【数智金融 NO.3】股票市场参与者如何使用生成式人工智能:来自用户-平台交互数据的证据
【文献题目】
How Stock Market Participants Use Generative Artificial Intelligence: Evidence from User-Platform Interaction Data
股票市场参与者如何使用生成式人工智能：来自用户-平台交互数据的证据
【文献来源】
Ecker F, Li X, Li Y, et al. How Stock Market Participants Use Generative Artificial Intelligence: Evidence from User-Platform Interaction Data[J]. Journal of Accounting Research, 2026, 64(3): 1375-1414.
摘要
本文提供了股票市场参与者如何使用生成人工智能（GenAI）处理投资相关信息的描述性证据。通过使用2024年上半年中国最大的GenAI平台之一的170万条股票相关查询数据集，本文发现用户查询涉及广泛的主题和任务，并且随着使用强度和金融复杂程度而系统地变化。公司披露事件前后用户的查询活动有所增加，但这些增加主要与同期媒体报道有关。同时，本文也发现与实质内容相符的证据——管理层自愿披露的信息量与投资者对GenAI的依赖之间的关系。持续的平台参与更有可能出现在简洁且包含方向准确的交易信号的回答之后。随着时间的推移，用户的后续查询越来越多地反映了早期GenAI答案中存在的特殊性和财务术语。在市场层面，GenAI的使用与较高的知情交易指标和较低的流动性相关，而GenAI生成的答案中的总体情绪与当日异常回报相关，特别是当用户反馈积极时。总体而言，本文研究结果为散户投资者早期采用GenAI提供了见解，并为有关GenAI如何塑造金融市场信息处理的讨论提供了信息。
关键词：生成式AI；投资者；信息获取；信息处理
01 研究背景及文献综述
在大型语言模型 (LLM) 进步的推动下，生成式人工智能 (GenAI) 的兴起为市场参与者带来了增强投资决策的众多能力和机会。尽管GenAI在股票市场投资领域已被证实具有诸多益处，但至少有三个关键原因导致投资者可能不会或没有充分利用这项新技术。首先，投资者可能对GenAI的能力缺乏认识，从而造成信息障碍，阻碍他们获取或利用其优势。其次，即使意识到，用户也可能因时间或认知能力等资源的有限限制其选择或有效实施该工具的广泛能力。第三，部分投资者无法信任GenAI输出信息的质量和可靠性，因此，在进行评估时，相对于自己的信念或其他来源的信息，投资者倾向于给予GenAI输出的信息较低的权重。因此，市场参与者，尤其是散户投资者，在进行股票相关研究时对于GenAI的利用程度如何，仍然是一个有待回答的实证问题。为系统回答上述问题，本文首先回顾散户投资者信息处理的相关文献。
1.1 散户投资者的信息处理约束与新技术
Kim和Verrecchia（1994）认为，在重大披露事件前后的短暂窗口期内，公开披露可能扩大异质投资者之间的信息差距，因为此时只有部分投资者愿意或有能力承担处理新信息的成本。在此基础上，Blankespoor等人（2020）将信息处理成本分解为三个组成部分：认知成本、获取成本和整合成本。本文聚焦于小型散户投资者，他们在信息处理的各个阶段都面临着巨大的约束。
已有研究表明，散户投资者经常忽视具有价值相关性的会计信息，即使在认知成本已大幅降低的情况下亦是如此。随着企业披露文件在篇幅和复杂程度上的持续增加，许多散户投资者可能缺乏定位、提取和整合相关信息所需的认知能力或时间。因此，他们倾向于投资披露更清晰、更简洁的企业，或者以比机构投资者更“肤浅”的方式处理披露信息（Veldkamp，2011）。实证证据表明，信息传播方面的技术进步充其量只能为小型投资者带来有限的益处。特别是散户投资者适应XBRL和EDGAR等强制披露技术的速度较慢，因此也无法从中受益（Blankespoor等，2014；Gomez，2024）。
近期的研究表明，整合丰富信息线索的平台（Chau，2025）或促进投资者与企业之间直接沟通的平台（Lee和Zhong，2022）可以帮助自主决策的散户投资者做出更明智的决策。值得注意的是，一些研究表明，散户投资者更喜欢来自中介机构的经过处理或汇总的信息，而不是原始会计数据或主要披露信息（Lawrence等，2017；Blankespoor等，2019；Chau，2025）。这一偏好值得关注，因为经过处理的信息往往伴随着延迟获取和信息粒度降低的代价。相比之下，GenAI平台有可能降低认知成本和获取成本，同时更迅速地提供相关信息。已有研究表明，散户投资者对基本信息感兴趣，但往往不愿意或无法直接从文件和披露中处理这些信息。在此背景下，新的信息处理技术只有在以下情况下才可能使散户投资者受益：（1）大幅降低货币和认知成本；（2）有效缓解信息整合摩擦。
1.2 大语言模型在股票市场投资决策中的能力
虽然金融服务提供商长期以来一直在数据处理和决策方面采用人工智能，但GPT-4等大语言模型的发布极大推动了股票市场参与者（包括散户投资者）对生成式人工智能工具的访问。研究强调了生成式人工智能在投资者决策中的三个关键作用。
首先，生成式人工智能可以通过替代传统中介机构提升信息感知，提供更及时、更高质量的披露摘要。其次，生成式人工智能通过使用户能够高效提取并定制公司特定信息，促进信息获取。例如，GPT模型可以自动化从企业报告中提取数据（Gupta，2023；Ni等，2023），捕捉企业与创新相关的特定风险（Kim等，2025），并揭示传统方法难以识别的申报内容（Breitung和Müller，2025；Costello等，2025）。第三，生成式人工智能有助于信息整合：其可以连接文本和数值披露，以辅助现金流和回报的预测（Kim和Nikolaev，2024），而基于GPT的投资评分已被证明能预测异常回报（Jha等，2025）。
散户投资者越来越多地利用生成式人工智能以个性化的方式直接与金融信息交互（Blankespoor等，2026）。这一转变使得主动发现披露信息成为可能，并为投资者在认知、获取和整合阶段的信息需求提供新见解。本文分析查询级数据，揭示投资者关注的主题及其赋予生成式人工智能的任务。同时，本文将用户反馈和查询活动与股市结果相结合，提供了AI信息如何融入交易决策的证据。
02 研究设计
2.1 数据来源
本文研究背景和数据来源基于中国一家领先的科技公司开发的对话式GenAI平台。该平台于2023年年中推出，现已迅速发展，可以处理包括金融、商业和技术在内的广泛主题领域的查询。本文样本基于该GenAI平台在2024年1月1日至6月30日期间产生的4.78亿条原始用户提问与模型回答的配对记录。研究团队首先通过上市公司官方名称及简称进行关键词对齐，进而应用中文BERT模型精准保留与股市交易决策相关的文本。最终样本包含1,746,075个股票市场相关问答对，涉及5,278家A股上市公司。
2.2 描述性统计
（1）平台整体使用量的时间趋势与地区分布
从2024年1月至6月，查询量和独立用户数量均稳步增长，查询量的增长大致跟随用户基数的扩展。使用方式也因地理而异。采用率最高的地区是中国东部沿海地区，这些地区拥有重要的金融和经济枢纽，而内陆地区则明显较低。最后，周内的查询活动模式显示，查询活动在周一至周四达到高峰，周末略有下降，表明用户对股市研究的兴趣超越了正式交易日。图1展示了平均交易日内每半小时一次查询的密度，由图1可知交易时段活动明显集中，交易时间以虚线分隔，并以浅蓝色背景突出显示，尤其是在上午9：30至下午4：00之间。查询活动在市场开盘前大幅增加，收盘时达到峰值，之后逐渐下降。此外，本文在晚间10时亦观察到一个小幅峰值，这或许表明用户在下班后或当日交易结束前收集信息。总体来看，这一时间模式表明该平台既是实时市场监控也是盘后投资研究的信息来源。
图1 查询量在交易时段内的密度分布
（2）问答主题
基于用户与平台互动中识别出的所有话题，查询频率最高的六个话题依次为：业务前景、生产经营、财务表现、产品与技术、股票市场表现和竞争格局。相比之下，其余四个话题的出现频率低得多，占比介于6.23%至7.43%之间。
图2 人均查询量的密度分布
（3）用户查询所对应的任务类型
图3从用户层面呈现了信息处理任务构成随用户查询序列推移的演变。整合类任务在整个交互历史中始终占据最大份额。尽管如此，平台使用往往起始于意识类查询，如股票推荐请求或企业披露监测。首次查询提交意识类问题的概率超过50%，但随着平台使用的持续，这一比例稳步下降。相比之下，提交获取类任务的概率在后续交互中逐渐上升。本文将这一动态解释为：随着用户对平台经验的积累，其使用模式从建立一般性意识逐步转向更有针对性的信息需求。整合类任务始终占据主导地位，在约72.1%至80.6%的较窄区间内波动，表明用户在整个平台使用过程中频繁依赖GenAI进行复杂推理与综合。综合来看，这些描述性结果表明，初始查询往往反映更广泛、结构化的信息需求较低的特征，与意识摩擦的存在一致，而后续交互则日益聚焦于目标明确的信息获取与处理。
图3 查询序列中信息处理任务的分布
（4）用户异质性
尽管本研究样本中的大多数用户是散户投资者，他们对GenAI相对陌生，且主要出于探索性目的与之交互，但仍有部分用户以更密集、更复杂的方式使用该技术。本文通过持续使用AI来刻画用户参与度，其基本逻辑在于：更有效地利用GenAI能产生信息收益，进而增强用户持续使用的激励。用户在进入平台的当月，其总查询量处于所在月份进入队列前十分之一的，被归类为高AI使用组，其余为低AI使用组。此外，本文基于用户在查询中频繁使用财务指标来代理其金融素养水平——用户在每条查询中提及财务指标的平均数量处于前十分之一的，被归类为高指标使用组，其余为低指标使用组。
分析表明，参与度更高和金融素养更高的用户均更集中于金融话题和财务报表分析任务，以及信息获取与整合活动。相比之下，参与度较低和素养较低的用户更可能将GenAI用于信息意识类任务，并提出更宽泛、结构更松散的企业前景问题。使用模式的差异表明，参与度更高和金融素养更高的用户以更具针对性和分析性的方式使用GenAI，而其他用户则更倾向于将该工具广泛用于探索性指导。与这一解释一致的是，补充分析表明，参与度更高和素养更高的用户更常执行的任务，在基于GenAI回答提取信号所获得的模拟交易表现方面也更为出色。
（5）行业关注度与公司特征
本文考察了GenAI查询强度在行业和公司层面的差异。汽车制造业占据查询量最大的份额，其次是电气机械和器材制造业以及计算机、通信和其他电子设备制造业，银行业和酒类行业在单家公司平均查询量上也受到广泛关注。总体而言，查询最频繁的行业往往与创新、高增长潜力或强消费知名度相关联。
2.3 核心变量
2.3.1 回答特征、用户反馈与持续参与
（1）解释变量：回答特征
本文通过三个维度测度AI回答特征：
首先，本文构建了一个信号对齐度指标（Signal_Align），用于衡量回答中隐含的方向性交易信号是否与该公司后续的短期股价表现一致。本文使用商业大语言模型将每条回答的交易信号分类为正面、中性或负面。然后，本文根据各公司未来七个交易日的回报率在行业内进行排序，若信号与已实现表现一致，则将指示变量赋值为1。
其次，本文借鉴已有的情感分类方法，使用经过微调的中文BERT模型构建了基于语言的属性指标，涵盖前瞻性内容、主观性和情感倾向。所有语言指标均按回答中的句子总数进行标准化处理。
最后，本文使用可读性（Gunning-Fog指数）、话题多样性、具体性、参考文献数量及回答长度来代理信息量及复杂性。话题多样性衡量回答在用户查询未明确要求的话题上的覆盖程度，而具体性、参考文献数量和词数则反映了内容颗粒度与信息密度的递增水平。
（2）被解释变量：用户反馈（Feedback）
采用正向反馈（点赞、分享、复制任一发生则为1）以及负向反馈。
（3）被解释变量：持续参与（Future_Queries）
用户在收到AI回答后续的查询次数。
2.3.2 用户学习效应
（1）解释变量：用户前3次的AI问答特征
测度方法如上文所述。
（2）被解释变量：用户后期提问特征
本文通过关注后续查询的两个特征来捕捉用户潜在的学习行为：它提问的具体性和财务指标的使用。这些指标反映了用户在接触更为丰富的生成式人工智能回答后，是否扩展了技术知识、事实理解或金融词汇。
2.3.3 散户提问与股票交易
（1）解释变量：散户提问数
某只股票在平台一天内被提问的次数。
（2）被解释变量
异常买卖价差（AbnSpread）：有效买卖价差的市值加权平均值减去前20个交易日的平均标准化价差。
Amihud非流动性指标：每日股票绝对收益率与交易量之比。
异常交易量（AbnVol）：每日股票换手率减去前20个交易日的平均换手率。
知情交易概率（VPIN）：作为逆向选择风险和市场知情交易存在程度的代理变量。
2.4 模型构建
（1）回答特征、用户反馈与持续参与
（2）用户学习效应
（3）散户提问与股票交易
03 研究结论
（1）GenAI在股票研究中的使用呈现高度异质性，用户参与极不均衡。高参与度和高金融素养的用户更倾向进行财务报表分析和因果分析等整合类任务，而低参与度用户则更多使用GenAI进行信息意识类探索。此外，使用模式随交互次数动态演变：初期查询以信息意识为主，后续查询中获取类任务占比持续上升，而整合类任务始终维持在72%至81%的高位，表明用户在使用中逐步从宽泛探索转向精准信息获取。
（2）回答的信号准确性、简洁性和语言特征是驱动用户反馈与持续使用的关键因素。信号对齐度（即回答中的交易方向信号与未来7日股价走势的一致性）显著正向影响用户的即时正向反馈及后续查询数量。主题多样性和高具体性反而降低正向反馈概率。持续使用与回答长度、外部参考文献数量呈负相关，表明用户偏好简洁、直接且方向准确的回答，而非信息密集的冗长输出。
（3）用户与GenAI的早期交互具有持续的学习效应，能够影响后续查询行为。当前三次回答中包含更多财务指标或更高具体性时，同一用户在后续查询中使用相似术语或提升问题具体性的概率显著增加。
（4）GenAI使用与市场交易结果存在系统性关联。查询量与异常买卖价差、Amihud非流动性、异常交易量和知情交易概率均呈显著正相关，表明GenAI集中使用的时期伴随着信息不对称上升和流动性下降。
（5）GenAI的潜在收益在用户群体中的分布极不均衡。高素养和高参与度用户更有效地利用GenAI执行分析性任务并获得更强的模拟交易表现，而缺乏金融术语知识或认知资源的用户则更多停留在浅层信息获取。
04 研究亮点
（1）拓展了信息处理成本理论在GenAI应用场景中的实证边界。本文将Blankespoor等（2020）的信息处理成本框架（意识成本、获取成本、整合成本）操作化为可观测的查询任务分类体系，首次基于大规模真实行为数据揭示了散户投资者在GenAI辅助下完成信息处理的动态过程。研究发现，整合类任务占全部查询的77.6%，意识类任务则随着使用次数的增加而持续下降。这一发现将信息处理成本理论从静态分类拓展到动态行为分析，为理解新技术如何重塑投资者信息选择提供了实证基础。
（2）揭示了GenAI在投资者信息处理中的功能边界与替代关系。研究发现查询活动虽在企业披露日显著增加，但控制媒体报道后披露本身的效应消失，说明GenAI的信息意识功能主要跟随中介渠道而非原始披露。同时，详细且覆盖多主题的正面管理层预告与同日GenAI查询量负相关，表明充分的管理层信息披露会替代投资者通过GenAI进行主动信息搜索的需求。这些证据共同表明，GenAI在信息生态中主要扮演填补信息缺口的角色，而非简单地重复已有信息，为理解GenAI与传统信息渠道之间的交互关系提供了新的理论视角。
（3）首次实证刻画了GenAI回答特征与用户反馈、持续使用及后续学习之间的系统性关系。本文证实方向准确的交易信号显著提升用户的正向反馈与后续持续使用，而冗长和信息过密的回答反而抑制用户参与。更重要的是，早期回答中出现的具体性词汇与财务指标会显著提高用户在后续查询中使用相同术语的概率。这一发现表明GenAI不仅是信息的被动提供者，还通过回答内容引导用户形成新的信息检索习惯。
（4）提供了GenAI用户早期行为的系统性描述证据，为监管与平台设计提供了实证基础。本文研究结果揭示了GenAI收益在用户群体中的分布极不均衡，即高金融素养用户更有效地利用GenAI执行分析性任务并获得更强模拟交易表现，而低素养用户则更多停留在浅层信息获取。这一结论凸显了针对性用户教育与平台功能优化的紧迫性，为监管机构评估AI时代的投资者保护问题提供了关键的事实依据。
