，在审计工作中具备重要的应用潜力（Kim et al.，2023；Fan et al.，2024）。进一步的实验研究则考察了人类与AI在审计情境中的互动效果。在生成式人工智能辅助下，人类审计师识别欺诈风险的数量和质量均显著提高，而在部分任务中，完全自动化的AI模型甚至优于人类-AI协作模式（Christensen et al.，2025）。人类审计师使用AI工具，还能够缓解审计师因客户关系所带来的独立性冲突，增强审计结论的客观性与市场信任（Libby & Witz，2024）。
（二）特定角色
案例实践、现实验证和实验模拟提供的初步证据显示，AI不仅优化了传统审计流程，更推动了审计职能的范式转变——从人工密集型工作向智能化、自动化与数据驱动的方向演进。“算法主导+AI赋能应用”的信息传播正在改变传统的审计逻辑。其基于识别先验未知和非单调推理的机制，可通过多维数据的交叉反复验证形成动态的审计结论。这种推理方式显著区别于“规则基础+人类专业判断”依赖固定程序的传统审计流程，其灵活性逐步提升了审计应对重大错报和复杂舞弊的能力。在资本市场信息传播中，AI介入审计师识别错报和舞弊扮演了以下新的特定角色：
智能化应用的基础审计流程重构审计服务的生产函数。传统审计模式长期受制于基础性工作的效率约束。面对上市公司大量的冗余信息，审计师需耗费大量时间执行原始凭证核验、财务数据归集和交易记录筛选等程序性任务。此类工作不仅存在显著的边际效益递减特征，更因人工操作不可避免的随机误差而影响审计质量。AI技术的应用正在系统性改变这一约束。首先，在数据预处理阶段，基于自然语言处理的智能系统能够自动提取公司年报、重大合同和监管文件中非结构化文本的关键审计证据。大语言模型在实体识别（NER）任务中表现出更强的语境适应能力，特别是在处理行业特定术语、非常用命名实体等方面具有显著优势（叶钦华和黄世忠，2025）。这种技术突破使得审计数据准备周期大幅缩短，对于满足法定审计时限要求具有关键价值。其次，在数据分析阶段，机器学习算法正在颠覆传统的抽样审计范式。借助AI技术，审计人员得以对企业的采购记录、交易数据及财务凭证等进行系统性提取与分析，有效规避因抽样所带来的代表性偏差和审计风险。此外，AI技术正推动标准化审计文书的自动化生成。取证单、通知书和部分审计底稿的初步撰写可由系统完成，审计师只需在此基础上进行判断性修订。AI的这些优势使得审计师得以从繁重的重复性工作中解放，将专业判断聚焦于复杂交易背后的经济实质分析与风险甄别。AI技术对基础审计环节的介入，本质上重构了审计的数据采集和信息生产机制，推动审计师向“算法监督者+专业判断者”的角色转变。
算法驱动的全域关联验证重塑审计证据的验证逻辑。上市公司的财务错报和舞弊行为越发呈现出高度隐蔽的特征。这种污染了的信息传播不仅影响市场参与者的判断，更可能引发市场的错误定价，扭曲资源配置。审计作为资本市场信息传播的重要治理机制，在数字经济时代，其传统方法在处理海量信息和复杂交易结构时显得力不从心。AI技术的引入深刻改变了审计证据验证的基本逻辑，实现了跨系统、跨维度的全域数据关联分析。首先，有别于传统审计依赖规则和人类专业判断的局限，基于机器学习技术构建的多模态分析系统能够实现多维信息间的交叉验证（Bao et al.，2020）。通过构建不同审计场景相匹配的智能算法和AI应用模型，系统可追踪传统抽样审计难以发现的嵌套交易结构与数据异常，实现多层次交易追踪与异常模式识别。其次，自然语言处理技术能够从管理层沟通记录、社交媒体评论等非结构化文本中挖掘风险信号，为审计师提供传统数值分析难以获取的补充证据（Fan et al.，2024）。这种“数值+文本”的双维度验证体系提升了发现隐蔽舞弊的能力。此外，区块链与AI技术的融合，正在开创审计舞弊识别的新模式。分布式账本技术使得企业、银行等多方可同步更新交易数据，实现多方参与的实时验证（Odeyemi et al.，2024），从而形成更及时、更精准的风险预警系统。
AI赋能的智能交互与专业辅助重建审计的智慧大脑。基于大语言模型和知识图谱的智能交互系统正在重建审计专业服务的知识传递模式。该系统集成了会计审计准则、监管法规和行业实践案例等，内嵌入了审计师长期累积的经验判断和各种隐性知识，构建出可持续更新、可动态响应的智慧大脑。首先，审计师借助自然语言交互，可实时获取包括复杂会计审计准则的语义解析、最新监管动向的解读、典型舞弊案例的识别路径等在内的专业支持，增强其专业判断能力和水平。在应对高不确定性问题时，AI系统可结合知识库储备和现实情况提供审计思路提示，辅助审计师高效优化审计方案（Emett et al.，2024）。其次，基于监管业务场景需求，智能交互系统亦能服务于监管互动和反馈过程。监管人员可用自然语言提出问题，AI系统则调用知识库与历史记录，提供包含舞弊风险信号、关键判断依据等可溯源的答复内容（叶钦华和黄世忠，2025）。这种智能交互机制提升了审计信息披露的透明度和监管问询的响应效率，特别适用于证券发行审核等时效敏感场景，有效缓解信息不对称所导致的监管摩擦。因此，智能交互系统构建了以AI为智慧大脑的新型协同范式。审计师保持对专业判断的主导权，AI系统则通过即时知识调用、方案优化建议及监管沟通辅助等功能，减少信息不对称与人为偏差，实现人机协同的智能审计生态。
无自我意识的AI审计模式重树审计的独立性。基于算法和数据驱动的AI系统，在执行审计任务时呈现出典型的“无自我意识”特征。这种去人格化的识别和判断机制，剥离了人类审计师可能受到的情感偏向、利益诱导及独立性冲突干扰，其所倚赖的判断依据完全建构于既定算法、模型参数与历史数据之上，强化了审计独立性和程序公允性。由于审计失败常源于审计师与客户之间潜在的经济关联和非独立性行为，AI作为一种技术性中介，提供标准化的分析路径与统一的判断逻辑，有效压缩人为干预的操作空间，增强社会公众对审计结果中立性的信任（Libby & Witz，2024）。当然，人类审计师也可能根据个体经验和多维信息判断公司管理层的可信度来降低其审计风险评级，或根据市场传闻调整对某家公司的关注度。这种带有“自我意识”的判断虽具有主观性，却也是识别潜在重大错报风险的重要补充。
需要指出，AI介入审计师识别错报和舞弊，还存在一系列的问题。算法可解释性困境影响人们对审计重大风险判断的完整证据链和解释逻辑。如果AI审计仅依赖特定语料和训练数据与编码规则，则可能因缺失对复杂社会背景、隐性风险信号乃至突发性舞弊行为的敏感性带来判断偏差。其次是数据治理问题构成的实质性障碍，如审计算法程序是否经过足够的可靠性检验，数据标准是否统一，训练数据与审计场景是否适配。还有数据确权问题。AI审计系统需要整合企业财务数据、行业舆情信息、供应链数据等多来源、多维度、多模态的信息，但在数据采集环节可能存在数据安全和权属不清等法律风险问题。此外，现行法律框架尚未解决AI审计责任主体界定难题。当出现审计失败时，算法缺陷、数据污染抑或人类监督缺位等因素的归责划分缺乏明确标准。AI审计的深化落地仍需在技术可解释性、数据治理合规性与法律责任明晰性等方面不断突破与完善，以实现其在审计实践中的高效、可信与可持续发展。
三、AI介入分析师盈余预测和股票评级
作为资本市场信息传播最重要的信息中介，财务分析师承担着信息解读、价值发现与市场预测的功能，在塑造投资者对公司的认知方面发挥着重要作用，其分析报告直接影响股价和投资者决策。通常，分析师的专业价值主要体现在公司信息的深度处理能力、多维分析体系构建能力以及基于专业判断的预测输出能力上。而AI技术正重构分析师的专业价值体系。AI不仅以指数级优势实现了数据处理速度与成本的突破（Coleman et al.，2022），借助机器学习构建的预测模型，更在特定领域展现出超越人类分析师的决策准确性（Chen et al.，2022）。
（一）案例实践、现实验证和实验模拟
案例实践。AI技术已广泛应用于分析师的盈余预测和股票评级中。AI透过自然语言处理、自动化报告生成和编程辅助等功能，将传统需团队协作的投研分析流程，如基本面分析、风险因素识别和量化建模等，简化为可快速执行的步骤。用户只需提出结构化问题，系统便能自动生成涵盖业务模型分析、行业竞争分析、风险评估等多维度的专业分析结论，为股票选择与评级提供智能化辅助支持。在国际市场，AI技术在财务分析、风险评估及投资建议生成等领域实现规模化应用（Coleman et al.，2022）。以New Constructs公司为例，其开发的AI分析师能够在数秒内生成对年报文件的研究报告，目前已对上万只股票、基金及债券进行实时分析、风险评估和提供投资建议，展现出较强的风险识别能力和价值发现能力。国内证券机构也在积极推进AI技术的落地应用。例如，中金公司推出了一系列AI策略分析报告，利用AI深度解读政策变化、行业发展。相较于人类分析师，AI实现了更为全面的信息提取，能同时分析当期与历史政策文本，以客观性原则生成基于统一标准的分析结论。此外，AI凭借强大的信息处理能力，能把政策表述具象化，把文本信息转化为可量化的分析指标，便于进一步纳入投资分析模型，实现了技术与专业分析的深度融合。
现实验证。首先，AI工具已整合至分析师日常工作流程中。Christ et al.（2024）基于问卷调查发现，约58%的分析师已将AI工具整合至日常工作流程中，主要应用于提升信息整理、数据采集与文本修改等效率型任务，约10%的分析师还进一步将AI应用于模型开发与股票评级等价值创造环节。其次，生成式AI工具（如ChatGPT）的出现极大地改变了分析师信息获取和处理的方式。Bertomeu et al.（2025）以意大利对ChatGPT的临时禁令这一真实事件，验证了禁止使用ChatGPT会导致分析师预测频率与准确性显著下降，同时引发市场信息效率的下降，表现为投资者对盈余公告反应加剧、买卖价差扩大等市场摩擦增加。此外，AI的有效运用能够提高分析报告的时效性与准确性，但前提是分析师需获得机构层面的资源支持，并具备使用和解释AI工具的能力（Christ et al.，2024）。随着技术演进，AI分析师还以独立主体的形式出现，开始在信息解读和投资建议生成方面与人类分析师形成直接竞争。AI分析师对公司盈余公告、年报等信息披露能够给出更为及时的反应，所提供的投资建议也表现出更优的收益率，但目前市场对AI分析师建议的接受度和反应还较弱（Coleman et al.，2022）。人类分析师面对AI带来的竞争压力，会展现出适应性调整的行为反应，倾向于避开AI高覆盖率的股票，转而聚焦于复杂度较高、难以量化的议题以及AI能力尚不足的细分领域。同时，人类分析师会强化如社交沟通、行业洞察与复杂思维能力等人类特有的优势（Grennan & Michaely，2020）。AI技术的崛起正深刻改变证券分析行业的竞争格局。在对人类分析师形成压力的同时，也激发了其在专业技能与认知能力方面的提升，促成了一种以互补性为基础的人机协同新范式。
实验模拟。除了利用现实世界数据检验AI介入效果外，还可通过实验模拟的方法，评估AI技术在证券分析领域的应用潜力。例如，运用多种机器学习方法，构建人工智能模型，模拟其在信息处理、股价预测等证券分析任务中的应用效果。研究表明，AI技术在处理大规模结构化与非结构化信息方面展现出显著优势（Kim et al.，2023；Fan et al.，2024），在盈利预测精度和适应性上均优于传统方法（Chen et al.，2022）。但也有实验发现：目前的AI模型在泛化能力、数据偏误处理等方面的局限性（Li et al.，2024），表明提升其预测稳定性与解释性的技术路径仍待探索。具有典型代表的是，Cao et al.（2024）构建了融合公司特征、行业动态、宏观经济指标和文本数据等多源信息的AI模型，并将其预测结果与人类分析师进行对比。结果显示，AI模型在54.5%的情况下预测准确率更高，尤其是在处理大规模结构化数据中优势明显。但在面对信息高度不对称、需依赖专业判断或情境理解的复杂分析任务时，人类分析师仍具有不可替代的比较优势。进一步分析发现，结合人类预测的AI模型，表现出更高的预测准确性，显著降低极端预测误差，凸显了人机协同在分析预测中的必要性和潜力。
（二）特定角色
案例实践、现实验证和实验模拟提供的初步证据表明，AI技术正在重塑证券分析行业的工作范式和竞争格局。“算法主导+AI赋能应用”资本市场信息传播模式，正在改变传统的分析师盈利预测模式。凭借强大的信息处理能力与基于机器学习的非线性预测体系，AI技术深刻嵌入资本市场的信息传播链条，其中在分析师盈利预测与股票评级环节，扮演了以下三个新的特定角色：
AI打破信息壁垒改变了分析师从“信息效率”到“认知效率”的竞争格局。在“规则基础+人类专业判断”的信息传播模式中，分析师的核心竞争力取决于信息收集与处理效率。分析师之间的竞争，集中于能否构建高效的信息获取网络，包括拥有强大的研究团队，获取关键社交资源以掌握私人信息，以及利用诸如卫星图像、停车场监控等另类信息资源。这类增量信息往往构成传统分析师预测和判断中的关键变量，对其判断质量具有决定性影响。然而，AI技术的升级迭代深刻改变了分析师这一竞争格局。AI凭借其低边际成本、强大的数据抓取能力，显著降低了信息处理的门槛。AI能够自动化提取和实时抓取公司公告、会议纪要、社交媒体舆情、专利信息等结构化与非结构化数据，并将其转换为可用于预测分析的量化指标，形成新的预测参数，极大提升了信息处理的广度与深度。借助机器学习技术，AI可有效识别冗余信息，剔除低质量信号，辅助人类分析师聚焦于具有决策价值的关键内容（Kim et al.，2023；Fan et al.，2024）。这一变革打破了人类分析师依靠信息获取能力构建优势地位的壁垒，一定程度上实现了信息处理能力的“技术平权”。但在数字经济时代，信息呈指数级增长，AI技术在显著提升信息处理能力的同时，也增加了人类分析师在信息筛选、权重评估与分析解读等方面的判断难度。在“算法主导+AI赋能应用”的新型信息传播模式下，人类分析师的竞争核心力正从“信息效率”向“认知效率”迁移。真正具备竞争优势的分析师，不再是信息的搬运工，而应是更贴近商业实质的差异化洞察者。AI承担了信息挖掘和过滤的角色，人类分析师的专业壁垒将不再建立于“知道得更多”，而是“理解得更深”。
AI的算法优化与协同赋能推动了分析师预测范式的创新。AI的介入正在重构分析师对公司未来盈利能力与股价走势的预测逻辑。传统的盈利预测模型通常依赖有限的财务变量和基础模型结构（如随机游走模型、自回归模型等），模型形式多为线性设定，较难捕捉高维信息和复杂关系。相比之下，AI技术尤其是机器学习方法，具备处理多维度信息的能力，能够在海量的数据中识别公司业绩的潜在驱动因素，捕捉复杂的非线性关系，并不断优化预测模型，以做出准确的样本外预测（Chen et al.，2022）。AI在提升盈利与股价预测准确性和效率方面，展现出相较传统方法及人类分析师更为优越的表现，能够从市场中挖掘对预测判断和未来变化具有实际价值的新信号。在此背景下，分析师若希望维持竞争力，需加快实现与AI工具的深度协同，将机器学习、自然语言处理等先进技术整合进自身的分析逻辑和预测流程中，推动分析工作的范式创新。AI以算法优化重构的预测逻辑，推动了分析师从传统模型构建者转向智能预测系统的融合引导者。这一转型在提升预测效能的同时，也可能带来技术依赖与创新抑制的悖论。分析师仍需不断强化人类特有的认知优势，最终形成人机优势互补的分析范式。
AI引领信息交互革命促进了分析师服务模式的转型。分析师长期作为公司与投资者之间的信息交互桥梁，通过对公司信息的识别、加工与解读，为投资者提供盈利预测与股票评级建议，帮助投资者优化投资决策。然而，传统分析师报告常因结构复杂、专业术语密集和成本较高，主要的服务对象是机构投资者等高认知用户，对普通投资者的覆盖度和可用性较低。AI的介入，改变了分析师与信息使用者之间的交互机制。借助自然语言处理和智能问答系统等AI技术，用户可基于报告内容进行实时提问与反馈，构建更具互动性的传播方式，显著降低信息的认知门槛。AI也可辅助分析师根据用户偏好，生成定制化分析报告，例如为机构投资者强化财务模型分析，为散户突出评级要点与操作建议，从而提升信息匹配度。AI具备的自动更新与智能推送能力，还使得分析师报告实时响应市场变化，通过智能终端实现持续性的信息服务，有助于提升市场透明度与资源配置效率。AI技术的嵌入使分析师信息传播效率实现跃升，从单向传递走向双向互动，从延时传输迈向及时响应。
需要指出，AI介入分析师盈利预测和股票评级还面临一些新的挑战。首先是基于AI算法所固有的“黑箱”特性，分析师需构建“黑箱透明化”的解释框架，增强模型输出结果的可解释性，对AI生成的预测结果进行合理解读与审慎评估。随着AI在预测任务中所占比重不断扩大，亦需警惕可能由此带来的依赖性增强与分析趋同问题。一旦分析师过度依赖统一的算法模型，忽视个性化判断与批判性思维的价值，可能导致分析师报告内容的同质化。其次，分析师利用高效信息交互的快速反馈机制可能会放大投资者情绪波动，诱发非理性交易行为和市场波动。此外，AI所生成的分析师报告尚未全面纳入现有金融监管框架。通过社交媒体或其他非正式渠道广泛传播AI预测内容，可能在绕过合规审查的同时对市场预期产生误导性影响，从而催生对现有监管框架进行适应性调整的需求。
四、AI介入资本市场信息传播与投资者股票交易
作为资本市场信息传播最重要的受众和资本市场信息最主要的使用者，投资者获取、处理与利用信息的效率直接关系到其投资决策质量和资源配置效率。AI以其颠覆性的自然语言交互能力、强大的信息处理能力及预测建模等方面的技术优势，逐步重构了投资者与资本市场信息生态的互动范式。首先，投资者对AI辅助工具的利用具有高度的依赖性。Cheng et al.（2024）利用ChatGPT2023年2月14日至8月31日间在市场交易日的8次中断（分别为8、270、23、199、16、39、72和157分钟）事件作为考察对象，验证了投资者中断利用AI辅助工具对市场流动性和信息效率产生的即时冲击。其次，AI技术介入对投资决策具有重要影响。Wong et al.（2024）在盈余电话会议中引入AI生成的财务摘要，发现该技术干预显著提升了投资者的参与度与市场反应效率。此外，AI工具在投资者群体中的采纳程度具有差异化使用特征（Blankespoor et al.，2024）。这些都表明，利用AI获取、处理与解读信息逐步演进为影响投资者行为和股票交易的关键性因素。AI技术在处理和解释大量文本（Kim et al.，2023；Fan et al.，2024），优化资产定价模型（Chen et al.，2024），提高企业估值准确性（Geertsema & Lu，2023）等方面具有重要的应用潜力。
“算法主导+AI赋能应用”信息传播改变了投资者的行为模式。下面从作为散户与机构投资者投资决策助手的AI和AI量化投资两个层面，分析AI介入资本市场信息传播与投资者股票交易的关系，从而识别AI在股票投资决策中的角色和作用。
（一）作为散户与机构投资者投资决策助手的AI
作为散户投资者投资决策助手的AI。加速复杂信息处理是生成式人工智能的主要优势。作为资本市场中的信息弱势群体，散户投资者长期面临信息处理能力不足、专业分析工具匮乏等约束，导致信息含量有限和决策效率较低。作为散户投资者投资决策的助手，首先，AI有助于解决其获取有价值信息的堵点。公司公告解析、市场数据检索、财务指标解读等传统高成本任务，通过自然语言处理与机器学习技术，借助对话式交互和AI网络平台即时完成，非专业投资者也能快速掌握关键信息。其次，AI拓展了信息处理的深度。具备一定金融素养的散户，借助AI智能工具可完成跨公司财务比较、管理层讨论语义和情绪分析等专业级操作。散户投资者高度依赖社交媒体获取信息，而这类信息往往真假难辨、情绪化明显。AI可被用作信息守门人，在社交平台舆情识别中扮演过滤器的角色，及时识别虚假消息和操纵言论（Fan et al.，2024），帮助投资者依据真实信息做出合理决策。再次，AI技术的普及持续降低了散户投资者进行专业化投资分析的门槛。在投资组合构建和调整时，AI可以根据个体风险偏好、交易行为历史和宏观市场走势，自动生成个性化的风险提示与止损建议。通过算法驱动的个股诊断和策略推演功能，AI可在一定程度上纠偏行为金融中散户投资者普遍存在的“处置效应”、“趋势追逐”等非理性行为，帮助散户制定更加理性的投资组合。AI工具的介入，不仅增加了散户投资者的市场参与度，还增强了其资产配置的多元化和收益稳定性，从而提升投资者福利并推动市场效率的改善（Rossi & Utkus，2024）。此外，通过持续交互式学习，AI还可以充当“教育型助手”的角色。AI帮助散户在决策过程中习得基本的金融逻辑与分析方法，实现从“工具使用”到“能力内化”的跃迁。
作为机构投资者投资决策助手的AI。机构投资者在资本市场中具备专业信息处理能力和资金规模优势，其投资行为影响市场定价效率与流动性，构成市场预期和风险定价机制的重要基石。在处理海量且高度复杂的市场数据中，相较于散户投资者，AI在机构投资者决策体系中的作用被进一步放大，成为提升信息处理效率与投资决策效能的关键技术手段（Cheng et al.，2024）。随着AI技术、本地化大模型、算法交易系统和智能投研平台的搭建，机构投资者正推动AI深度嵌入其决策体系。首先，AI以专业机构投资者的“决策辅助系统”发挥作用，在资产配置、客户服务和机构运营等多个环节赋能。在客户服务方面，AI基于对用户画像和市场情绪的及时解析，推动财富管理方案从标准化向个性化、定制化管理转型，快速响应动态市场需求。在运营效能方面，AI技术应用于合同智能生成、知识库智能检索以及合规自动审查等投研流程中，将人力资源从程序性工作中释放。在资产管理方面，AI借助机器学习和深度学习等技术路径，帮助机构投资者挖掘高维度、多模态的投资因子，优化选股逻辑与资产配置策略，提升风险溢价的测量能力（Chen et al.，2024）。同时，AI还通过整合财务数据、行业数据、文本信息和另类数据等多源异构信息，强化对投资标的动态识别与实时研判，使投资组合更趋分散与多元，增强整体风险收益（Cao et al.，2024）。机构投资者则在处理涉及模糊性、不完全信息与社会性判断的软信息方面仍具独特的比较优势（Cao et al.，2024）。AI解析与人类判断之间的协同互补，构成了投资领域中的“人机协作”新范式，有利于提升资本市场的信息效率和价值发现能力。
（二）AI量化投资
AI量化投资作为AI技术在资本市场信息传播应用的高度集成形态，体现了投资决策主体从“人机协同”向“算法主导”的范式跃迁。有别于前两类场景中AI的辅助性角色，AI量化投资以算法为基础，自动完成数据分析提取、最优模型选择、动态策略调整和参数优化等投资决策过程，并执行交易策略。相较于传统量化投资，AI量化投资借助深度学习、自然语言处理、强化学习等技术手段，构建了更加高效、快速迭代的自主投资决策系统，实现对多源异构数据的深度整合和复杂非线性关系的智能挖掘，提升了决策的精确性与灵活性。目前，这种AI驱动的投资模式呈现出了以下主要特征：一是突破了人类认知局限的信息处理能力。通过高频分析海量结构化及非结构化数据，算法能够识别传统分析难以捕捉的微观信号（Kim et al.，2023；Fan et al.，2024）；二是借助强化学习等技术机制，将海量数据纳入训练，自主学习并总结规律，找寻算法内最佳交易策略，并通过算法迭代和数据的持续输入，获得动态适应性（Easley et al.，2021）；三是完全剥离人类的主观判断，将投资决策转化为基于概率优化的数学问题，减少人类非完全理性带来的行为偏差（D’Acunto et al.，2019）。
AI介入资本市场信息传播后的AI量化投资，正在多层面深刻重塑市场结构。首先提高了市场信息效率和流动性。AI量化模型可在毫秒级别完成数据分析和交易决策，促使交易速度和频率大幅提升，实现对临时性定价错误的快速反应，在一定程度上平滑短期价格波动（Brogaard et al.，2014）。但由于AI量化模型高度依赖历史数据进行训练，在市场出现快速变化时，其灵活性可能不及传统自主基金（Abis，2022）。同时，一些AI量化投资依赖相似的数据源和训练方法，导致策略趋于同质化。这种同质化倾向促使交易行为高度一致，从而对某些信息产生过度反应，强化市场中的羊群效应与信息茧房现象，反而又加剧市场波动性（Beggs & Hill-Kleespie，2025）。其次，AI量化投资还表现出显著的选择性偏好。由于算法高度依赖数据的可获得性，其更倾向于配置市场规模较大、历史较长、媒体覆盖度较高以及信息透明度较好的上市公司（Abis，2022）。再者，AI量化投资可能催生新型投研模式。随着AI在数据分析、策略生成与交易执行等环节的高度自动化与自我迭代，其角色正加速由“助手”向“决策主体”转变。未来可能催生完全由算法驱动的AI账户、自动管理与调仓的AI基金经理等新型投研模式。这些变革有望重塑资本市场的运行逻辑与投资生态。
需要指出，无论是散户还是机构投资者利用AI助手开展投资决策，或进行AI量化投资，也还有多重挑战。首先，AI技术的赋能效果在不同散户投资者群体之间存在明显差异（Blankespoor et al.，2024）。熟练掌握AI工具的“技术型散户”正在拉开与“传统散户”之间的信息认知与决策效率差距，可能进一步加剧投资者之间的认知分层。其次，AI技术在专业机构投资者中的深入应用，可能引发新的市场结构性风险。构建和运行高性能大模型所需的资源门槛加剧了资本市场的技术垄断趋势，提升了大型机构的边际优势，压缩中小机构与散户的生存空间。表面上“信息平权”的AI技术进步在实际中可能演化为“算法鸿沟”，最终加剧市场集中与话语权不均的问题。此外，量化投资的选择性偏差倾向，以及对输入数据质量与完整性的高度依赖，可能导致市场结构失衡，在特定市场环境下产生非预期风险暴露。算法驱动的AI账户、自动管理与调仓的AI基金经理等新型投研模式，可能带来技术垄断、算法不透明和监管适应滞后等风险挑战。最后，算法提供者还可能因掌握上市公司内部信息或投资者信息而干预资本市场并不当获利。如何在促进AI金融创新与保障市场公平有序之间取得平衡，将成为AI投资实践持续健康发展的关键。
五、AI介入资本市场信息传播的反馈效应
资本市场信息传播的原点在于上市公司包括年度和季度财务报告、业绩预告、管理层讨论与分析、盈余电话会议和投资者互动等方式的信息披露，以及确保这些信息披露真实有效的公司内部治理（如内部控制和内部审计）。与传统的“规则基础+人类专业判断”相比，在“算法主导+AI赋能应用”的新型资本市场信息传播中，AI介入审计师识别错报和舞弊与分析师盈余预测和股票评级，介入投资者的投资决策和量化交易，突出了其技术优势和作用，扮演了新的特定角色，但同时又可能给上市公司带来反馈效应。这里所说的反馈效应，是指在资本市场信息传播过程中，审计师和分析师等信息中介、投资者等主要信息使用者利用AI处理、解读、传播与利用上市公司信息而最终又反应回传给上市公司的现象。这种信息的回流会对上市公司的信息披露及其内部治理产生影响，从而构成一个具有互动性、动态性影响的闭环信息传播过程。下面从迎合效应、规避效应和治理效应三个方面，重点讨论AI介入资本市场信息传播后，源头信息的提供者即上市公司针对其信息披露及其内部治理作出的反馈效应。
迎合效应。AI介入资本市场信息传播，意味着审计师、分析师和投资者应用的AI工具（或机器）成为了上市公司各类信息披露即时或事后的重要阅读者、听众与观众。可以想象，在业绩说明会中，AI既是公司提供书面材料的即时阅读者，同时又是CEO现场说明或答复提问的听众和观众时，CEO的信息披露行为会发生怎样的变化。在AI介入信息传播过程中，上市公司的信息披露行为必然会呈现出明显的适应性调整，以迎合信息在“机器主体”中的阅读与解析习惯。首先，在信息表达语言上，公司可能会摒弃含混措辞与复杂修辞，转而采用更为简洁、结构化且情绪可量化的表达。企业会基于AI语料库的动态更新，主动调整用词和表述方式，以配合AI情感识别与自然语言处理模型的运作机制（Cao et al.，2023）。其次，在信息呈现格式上，公司会进一步加强对数据标准、字段定义及格式统一性的把控，以增强信息的机器可读性与分析的精度，但这可能以人类可读性的损失为代价（Call et al.，2024）。此外，随着AI技术在多模态信息处理上的能力不断增强，企业在英语电话会议等交流场景中也可能对管理层讲话的措辞、语气乃至语速进行策略性调整，以适配AI识别机制（Cao et al.，2023）。如何识别和理解上市公司因AI可读性的迎合甚至讨好行为，平衡人类可读性与机器可读性之间的关系，将是AI介入资本市场信息传播所面临的新挑战。
规避效应。AI审计系统、AI分析师等智能化技术虽在提高信息透明度方面发挥着积极作用，但也可能催生出上市公司针对“机器解读”的操控性规避行为。具体体现为公司利用AI技术信息处理的特性，主动调整其披露内容与方式，以误导AI系统并达成更隐蔽的信息操纵和舞弊的目的。例如，公司通过弱化负面信息的情绪强度、使用中性或积极措辞重构消极事实，以及强化正面内容的表述密度，干预AI情感分析结果（Cao et al.，2023）。利用复杂的算法模型，公司还可能借助AI代理放置虚假订单来操纵市场价格，利用社交媒体机器人传播虚假信息，影响投资者情绪和市场决策（King et al.，2020）。一些市场主体通过社交媒体发布结构化、重复性极强的虚假内容，以污染大模型语料库为手段，影响投资者信息获取与市场反应。此外，公司还可能通过技术性手段，挑选性地展示部分数据或通过自定义的解释性模型歪曲信息，导致数据的表象与实际存在明显脱节，误导审计师或信息使用者（Busuioc et al.，2023）。在AI环境监测与远程审计技术广泛应用的情境下，部分公司采用技术性手段操纵原始数据源，修改传感器参数、干扰采样设备或直接篡改采集系统数据流，以应对自动化检测与异常识别系统。随着AI参与信息监管日益常态化，公司的信息操控策略正在从传统的“虚增—隐瞒—滞后”演化为“重构—扰乱—欺骗”，其技术复杂性与识别难度显著提升。如何识别、限制甚至规训上市公司与AI之间潜在的合谋行为，将成为AI介入资本市场信息传播所必须面对的一个新问题。
治理效应。在AI广泛渗透资本市场信息传播生态的背景下，应当清晰看到上市公司也加快将AI技术纳入信息披露及其内部治理体系。首先，AI赋能的信息交互工具正重塑公司与资本市场的信息沟通逻辑。“AI董秘”、“AI智能问答助手”等智能沟通工具的涌现帮助了公司快速捕捉投资者的信息需求，及时调整沟通策略，提高信息回应的及时性和针对性，强化公司与投资者之间的沟通质量。其次，在公司内部控制和内部审计等领域，AI深度嵌入信息披露流程。通过流程自动化、智能审计与可追溯性设计，企业的信息披露真实性有可能得到提升。例如，科大讯飞已实现其大部分内部控制流程的自动化和报销相关的全量数字化审计，有效支撑了财务与非财务信息的合规披露。此外，公司也在尝试将大语言模型及数据整合工具，用于公司年报、内部审计报告及ESG报告等关键文件的编制，以提升内容规范性与数据可验证性（Blankespoor et al.，2024；Emett et al.，2024）。AI技术的介入正促使上市公司信息披露体系迈向更加智能化、交互化与可信化的内部治理新阶段。
综合起来，在“算法主导+AI赋能应用”这一新型资本市场信息传播模式下，AI介入审计师的审计，重构了审计服务的生产函数、重塑了审计证据的验证逻辑、重建了审计的智慧大脑和重树了审计的独立性。AI介入分析师的分析，改变了分析师从“信息效率”到“认知效率”的竞争格局、推动了分析师预测范式的创新和促进了分析师服务模式的转型。AI介入投资者决策和股票交易，有力辅助了散户和机构投资者的投资决策，促进了量化投资发展，提升了资本市场信息效率和交易效率。AI介入资本市场信息传播，对上市公司的信息披露及其内部治理产生了迎合效应、规避效应和治理效应。由于各种AI技术仍处发展初期，各类AI工具也仍在迭代升级之中，有关AI介入资本市场信息传播角色及其反馈效应的研究尚在起步阶段。为深化这一领域的研究，一是要更细致地考察AI在资本市场信息传播全链条中各个环节的实践及其成效；二是要从相关从业者的AI技能、相关机构组织的AI投资和AI基础设施建设、相关信息传播环节的AI具体应用等方面识别出能更有效地反映AI应用的变量；三是要借助案例分析、现实验证和实验模拟等多种方法，更深入地挖掘有别于人类的AI或人机协同作用于资本市场信息传播的科学机制。四是要前瞻性地分析AI介入资本市场信息传播可能带来的人机决策冲突与风险、人机竞争与协调等问题。
载《中山大学学报(社会科学版)》2025年第4期
