摘要：伴随人工智能技术的飞速发展，资本市场定价逻辑发生重大改变。然而，企业的信息披露与股价波动性之间的内在关联还未得到学术界的充分关注。文章通过选取2019—2023年在A股上市的非金融类企业的数据，构建基于管理层讨论与分析文本的人工智能技术披露词频评分指标，使用个体固定效应模型，检验了技术披露对股价波动性的影响。回归结果表明，人工智能技术的披露显著地降低了股价的波动性，随着人工智能技术披露增加一个标准差，股价波动性将下降0.02%，证实了技术信号的“预期锚定”效应，研究为技术类信息披露对定价机制的影响提供了新的证据作为支撑。

　　关键词：人工智能技术披露；股价波动性；文本分析；个体固定效应；信息不对称

　　引言

　　国家指出维护金融市场稳定需深化金融体制改革，强化并完善现代金融监管机制，筑牢金融稳定保障体系，严守不发生系统性风险的底线，充分激发金融体系对实体经济的支撑作用。与此同时，资本市场在满足实体经济发展需求方面扮演着重要角色，而股票市场作为国家经济的核心组成部分，其稳健运行对于金融市场的风险防控至关重要，并能有效助力实体经济的持续健康发展。

　　近年来，人工智能（AI）技术的革命性进展及其在实体经济中的深度融合，不仅重塑了全球科技竞争格局，更深刻影响着资本市场的定价逻辑与风险结构。随着深度学习、自然语言处理等技术的商业化落地，中国A股市场对人工智能概念板块的关注度持续攀升，相关主题基金规模显著扩张。然而，市场热情背后呈现出显著的股价波动分化现象：一方面，技术突破性公告往往引发个股短期暴涨；另一方面，技术落地的滞后性、伦理争议及部分企业“概念化”信息披露行为，导致市场预期频繁修正，甚至引发板块系统性回调。这种“技术憧憬”与“市场震荡”并存的矛盾现象，凸显出关键学术命题——企业人工智能技术信息披露如何影响股价波动性？

　　在学术领域，研究者们已从市场与企业两个维度出发，对股价波动风险的成因进行了深入探讨。关于股价波动问题，现有研究主要集中在两方面。一方面是聚焦于公司外部环境信息对股价波动的影响。如：Ioannidis等（2008）［1］通过对13个OECD国家的货币政策进行研究，发现紧缩性的货币政策对当期股票价值产生显著的负向影响，同时还会对未来股票收益产生多期不确定影响。李江辉（2018）［2］以在上海和深圳证券交易所上市交易的非金融类A股上市企业为研究对象，发现金融发展水平越高，股票价格波动可能性越低。此外，企业规模、成立时长、股东持股比例也会在一定程度上影响股票价格波动。杨思静等（2024）［3］研究发现，以平台经济反垄断法作为不确定政策事件，能够降低平台型上市公司的股票价值，增加其股价波动的可能性。王超等（2022）［4］从行为金融学角度出发，发现投资者情绪变化在一定程度上能够影响股票价格波动，其影响程度主要由投资者特征、股市特点以及情绪扩散特征所决定。另一方面是聚焦于公司内部资本对股价波动的影响。如陈其安等（2021）［5］通过构建数学模型从理论上证实了系统性风险的增强会加剧股票价格的波动，而企业创新能力则能有效缓解系统性风险对股票价格的冲击。辛清泉等（2014）［6］从公司透明度的角度出发，研究发现公司的环境信息透明度能显著抑制其股价波动程度，并且对于机构持股比例越高、代理问题越严重的公司，这种抑制作用越为明显。刘啸天（2021）［7］研究指出，由于企业的研发投入需要有实际产出与之对应才能体现投入的价值，但这往往需要大量的时间，因此企业的研发投入越大，公司股价的波动性就越高，但公司透明度的提高可以有效提高投资者信心，缓解股价波动。骆进仁等（2024）［8］研究发现，公司年报可读性对维护股票市场稳定具有重要作用，年报可读性越高，股价波动概率越低。此上表明，高质量的信息披露机制能够使投资者及时掌握企业实际运营状况的相关信息，有效避免股价与企业基本面脱节的情形。然而，针对新兴技术信息披露的非结构化特征，现有文献存在显著空白：其一，技术类文本信息的量化研究尚处起步阶段，尤其缺乏对管理层讨论与分析中技术语义的深度解析。这种理论缺位导致监管部门难以为技术型信息披露制定差异化规范，投资者亦缺乏甄别技术泡沫的有效工具。

　　本文以2019—2023年A股非金融类上市公司为样本，创新性地构建人工智能技术披露的单维度测度体系：基于MD&A文本挖掘技术，采用关键词词频评分法量化披露强度，突破传统研究对结构化财务数据的路径依赖。运用个体固定效应模型实证检验发现：人工智能技术披露强度每提升1个标准差，股价波动性显著降低0.02个百分点，证实技术信号的“预期锚定”功能。

　　本研究的边际贡献体现在两方面：第一，构建人工智能技术披露的文本分析框架，突破传统财务指标的度量局限，为技术经济研究提供方法论创新；第二，揭示技术披露通过“信息质量”与“投资者认知”双通道影响市场稳定的作用机理，深化对技术类信息定价机制的理解。在人工智能技术加速产业融合、资本市场“脱虚向实”改革深化的背景下，本研究兼具理论前沿性与实践紧迫性。

　　一、理论分析与研究假设

　　（一）信息不对称与信号传递效应

　　信息不对称是指在交易或决策过程中，交易双方或参与者之间在信息掌握程度上存在差异。这种差异可能导致市场失灵、效率降低或不公平的交易结果。信号传递效应是指在信息不对称的情况下，信息优势方（即拥有更多信息的一方）通过某种可观察的行为或特征向信息劣势方（即信息较少的一方）传递关于其类型或质量的信息。这种行为或特征被称为信号，其目的是减少信息不对称带来的不确定性，从而促进交易或合作。

　　人工智能技术的研发与应用过程涉及高度的复杂性与不确定性，例如技术路径的选择、商业化周期等，这些因素导致企业与投资者之间存在显著的信息不对称现象。该现象可能引发逆向选择问题：投资者由于难以准确评估技术的真实价值，往往对技术型企业进行整体“折价”，或依赖市场噪音信息进行非理性交易，从而加剧了股价的波动性。

　　管理层通过定期公布人工智能技术的进展，例如研发投入、专利成果、应用场景等，可以向市场传递可置信的技术能力信号［9］。例如，披露具体的技术指标（如算法准确率的提升、客户合作案例）能够增强信息的可验证性，帮助投资者区分技术领先企业与仅进行“概念炒作”的企业。随着技术信息披露强度的提升，市场对企业的技术价值评估逐渐趋近于基本面，减少因信息真空引发的估值偏差和投机交易，从而抑制股价的异常波动［10］。

　　（二）投资者有限理性与预期收敛机制

　　投资者有限理性是指投资者在进行投资决策时，由于受到认知能力、信息获取和处理能力、时间精力等多方面的限制，无法完全理性地评估证券价格，其决策行为会偏离完全理性假设。预期收敛机制是指在金融市场中，投资者对未来市场走势的预期会通过一定的市场机制逐渐趋同或收敛的过程。

　　行为金融学指出，投资者对新兴技术的认知受限于专业门槛和信息处理能力。人工智能技术的抽象性和技术黑箱效应可能引发两种极端反应：乐观投资者高估短期技术突破的变现潜力，而悲观投资者则因技术伦理或落地风险过度恐慌。这种认知分化会导致市场预期剧烈摆动，表现为股价的短期暴涨暴跌。高质量的技术信息披露（如清晰的技术路线图、商业化进展数据）能够为投资者提供“认知锚点”。例如，披露技术研发阶段（实验室测试/规模化应用）或合作伙伴资质（如与头部科技公司联合开发），可帮助投资者构建更稳定的技术价值评估框架。随着技术信号强度增加，市场预期从分歧走向收敛，非理性交易行为减少，股价波动性随之下降［11］。

　　基于此，本文提出此假设：企业人工智能技术信息披露强度与股价波动性呈显著负向关系。

　　二、研究设计

　　（一）样本选择与数据来源

　　本文将选取2019—2023年在中国A股上市公司为研究样本，按照研究惯例［9］对样本进行一定筛选处理：首先剔除业务类型存在较大差异的金融、保险行业；剔除AI词频和财务数据缺失的样本；剔除ST公司样本。为了使得实证结论更加可靠，将对连续变量进行上下1%缩尾处理。数据均来自CNRDS数据库。

　　（二）变量定义

　　股价波动性（Volatility）：参考李*生等［12］的研究，通过应用股票的日收益率数据，计算了日收益率的标准差，以此作为评估股票价格波动性（Volatility）的量化指标。

　　人工智能技术披露（AIscore）：年报中管理层讨论与分析章节，年报中剔除图片后关键词本身在报告中出现的次数，报告中“人工智能”这一词汇出现的次数。参考陈祈俐等［13］的研究，根据词频的分位数，将其划分为5个区间，对应给出1—5的分数，数值分值越高关键词出现次数越多。

　　本文为了更准确地分析这些因素对股价波动的影响，参考国内外已有的文献［12，14］，在研究股价波动风险时选取了一系列控制变量。这些控制变量包括企业偿债能力（Debt）、企业营业能力（ROA）、持有本公司股份的董事总人数（Num-bei，t）以及年换手率（ATRi，t）。通过这些变量的引入，能够更全面地评估和控制那些可能影响股价波动的非市场因素，从而使得研究结果更加可靠和具有解释力。见表1。

　　（三）模型构建

　　由于A股上市公司在行业属性、治理结构［11］等不随时间变化的个体特征上存在显著差异，这些因素可能同时影响技术披露（AI_score）和股价波动（Volatility），导致遗漏变量偏差。固定效应模型通过控制企业个体固有差异，仅捕捉同一企业技术披露强度的跨期变化对股价波动的动态影响，从而更精准地识别因果效应。因此，本研究采用构建如下个体固定效应模型来检验人工智能技术披露对股价波动的影响。

　　在模型设定中，i表示企业个体，t表示时间维度，Volatility代表股价波动性，AI_score代表人工智能技术披露程度，其他变量如偿债能力（Debt）、营业能力（ROA）、持有本公司股份的董事总人数（Number）、年换手率（ATR）等均作为控制变量，αi为企业个体固定效应，∈it为服从独立同分布的随机误差项。

　　三、实证分析

　　（一）描述性统计

　　股价波动性（Volatility）的均值为0.029 1，标准差为0.007，其最大值和最小值分别为0.049 4、0.009 8。人工智能技术披露（AI_score）的均值接近0，标准差为1.000 1，最大值和最小值分别为3.926 3、-0.600 1，其值可能反映公司在人工智能技术披露方面的程度差异。企业偿债能力（Debt）的均值为0.158 0，标准差为0.136 7，最大值和最小值分别为0.559 2、0.000，说明企业偿债能力存在一定的差异范围。其他变量的分布也均在合理范围。见表2。

　　回归结果显示，模型整体上，R2为0.545 2，表明自变量能解释约54.52%的股价波动性变化，有一定解释力，F值1 024.9且样本量7 141显示模型整体显著，证券代码设为固定效应控制了企业个体特征影响。自变量方面，AI_score（人工智能技术披露）系数-0.000 2，在10%显著性水平显著，其能降低股价波动性，主要原因是企业披露该技术信息增强投资者信心、减少信息不对称，降低股价波动性。ROA（企业营业能力）系数0.004 8，在5%显著性水平与股价波动性正相关合理，因其业务拓展活动会增加短期不确定性；Number（持有本公司股份的董事总人数）系数-0.000 1影响不显著；ATR（年换手率）系数0.002 3，在1%显著性水平与股价波动性正相关符合常理，因交易活跃会使股价波动增大。

　　（三）稳健性检验

　　为确保基准模型中AI_score对Volatility影响估计结果的可靠性，我们进行了一系列稳健性检验，具体结果如表4所示。

　　（虚构政策时间：假设AI技术披露政策提前1年实施，检验政策虚拟变量是否显著）0.000 0不显著7 142—在基准模型基础上，我们加入时间固定效应进行回归分析，以更精确评估AI_score效应。结果显示，AI_score系数为-0.000 2，显著性不变，样本量为7 142，R2为0.545。这表明AI_score对Volatility的影响稳定，验证了基准模型稳健性。安慰剂检验中，假设AI技术披露政策提前1年实施，结果显示政策虚拟变量系数不显著，样本量为7 142。这进一步支持基准模型结果的稳健性。综合检验结果，基准模型中AI_score对Volatility影响的估计结果是可靠的，增强了研究结论的信心，为后续分析和决策提供了坚实依据。

　　四、研究结论与建议

　　本研究采用个体固定效应模型，论证了人工智能技术信息披露对资本市场定价有稳定作用［17］，为资本市场“脱虚向实”提供了理论支持。具体来说，企业关于人工智能技术的信息披露能够显著降低股价波动性，这反映出市场参与者对人工智能技术持有积极预期，认为其能为企业带来实质性的增长潜力，进而增强了投资者的信心。

　　对投资者的建议如下。

　　在人工智能技术迅猛发展的背景下，投资者亟需构建一套全面且深入的分析框架，以应对企业人工智能技术披露所带来的投资决策挑战。在信息筛选与分析层面，投资者需培养专业素养，精确提取披露中的关键信息，如技术的核心算法、数据获取与处理能力、算力支持等细节，这些因素直接关系到技术的先进性和可扩展性，而不仅仅是关注披露的频率或数量。

　　从长期投资视角出发，投资者应将目光放长远，关注企业人工智能技术的持续创新能力，包括研发投入的稳定性、研发团队的实力以及技术更新迭代的速度等。因为人工智能技术的竞争是长期的，只有具备持续创新能力的企业，才能在市场中保持领先地位，为投资者带来稳定的回报。

　　投资者还应强化风险管理与分散投资的意识。人工智能技术的发展存在不确定性，如技术路线的更迭、市场竞争的加剧以及监管政策的变化等，这些都可能影响企业的技术价值和股价表现。因此，投资者不应将资金集中于单一的人工智能企业或项目，而是通过构建多元化的投资组合，分散风险，降低单一投资标的波动对整体资产的影响。最后，投资者需持续学习与专业提升，积极参加行业研讨会、技术培训等活动，与同行交流投资经验，了解人工智能技术的最新发展动态和市场趋势，从而在投资决策中更加从容应对各种变化，实现资产的稳健增值。

　　对监管者的建议如下。

　　在制度建设方面，监管者应加快完善人工智能技术披露的相关法规和准则，明确企业披露的责任和义务，细化披露的具体内容和格式要求。例如，规定企业必须披露人工智能技术的研发投入、技术应用的实际情况、预期收益以及潜在风险等关键信息，确保投资者能够获取全面、准确的数据，从而做出合理的投资决策。同时，监管者还应建立相应的惩罚机制，对于虚假披露、误导性陈述等违规行为，依法予以严厉处罚，提高违法成本，增强监管的威慑力，促使企业自觉遵守披露规范。

　　监管者应加强跨部门协作与信息共享，人工智能技术涉及多个领域和行业，单一部门难以全面监管。因此，监管者应与科技部门、行业专家等建立紧密的合作关系，共同制定技术标准和评估体系，对企业的技术实力和应用前景进行科学评估，为监管提供有力的技术支持。

　　监管者应积极推动市场基础设施的建设与优化，完善证券市场的交易系统和信息披露平台，提高信息传播的效率和透明度，降低信息不对称程度，为投资者创造更加公平的投资环境。最后，监管者应注重投资者教育与保护，通过开展形式多样的宣传活动，普及人工智能技术的基本知识和投资风险，提高投资者的风险意识和自我保护能力。

参考文献：

　　［1］IOANNIDIS C，KONTONIKAS A.The impact of monetary policy on stock prices［J/OL］.Journal of Policy Modeling，2008，30（1）：33-53.［2025-05-28］.

　　［2］李江辉.金融发展对股价异常波动的抑制作用研究——基于信息不对称及委托代理理论视角的分析［J］.价格理论与实践，2018（12）：135-138.

　　［3］杨思静，柳芳，醋卫华.平台经济反垄断、政策不确定性与股票价格波动［J］.中央财经大学学报，2024（12）：57-71.

　　［4］王超，何建敏，姚鸿.基于社会网络的情绪扩散与股价波动风险研究［J］.管理评论，2022，34（12）：16-25.

　　［5］陈其安，张慧.系统风险冲击、企业创新能力与股票价格波动性：理论与实证［J］.中国管理科学，2021，29（3）：1-13.

　　［6］辛清泉，孔东民，郝颖.公司透明度与股价波动性［J］.金融研究，2014（10）：193-206.

　　［7］刘啸天.企业研发投入与股价波动的关系研究［D］.成都：西南财经大学，2021.

　　［8］骆进仁，王煜晴.年报可读性对公司股价波动的影响研究［J］.财会通讯，2024（17）：75-79.

　　［9］吴非，徐斯旸.人工智能技术应用与上市企业市场价值［J］.现代经济探讨，2022（11）：77-92.

　　［10］李增泉，叶青，贺卉.企业关联、信息透明度与股价特征［J］.会计研究，2011（1）：44-51+95.

　　［11］车德欣，杜卉，汤子隆.利率市场化改革的上市公司股价稳定效应——基于股价崩盘风险视角［J］.金融经济学研究，2023.

　　［12］李志生，杜爽，林秉旋.卖空交易与股票价格稳定性——来自中国融资融券市场的自然实验［J］.金融研究，2015（6）：173-188.

　　［13］陈祈俐，钱清.《经典咏流传》的弹幕文本情感分析［J］.新媒体研究，2022，8（14）：95-100.

　　［14］王化成，曹丰，叶康涛.监督还是掏空：大股东持股比例与股价崩盘风险［J］.管理世界，2015（2）：45-57+187.