近期，金融学院姜富伟教授团队针对中国A股市场存在高贝塔低收益的“低风险定价之谜”，以中国股票市场系统性风险测度和均衡风险定价为切入点，使用机器学习算法，结合包括74个微观企业特征和8个宏观经济指标在内的共666个宏微观混合大数据预测变量，首次构建了基于大数据和机器学习算法的中国股市系统性风险测度模型，团队经研究发现新定价模型可以缓解并消除传统模型中证券市场线过于“平坦”的现象，解决低风险定价之谜。研究指出我国股市时变贝塔风险不仅受到宏观经济指标的影响，还受到经营状况等企业微观特征的影响。例如，在假设宏观经济下行会导致企业贝塔风险升高的条件下，小盘股、高账面市值比和陷入财务困境的股票的贝塔风险或许会升高的更快。本研究通过将大数据同机器学习算法相结合，对复杂数据进行筛选得到影响系统风险贝塔的重要特征变量，并给出了经济学解释，有效避免了传统机器学习存在的“黑箱”问题，为后续系统风险的研究提供了探索方向。该研究成果由金融学院姜富伟教授、博士生马甜、中财蒂尔堡项目博士生张宏伟通过《高风险低收益？基于大数据和机器学习的动态CAPM模型的解释》一文，发表在《管理科学学报》2021年第24卷第1期。

金融学院李建军教授团队长期致力于金融科技、普惠金融等领域研究。近期，该团队在理论逻辑推演传统普惠金融模式对商业银行的负向激励与金融科技改进银行绩效机制的基础上，通过运用某大型国有商业银行县域面板数据进行检验发现：（1）银行金融科技与传统金融服务相结合的业务发展模式不但扩大了金融服务的包容性,而且具有商业可持续性,银行金融科技可以改善自身绩效的机理在于:其对银行财务绩效的影响符合边际收益递增和边际成本递减的规律,并且能够推动银行存贷款等业务空间的拓展；（2）金融科技的发展扩大了存贷款的总体规模,拓展了银行的业务成长空间；（3）从银行金融科技的不同业态来看,在线支付、基金、保险、外汇等较为普遍的县域,对银行财务盈利能力的促进作用和对银行经营成本的压降作用较明显；（4）以网点、自助银行和智能支付终端为代表的传统普惠金融服务对银行绩效的改进并不明显甚至为负，在金融科技发展初期,物理网点对其发展起到了重要的支撑作用。该项研究为商业银行坚定利用金融科技模式发展普惠金融,进而提升绩效提供了依据，并为商业银行推动金融科技发展提出了相关建议：（1）大力推进智能化、轻型化转型，通过金融科技的发展弥补偏远地区银行物理网点的缺位,实现降低成本、提高经营效率的目标；（2）发挥金融科技渠道和专业优势，提升服务能力，研发普惠金融产品，响应客户多元化的金融需求，关注可以促进财务盈利和压降经营成本的金融科技服务产品；（3）从数据、模型、产品等方面加强风险管控。该研究成果由金融学院李建军教授、博士生姜世超通过《银行金融科技与普惠金融的商业可持续性——财务增进效应的微观证据》一文，发表在《经济学（季刊）》2021年第3期。

来源：金融学院