下载掌阅APP，畅读海量书库
立即打开
原文详见Chen M A, Wu Q, Yang B, 2019. How valuable is FinTech innovation? [J] . The Review of Financial Studies, 32(5) : 2062-2106。
近几年来，金融科技的高速发展引起了相当多的关注。许多人认为金融科技使交易更便宜、更方便、更安全。但人们对金融科技将如何影响现有的金融公司及其商业模式了解很少。哪些类型的新金融科技对其创新者来说最有价值？金融科技的发展能否帮助现有金融机构降低成本，更好地吸引客户，从而带来更高的未来利润？金融科技是否会令新兴公司侵蚀现有公司的竞争优势，导致整个行业的利润和价值下降？在缺乏金融科技创新的系统证据的情况下，以上问题很难回答。
这篇文章使用2003—2017年美国专利申请数据集，应用基于文本的机器学习，对创新进行识别和分类，并采用股票价格响应与估计的专利申请数量强度相结合的新方法衡量了金融科技创新对企业和行业的价值。结果发现，大多数类型的金融科技创新都对创新者产生积极的价值。对整个金融部门而言，物联网、智能投顾和区块链是最具价值的创新类型。进一步地，文章发现当一项创新是来自非金融初创公司的颠覆性技术时，其对行业的负面影响更大。但如果市场领导者进行大量的研发投资，则可以避免非金融初创公司颠覆性创新带来的许多负面影响。
文章的贡献在于以下四个方面：（1）补充了大量利用专利数据对企业创新活动的研究。以往大部分研究都依赖于专利授权数据，无法完全捕捉过去几年发生的金融科技创新活动，文章通过专利申请和批量数据存储系统（Bulk Data Storage System, BDSS）文本数据，可以缓解依赖专利授权固有的数据截断问题，从而更全面地了解金融科技创新的最新趋势和模式。（2）丰富了使用股票价格数据来研究创新价值的文献。文章用将股价反应与泊松过程预期强度相结合的方法来估计专利的内在价值，这将事件的内在价值和投资者的理性预期剥离开，从而能对专利这种无形资产的价值进行更准确的估计。该方法还可以用来研究其他类型的常规或突发事件，例如分析师评价的修改、公司公告的发布以及重组或破产信息的发布等。（3）有助于金融、战略和经济学文献探索创新在塑造行业竞争中的作用。理论研究已经为行业外的创新如何损害或有益于现有企业，以及现有企业如何利用自己的创新来保护自己免受外部威胁建立了模型。因为很难获得来自创新的竞争威胁的大数据样本，所以检验这些理论具有挑战性。文章采用了一个新的数据集，并为潜在进入者的创新如何影响行业内的单个公司提供了系统的证据。（4）补充了将文本分析和机器学习应用于金融和经济学的文献。近几年来，社会对金融科技的关注度不断提升，金融科技创新的潜在价值仍在不断挖掘，因此该领域极具研究价值。以往研究已经使用基于文本的方法来分析新闻文章、在线论坛发帖、公司文件和分析师报告。也有文献研究了机器学习方法在经济学中的应用。文章创新性地在金融领域采用文本分类的机器学习算法，这一方法可以广泛应用于研究与专利申请、法律文件、媒体报道和其他文本数据相关的一系列问题。
研究金融科技创新的一个挑战在于，目前还没有关于“金融科技”是什么以及该术语包含哪些具体技术的标准定义。对此，文章为金融科技创新建立了一个客观的、基于数据的定义：金融科技是由一系列近期发展的、已经或未来用于金融服务的数字计算技术（digital computing technologies）组成。文章将金融科技创新分为七类：网络安全、移动支付、数据分析、区块链、P2P、智能投顾和物联网。
专利申请数据来源于美国专利商标局（USPTO）提供的批量数据存储系统（BDSS）。文章使用其在2003年1月1日至2017年9月7日之间发布的，由位于美国的上市公司、私人公司和个人提交的专利申请，同时根据国际专利分类（IPC）代码，将专利限制在G类和H类的申请，最终获得由美国公司或个人提交的1 181 162个 G&H类专利样本。
文章建立了一个金融相关术语的新词典，是从Campbell R. Harvey的“在线金融术语词汇表”和牛津大学出版社出版的在线《牛津金融与银行词典》第5版两个词汇表中获取金融相关术语，再添加如“比特币”“加密货币”“众筹”等新金融术语，最终过滤列表共包含487个与金融相关的独特术语。过滤原则包含两点：一是在申请的标题、摘要、简介或声明要求中至少出现一个过滤术语；二是在文件中的任意位置出现另一个不同的过滤术语。使用这种过滤策略，最终获得67 948项与金融服务潜在相关的专利申请。
在使用机器学习识别和分类金融科技创新方面，文章首先进行文本预处理，对专利申请文档创建“标记化”文档，提取词干，去除停用词和通用术语，使用“词袋”（bags of words）方法，每个文档都形成一个数字向量，向量中的每个频率得分反映每个单词对文档的重要性。其次是构建训练样本，从六种不同杂志中获取金融科技公司名单，并添加Compustat数据库上公布的五个金融行业（商业银行、支付处理、经纪、资产管理和保险）中每个行业申请专利数量排名前十名的公司。提取以上公司在2003—2017年提交的所有G&H类专利申请，从中随机选择1 000个样本，审查并手动分为9个组（金融科技7类、其他金融类和非金融类）。以此作为基础使用最近质心（nearest-centroid）分类器将67 948个经文本过滤的文件归入9个组，然后从每个组中选择200份申报文件（共1 800份），再手动重新分类，得到培训样本。最后是使用常见的机器学习算法，将表现较优的显性SVM（支持向量机）、高斯SVM和神经网络模型聚合形成投票分类器进行最终分类，从而对金融科技的创新进行识别并分为7个类别。
分类后再将专利申请与公司数据匹配，采用名称匹配方式，将BDSS中报告的受让人名称与CRSP 和Compustat、公司网站、Google及其他各种公共在线资源进行名称匹配，剔除申请人是大学、外国公司或外国公司在美国的子公司的文件。对于成功匹配的公司样本，从D&B Hoover's、Standard & Poor's NetAd-vantage、LexisNexis company profiles、Bloomberg、Bizapedia和Google处获得行业代码和成立年份等相关数据，并从CRSP 和Compustat处获得股票价格和财务数据。
为了估计金融科技创新的价值，文章使用股市对专利申请披露的反应与泊松模型的结合。V 0 为没有专利事件的公司的内在价值，V * 为一个专利事件对公司的增值价值。假设在时间区间内将发生的专利数N服从泊松分布：
其中，I t 是t时刻市场参与者的信息集。如果恰好发生m个专利事件，则对企业时间t+T的增量值为mV * 。那么在任何专利事件发生之前，企业的事前市场价值为
假设专利事件是独立的，那么一个专利事件的发生在所有到期专利上的条件分布实际上是一个零截尾泊松分布：
因此，企业在一次专利事件发生后的事后市场价值等于
由式（2）和式（4）可知，一个金融科技创新专利事件为公司带来的价值增量：
为专利事件发生时，企业市场价值的观察变化。式（5）给出了从观测数据计算专利V
*
的增量值的直接方法。特别是观察到的市场价值变化
可以从反常的股票价格反应中计算出来。
创新强度参数λ可以使用关于专利申请数量的创新者—年度面板数据拟合泊松回归估计出来。因为创新强度可能会系统地取决于技术的性质和创新者的特征，因此文章对技术类型和创新者类型（上市公司、私人公司和个人）两两组合分别进行拟合，总共有8×3=24种不同的回归模型，包括7个金融科技类别的21个模型和其他（非金融科技）金融创新的3个“基准”模型。
1. 金融科技创新的私人价值
结合创新强度和专利申请产生的累计市场调整异常收益（CARs），得到衡量上市公司从自身金融科技创新获得的私人价值：
是从泊松回归估计的企业层面的创新强度，n
i,t
是企业在t年的申请量，CAR
i,t
是在专利申请公布日期t前2个交易日开始的以4天为窗口进行计算得到的累计异常收益，M
i,t
是该公司在日期t前5 个交易日的市值。结果表明，金融科技创新创造了很高的私人价值，创新者的平均价值为1 970万美元，中位数为3 500万美元。其中，中位数最大的技术是区块链（9 810 万美元）、网络安全（5 290万美元）和智能投顾（4 910万美元）。
2. 金融科技创新的行业价值
作者也以同样的方法估计了金融科技创新的行业价值。首先针对每个金融科技专利申请，计算各个公司在给定金融行业或整个金融部门中的4天价值加权CARs。然后，对行业i和由创新者j申请并于日期t公布的技术类型k的专利申请，使用下式估算行业价值效应：
是从泊松回归估计的创新强度，n
k,t
是日期t公布的技术类型k的专利申请量，CAR
i,t
是在专利公布日期前2个交易日开始的行业4天价值加权CARs，M
i,t
是该行业在日期t前5个交易日的市值。
结果发现对于整个金融部门而言，区块链、智能投顾和物联网是最有价值的创新类型，转化价值中值分别为60.53亿美元、116.25亿美元和183.48亿美元。但并非所有的金融科技类别都为金融业带来积极的价值。例如，数据分析类别价值效应的中位数为-58.62亿美元。此外，同一个技术类型对不同细分行业的价值也存在差异，比如区块链对支付流程行业带来的是负价值。
作者进一步探究是什么因素决定了金融科技创新对行业和企业价值效应的横向差异。创新的价值效应主要取决于两个考虑因素：一是基础技术对行业中现有业务线的内在破坏力和颠覆性；二是创新者是否有可能使用创新进入行业并与现有企业竞争。
对于给定行业，如果它是非企业申请价值效应中的两个最负面类别之一，则将该金融科技类别定义为具有颠覆性。竞争者也即金融科技初创公司，是样本中具有非金融行业代码、成立时间不超过8年的专利申请公司。通过面板回归探究创新对五个金融行业的价值影响。结果表明，与其他类型公司的创新相比，金融科技初创公司的创新对行业价值的危害更大。而当创新背后的技术具有破坏性时，金融科技初创公司的创新对行业价值产生更大的危害。也即当创新中同时存在破坏性和竞争进入的威胁这两个因素时，其对行业的价值影响更加不利。
作者进一步识别领导者。基于以收入为基础的市场份额进行划分，如果该公司在其行业中排在前四分之一，则定义为领导者。结果发现如果市场领导者对自己的研发投入大量资金，它们受到外部破坏性创新的伤害会较小。
金融科技创新通常对创新者和整个金融部门有价值。但对于某些金融行业，某些类型的金融科技创新可能会产生不利的价值影响。当创新来自于一家年轻的非金融公司并带来颠覆性技术时，其对行业的价值影响更加不利。而且，如果市场领导者对自己的研发投入大量资金，它们往往会受到外部破坏性创新的伤害较小。
同时文章还存在一些局限：专利申请仅反映了公司创新活动的一部分，一些公司可能放弃专利申请以保护自身商业机密；研发支出对于衡量金融科技创新直接成本存在偏差等。另外，股价数据不太适合研究金融科技可能对非美国公司、私人持股公司、客户和员工产生的影响。
不同类型的企业偏好何种金融科技，或者不同类型的金融科技创新对不同类型的企业和个人带来何种价值，是十分值得讨论的话题。由于金融科技颠覆性的影响，其对行业变化趋势、不同利益主体的行为以及传统理论的影响都是可以讨论的问题。譬如，金融科技颠覆了传统金融服务的营业模式（交易成本更低、服务更方便快捷以及安全），在这种情况下，银行能否发挥资金多及客户量大的优势，通过积极地引进或自主研发金融科技来完成业务转型是值得关注的问题。这篇文章使我们初窥金融科技面貌，对回答上述问题有很好的启示作用。然而，由于证据太少，回归结果也未能排除内生性的影响，我们仍然无法很好地了解金融科技何以产生影响，后续研究除了可以观察中国的金融科技创新，还可多关注中间的机制渠道。
文章为金融科技创新的发生和价值提供了证据，并采用了新数据集，为证明潜在进入者的创新如何影响行业内的各个公司提供了系统性的证据。有趣的是，这篇文章发现对一些金融行业来说，金融科技的某些类型的创新可能会产生不利的价值影响。此外，在看潜在进入者的创新对市场领导者的影响时，除了看市场领导者对研发的投资，还可以看其是否收购了其他创新企业。
Mark A. Chen，佐治亚州立大学罗宾逊商学院金融学副教授，博士毕业于哈佛大学。研究兴趣包括公司治理、创新、金融科技、高管薪酬和机器学习。
Qinxi Wu，贝勒大学汉卡默商学院金融学副教授，博士毕业于佐治亚州立大学金融专业。
Baozhong Yang，佐治亚州立大学罗宾逊商学院金融学副教授，博士毕业于斯坦福大学商学院。研究兴趣包括金融科技、公司金融、投资和资产定价。