人工智能概念炒作与分析师盈余预测

姚树洁; 洪涛; 陈锡毅

人工智能概念炒作与分析师盈余预测

姚树洁^{1, 2},
洪涛¹,
陈锡毅¹

1.
重庆大学经济与工商管理学院, 重庆 400044
2.
辽宁大学李安民经济研究院, 辽宁沈阳 110036

基金项目:

国家社会科学基金重大项目 25&ZD157

重庆市研究生科研创新项目 CYB23003

详细信息

作者简介:
姚树洁(1959-)，男，广东揭阳人，重庆大学经济与工商管理学院特聘教授，辽宁大学李安民经济研究院院长

洪涛(1998-)，男，安徽宿州人，重庆大学经济与工商管理学院博士研究生

陈锡毅(2000-)，男，重庆永川人，重庆大学经济与工商管理学院博士研究生

中图分类号: F832
计量
- 文章访问数: 9
- HTML全文浏览量: 5
- PDF下载量: 1
- 被引次数: 0
出版历程
- 收稿日期: 2025-08-31
- 网络出版日期: 2026-03-23
- 刊出日期: 2026-01-28

Artificial Intelligence Hype and Analyst Earnings Forecast

1.
School of Economics and Business Administration, Chongqing University, Chongqing 400044
2.
Li Anmin Institute of Economic Research, Liaoning University, Shenyang 110036, China

摘要

摘要: 资本市场长期盛行蹭热点、讲故事等炒作行为，极易损害市场信息环境。上市公司的人工智能活动宣传与实践“言行不一”应该如何识别并治理，是当前人工智能产业高质量发展的重要问题。基于2007—2023年上市公司年报文本和人工智能创新与应用数据，构造企业人工智能概念炒作测度指标，研究发现企业人工智能概念炒作会显著加剧分析师预测偏差，但未带来相关实质性创新和应用。该效应是通过推高分析师和投资者的乐观情绪来发挥作用。异质性分析显示，分析师实地调研、出众的业务能力以及畅通的外部信息生态有助于克服概念炒作的信息误导效应，而企业市值操纵动机则会加剧该效应。研究结论有助于揭示人工智能浪潮中的企业投机行为及其对资本市场信息环境的影响，也为推进人工智能健康发展和信息规范披露提供了有益启示。
- 人工智能 /
- 概念炒作 /
- 盈余预测 /
- 乐观情绪
Abstract: Speculative practices such as trend-chasing and narrative-driven hype prevail in capital markets and pose substantial risks to the quality of the information environment. How to identify and govern discrepancies between firms' rhetoric and actual practices in promoting artificial intelligence (AI) activities constitutes a critical issue for the high-quality development of the AI industry. Using textual data from listed firms' annual reports and firm-level data on AI innovation and application from 2007 to 2023, this study constructs a novel measure of corporate AI hype. The results show that AI hype significantly exacerbates analyst forecast bias while failing to generate corresponding substantive innovation or application outcomes. Mechanism analyses indicate that this effect operates by elevating optimism among analysts and investors. Heterogeneity analyses further show that analysts' on-site visits, stronger professional competence, and a well-functioning external information environment help mitigate the misleading effects of AI hype, whereas firms' incentives for market value manipulation intensify these effects. Overall, the findings reveal corporate speculative behavior amid the AI wave and its implications for the capital market information environment, and provide useful insights for promoting the healthy development of AI and improving the standardization and credibility of information disclosure.
- artificial intelligence /
- hype /
- earnings forecast /
- positive sentiments

HTML全文

表 1 变量符号和定义

变量类型	变量名称	变量符号	变量测度
被解释变量	分析师预测偏差	Ferror	由式(2)得到
核心解释变量	人工智能概念炒作	AIwashing	由式(1)残差得到
控制变量	预测间隔	Period	分析师盈余预测日期与公司财务报告披露日期平均间隔天数加1取对数
	公司成立年龄	Age	以公司成立年数加1取自然对数衡量
	公司规模	Size	以公司总资产取自然对数衡量
	公司杠杆	Lev	以公司的资产负债率衡量
	公司盈利能力	ROA	以公司的总资产利润率衡量
	账面市值比	BM	以公司账面价值比上市场价值衡量
	是否两职合一	Dual	以公司董事长和总经理是否由同一人担任衡量，是则取值为1，否则取0
	董事会规模	Board	以公司董事会人数衡量
	独立董事占比	Ind	以公司董事会中独立董事人数的占比衡量
	第一大股东占比	Top1	以上市公司第一大股东的持股比例衡量
	机构投资者持股比例	Ins	以公司机构投资者的持股比例之和衡量

下载: 导出CSV

表 2 样本描述性统计

变量名	样本量	均值	标准差	最小值	中位数	最大值
分析师预测偏差	24 893	0.460	1.517	-3.224	0.167	10.310
人工智能概念炒作	24 893	0.019	0.822	-3.217	-0.089	3.982
预测间隔	24 893	5.188	0.510	0	5.272	6.116
公司成立年龄	24 893	2.849	0.370	0	2.890	4.159
公司规模	24 893	22.420	1.349	19.950	22.220	26.470
公司杠杆	24 893	0.052	0.051	-0.137	0.047	0.213
公司盈利能力	24 893	0.414	0.202	0.047	0.408	0.857
账面市值比	24 893	0.614	0.248	0.122	0.610	1.170
是否两职合一	24 893	0.296	0.457	0	0	1
董事会规模	24 893	8.637	1.738	3	9	18
独立董事占比	24 893	0.375	0.056	0.167	0.357	0.800
第一大股东占比	24 893	0.353	0.151	0.091	0.334	0.761
机构投资者持股比例	24 893	0.470	0.253	0.008	0.497	0.933

下载: 导出CSV

表 3 人工智能概念炒作对分析师预测偏差的回归结果

变量	(1)	(2)	(3)	(4)
	全样本		概念炒作组	非概念炒作组
	Ferror	Ferror	Ferror	Ferror
AIwashing	0.049^**	0.042^**	0.074^*	0.016
	(0.019)	(0.019)	(0.041)	(0.048)
Period		0.322^***	0.339^***	0.325^***
		(0.022)	(0.037)	(0.032)
Age		0.269^*	0.218	0.282
		(0.143)	(0.274)	(0.211)
Size		0.030	-0.007	0.037
		(0.037)	(0.066)	(0.054)
Lev		0.111	0.840	0.000
		(0.386)	(0.616)	(0.555)
ROA		-0.246^*	0.002	-0.354^*
		(0.141)	(0.246)	(0.205)
BM		-0.194^**	-0.380^***	-0.148
		(0.085)	(0.145)	(0.125)
Dual		-0.043	0.018	-0.088
		(0.042)	(0.069)	(0.055)
Board		0.006	0.008	0.013
		(0.013)	(0.023)	(0.019)
Ind		-0.013	-0.325	-0.246
		(0.344)	(0.540)	(0.459)
Top1		0.105	-0.051	0.201
		(0.204)	(0.335)	(0.297)
Inst		0.153	-0.036	0.237
		(0.139)	(0.252)	(0.191)
Constant	0.459^***	-2.582^***	-1.546	-2.795^**
	(0.000)	(0.908)	(1.629)	(1.349)
公司固定效应	是	是	是	是
年份固定效应	是	是	是	是
样本量	24 893	24 893	9 738	14 165
Adj. R²	0.043	0.055	0.057	0.060
注：*、、*分别表示在1%、5%和10%置信水平下显著；括号内数值为聚类在公司层面的标准误。下表同。

下载: 导出CSV

表 4 人工智能概念炒作动机测试

变量	(1)	(2)	(3)
变量	F1.Patent	F1.Hard	F1.Soft
AIwashing	-0.001	-0.113^*	0.029
	(0.014)	(0.069)	(0.072)
控制变量	是	是	是
公司固定效应	是	是	是
年份固定效应	是	是	是
样本量	18 450	18 464	18 464
Adj. R²	0.667	0.822	0.580

下载: 导出CSV

表 5 工具变量回归

变量	(1)	(2)
	第一阶段	第二阶段
	AIwashing	Ferror
IV1	0.639^***
	(0.046)
IV2	0.146^***
	(0.007)
AIwashing_fit		0.057^**
		(0.027)
控制变量	是	是
公司固定效应	是	是
年份固定效应	是	是
样本量	24 893	24 893
Adj. R²	0.721	0.055
Kleibergen-Paap rk LM统计量	380.022^***
P值	0.000
Kleibergen-Paap rk Wald F统计量	270.227
Stock-Yogo 10%临界值	19.93
Hansen J统计量	0.887
P值	0.346

下载: 导出CSV

表 6 机制分析

变量	(1)	(2)	(3)	(4)
	分析师乐观情绪		投资者乐观情绪
	Analyst_opt1	Analyst_opt2	Market_opt1	Market_opt2
AIwashing	0.050^**	0.009^**	0.010^**	0.004^**
	(0.019)	(0.004)	(0.005)	(0.002)
控制变量	是	是	是	是
公司固定效应	是	是	是	是
年份固定效应	是	是	是	是
样本量	24 893	23 107	21 630	24 766
Adj. R²	0.069	0.297	0.633	0.581

下载: 导出CSV

表 7 考虑分析师特质的异质性分析

变量	(1)	(2)	(3)	(4)
变量	无实地调研	有实地调研	无明星分析师	有明星分析师
AIwashing	0.061^**	0.030	0.051^*	0.021
	(0.024)	(0.029)	(0.026)	(0.032)
控制变量	是	是	是	是
公司固定效应	是	是	是	是
年份固定效应	是	是	是	是
样本量	12 810	11 357	14 467	9 293
Adj. R²	0.060	0.069	0.045	0.084

下载: 导出CSV

表 8 考虑外部信息生态的异质性分析

变量	(1)	(2)	(3)	(4)
变量	互联网发达	互联网不发达	媒体关注度高	媒体关注度低
AIwashing	0.086^**	0.030	0.062^**	0.034
	(0.034)	(0.027)	(0.030)	(0.026)
控制变量	是	是	是	是
公司固定效应	是	是	是	是
年份固定效应	是	是	是	是
样本量	10 049	12 991	11 611	11 745
Adj. R²	0.072	0.055	0.054	0.068

下载: 导出CSV

表 9 考虑企业市值操纵动机的异质性分析

变量	(1)	(2)	(3)	(4)
变量	有股权质押	无股权质押	管理者短视高	管理者短视低
AIwashing	0.099^**	0.019	0.108^***	0.015
	(0.040)	(0.023)	(0.031)	(0.028)
控制变量	是	是	是	是
公司固定效应	是	是	是	是
年份固定效应	是	是	是	是
样本量	5 636	18 560	11 245	11 283
Adj. R²	0.084	0.058	0.058	0.054

下载: 导出CSV

参考文献(39)

[1]	李哲, 王文翰. "多言寡行"的环境责任表现能否影响银行信贷获取——基于"言"和"行"双维度的文本分析[J]. 金融研究, 2021(12): 116-132.
[2]	胡国强, 侯聪聪, 孙文祥, 等. "防微杜渐"还是"推波助澜"?散户"在线发声"与企业策略性创新信息披露[J]. 南开管理评论, 2025(10): 76-87.
[3]	刘东慧, 白福萍. "揭榜挂帅"何以抑制企业创新泡沫——基于创新要素集聚视角的分析[J]. 广东财经大学学报, 2025(5): 50-64. doi: 10.3969/j.issn.1008-2506.2025.05.004
[4]	张德涛, 张景静, 董帅. 环境信息粉饰行为的潜在影响[J]. 世界经济, 2024(4): 99-128.
[5]	游万海, 陈森杰, 陈健永, 等. "多言寡行"环境责任表现对股价崩盘风险影响研究——基于投资者情绪的中介效应[J]. 中国管理科学, 2025(10): 12-23.
[6]	马连福, 宋婧楠, 王博. 数字化转型信息披露的价值效应研究——来自概念炒作的证据[J]. 经济与管理研究, 2023(8): 17-37.
[7]	李哲, 李心武, 焦焰, 等. "多言寡行"的数字化转型披露与分析师预测行为[J]. 会计研究, 2024(9): 61-75.
[8]	严若森, 高心仪. 业绩期望落差与企业数字化战略信息传递积极性——来自交易所网络互动平台投资者问答的证据[J]. 南开管理评论, 2024(9): 65-77.
[9]	黄哲, 杜斐烨, 金洪飞, 等. "多言寡行"的数字化转型披露能否被投资者识别?——基于股票错误定价的证据[J]. 外国经济与管理, 2025(8): 19-35.
[10]	苏子豪, 段云, 赵巍, 等. 市场会奖励数字化转型的"行胜于言"吗[J]. 南开管理评论, 2024(9): 78-88, 172.
[11]	窦超, 黄宇童, 刘巍. 技术概念炒作与政府补贴获取[J]. 经济管理, 2025(6): 123-145.
[12]	HUANG R, XI M. Media-driven greenwashing hype and stock price crash risk[J]. Finance Research Letters, 2025, 85: 107836. doi: 10.1016/j.frl.2025.107836
[13]	王兰芳, 王悦, 侯青川. 法制环境、研发"粉饰"行为与绩效[J]. 南开管理评论, 2019(2): 128-141, 185.
[14]	BINGLER J A, KRAUS M, LEIPPOLD M, et al. How cheap talk in climate disclosures relates to climate initiatives, corporate emissions, and reputation risk[J]. Journal of Banking & Finance, 2024, 164: 107191.
[15]	张树山, 刘赵宁, 姚欣妍. 数据资产信息披露何以影响股价崩盘风险[J]. 广东财经大学学报, 2025(3): 54-69.
[16]	伍燕然, 潘可, 胡松明, 等. 行业分析师盈利预测偏差的新解释[J]. 经济研究, 2012(4): 149-160.
[17]	游家兴, 周瑜婷, 肖珉. 凯恩斯选美竞赛与分析师预测偏差行为——基于高阶预期的研究视角[J]. 金融研究, 2017(7): 192-206.
[18]	HILARY G, MENZLY L. Does past success lead analysts to become overconfident?[J]. Management Science, 2006, 52(4): 489-500. doi: 10.1287/mnsc.1050.0485
[19]	谭松涛, 甘顺利, 阚铄. 媒体报道能够降低分析师预测偏差吗?[J]. 金融研究, 2015(5): 192-206
[20]	CHORTAREAS G, KOU F, VENTOURI A.Climate talk in earnings calls: effects on analyst forecasts and environmental management[J/OL].The European Journal of Finance, 1-34[2025-07-01].https://doi.org/10.1080/1351847x.2025.2512112.
[21]	GAO Z, QUAN X, XU X. Under watchful eyes: analyst site visits and firm earnings management[J]. International Review of Financial Analysis, 2022, 83: 102269. doi: 10.1016/j.irfa.2022.102269
[22]	JANNATI S, KHALAF S, NGUYEN D. The up side of being down: depression and crowdsourced forecasts[J]. Journal of Banking & Finance, 2025, 179: 107526.
[23]	KYUNG H, TSANG A. Media sentiment divergence and analyst earnings forecasts[J]. Asia-pacific Journal of Accounting & Economics, 2024, 31(1): 25-49.
[24]	张宗新, 吴钊颖. 媒体情绪传染与分析师乐观偏差——基于机器学习文本分析方法的经验证据[J]. 管理世界, 2021(1): 170-185, 11, 20-22.
[25]	牛子恒, 金环, 李欣泽. 智能制造对企业加成率的影响[J]. 广东财经大学学报, 2025(5): 78-90. doi: 10.3969/j.issn.1008-2506.2025.05.006
[26]	李三希, 林心仪, 兰森. 数据要素市场化: 数据交易平台建设路径探析——基于北京国际大数据交易所的案例分析[J]. 江西社会科学, 2024(10): 69-82.
[27]	LEHAVY R, LI F, MERKLEY K. The effect of annual report readability on analyst following and the properties of their earnings forecasts[J]. The Accounting Review, 2011, 86(3): 1087-1115. doi: 10.2308/accr.00000043
[28]	DAVIS A K, PIGER J M, SEDOR L M. Beyond the numbers: measuring the information content of earnings press release language[J]. Contemporary Accounting Research, 2012, 29(3): 845-868. doi: 10.1111/j.1911-3846.2011.01130.x
[29]	LOEWENSTEIN G F, WEBER E U, HSEE C K, et al. Risk as feelings[J]. Psychological Bulletin, 2001, 127(2): 267-286. doi: 10.1037/0033-2909.127.2.267
[30]	游家兴, 邱世远, 刘淳. 证券分析师预测"变脸"行为研究——基于分析师声誉的博弈模型与实证检验[J]. 管理科学学报, 2013(6): 67-84.
[31]	姚加权, 张锟澎, 郭李鹏, 等. 人工智能如何提升企业生产效率?——基于劳动力技能结构调整的视角[J]. 管理世界, 2024(2): 101-116, 133.
[32]	褚剑, 秦璇, 方军雄. 中国式融资融券制度安排与分析师盈利预测乐观偏差[J]. 管理世界, 2019(1): 151-166, 228.
[33]	江艇. 因果推断经验研究中的中介效应与调节效应[J]. 中国工业经济, 2022(5): 100-120.
[34]	林乐, 谢德仁. 分析师荐股更新利用管理层语调吗?——基于业绩说明会的文本分析[J]. 管理世界, 2017(11): 125-145, 188.
[35]	BAKER M, STEIN J C, WURGLER J. When does the market matter? stock prices and the investment of equity-dependent firms[J]. Quarterly Journal of Economics, 2003, 118(3): 969-1005. doi: 10.1162/00335530360698478
[36]	CAO S S, GONG G, KIM Y, et al. Site visits and corporate investment efficiency[J]. Management Science, 2025, 71(1): 635-658.
[37]	CHENG Q, DU F, WANG X, et al. Seeing is believing: analysts' corporate site visits[J]. Review of Accounting Studies, 2016, 21(4): 1245-1286. doi: 10.1007/s11142-016-9368-9
[38]	夏范社, 何德旭. 明星分析师能识别公司价值吗?——基于分析师研究报告视角[J]. 中国软科学, 2021(8): 95-109.
[39]	胡楠, 薛付婧, 王昊楠. 管理者短视主义影响企业长期投资吗?——基于文本分析和机器学习[J]. 管理世界, 2021(5): 139-156, 11, 19-21.