金融科技与公司财务研究前沿：理论发展、方法创新与未来展望

游家兴　骆美婷　柳颖

收稿日期：2023-03-07

基金项目：国家社会科学基金重大项目（23&ZD072）；国家自然科学基金面上项目（72272125）；国家自然科学基金青年项目（72402067）；中国博士后科学基金面上项目（2023M741164）

作者简介：游家兴，厦门大学管理学院教授，博士生导师；

骆美婷，厦门大学管理学院博士研究生；

柳颖，通讯作者，华东理工大学商学院讲师。

摘要：在当前金融科技快速发展的背景下，本文系统梳理国内外文献，重点围绕两个议题展开探讨：一是金融科技如何促进公司财务理论的发展，具体从政府行为、金融监管、金融机构和企业财务决策等维度，分析金融科技对公司财务研究的推动作用；二是金融科技如何驱动公司财务研究方法的创新，主要聚焦于大数据为财务实证研究提供关键数据基础，以及人工智能作为技术支撑所带来的方法变革。本文基于金融科技持续演进的发展趋势以及现有研究的不足提出研究展望，为未来研究提供参考方向。

关键词：金融科技；公司财务；大数据；人工智能

中图分类号：F830；F275　文献标识码：A　文章编号：2095-8838（2025）05-0073-13

一、引言

回溯公司财务研究的发展，可以看出该领域的前沿理论和主流方法随着时间推移发生了明显变化。早期公司财务理论深受经济学思想的影响，委托代理理论、信息不对称理论、信号传递理论、契约理论等从经济学研究思潮中嫁接而来。随着时间推移，在诸多财务学者的共同努力下，基于上述各种理论，公司治理理论逐渐形成。这一时期的研究方法主要依赖静态均衡模型和线性回归技术。Shleifer和Vishny于1997年撰写的《公司治理回顾》是该领域的重要文献之一，不仅系统总结了1932年Berle和Means提出委托代理冲突命题以来公司财务研究半个多世纪发展的阶段性成果，也标志着法与金融理论思潮的开端。该思潮是公司财务理论在研究视角和方法上脱离于经济学一般理论框架之外的创新发展，主导了随后十多年的公司财务研究主流，并开创性地运用了跨国比较分析和工具变量法等实证方法。随着法与金融理论思潮的局限性逐渐显现，公司财务研究进入了一个百花齐放、百家争鸣的新时代。跨学科和跨领域的交叉研究成为重要趋势之一，政治学、心理学、新闻学、社会学等学科的理论和方法被广泛引入公司财务研究。财务学通过借用、引申甚至发展这些学科的成熟理论，融合了新概念、新思想，辅之以细致入微的经验考察，克服了分析上的局限性和研究视野狭窄化的问题，为理论发展开辟了新路径。在此过程中，实验经济学和社交网络分析等新方法兴起，爬虫技术获取的非结构化数据也扩展了财务指标的衡量范围。近些年来，金融科技的崛起给财务学研究带来了新的挑战与冲击，促使财务学者重新辨析和审视传统研究。

金融科技变革带来的一系列改变为财务研究的理论和方法创新提供了新的方向和工具。金融稳定理事会（Financial Stability Board，FSB）定义金融科技为由云计算、大数据、区块链、人工智能等新兴技术所催生的金融创新活动，这些技术不仅催生了新的业务模式、应用、流程及产品，还显著影响了金融市场、金融机构及金融服务提供方式的结构与功能。在学术界，金融科技被广泛认为涵盖人工智能（Artificial Intelligence）、区块链（Blockchain）、云计算（Cloud Computing）以及大数据（Big Data）四大核心领域，这些技术常被统称为金融科技的“ABCD”矩阵。随着技术的日新月异与金融服务场景的持续拓展，多元技术手段正不断丰富着金融服务的内涵。金融科技的发展，不仅在实务层面改变了传统金融的信息采集来源、风险定价思想、投资决策过程、信用中介角色，更在学术研究层面对公司财务理论研究的内涵、外延和格局进行重构，并催生了新型公司财务研究方法、技术和手段，孕育着公司财务研究领域的前沿问题。

第一，金融科技如何促进公司财务理论发展？这一问题聚焦于金融科技驱动下财务理论内涵的重构（“是什么”）和作用机理的解构（“为什么”），是财务学领域的重要研究课题。The Review of Financial Studies于2019年推出特刊，率先探讨了这一议题，随后Journal of Banking and Finance、The British Accounting Review、Management Science等期刊相继推出数字金融特刊，旨在通过坚实的理论基础和广泛的实证研究，重新评估金融科技的影响机制和经济后果，指导其未来发展。金融科技对公司财务理论的影响呈现多层次特征：在宏观层面，如果说监管层（如证监会和交易所）通过引入金融科技加强了数据监测和异常点诊断，那么它是否会切实提高财务造假、内幕交易、市场操纵、违规担保、关联交易等不当或不法行为曝光的可能性，并有效遏制这些行为的发生？在中观层面，政府和银行业通过引入金融科技破除数据烟囱和信息孤岛，实现了信息互换与共享，那么它是否有助于降低信息不对称、促进信息在市场上自由流动？在微观层面，金融科技是否影响以及如何作用于公司各项财务决策，如融资决策、投资决策、筹资决策、股利决策、收购兼并、现金持有和风险管理等。这些问题亟待研究。

第二，金融科技如何驱动公司财务研究方法创新？这一问题主要探讨金融科技如何影响公司财务研究中的技术、方法与手段（“怎么做”）。金融科技创新对海量信息高效处理与深度挖掘提出了更高要求，如网络媒体报道、股票留言板、网上购物信息、微信、微博等，这些动辄千万级乃至亿级的海量数据，在揭示变量变化模式（Pattern）、趋势（Trends）和关联（Correlations）方面具有非常强大的功能（Goldstein等，2019），为拓展已有财务研究提供了更加坚实的数据支持。然而，大数据具有庞大体量和高度复杂的结构特征，若单纯依靠人工处理，其难度完全无法想象，采用传统的技术手段也难以胜任，这给公司财务研究的技术、方法与手段提出了更高的要求。可以预见，人工智能等新技术在公司财务研究中的运用将越来越广泛。因此，有必要探讨并大力发展大数据时代公司财务研究的新技术、新方法和新手段，以更好地在信息汪洋中推进公司财务理论的创新与发展。

因此，推动金融科技与公司财务前沿问题研究具有重要的理论学术价值和实践应用价值。在金融科技的推动下，大数据、云计算、区块链、人工智能等同时发力，对公司财务研究发展有着深远的影响：首先，丰富了公司财务理论研究的内涵，使之不再囿于传统财务学研究范畴，而是将财务与金融、科技三者更加紧密地联系起来；其次，扩大了公司财务理论研究的外延，技术革新成为引领公司财务理论发展的重要动力，需要在新的金融生态系统下重新谛视与辨析财务学经典理论和思想；再次，冲击了公司财务研究的方法、技术和手段，人工智能等技术登上研究舞台，计算机语言逐渐成为实证分析的重要工具。

本文余下部分结构安排如下：第二部分系统梳理了金融科技推动公司财务理论发展的研究脉络；第三部分从数据赋能和技术革新两个维度，系统评述了金融科技驱动下公司财务研究方法的前沿进展；第四部分是总结与展望。

二、金融科技如何促进公司财务理论发展

金融科技驱动下财务理论内涵的重构（“是什么”）和作用机理的解构（“为什么”）是财务学领域的重要研究课题。诺贝尔经济学奖得主罗伯特·默顿提出的“金融功能理论”指出，金融体系具有清算与支付、融通资金与股权细化、资源配置、风险管理、信息提供和解决激励问题六大基本功能。金融科技本质上是对传统金融体系的技术性重构，旨在通过提升信息收集与传递效率、优化资源配置、强化风险管理与创新支付结算方式等路径，提升金融功能的运行效率，从而推动金融业的系统性变革。更进一步，金融科技通过“制度环境—市场结构—企业行为”的传导路径，逐步嵌入到公司财务领域的多个层面，推动其理论框架不断演进。为系统理清金融科技对公司财务理论发展的推动机制，本文借鉴Williamson（2000）、Wong（2016）等倡导的“自上而下”的研究范式，从宏观、中观与微观各个层次出发，依次梳理金融科技介入公司财务研究的理论脉络与逻辑路径。

（一）金融科技与政府行为

政府行为对资本市场乃至宏观经济的健康有序运行至关重要。然而，对于政府是否需要干预经济以及在多大程度上干预经济，学术界一直存在分歧。这一点在强调自由放任的古典经济学派与主张政府积极干预的凯恩斯主义之间尤为突出。在金融科技快速发展的背景下，学界对政府角色的争议进一步深化：部分学者认为金融科技通过赋能金融服务，有助于促进实体经济的发展（黄益平和邱晗，2021；王红建等，2023）；而另有学者指出，金融科技可能带来更大的系统性风险（杨东，2018；胡滨，2022）。因此，在金融科技浪潮的推动下，政府如何在干预、治理与规范之间实现新的平衡，从而科学有效地引导金融科技更好服务实体经济，成为一个亟需深入探讨的议题。现有文献主要从直接效应、协同效应和调节效应三个角度分析了金融科技与政府行为之间的互动关系。

金融科技与政府行为的直接效应。由于金融科技尚处于不断探索的阶段，相关的法律法规、行业标准尚未明晰，因此，政府如何治理和规范金融科技是学术界关注的重要课题之一。例如，数字货币发行机制、交易安全性、隐私保护以及与传统货币体系的兼容性引发了广泛讨论。Williamson（2022）从中央银行数字货币（CBDC）发行模式出发，探讨了去中心化与集中管理的利弊。中国人民大学课题组（2020）也认为，要明确商业银行的定位与角色，确保技术与风险管理的双重可控性，以实现CBDC的稳健发展。我国通过设立数字货币研究所、推出数字人民币（e-CNY）并在多地开展试点，为全球提供了重要的实践经验和启示（Bai等，2025）。

金融科技与政府宏观政策的协同效应。王红建等（2023）揭示了金融科技通过减少银企间信息不对称，降低抵押品在债务契约中的重要性，从而弱化金融加速器的效应。他们认为金融科技与财政金融政策之间存在协同效应，在地方财政调控能力有限的情况下，金融科技对经济稳定的补充作用更大。以利率自由化为例。传统金融市场理论通常假设市场交易通过传统金融机构（如银行、券商）进行，然而金融科技公司的兴起改变了传统金融市场参与者的结构，加强了金融科技公司与传统金融机构之间的竞争。这将使银行负债端更多依赖同业拆借等资金，提高银行资产端的风险偏好，并导致借贷利率和净息差下降（邱晗等，2018）。为了应对竞争，银行不得不通过发行市场利率产品来吸引资金（Buchak等，2021）。因此，通过加强竞争，金融科技有助于和政府协同推进利率市场化进程。此外，Cong等（2025）还认为非加密区块链有助于提高环境监测效率和降低区域污染水平。

政府行为对金融科技发展经济后果的调节效应。在金融科技实施过程中，政府通过提供政策支持、资金扶持和信用背书，能够促进其经济效应的发挥。现有文献普遍发现政府行为对金融科技发展经济后果具有积极的调节效应。例如，政府通过政策扶持和监管引导，能够为银行提供额外的支持（游家兴等，2023）。在银行业采用技术进行转型的过程中，政府的信用增强措施和财政支持为银行应对转型风险、确保资金充足提供了重要保障（崔兵，2013）。同时，考虑到金融科技企业创新活动的高风险特性，这些企业对外部政策支持的依赖性较强，政府财政资金的支持在推动企业金融科技创新方面起到了强有力的激励作用（武威等，2024）。然而，政府补贴等行为也可能产生官员与企业家之间的无效率寻租现象（Shleifer和Vishny，1994），并可能引发逆向选择和道德风险问题（陆国庆等，2014）。因此，政府干预对金融科技经济后果的调节作用并非始终积极。

（二）金融科技与金融监管

金融科技带来了金融市场的监管与合规性变革。一方面，金融科技催生了监管科技，借助技术工具提升了监管效率（金洪飞等，2020）；另一方面，金融科技突破了传统的监管框架，带来了复杂性并可能增加系统性风险（杨东，2018；孙晋，2021；胡滨，2022）。相应地，通过引入新技术加强数据监测和异常点诊断，金融监管机构职能效率是否会有明显的提升，是否会切实提高财务造假、内幕交易、市场操纵等违规事件曝光的可能性？金融科技的兴起是否为导致金融系统不稳定的因素？如何识别和管理这些潜在风险？这些问题是目前学术界和实务界共同关注的热点和焦点。现有文献主要从“金融科技在金融监管中的应用”和“对金融科技实施有效监管”两个方面探讨金融科技与金融监管之间的关系。

金融科技在金融监管中的应用。金融科技可以通过优化监管流程，提升监管效率。例如，众筹平台利用群体智慧有效缓解了股权众筹中的信息不对称问题，从而降低了逆向选择和道德风险（Cumming等，2019）。而且，区块链与智能合约凭借其去中心化和高透明度的特性，增强了金融交易的透明性，为金融监管提供了实时且有效的监控手段（Yermack，2017）。这些基于金融科技的新型监管手段可以称为“监管科技”（Regtech），体现了技术与监管的深度融合。Charoenwong等（2024）研究发现，金融科技在减少客户投诉、防止不当行为和节约企业成本方面发挥了积极作用。因此，金融监管应积极探索新技术、新场景的应用，推动新技术成果向监管实践的转化。此外，Luo等（2025）利用银行确认书中区块链技术的实施为准自然实验，提供了区块链技术如何影响审计质量的证据。

对金融科技实施有效监管。金融科技公司往往涉及高风险贷款领域，这可能导致违约率上升，从而加剧金融体系的脆弱性（Di Maggio和Yao，2021；Parlour等，2022）。金融监管作为市场与监管主体之间的隐性契约，受限于监管规则的滞后性和未来环境的不确定性，因此为剩余权利的存在预留了空间。金融科技的颠覆性创新拓宽了这一空间，由此监管模式亟需创新与调整（胡滨，2022）。例如，我国现金贷市场自2013年以来逐渐暴露出一些违规操作问题，而2017年加剧，引起了监管部门的高度关注（王靖一，2018）。为了有效应对金融科技带来的风险，各国纷纷探索创新的监管模式。例如，英国推出金融科技沙盒计划，该计划通过建立一个“安全空间”实现监管机构与金融科技企业之间的灵活互动与谈判，旨在平衡创新与风险，从而推动更符合社会整体利益的金融创新发展（杨延超，2020；胡滨，2022）。

（三）金融科技与金融机构

传统金融市场理论通常假设交易通过传统金融机构进行。然而，金融科技的普及推动了零售投资者、金融科技公司兴起，这些新兴参与者正在改变市场的运作规则，并重新定义市场的参与者和中介角色。对于传统金融机构来说，金融科技带来了双重影响：一方面，它对传统金融机构形成了竞争压力（Buchak等，2018；贾盾和韩昊哲，2023）；另一方面，金融科技还具有技术溢出效应，推动了技术和创新的扩散（Gambacorta等，2020；黄益平和邱晗，2021）。面对金融科技的发展，银行业在资本市场上的资金筹措作用、资本配置作用以及信息中介作用将如何改写？其他金融机构是否也会受到相同影响？这些问题不仅是学界研究的重要议题，也是业界和监管层密切关注的热点。下面将分别从金融科技对传统金融机构的影响路径和经济后果两个方面梳理相关文献。

金融科技对传统金融机构的影响路径主要分为竞争效应和技术溢出效应。

竞争效应方面。一是成本降低与市场重构。金融科技公司依托先进技术，显著降低了支付及其他金融服务的成本，使得传统金融机构在价格上难以竞争，进而侵蚀了其市场份额（Buchak等，2018；贾盾和韩昊哲，2023）。二是金融包容性提升。金融科技为银行等传统金融机构难以覆盖的群体以及受到金融歧视的群体提供服务（Parlour等，2022；Bartlett等，2022）。三是金融科技发展促使监管政策调整，传统金融机构在提供小额贷款、按揭贷款等服务时面临更高的风险要求，从而开始收紧贷款条件（Dou，2017；Tian和Zhang，2018；Tang，2019）。四是金融中介信息供给和传播方式的改变，促使传统金融机构调整业务模式和工作重心，以适应新的市场环境（丁娜等，2020；王辉等，2024）。

技术溢出效应方面。一是缓解信息不对称。金融科技通过创新的技术手段，显著提升了传统金融机构在信息搜集与处理上的能力，特别是在抵押品评估、交易记录分析和关系型贷款等方面，有效减少了信贷市场中的信息不对称，降低了信贷风险（Cenni等，2015；Mocetti等，2017）。二是促进信贷市场流动性。金融科技使传统金融机构能够更加精准地评估信贷风险，缓解了传统金融机构在宏观经济不确定性背景下的惜贷情绪，从而促进了信贷市场的流动性（Gambacorta等，2020；黄益平和邱晗，2021）。三是推动业务模式创新。传统金融中介理论主要关注金融中介的资金撮合和信息传递功能。然而，随着金融科技的发展，金融中介的功能得到了进一步拓展，包括风险管理、产品创新、客户服务等多个方面（路晓蒙等，2023）。

金融科技对传统金融机构的经济后果可以从传统银行业和其他金融机构两个视角来看。

传统银行方面。当外部竞争效应占主导时，金融科技通常对传统银行业产生负面经济后果。具体地，从盈利水平和成长性的角度来看，游家兴等（2023）发现，金融科技虽然会降低销售费用，但同时会增加银行的营业成本和管理费用，对盈利能力和成长性产生负向影响。从风险承担的角度来看，邱晗等（2018）发现金融科技迫使银行选择更高风险的资产来弥补负债端成本上升带来的损失。然而，当外部技术溢出效应占主导地位时，金融科技会对银行业产生积极影响。具体地，李建军和姜世超（2021）发现，与网点扩张型传统普惠金融模式相比，商业银行借助金融科技能够扩大金融服务的包容性，提高其盈利能力和成长性。而且，商业银行布局金融科技后显著提升了创新能力和市场竞争力（郭晔等，2022），并增强了在风险识别、量化和定价方面的能力（王海军等，2022），从而有效降低了信贷风险。蔡岑等（2023）通过区分不同规模的银行及其金融科技创新路径发现，大规模银行通过“引领”或“跟随”式的创新路径，提升其信贷业务管理能力、风险控制能力和经营绩效；而中小规模银行通过“合作”式创新路径，也在这些方面获得相应提升。金洪飞等（2020）发现，金融科技通过减少银企信息不对称，缩小了中小银行与大银行在获取软信息方面的差距。此外，董艳等（2023）认为，在数字信贷初期阶段，竞争效应较为显著，会对银行网点扩张产生负向影响；但随着数字信贷的发展，技术溢出效应逐渐发挥作用，推动银行与金融科技公司合作，最终转变为正向影响。

其他金融机构方面。丁娜等（2020）认为，金融科技平台通过提供便捷、实时的信息获取渠道，部分替代了分析师在信息整合与传递方面的功能，改变了分析师在信息市场中的定位和作用。王辉等（2024）认为，数字化平台营销资源的投入会对基金经理投研活动造成挤出效应，导致管理积极性下降，最终损害投资者利益。路晓蒙等（2023）聚焦于智能投顾，发现在客户资源方面，智能投顾正逐步渗透并覆盖原本属于传统投顾的客户群体。而在服务效果层面，智能投顾的技术优势和传统投顾深厚的人脉资源和沟通技巧存在互补效应，有助于提升投资者整体满意度（路晓蒙等，2023）。

（四）金融科技与公司财务决策

金融科技改变了公司内部和外部的金融环境，进而深刻影响着公司财务行为。具体而言，金融科技的发展是否以及如何在公司融资决策、投资决策、资本结构决策、股利决策、并购决策、现金管理和风险控制决策等方面发挥作用，仍然是一个值得探讨的课题。为此，本文将主要从公司融资、投资和治理决策三个维度，对金融科技与公司财务决策相关文献进行综述。

1．公司融资决策

传统的公司融资理论主要围绕债务融资和股权融资之间的权衡展开。然而，随着金融科技的发展，众筹平台股权融资等新型融资方式不断出现，正在推动资本结构理论的创新。本节综述了现有研究关于金融科技如何在“量”和“质”上促进或重塑企业融资环境的研究。一方面，金融科技从“量”上缓解了企业的融资难题。传统金融市场主要由银行、证券公司等机构主导，而金融科技通过去中心化的方式为更多未被传统金融体系覆盖的群体提供服务，包括小微企业（盛天翔和范从来，2020；Gopal和Schnabl，2022；Erel和Liebersohn，2022）、高风险企业（Chernenko等，2022；Hau等，2024）等。另一方面，金融科技也在“质”上提升了金融资源的配置效率。以数字供应链金融为例，通过提升信息透明度来降低融资风险，为供应链上下游企业提供了更为高效、更低成本的融资解决方案（龚强等，2021）。而且，金融科技改善了社会和企业的信贷结构，包括缓解企业短债长用（李逸飞等，2022）和促进企业结构性去杠杆（张金清等，2022）等。然而，金融科技所带来的银行业竞争也会导致银行为争抢客户资源而过度放贷，使得业绩较差的企业有机会获得超出最优债务规模的银行借款，诱发企业超额借款（陈克兢等，2024）。此外，零售信贷的增加还可能会挤出实体企业贷款（胡俊等，2024）。

2．公司投资决策

通过技术赋能，金融科技在激发创新活力、提升经营稳定性和降低金融投机行为等方面，均发挥着积极作用。首先，金融科技通过缓解融资瓶颈、促进资本结构优化和稳定企业财务状况，显著提升了企业和银行的技术创新水平（唐松等，2020；李春涛等，2020；徐照宜等，2023；蔡庆丰和舒少文，2024；宋敏等，2024）。此外，Jiang等（2025）发现金融科技冲击下，自主创新是抵御颠覆的关键，企业可以通过技术发明而非收购维持竞争力。其次，通过降低抵押资产和会计信息在银行信贷中的作用，金融科技显著缓解了实体企业在危机期间的资金约束，提高了实体企业的投资水平（王红建等，2024）。然而，金融科技同时增加了企业的非效率投资，尤其是过度投资（赵瑞瑞等，2021）。这表明，现阶段金融科技可以有效缓解企业融资约束、促进投资，但没有充分发挥债权人监督的功能。再者，通过提高信贷可得性，金融科技还增强了企业经营的可持续性，体现为预防性投资能力的增强以及销售波动性和破产风险的降低（Chen等，2022；Dalton等，2024）。最后，金融科技的发展还降低了企业的金融化倾向。李真等（2023）发现，金融科技通过扩大银行信贷渠道、减少对抵押品的依赖，减弱了企业的风险规避动机，同时缩小了实体投资与金融投资之间的利差，从而抑制了企业的投机性投资行为。

3．公司治理决策

金融科技运用大数据、区块链等新兴前沿技术，提升了公司的自动化、透明化，为公司治理和财务透明度提供了新的理论视角。从大数据角度来看，该技术显著降低了信息获取成本，提高了价格信息的准确性和时效性，不仅能够减少管理者机会主义行为空间，也能够提高投资效率（Zhu，2017）。从区块链技术来看，该技术通过智能合约实现交易的自动执行，降低了合作中的机会主义风险（Williamson，1985；Fabric等，2020；Lumineau和Oliveira，2020；Chen等，2023）。此外，传统的财务报告理论大多基于企业主观判断和审计过程，而区块链提供了一种去中心化、自动化的审计和账本更新方式。这促使财务理论从“信任第三方”向“技术驱动的信任机制”转变，推动了关于透明度、审计和公司治理的新理论形成。具体地，在会计信息方面，区块链与物联网技术融合，能够实现会计信息实时监控与精准评估（Dai和Vasarhelyi，2017）。在审计活动中，区块链技术使得内部审计人员能够执行连续审计，实现审计轨迹的追踪和账户数据的深度分析（Vasarhelyi等，2015）。纽约大学金融系David Yermack教授在其2017年发表于Review of Finance的文章“Corporate Governance and Blockchains”中也系统阐述了区块链技术如何重塑公司治理框架，包括股权透明度提升、市场流动性提高、机构投资者新机遇、重塑管理层激励机制、优化市场微观结构、公司选举投票方式革新、会计记账实时性和不可篡改性，以及智能合约的应用。

三、金融科技如何驱动公司财务研究方法创新

金融科技驱动下公司财务研究的方法论创新（“怎么做”）是本文要探讨的第二个核心前沿问题。随着大数据、人工智能等技术的迅猛发展，金融科技不仅深刻影响了企业的实际财务活动，也大大推动了公司财务研究方法的演进。一方面，大数据为财务研究提供了前所未有的海量、多维和动态数据资源，拓展了研究的数据边界；另一方面，人工智能的兴起，尤其是机器学习、自然语言处理等工具的发展，为大数据的处理与分析提供了强有力的技术支撑。借助这些先进技术，研究者能够从海量非结构化和结构化数据中高效提取关键信息，识别潜在模式，揭示企业行为背后的深层机制，从而推动公司财务理论的深入发展。

（一）大数据赋能公司财务研究的应用场景

随着金融科技的发展，海量的数据资源为财务学领域的学者提供了丰富的数据样本，促进了市场行为的深度分析、精细化风险评估以及高效预测模型的构建（Fuster等，2019）。本文将从金融交易数据、客户行为数据和社交媒体数据探析公司财务研究中大数据的开发与应用。

1．金融交易数据在公司财务研究中的应用

随着互联网金融、移动支付、区块链等前沿技术的广泛应用，金融交易领域正经历前所未有的数据爆炸式增长。这一趋势不仅涵盖了传统金融市场交易（如股票、债券、期货等），还扩展至众筹等新兴金融业态，为金融交易数据的多样性增添了新的维度。廖理（2014）、王靖一（2018）、黄益平和邱晗（2021）、尹振涛等（2023）通过金融科技借贷平台的海量消费贷数据，探讨了现金贷利率和违约风险的相关问题。北京大学数字金融研究中心利用蚂蚁金服集团这一代表性数字金融机构的数以亿计的交易账户大数据，编制了“数字普惠金融指数”，描绘了中国数字普惠金融的发展现状，并被广泛应用于数字金融研究中（邱晗等，2018；傅秋子和黄益平，2018；谢绚丽等，2018；唐松等，2020；蔡庆丰等，2021；董艳等，2023）。此外，在投资理财领域，Cen（2023）通过分析大型投资顾问公司的交易数据，评估了新技术对投资者行为及市场动态的影响。

2．客户行为数据在公司财务研究中的应用

大数据与人工智能技术的深度融合，为收集并深入挖掘用户交易习惯、风险偏好、信用状况等多维度信息提供有力支持。在交易习惯方面，De Haan等（2024）分析了美国1 060万消费者的银行交易数据，特别关注了先买后付服务的使用情况，指出这种模式可能增加用户过度借贷的风险。在风险偏好方面，Agarwal等（2024）利用移动支付数据研究了客户如何应对数据泄露事件，发现用户在某些情况下认为便利性的收益超过了支付安全风险的损失。在信用状况方面，Berg等（2020）研究了数字足迹在信用评估中的应用，发现即使是基础数据元素，也能有效提高信贷审批效率并降低违约风险。王正位（2020）发现，针对信用记录不足的群体，通过引入高频消费行为信息，可以弥补传统征信数据的不足，提高风险识别效率。此外，廖理等（2021）研究了电商销售数据在消费者行为和公司销售活动中的作用，表明该数据对投资决策具有重要价值。蔡卫星等（2024）基于消费者在线投诉数据，发现这些数据能够有效预测公司未来的营业收入增长率。曾雪云等（2023）发现，线上销售数据披露能显著降低股价同步性，提高资本市场定价效率。

3．社交媒体数据在公司财务研究中的应用

行为金融学理论强调投资者在决策中存在非理性行为，这些行为会对金融市场产生影响。金融科技通过大量数据的收集与分析，能够深入理解市场参与者的行为模式，推动财务理论对行为因素的更深刻理解。一方面，金融科技通过社交媒体分析、用户行为数据等方式，能够更准确地捕捉市场情绪、投资者心理和非理性行为的影响。这推动了财务理论中行为金融学的进一步深化，尤其是在投资决策、公司治理等方面的应用研究。另一方面，算法交易的兴起使得市场交易行为变得更加自动化、快速，加剧行为金融学中的非理性因素（如羊群效应、过度自信等）对市场的影响。这推动了财务理论在行为偏差、市场非理性行为等方面的建模与研究。

在投资者情绪方面，早期研究如Antweiler和Frank（2004）采用朴素贝叶斯算法，将网络股票论坛上的评论分为积极、消极和中性三类，进而评估这些情绪对股市波动的影响。此后，汪昌云和武佳薇（2015）、杨晓兰等（2016）、金秀等（2018）、Bartov等（2018）、尹海员和吴兴颖（2019）、吴武清等（2020）、Cookson和Niessner（2020）、Edmans等（2022）等利用机器学习方法，根据社交媒体的文本信息构建了投资者情绪指数。郑建东等（2022）则构建了投资者意见分歧指标，为理解市场分歧提供了新的视角。此外，Ammann和Schaub（2021）通过跟踪社交平台上投资者间的投资组合分享、评论交流和追随者模仿交易行为，揭示了社交互动对个人投资决策的重要影响。在媒体关注度和情绪方面，王靖一和黄益平（2018）、沈艳和王靖一（2021）利用新闻文章的文本数据，构建了数字金融媒体关注度和新闻文本情绪指数，揭示了媒体关注和媒体情绪对资金供求的实证影响。丁娜等（2020）利用上市公司各类报道的原始数据，构建了金融科技对上市公司关注的指标，研究了金融科技平台对分析师市场的影响。张宗新和吴钊颖（2021）则运用机器学习技术，测算了上市公司百度新闻报道中的情绪得分。在市场情绪方面，Tang（2018）运用自然语言处理技术从Twitter中提取商品市场情绪。Obaid和Pukthuanthong（2022）利用卷积神经网络和迁移学习（Transfer Learning）方法，从《华尔街日报》的新闻图片中构建了市场情绪指数。这些研究为传统金融市场分析框架提供了有益补充，有助于理解新兴金融市场的发展。

（二）人工智能在公司财务研究中的前沿实践

近年来，人工智能在计算机视觉和自然语言处理等领域的发展，为学者们在数据识别、清洗和分析上提供了有力的支持。本文将对人工智能在代理变量构建、经济预测和因果推断三个领域的应用进行文献综述，探讨其研究进展。

1．人工智能在代理变量构建中的应用

传统实证研究所使用的数据主要来自商业数据库、官方政府数据、问卷调查和实验数据。但是这些数据在内容上多以定量数据为主，数量上也比较有限，导致存在信息量不足、反映事物本质可能有失偏颇等问题。如何将非结构化数据的信息量转化成可供研究者使用的定量数据是一个至关重要的问题。最新的一些研究试图利用人工智能技术拓展数据可用性，通过创造性地生成新的变量来验证老问题和探究新问题。

心理因素。除了前文所述关于投资者、媒体和市场情绪的研究，现有研究还从管理层讨论与分析报告（Li，2010）、上市公司年度业绩说明会（谢德仁和林乐，2015）、分析师报告（Huang等，2014）、供应商企业前五名上市客户年报（底璐璐等，2020）中提取了关于管理层、分析师和客户的情绪指标。在构建方法上，范小云等（2022）评估了不同文本情绪分析方法的准确性，开发出新的中文金融文本情绪词典，并融合机器学习算法提出一种混合式情绪测度方法。Huang等（2023）针对金融领域设计的FinBERT模型，在情感分类任务上展现出超越传统机器学习方法的卓越性能，为心理因素的量化分析提供了有力工具。

风险因素。传统风险管理理论依赖于线性模型和简化假设，如均值方差理论和资本资产定价模型。然而，随着大数据和机器学习技术的引入，财务风险模型不再局限于这些简化假设，而是能够实时调整并适应市场变化，从而推动了风险管理理论的创新。在企业层面，Hope等（2016）通过命名实体识别技术（NER）量化了企业风险披露的详细程度。王雄元和曾敬（2019）则结合机器学习和文本分析提取了年度报告中的风险信息。此外，Hassan等（2019）运用序列分类方法区分政治与非政治话题，构建了企业层面的政治风险指标。在市场与行业层面，Bubna等（2020）结合无监督学习和有监督学习构建了与风险投资相关的指标。Hanley和Hoberg（2019）使用隐含狄利克雷分布（LDA）和语义向量分析（SVA）从银行年度报告中提取风险信息。而范小云等（2022）则利用新闻大数据和机器学习方法研究了银行系统性风险的度量与预警机制。在政府层面，李斌（2016）提出了基于支持向量机（SVM）的地方政府债务风险预警模型，旨在最小化结构风险并有效预测潜在风险。

2．人工智能在经济预测中的应用

相比传统预测方法，人工智能的优势在于凭借强大的数据处理与分析能力，基于事先设定的模型算法，进行更准确且快速的预测。与回归法相比，人工智能技术能够容纳更多的预测因子，允许高维预测因子与预测变量之间存在复杂的关联，并通过使用正则化技术减轻过拟合，从而实现更高的样本外预测性能。在公司财务研究领域，“预测”作为核心议题之一，重要性不言而喻。本文将对人工智能技术应用在宏观经济、中观市场及微观个体层面上的经济预测文献进行综述。

在宏观经济层面，人工智能技术能够更准确地预测经济指标。刘涛雄和徐晓飞（2015）和林建浩等（2021）分别采用机器学习发现互联网搜索行为和央行沟通文本大数据可以有效预测宏观经济。Chinn等（2023）则专注于采用基于树（随机森林、梯度提升）和基于回归（宏观经济随机森林、梯度线性提升）的机器学习方法进行贸易预测。此外，唐晓彬等（2021）创新地设计出一种扩展消费者价格指数预测种子关键词的文本挖掘技术。由于大语言模型（LLM）能够捕捉数据中错综复杂的模式，并能快速适应不同领域，因此在预测领域大受欢迎。Bybee（2023）利用《华尔街日报》的历史新闻数据，通过OpenAI的GPT-3.5模型预测了金融和宏观经济指标。Faria-e-Castro和Leibovici（2024）利用谷歌的PaLM模型，对通货膨胀率进行了预测。Carriero等（2024）对比了多种LLM与传统宏观时间序列预测方法，发现Salesforce的Moirai模型和Google的TimesFM模型在预测性能上表现突出。

在中观市场层面，已有研究表明，利用时间序列分析、深度学习等技术可以有效预警市场波动、操作失误等风险。在股票收益率预测方面，Gu等（2020）通过一系列机器学习算法，包括偏最小二乘法、提升回归树、随机森林以及神经网络，对美国股票收益进行了有效预测。Leippold等（2022）聚焦中国股市，运用11种机器学习方法及2种线性模型，构建了一个全面的收益预测因子体系。此外，Chinco等（2019）、Freyberger等（2020）利用最小绝对收缩和选择算子回归（LASSO），对截面收益进行了预测。杨青和王晨蔚（2019）基于深度神经网络优化技术，研究了全球30个股票指数在3种不同期限内的预测。Brogaard和Zareei（2023）和Murray等（2024）发现，投资者可以利用机器学习依据历史信息有效预测股票回报率，这对有效市场假说提出了质疑。在基金与债券收益率预测方面，Kaniel等（2023）利用前馈神经网络，分析了美国股票共同基金及其持股情况，指出基金流量与动量等特征信息是预测基金表现的关键因素。Bianchi等（2021）则通过神经网络预测债券收益率。

在微观个体层面，机器学习在财务欺诈预测、信用评分和算法交易等领域的应用也日益增多。在财务欺诈预测方面，Bao等（2020）通过集成学习方法，增强了对财务欺诈行为的预测能力。李建平等（2024）结合知识图谱技术，构建了一个多重语义关联网络，并通过图神经网络方法捕捉审计要素之间的复杂关系，从而提高财务欺诈识别的效果。在财务误报预测方面，Brown等（2020）通过LDA技术，揭示了文本主题信息在识别潜在误报中的作用。在财务表现预测方面，Erel等（2021）研究表明，机器学习技术能够基于历史数据预测董事的业绩。Chen等（2022）通过随机森林和随机梯度提升技术预测公司盈利的变动趋势。Kim等（2024）将标准化财务数据输入GPT-4模型，预测未来的收益动态。在信用评估方面，肖斌卿等（2016）基于模糊神经网络，对某农村商业银行的小微企业信用进行评级。Gathergood等（2019）通过分析信用卡交易数据，采用决策树、随机森林和极端梯度提升等方法有效预测借款人的还款行为。Fuster等（2022）结合随机森林与渗回归技术预测抵押贷款市场的违约风险。Barbaglia等（2023）通过分析1 200万份住宅抵押贷款数据，将违约率与借款人特征、贷款条件及当地经济状况相结合，进一步提升了预测的准确性。

3．人工智能在因果推断中的应用

公司财务领域的实证研究旨在探究事物之间的因果关系。然而，与物理和化学实验不同，财务研究的对象是具有自我意识的个体，这使得实验设计中的噪音难以完全排除，因此许多研究在因果推论上受到质疑。过去几十年，学者们对内生性问题等进行了深入探讨，尽管解决方案已取得一定进展，但仍存在许多局限。近年来，人工智能，尤其是机器学习，为这一问题提供了新的突破。尽管如此，目前国内将机器学习与因果推断方法结合的实证研究仍相对较少。

识别和控制混淆因素。混淆因素常出现在计量经济学模型中，通常源于变量选择的偏差。传统方法依赖经济理论来选择变量，但这一人工选择过程可能忽视某些关键变量，进而影响模型的准确性。为了识别更精确的因果关系，学者们常使用工具变量（IV）方法来解决内生性问题，如遗漏变量和测量误差。IV方法通过引入与误差项不相关的变量，构建外生的解释变量，从而确保参数估计的精确性。然而，尽管IV的使用可以提高估计的可靠性，但也可能引发新问题，如弱工具变量问题，这会导致估计结果的不稳定和不准确。机器学习技术在预测内生解释变量方面表现优异，因此可以在IV方法的第一阶段应用机器学习技术，提升内生性问题的解决效果。已有研究通过正则化回归和神经网络等方法改进了第一阶段的估计模型（Belloni等，2012；Belloni等，2014；Hansen和Kozbur，2014；Chernozhukov等，2015；方娴和金刚，2020；谢杰等，2021），但Angrist和Frandsen（2022）发现，在某些情况下，机器学习工具变量法并未显著优于传统方法。

构建更精确的反事实结果。为了更准确地识别因果关系，学者们常采用反事实框架，如双重差分法（DID）、倾向得分匹配法（PSM）、合成控制法（SCM）等。然而，这些方法的有效性依赖于处理组与对照组在协变量上保持平衡的假设，但这一假设在实践中往往难以实现。机器学习技术凭借其出色的预测能力，为满足这一假设提供了新的工具。例如，在PSM中，机器学习方法（如贝叶斯随机森林）突破了传统方法的局限，能够在不要求模型设定准确的情况下，通过优化权重，减少丢失样本，提高结果的稳定性（Hill和Su，2013；Zubizarreta，2015）。在DID中，Doudchenko和Imbens（2016）利用正则化回归方法，通过构建更加一般的线性组合函数，改进了反事实的构建。其他现代机器学习算法，如K-Fold ArCo模型（王茹婷等，2022）、贝叶斯可加回归树（周开国等，2022）和梯度提升树（Guo等，2022），也为精确构建反事实结果提供了新的解决方案。

更好地分析异质性因果效应。在公司财务研究中，异质性因果效应的分析往往受到变量筛选和切分方式的局限，特别是涉及多重异质性（即多个特征变量的交互作用）时（陶旭辉和郭峰，2023）。与此相比，机器学习在处理异质性问题时展现出两大优势：一方面，它能够有效减少异质性变量的遗漏；另一方面，即使面对协变量远超样本规模的情况，机器学习模型也能保持稳健性，克服多重共线性问题。在异质性变量选择上，许多机器学习算法表现优异。例如，Lasso回归通过正则化实现了变量选择（Knaus等，2022），基于树的机器学习方法能够通过递归分割数据探索异质性（Athey和Imbens，2016；Wager和Athey，2018），双重机器学习通过结合多种预测模型提高估计精度（Chernozhukov等，2017）。对于多重异质性政策效应的评估，Lasso回归通过稀疏化技术识别关键变量（Imai和Ratkovic，2013），回归树算法则直观展示变量间的层次关系（Athey等，2016），贝叶斯随机森林通过集成学习增强了预测的稳健性（Chipman等，2010）。此外，元学习器的结合使用能够进一步提升预测性能（Johansson，2019；Kuinzel等，2019）。

四、未来研究展望

金融科技的发展不仅改变了公司财务的实践环境，也为公司财务理论和研究方法带来了新的挑战与机遇。首先，金融科技要求重新审视和修正公司财务理论的基础假设和研究范式。例如，市场有效性假设在金融科技背景下是否仍然成立？如何构建适应金融科技环境的公司财务理论框架？其次，金融科技等实践的发展使得公司财务理论的研究更加广泛和深入，不再局限于传统的投融资活动等经济指标，而是扩展到了心理与行为、伦理与社会影响等领域。再次，金融科技还冲击了公司财务研究的方法、技术和手段。这些问题都需要学者深入思考与探索。基于金融科技持续演进的发展趋势以及现有研究的不足，本文提出以下研究展望：

第一，金融科技与政府行为。未来的研究应更加关注新兴技术应用与政策影响、市场自由与监管需求的平衡，以及政府行为的福利效应等问题。首先，研究应深入探讨人工智能、区块链等技术如何影响政府在金融科技发展中的角色定位、政策制定和执行。其次，金融科技在推动金融创新和市场繁荣的同时，也带来了新的监管挑战。如何在保障市场自由与创新的同时，有效监管金融风险并维护金融稳定，成为亟待解决的问题。再次，金融科技对金融体系的效率、公平和可持续性产生了深远影响，政府在这些方面的作用不可忽视，其政策不仅影响金融市场的运行，也关乎社会福利的分配。因此，未来的研究还应结合福利经济学等理论工具，分析金融科技背景下政府行为的福利效应，并为政策制定提供科学依据。

第二，金融科技与金融市场。未来的研究应着重关注创新与风险平衡、全球监管协调，以及如何应对金融科技带来的伦理与合规挑战。首先，应研究如何在鼓励金融科技创新的同时，有效识别和管理数据安全、市场操控、消费者保护等方面的风险。其次，金融科技在一定程度上突破了传统监管框架，全球范围的监管协调成为亟待解决的问题。如何在全球化背景下实现有效监管，并防范金融犯罪等风险，值得深入探讨，特别是区块链技术的透明性和去中心化机制对传统监管理论的影响。再次，金融科技带来的伦理风险和合规挑战，如隐私保护、数据使用和算法公正性等问题，也日益受到关注。未来的研究应分析如何建立符合金融科技特性的伦理与合规体系，确保金融科技的健康发展。

第三，金融科技与金融机构治理。未来的研究应关注金融科技对银行治理结构、合规与风险管理体系的影响，以及对其他金融机构的影响。首先，随着金融科技的应用，银行的治理结构和决策机制面临新挑战。在去中心化和智能合约的背景下，着重探讨金融科技如何推动银行组织结构的变革。其次，金融科技对银行合规与风险管理的影响，尤其是在防范洗钱、网络安全等领域，值得深入研究。再次，金融科技也可能通过技术创新和知识传播带来技术溢出效应，提高传统金融中介的服务效率与质量，但新兴金融科技企业的崛起也可能加剧市场竞争，对传统金融机构构成挑战。因此，未来研究应探讨不同市场条件、技术环境和监管政策下的竞争效应，及其对金融中介业绩、风险承担和市场结构的影响。

第四，金融科技与微观企业。未来的研究应聚焦金融科技在优化企业资本结构、提升决策效率和加强风险控制方面的应用。金融科技为企业资本结构优化提供了新视角和新工具，应加强探讨企业如何通过金融科技优化资本结构，并评估金融科技平台对传统股权融资和债务融资的替代性。大数据技术使企业能够实时获取并分析大量财务与非财务数据，从而优化财务决策。应探索如何实现财务流程自动化，利用智能化手段识别企业财务风险，并建立预警机制。此外，金融科技为企业的风险管理提供了新的工具和方法，尤其是人工智能、大数据和区块链技术如何提升企业在信用风险、市场风险和流动性风险等方面的识别与管理能力，值得进一步研究。

第五，挖掘公司财务研究中的大数据潜力。近年来，学者们将金融交易记录、客户行为数据和社交媒体互动等多元化数据源融入公司财务研究，取得了显著成果。随着数据采集与处理技术的不断进步，未来将解锁更多独特且高颗粒度的数据源。例如，融合跨领域数据，将金融科技与医疗、教育、能源等行业的数据相结合，可以揭示不同产业间的深层次联系与协同效应，为公司财务研究提供全新视角。利用这些独特的数据资源，不仅能验证现有财务理论，还能发现新的财务问题，从而推动公司财务理论的拓展与丰富。

第六，探索以机器学习和大语言模型为代表的人工智能技术在指标刻画、预测及因果识别方面的应用。首先，在指标刻画方面，机器学习和大语言模型凭借其强大的数据解析与量化能力，能够深入挖掘并量化传统财务模型难以触及的复杂变量。其次，传统的公司财务实证研究侧重于计量经济学，主要聚焦于因果关系的揭示，但其结论有时可能与实际商业需求存在偏差。机器学习凭借强大的预测能力，可以弥补传统研究在预测方面的不足。应积极探索应用各类机器学习技术，如决策树、神经网络和随机森林等，在公司财务困境预警、财务欺诈检测等场景中，结合扎实的财务理论基础，提高预测精度，帮助相关方作出更加明智的经济决策。最后，未来的公司财务实证研究可以将机器学习等人工智能技术与具体研究问题结合，设计更加科学、严谨的研究框架，解决长期困扰学术界的因果推断问题，从而得出更加稳健的结论。

第七，融合中国国情与国际视野的实践视角。中国已成为全球金融科技发展最快的国家之一。金融科技的迅猛发展推动了中国经济增长方式、资本市场制度、金融体系和公司治理结构不断演变，这为财务学者提供了得天独厚的研究机会。与此同时，大量本土数据资源的积累，使中国学者在深耕本土问题时形成了与国际前沿对话的数据基础。因此，我国财务学者在深入研究中国本土财务问题的同时，还应具备国际视野，关注全球金融科技发展趋势，将中国的经验与国际实践相结合，形成更具普适性和前瞻性的研究成果，为全球财务学科的发展贡献中国智慧与力量。

主要参考文献：

［1］蔡卫星，蒲雨琦，李浩民．顾客至上：消费者在线投诉的基本面预测能力研究[J]．管理世界，2024，（5）：139-154.

［2］丁娜，金婧，田轩．金融科技与分析师市场[J]．经济研究，2020，（9）：74-89.

［3］龚强，班铭媛，张一林．区块链、企业数字化与供应链金融创新[J]．管理世界，2021，（2）：10-20.

［4］胡滨．金融科技、监管沙盒与体制创新：不完全契约视角[J]．经济研究，2022，（6）：5-18.

［5］黄益平，邱晗．大科技信贷：一个新的信用风险管理框架[J]．管理世界，2021，（2）：12-21+50.

［6］贾盾，韩昊哲．金融科技与商业银行竞争性负债[J]．世界经济，2023，（2）：183-208.

［7］李逸飞，李茂林，李静．银行金融科技、信贷配置与企业短债长用[J]．中国工业经济，2022，（10）：137-154.

［8］李真，李茂林，朱林染．银行金融科技与企业金融化：基于避险与逐利动机[J]．世界经济，2023，（4）：45-60.

［9］刘涛雄，徐晓飞．互联网搜索行为能帮助我们预测宏观经济吗？[J]．经济研究，2015，（12）：120-135.

［10］路晓蒙，王一冰，吴卫星．传统投资顾问和智能投资顾问：替代还是互补？[J]．管理世界，2023，（10）：74-98.

［11］邱晗，黄益平，纪洋．金融科技对传统银行行为的影响——基于互联网理财的视角[J]．金融研究，2018，（11）：1-15.

［12］沈艳，王靖一．媒体报道与未成熟金融市场信息透明度——中国网络借贷市场视角[J]．管理世界，2021，（2）：35-50.

［13］盛天翔，范从来．金融科技、最优银行业市场结构与小微企业信贷供给[J]．金融研究，2020，（6）：114-132.

［14］宋敏，周鹏，司海涛．金融科技与企业全要素生产率——“赋能”和信贷配给的视角[J]．中国工业经济，2021，（4）：15-30.

［15］汪昌云，武佳薇．媒体语气、投资者情绪与IPO定价[J]．金融研究，2015，（9）：174-189.

［16］王红建，张科，李青原．金融科技的经济稳定器作用：金融加速器理论的视角[J]．经济研究，2023，（12）：80-95.

［17］王靖一．现金贷果如洪水猛兽？——来自断点回归设计的证据[J]．金融研究，2018，（11）：1-12.

［18］王靖一，黄益平．金融科技媒体情绪的刻画与对网贷市场的影响[J]．经济学（季刊），2018，（4）：1001-1020.

［19］武威，曹畅，王馨竹．政府采购与“专精特新”中小企业创新——基于产业链供应链现代化视角[J]．数量经济技术经济研究，2024，（7）：5-18.

［20］杨东．监管科技：金融科技的监管挑战与维度建构[J]．中国社会科学，2018，（5）：120-135.

［21］杨延超．论数字货币的法律属性[J]．中国社会科学，2020，（1）：84-106.

［22］游家兴，林慧，柳颖．旧貌换新颜：金融科技与银行业绩——基于8227家银行支行的实证研究[J]．经济学（季刊），2023，（1）：100-115.

［23］曾雪云，杜晟，费一洋．线上销售数据、分析师行为与股价同步性——来自真实活动数据的经验证据[J]．财务研究，2023，（6）：52-66.

［24］Antweiler, W., Frank, M. Z. Is all that talk just noise？The information content of internet stock message boards[J]. The Journal of Finance, 2004, 59（3）：1259-1294.

［25］Athey, S., Imbens, G. Recursive partitioning for heterogeneous causal effects[J]. Proceedings of the National Academy of Sciences, 2016, 113（27）：7353-7360.

［26］Berle, A., Means, G. The modern corporation and private property[M]. Commerce Clearing House, New York, 1932.

［27］Charoenwong, B., Kowaleski, Z. T., Kwan, A., Sutherland, A. G. RegTech：Technology-driven compliance and its effects on profitability, operations, and market structure[J]. Journal of Financial Economics, 2024, 154：103792.

［28］Chen, M. A., Hu, S. S., Wang, J., Wu, Q. Can blockchain technology help overcome contractual incompleteness？Evidence from state laws[J]. Management Science, 2023, 69（11）：6540-6567.

［29］Chernenko, S., Erel, I., Prilmeier, R. Why do firms borrow directly from nonbanks？[J]. The Review of Financial Studies, 2022, 35（11）：4902-4947.

［30］Cong, L., Qu, Y., Wang, G. Blockchains for environmental monitoring：Theory and empirical evidence from China[J]. The Review of Finance, 2025, forthcoming.

［31］Dai, J., Vasarhelyi, M. A. Toward blockchain-based accounting and assurance[J]. Journal of Information Systems, 2017, 31（3）：5-21.

［32］Di Maggio, M., Yao, V. Fintech borrowers：Lax screening or cream-skimming？[J]. The Review of Financial Studies, 2021, 34（10）：4565-4618.

［33］Erel, I., Stern, L. H., Tan, C., Weisbach, M. S. Selecting directors using machine learning[J]. The Review of Financial Studies, 2021, 34（7）：3226-3264.

［34］Fuster, A., Plosser, M., Schnabl, P., Vickery, J. The role of technology in mortgage lending[J]. The Review of Financial Studies, 2019, 32（5）：1854-1899.

［35］Goldstein, I., Jiang, W., Karolyi, G. A. To FinTech and beyond[J]. The Review of Financial Studies, 2019, 32（5）：1647-1661.

［36］Gopal, M., Schnabl, P. The rise of finance companies and FinTech lenders in small business lending[J]. The Review of Financial Studies, 2022, 35（11）：4859-4901.

［37］Hau, H., Huang, Y., Lin, C., Shan, H., Sheng, Z., Wei, L. FinTech credit and entrepreneurial growth[J]. The Journal of Finance, 2024, 79（6）：3309-3359.

［38］Hope, O. K., Hu, D., Lu, H. The benefits of specific risk-factor disclosures[J]. Review of Accounting Studies, 2016, 21（4）：1005-1045.

［39］Huang, A. H., Zang, A. Y., Zheng, R. Evidence on the information content of text in analyst reports[J]. The Accounting Review, 2014, 89（6）：2151-2180.

［40］Jiang, W., Tang, Y., Xiao, R. J., Yao, V. Surviving the fintech disruption[J]. Journal of Financial Economics, 2025, 171：104071.

［41］Parlour, C. A., Rajan, U., Zhu, H. When FinTech competes for payment flows[J]. The Review of Financial Studies, 2022, 35（11）：4985-5024.

［42］Shleifer, A., Vishny, R. A survey of corporate governance[J]. The Journal of Finance, 1997, 52：737-783.

［43］Tang, H. Peer-to-peer lenders versus banks：Substitutes or complements？[J]. The Review of Financial Studies, 2019, 32（5）：1900-1938.

［44］Wager, S., Athey, S. Estimation and inference of heterogeneous treatment effects using random forests[J]. Journal of the American Statistical Association, 2018, 113：1228-1242.

［45］Williamson, S. Central bank digital currency：Welfare and policy implications[J]. Journal of Political Economy, 2022, 130（11）：2829-2861.

［46］Yermack, D. Corporate governance and blockchains[J]. Review of Finance, 2017, 21（1）：7-31.

FinTech and the Frontiers of Corporate Finance Research:Theoretical Developments, Methodological Innovations and Future Perspectives

YOU Jiaxing, LUO Meiting, LIU Ying

Abstract: Against the backdrop of FinTech’s rapid advancement, we systematically review domestic and international literature, focusing on two themes: first, how FinTech advances corporate finance theory—examining its impact on government behavior, financial regulators, financial intermediaries, and corporate financial decision-making, thereby redefining the research in corporate finance; second, how FinTech drives methodological innovation in corporate finance research—particularly through big data, which provides a critical empirical foundation, and artificial intelligence, which serves as a transformative technological enabler. This paper proposes research prospects based on the continuous development trend of financial technology and the deficiencies in existing research, providing reference directions for future research.

Key words: FinTech; corporate finance; big data; artificial intelligence

（责任编辑　张雨吟）