金融科技、投资者信息获取和解读能力及投资组合选择

本文分析了金融科技的进步、投资者的信息获取和解读能力及他们的金融投资组合的构成与收益之间的关系。我们建立了简单投资组合选择模型，并得出系列理论预测。利用意大利银行的详细微观数据，我们对意大利家庭在2004-2005年期间的上述预测进行了检验。一般情况下，随着金融技术的进步，信息获取和解读能力不同的投资者在投资组合构成和收益方面的异质性会增加。只有在每个个体都能获得金融技术，且投资者具有相应使用能力时，这种异质性才会减少。

一、简介

金融科技（FinTech）可以更有效地利用数据来解决信息不对称问题。人工智能技术在金融领域的应用（即机器学习和大数据）可以提升金融服务的包容性，同时降低金融服务的成本。近期研究表明，金融科技在缓解抵押贷款市场的歧视方面具有较多优势（Bartlett et al.(2022)，有利于计算不透明借款人的信用评分 (Berg et al. (2020))，减少最低投资要求和资本费用 (Abraham et al. (2019)), 并允许用户远程且轻而易举获得越来越多对投资决策有利的信息 (Katona et al. (2018))。

然而，金融科技也可能增加投资者群体之间的歧视，尤其当他们对新技术的接触或使用出现差异时。例如，金融科技可以为信息获取和解读能力较强的市场参与者创造机会，让他们获得更好的数据，并制定有利可图的交易策略，这将以信息获取和解读能力相对较弱的市场参与者利益为代价。Becker (1967) 与Arrow (1987) 曾提出这种观点的早期阐述。Becker认为能够获得系统性较高金融回报的家庭会变得更加富有，而 Arrow认为，信息获取成本较低的个人会购买更多的信息，从而获得更高的回报率。这些观点的后续变体，如财富效应和固定的股市参与成本 (Peress (2004))，通过共同基金汇集以分担数据获取成本 (Mihet (2018)), 或数据处理能力的异质性 (Kacperczyk et al. (2018), Azarmsa (2019)) 都得出了相同的结论：金融信息基础的普遍进步有利于信息获取和解读能力较强的投资者而较不利于信息获取和解读能力较弱的投资者。这与金融业普遍乐观情绪是不一致的。因此，金融科技的进步是否使金融民主化并使竞争环境更加公平，尚未查明。

为丰富该领域研究，本文利用标准的投资组合理论分析了金融科技的进步、投资者的信息获取和解读能力及投资组合的构成与收益间的关系，利用新的微观层面的数据进行了检验。本文使用了具有信息不对称的投资组合选择模型，该模型中，投资者的信息获取和解读能力不同。利用该模型得出相应假设待检验，即绝对和相对的信息获取和解读能力增加对投资者的风险资产类别份额和风险收益的影响。接着，本文使用独特的微观层面的数据集进行测试，该数据集合并了意大利家庭和银行的特征信息。家庭数据来自意大利银行2004至2020年的家庭收入和财富调查 (SHIW)。

本文的主要贡献在于将新的数据与理论驱动的实证方法相结合，研究潜在渠道，用以解释信息获取和解读能力不同的投资者之间金融回报和投资组合选择的异质性。本文使用微观数据对理论预测进行了逐一测试，这些数据能够控制家庭及银行特征，而不依赖于特定假设。

根据观测趋势，该模型的三个预测显著相关。第一，信息获取和解读能力不同的投资者之间的资本回报异质性会随着总体金融信息技术的进步而增加，这种提高会维持或扩大投资者信息获取和解读能力的差距。第二，该模型预测在高风险的资产类别中，信息获取和解读能力强的投资者较多，而在交易和股票市场中，信息获取和解读能力较弱的投资者所有权将有所缩减。第三，与现有研究不同的是，该理论框架意味着降低投资者信息获取和解读能力的差距将会降低资本收入不平等。

本文逐一对这些预测进行了实证检验。我们研究了不同金融知识水平的投资者的实际收益率和投资组合构成，并控制了多种因素——如家庭的风险偏好、年龄、性别、远程银行服务的使用，以及时间和地区的固定效应。我们发现，信息获取和解读能力不同的投资者间的金融收益和风险资产份额的异质性随着金融技术的创新而增加。换句话说，如果金融技术的进步没有减少投资者的信息获取和解读能力差距，那么金融技术的进步将会扩大两组投资者的不平等。

本文的研究结果对政策的影响在于，金融技术的提升也需要缩小投资者信息获取和解读能力的差距。仅仅提供金融信息和建议是远远不够的。随着传统和非传统金融机构将更多的服务和举措转移到网上，信息获取和解读能力较弱的投资者将有可能被进一步抛弃在沙滩上。要想避免这一现象的发生，就必须使金融技术不仅为每个人所接触，更能为每个人所使用。技术发展需要将创新元素考虑在内，以便扩大技术进步惠及的范围。此外，还要帮助那些“抵触”新技术的群体尽快赶上科技的步伐，并且抵制恶意利用数字技术操纵信息和市场的行为。

二、理论模型与预测

本文模型有三个主要特点：

其一，投资者的偏好属于恒定相对风险厌恶（CRRA）和隐含绝对风险厌恶（DARA）系列，意味着风险投资组合份额随着投资者财富的增加而增加。这与我们的数据基本一致。相对于CARA偏好，CRRA偏好不仅能更好地反映现实，还能让我们将金融信息技术进步带来的影响与财富异质性和风险偏好分开，并分离出它们对股市组合选择以及金融收入和财富演变的各自贡献。其二，金融市场由多种风险资产组成；这一假设允许我们对不同风险资产类别的资产所有权进行预测。其三，投资者的金融知识水平不同，我们将其建模为投资者信息能力约束的异质性。

在充分描述均衡特征之后，我们得出些许理论预测，聚焦信息处理能力提升的影响。与现有文献不同，本文关注三种不同情况：1）信息获取和解读能力不同的投资者的信息处理能力的相对增长，对信息获取和解读能力强的投资者有利；2）信息获取和解读能力不同的投资者信息处理能力绝对增长；3）信息获取和解读能力不同的投资者的信息处理能力的相对增长，有利于信息获取和解读能力较弱的投资者。

2.1 设置

此为静态模型，分为两个时期，t 期与 t+1 期。在 t 期，投资者在信息能力的约束下，选择关于资产报酬信号的精确度。在 t+1 期开始，投资者观察上述信号并决定购买哪些资产。t+1 期结束时，投资者获得了资产报酬并实现其效用。

投资者偏好。j 表示一单位完全竞争的投资者。投资者对他们的最终财富及相对风险规避系数有CRRA偏好：

这一规定保证了投资者随着财富的增加而提升其对风险股票的投资。此外，掌握CRRA效用函数的投资者往往将其财富的固定比例投资于风投组合。

时间安排。在 t 期，投资者在其信息能力约束下解决信息获取问题。在 t+1 期，投资者学习并选择他们的投资组合分配。事件的顺序如图1所示。

2.2 解决方案

按照信息一般均衡理论文献的标准，我们对模型进行逆向求解，对于给定的信息结构，从投资者在 t+1 期的投资组合问题开始，之后求解 t 期的信息选择。

投资组合选择。每个投资者j选择在每个资产 i 中投资数量 qi ，以实现最大化：

命题1 该问题的解由以下算法给出

信息选择。在CRRA偏好和熵学习技术下，投资者利用其全部能力学习不同资产。由于投资者拥有的信息量是外生的，唯一的问题在于如何在资产间分配这些信息。根据以往文献研究，我们首先需要计算事前预期效果，如下所示。

命题2 每个投资者将其全部能力投身某个资产学习（对其他任何资产均无兴趣）。

在CRRA效用和信息能力约束条件下，将额外的能力投入到某一特定资产的学习中会有越来越多的丰厚回报。此外，最值得学习的资产往往是具有最高预期收益的资产（高预期收益和低初始不确定性）。如果多种资产的最大预期收益相等，投资者就会在它们之间随机选择。如图二所示。

投资者对回报的后验信念取决于他们是否学习。对于被动交易的资产，后验信念等于先验信念（即什么也没学到）。而对于交易活跃的资产，后验均值等于接收到的信号，后验方差严格来讲处于较低水平，且其在容量上递减（即容量越大，后验就越精确）。投资者的能力越强，其后验信号相对于先验信号实现所占的权重就越大（即成熟的投资者对正/负信号反应更加强烈）。

之后，我们利用前述文献推导资产市场均衡方程。

推论1：资产市场均衡是由市场清算条件给出的，该条件使每种资产的需求和供给相等。

每个资产的价格来自线性组合方程 pi = ai + bizi − cixi。

由此，每个资产 i 的价格计算如下。

之后，我们确定在均衡条件下学习了哪些资产，以及有多少信息能力分配到这些资产上。

命题3：所有在均衡状态下主动交易的资产都属于具有最大预期收益的资产，不是所有资产在均衡状态下均被学习（存在被动交易）。

最佳的信息获取策略是利用所有的能力首先学习具有最高预期收益的资产，然后用剩余能力学习具有第二高预期收益的资产，以此类推。

命题4：在交易活跃的资产中，并非所有资产都被投资者同等关注。市场会内生得学习一些特定资产， 而选择学习资产的投资者的数量会随着资产的波动性和流动性发生变化。

推论2：投资者开始学习具有最高异质性风险的资产。随着产能的增加，投资者开始以递减的方式了解新资产。下图显示了投资者学习资产的顺序。

2.3 理论假设

假设1：信息获取和解读能力的异质性导致预期的资本收入以及预期的投资组合构成的差异。投资组合的异质性是由某一特定产品的持有水平差异决定的（投资者信息获取和解读能力不同）。

信息获取和解读能力较强的投资者拥有比相对较弱的投资者更高的资本回报，原因有二：其一，由于他们持有不同的平均投资组合，可以实现更高的利润（信息获取和解读能力较强的投资者有更好的信息识别能力，更多投资于高风险-高回报的资产）。其二，他们从正面冲击中获得更多收益，更易受到负面冲击的庇护（信息获取和解读能力较强的投资者更倾向有利可图的资产）。

假设2：信息获取和解读能力的绝对增加会导致预期资本收入异质性的增加。

假设3：信息获取和解读能力的相对增加会导致已实现资本收入异质性的增加。

三、数据说明

本文的实证分析使用了独特数据集，合并了家庭和银行的具体特征信息。关于家庭的收据收集自意大利银行2004年至2020年的意大利家庭收入和财富调查，该调查包含了家庭成员的社会人口特征（如出生和居住的省份、年龄、性别、教育、婚姻状况、工作状况和风险规避等），所有家庭收入来源和财富构成的详细信息（实物和金融资产：存款、债券、私募股权等）。该调查还收集了家庭的银行信息以及银行的远程连接信息，下图显示了远程银行连接在整个意大利随着时间推移而扩散的情况。

我们还建立了一个指标，表示银行向家庭提供数字服务的态度，以家庭银行在特定年份向家庭提供的数字服务份额表示，包括点对点支付、购房贷款、消费信贷及资产管理。2004、2012及2020年意大利各地区家庭数字金融服务指标的平均值如下图所示。

投资者之间信息能力的异质性造成了意大利家庭财务回报的差异，下图反映了信息获取和解读能力不同的投资者的平均金融收益率。

信息获取和解读能力较强的投资者较低的风险规避程度与他们投资组合中较高的风险投资比例相关。下图显示了信息获取和解读能力不同的投资者的平均风险资产份额。

信息获取和解读能力不同的投资者其持有资产类型比例不同，下图显示了信息获取和解读能力不同的投资者投资组合构成。

此外，我们预测金融信息技术进步可能是信息获取和解读能力较强的投资者收益更多，这可能有助于减少家庭股票市场的整体参与。信息获取和解读能力较强的投资者在高风险、高回报资产类别中份额增加，信息获取和解读能力较弱的投资者通过资产价格认识到他们的信息劣势，并减少高风险、高回报资产类别投资。由此，信息获取和解读能力较强的投资者获得更高回报，随着时间推移，其财务收入与信息水平将远远超过信息获取和解读能力较弱的投资者。下图显示了2002年投资100欧元的两组投资者的累计财务收益，亦可证明此预测。

四、实证研究结果

假设1：信息获取和解读能力的异质性导致预期的资本收入以及预期的投资组合构成的差异。

本文研究信息获取和解读能力较强的投资者是否有系统性更高的财务收益水平，并更多将其投资于风险资产。模型如下：

回归结果如下图所示：

假设2：信息获取和解读能力的绝对增加会导致预期资本收入异质性的增加。

一个投资者信息获取和解读能力越高，其继续获取或学习新技术的可能性就越高。模型如下：

假设3：信息获取和解读能力的相对增加会导致已实现资本收入异质性的增加。

当信息获取和解读能力较强的投资者能力进一步提升，信息获取和解读能力较弱的投资者能力进一步减弱，资本收入的异质性将会增加。模型如下：

回归结果如下图所示：

五、结论

通过提供更易获得的储蓄和投资机会，加之为投资提供大量数据来源，金融科技有望使投资管理部门民主化，同时使竞争环境更加公平。另外，信息获取和解读能力不同的投资者在金融科技进步过程中获得的收益并不相同。我们建立了简单微观基础模型，并进行了金融技术、投资者信息获取和解读能力及投资组合选择与投资收益关系的假设检验。通过使用意大利银行2004-20年间家庭收入和财富调查的微观数据，我们实证检验了该模型的理论预测，发现信息获取和解读能力不同的投资者间在金融收益和风险份额方面的差距随着金融技术的进步而增加。这意味着只有当每个人都有相同机会接触金融技术且都有相同能力使用它时，上述差距才会逐渐减少。