光華講壇——社會(huì)名流與企業(yè)家論壇第6719期
主題：生成式人工智能在會(huì)計(jì)與財(cái)務(wù)分析中的前沿應(yīng)用研究
主講人：美國(guó)阿肯色大學(xué)沃爾頓商學(xué)院 Vernon Richardson教授
主持人：會(huì)計(jì)學(xué)院 李賀教授
時(shí)間：4月8日14:00-16:00
地點(diǎn)：柳林校區(qū)誠(chéng)正樓650會(huì)議室
主辦單位：會(huì)計(jì)學(xué)院 科研處
主講人簡(jiǎn)介：
Vernon Richardson教授是美國(guó)阿肯色大學(xué)沃爾頓商學(xué)院的杰出教授，會(huì)計(jì)系主任，研究方向?yàn)樾畔⒓夹g(shù)、大數(shù)據(jù)分析和會(huì)計(jì)的交叉領(lǐng)域，是美國(guó)會(huì)計(jì)信息系統(tǒng)領(lǐng)域最杰出的學(xué)者之一。他的成果發(fā)表在The Accounting Review、Journal of Accounting and Economics、MIS quarterly、Journal of Operations Management、Journal of Marketing、Journal of operations Management等UTD24期刊，以及Contemporary Accounting Research、Journal of Management Information Systems等FT50期刊。他曾擔(dān)任The Accounting Review主編，現(xiàn)任Accounting Horizons主編。在教學(xué)方面，Richardson教授出版了Accounting Information Systems、Data Analytics for Accounting等教材。其中，《會(huì)計(jì)數(shù)據(jù)分析》（Data Analytics for Accounting）教材是大數(shù)據(jù)會(huì)計(jì)領(lǐng)域的原創(chuàng)教材，在國(guó)內(nèi)外得到了廣泛應(yīng)用。
內(nèi)容提要：
為了鼓勵(lì)深入思考與交流，我們也希望參會(huì)同學(xué)能選擇一篇與AI相關(guān)的學(xué)術(shù)論文，并準(zhǔn)備5分鐘左右的簡(jiǎn)要分享，聚焦該論文的“增量貢獻(xiàn)”，即它相較于已有研究提出了什么新的見(jiàn)解？解決了什么未解的問(wèn)題？這是一次輕松的交流，不是正式匯報(bào)。形式不限，內(nèi)容不限，旨在營(yíng)造思想碰撞的氛圍，幫助大家建立起跨學(xué)科的學(xué)術(shù)視角。
近年來(lái)，生成式人工智能（Generative AI）在信息處理與財(cái)務(wù)決策領(lǐng)域展現(xiàn)出巨大潛力。我們精選了arxiv上兩項(xiàng)最新研究成果，聚焦大語(yǔ)言模型（LLMs）在會(huì)計(jì)信息解讀與財(cái)務(wù)報(bào)表分析中的突破性應(yīng)用，誠(chéng)邀學(xué)術(shù)同仁交流探討。
論文一：Bloated Disclosures:Can ChatGPT Help Investors Process Information?（冗余披露：ChatGPT能否助力投資者信息處理？）
該研究以股票市場(chǎng)為實(shí)驗(yàn)平臺(tái)，實(shí)證分析ChatGPT對(duì)復(fù)雜企業(yè)信息披露文檔進(jìn)行摘要提煉的有效性。研究發(fā)現(xiàn)，盡管生成摘要明顯縮短了文本長(zhǎng)度，但信息含量反而更高，且與市場(chǎng)反應(yīng)的解釋力更強(qiáng)。文本情緒在摘要中被進(jìn)一步放大，而所謂的“冗余披露”會(huì)導(dǎo)致價(jià)格效率降低與信息不對(duì)稱(chēng)上升。該文首次提出了信息“膨脹度”的量化指標(biāo)，驗(yàn)證生成式AI在減輕投資者信息處理負(fù)擔(dān)方面的巨大潛力。
論文二：Financial Statement Analysis with Large Language Models（大語(yǔ)言模型的財(cái)務(wù)報(bào)表分析）
本文探討GPT-4在標(biāo)準(zhǔn)化、匿名化的財(cái)務(wù)報(bào)表分析任務(wù)中的表現(xiàn)。即使缺乏行業(yè)語(yǔ)境或敘述性信息，GPT-4在預(yù)測(cè)未來(lái)收益變化方向方面超過(guò)了人類(lèi)分析師，并與當(dāng)前最先進(jìn)的特定機(jī)器學(xué)習(xí)模型精度相當(dāng)。尤其在人類(lèi)分析師常常失效的情境下，LLM表現(xiàn)出顯著優(yōu)勢(shì)。研究還表明，該模型的預(yù)測(cè)不依賴(lài)其訓(xùn)練記憶，而是基于真實(shí)的分析推理，其構(gòu)建的投資策略也優(yōu)于傳統(tǒng)模型，展現(xiàn)了在決策支持中的廣闊前景。
