在过去的二十年中，研究人员普遍依靠大数据和ML方法为股票估值提供相关的解释及预测建议，其中很多研究要么运用财务变量，要么以财务变量信息为依据。美国哥伦比亚商学院会计学教授 Doron Nissim 在期刊 The Journal of Finance and Data Science 上发表的一篇论文中对这些研究进行了分析，并依据其中一组研究数据确定了几个迄今为止仍被忽略实则至关重要的领域 。在文章中，Nissim 教授详细阐述了其中两个：（1）使用大数据和 ML方法来衡量无形资产；(2) 将经济、财务和会计结构纳入ML方法的运用中。

关于第一点，Nissim 教授指出：“有机开发的无形资产通常会从资产负债表中省略掉，从而导致财务报表失真，这种刻意省略主要是因为无形资产所固有的不确定性。近几十年来，无形资产强度和经济波动的增长趋势使报告的收益和账面价值无法有效地预测未来收益。相关研究表明，过去十年价值因子表现不佳的部分原因是收益和账面价值等会计指标未能涵盖越来越重要的无形资产。” 他补充道：“其实数据可用性大幅度地增加以及计算与数据分析方法的改进，已经足以实现精确地测量不同类型的无形资产。在这篇评论中，我查看了一些最近的案例，并强调了在这一领域进行更多研究的必要性。”

图：最新的一项评论发现，研究人员对ML如何帮助股票估值的理解存在偏差

源自：Gordon Johnson

关于领域内知识和ML方法的整合，Nissim 教授认为大数据和ML方法不应替代由经济、财务和会计相互结合所构建的稳固的知识框架。他解释道：“只依靠对纯数据的深究很难真正地、有效地理解样本以外所传达的信息。从数据中提取信息也就意味着依据过去有关联的象进行推断，但在某些情况下，‘这次不同了’的状况是实际存在的，这必然导致推断中存在着偏差。当然，结合已知信息进行判断是不可避免的，但当预测和评估来自“黑匣子”时，这很可能导致判断是毫无意义的。融合了经济直觉，提供对估计过程更多可见性的简单、传统模型更适合纳入判断体系。”  他总结道：“第一波人工智能模型使用专家系统，而第二波则转向ML方法，结合两者——比如，通过整合领域内知识体系和ML方法——或纳入更多方法推动从‘人与机器’转化为‘人加机器’，可能会产生更好的结果。在这篇评论中，我提供了几个例子来支持这一观点。”

• 文章标题：Big data, Accounting Information, and Valuation

• 作       者：Doron Nissim

• 文章路径：

期刊The Journal of Finance and Data Science （JFDS）旨在成为金融和数据科学交叉领域研究的前沿杂志。

期刊主编由美国宾州州立大学的Huang Jingzhi 教授担任。编委成员包括来自世界各地金融、经济、数学、统计及计算机领域的著名学者及业界人士，包括两位诺贝尔经济学奖获得者Lars Peter Hansen和Robert J. Shiller。

目前，期刊已被数据库Scopus收录。