收益率非对称性定价是金融研究中长期存在争议的重要问题。本文创新性地提出了基于概率分布、反映收益率整体非对称性的新测度（Return Asymmetry, RA），首次为该争议提供了跨市场的系统性证据。研究发现：首先，RA测度在中、美等主要市场均能负向预测股票横截面收益率，其解释力较传统测度显著提升；其次，RA的定价优势源于其对收益率复杂分布信息的更全面捕捉，特别是能有效识别系统与特质非对称之间的交互效应；最后，通过博彩偏好、投资者情绪、关注度和套利限制等多维度渠道分析，证实行为因素是驱动收益率非对称性定价的核心机制。本研究不仅有助于弥合学术分歧，更建立了具有全球适用性的非对称定价分析范式。

本研究开发了一种创新方法来预测中国上市公司的"漂绿"行为。通过将大型语言模型BERT整合到机器学习框架中，我们构建了一个先进的漂绿预测模型。这种方法能够捕捉企业社会责任报告和年度报告的环境披露中微妙的语言线索和语义细节，显著提高了识别漂绿的精确度。研究采用了多种机器学习模型，包括支持向量机（SVM）、随机森林（RandomForest）和随机欠采样算法（RUSBoost），并在三种不同的数据集上进行了测试：基础财务数据集、扩展的Word2Vec环境披露数据集，以及BERT优化的环境披露数据集。结果表明，RUSBoost算法结合BERT调整的环境披露数据在各项评估指标上表现最佳，凸显了先进自然语言处理技术在分析环境披露文本方面的优势。此外，我们的研究发现预测的漂绿指标与ESG评级机构间的评级分歧显著相关，验证了本研究所开发的漂绿变量。本研究为识别和预测企业漂绿行为提供了一个创新的、基于文本的方法。这一工具对投资者、监管者和政策制定者具有重要价值，有助于捕捉公司的欺骗性环境披露。

本文探究了财政赤字货币化政策在中短期内提振总需求、促进经济增长的有效性，而银行体系的准备金规模状态是影响财政赤字货币化政策效果的关键因素。本文将财政赤字货币化政策定义为融资方式依赖于货币政策工具协调配合的扩张性财政政策，将准备金规模状态划分为稀缺准备金和充足准备金状态，并依据超额准备金数量相对流动性需求的充足程度对准备金规模状态进行了严格定义。依托包含银行体系和财政货币政策互动机制的动态随机一般均衡模型，本文解析和定量地研究了不同准备金规模状态下各类财政赤字货币化政策的效果，并以理论模型蕴含的检验标准为依据，分析和预测了我国当前准备金规模状态及未来变化趋势。研究结果表明，稀缺准备金状态下依赖准备金数量工具和充足准备金状态下依赖超额准备金利率工具配合的财政赤字货币化政策能够提升扩张性财政政策的有效性。我国银行体系当前处于稀缺准备金状态，但正在逐步向充足准备金状态靠近。现阶段政策当局可以考虑通过中央银行购买国债实施财政赤字货币化政策。

本文基于有限注意力假说, 用分析师共同覆盖构建公司相关性, 检验了 A 股市场关联公司之间股票的动量溢出效应. 研究发现, 以共同覆盖分析师数量作为权重构建的关联公司股票加权平均收益率, 能正向预测焦点公司未来 1∼12 月的收益率, 基于关联公司收益率构建的多空组合可获得 10%∼12% 的年化超额收益; 在截面回归中, 关联公司动量溢出效应较同行业或同地区公司的动量溢出效应更强. 异质性分析表明, 在拥有更多分析师共同覆盖、非明星或低学历分析师共同覆盖, 以及焦点公司股票被更多压力抵抗型机构投资者持有时,关联公司动量溢出效应更强, 说明该效应的成因与分析师和投资者的有限注意带来的行动迟缓和反应滞后相关. 本文的工作对 A 股市场跨资产动量效应给出了全新证据, 对市场监管与投资者决策具有参考价值.

投资者对宏观经济风险的评估如何影响资产价格一直是实证资产定价的难点之一。已有研究指出新闻文本会改变投资者对宏观经济的判断和预期进而影响股价，但如何有效提取与宏观经济风险相关的文本叙事信息来解释或预测资产价格变动，尚未达成共识。本文基于2007-2021年中国七家专业财经媒体的新闻报道数据，首次结合人工智能前沿领域的BERT大语言模型来测度新闻叙事注意力信息，然后利用稀疏工具主成分（Sparse IPCA）估计影响基本面的状态变量和影响资产价格的叙事定价因子。基于A股市场的实证检验发现：第一，本文利用新闻文本估计的状态变量对于消费、产出、国债收益率等宏观经济指标具有显著的预测效果，这表明新闻叙事蕴含着影响经济运行的信息。第二，相比CAPM、三因子等基准模型，基于新闻文本构建的叙事因子模型能更好地解释资产错误定价现象，并对未来资产价格的变化有更强的预测能力。第三，与基于关键词的文本分析方法（如LDA主题模型）相比，利用BERT提取文本信息可在保证因子模型简约性的基础上获得更优异的定价效果。本文的研究结论对于解释资产横截面收益差异有新的启示，同时为应用大语言模型于经济金融学研究抛砖引玉。

本文在中国股票市场中，针对上市公司公告文本数据，采用文本分析机器学习方法进行信息提取，研究了上市公司公告信息与资产预期回报之间的关系，并探讨其对资本市场的影响渠道。本文首先依据监督式训练方法构造了基于公告的文本情感词典，并以此为基础使用机器学习方法对公告效应进行实证分析。其次，本文探究了公告效应的预测来源，并进行了异质性分析。本文研究发现，基于机器学习的公告文本情感倾向能够显著正向预测股票收益，在全样本中多空投资组合的平均年化收益达到了 20.04%。公告效应在小规模、成长型公司中溢价显著；与国企相比，民营企业的公告效应更显著。在对公告效应的来源分析中，本文发现金融机构关注度和公司信息披露质量较高的公司，公告效应相对较弱，而散户投资者的关注度会加强公告效应。

本文研究债务协商风险及其与再融资风险之间的交互作用对信用债定价的影响。通过在策略性债务支付模型中引入再融资风险，本文建立结构化模型推导得出：债务协商风险会提升信用利差；再融资风险对上述关系具有放大作用。实证检验结果与模型预测一致：债务协商风险（破产清算成本和股东相对于债权人的谈判能力）对信用利差存在显著正向影响；再融资风险能够显著放大债务协商风险对信用利差的影响。本文的发现对完善信用债定价理论、健全国内债券市场机制、处置违约风险具有借鉴意义。

本文以借壳上市为研究场景，讨论和度量了分析师盈余预测中的公共信息依赖效应。研究发现，相比于控制样本，借壳上市企业在业绩承诺期结束后三年的分析师盈余预测误差上升约 39.72%，分歧度上升约 35.29%。进一步研究发现，失去业绩承诺信息导致分析师盈余预测的公共信息含量下降，但私有信息含量没有变化，同时也会导致分析师盈余预测修正频率上升，但并未影响分析师的企业调研行为。研究还发现，分析师的盈余预测报告在业绩承诺存续期内缺乏有用性，仅在业绩承诺期结束后引起了投资者更强烈的市场反应。总体而言，公共信息对于分析师盈余预测质量至关重要，分析师在失去重要的公共信息后未能通过私有信息加以弥补。本文的研究揭示了分析师的公共信息依赖效应，对于深入理解中国情境下分析师的行为逻辑提供了帮助。

摘要：以ChatGPT为代表的现象级的人工智能出现，未来势必拥有更大的普及性金融场景应用，预判其对金融市场有效性的影响十分必要。ChatGPT人工智能未来对于金融市场的影响，存在着“二律背反”规律：即一方面人工智能加强信息传播所将使市场更接近于有效市场状态；但相反但是人工智能可能提供错误市场信息，从而加剧市场风险，降低市场有效性程度。通过中美股市数据的分析对比，发现完全有效市场理论中的“理性人”假设与现实情况不符，而因为“二律背反”，很难预测ChatGPT最终对于金融市场产生什么样的影响。

现有研究发现，中国证券市场存在盈利季节性的股市异象：处于盈利淡季的股票在盈余公告期间会比处于旺季的股票获得更大的累计超额收益。如果管理层在盈余公告前发布业绩预告，能否有效地抑制投资者的非理性预期、降低盈余公告期间盈利季节性的股市异象？本文以2010至2020年A股上市公司为样本，分析发现：首先，A股市场在业绩预告期间也存在盈利季节性的股市异象。处于盈利淡季的公司在业绩预告期间比处于盈利旺季的公司平均可多获得2.1%的累计超额收益；其次，盈余公告和业绩预告期间，处于盈利淡季的公司比处于盈利旺季的公司有更大的股价波动率和股票交易量。第三，在盈余公告前发布业绩预告，能显著抑制盈余公告期间盈利季节性对收益率、股价波动率和股票交易量的预测能力。第四，自愿性业绩预告、与盈余公告的间隔时间越短的业绩预告抑制作用更明显。在更换盈利、盈利季节性、累计超额收益测度指标等一系列稳健性检验后，结论依然存在。表明管理层业绩预告能有效地降低投资者的非理性预期，提高股票定价效率。研究结果对市场建设和投资者决策均有一定的借鉴意义。