Cao, S., Wang, C. C. Y., & Yi, X. in press. When LLMs Go Abroad: Foreign Bias in AI Financial Predictions. Working Paper.
文章主要内容：这篇文章研究了人工智能在预测金融市场中存在的外国偏见。文章发现，ChatGPT (基于美国的模型)比DeepSeek (基于中国的模型)系统性地更加看好中国公司，表现为预测的年末股票价格更高，并产生更多的购买建议，这种AI特有的现象与投资者偏好国内资产的传统本土偏好相矛盾。作者将这种偏见归因于信息获取的差异：当美国媒体对中国企业负面新闻的报道相对于中国媒体稀少时，ChatGPT的乐观性增加。文章的结论表明，大语言模型在不同国家的平行发展可以产生不同的金融预测，这可能会放大而不是减少跨境信息不对称，因为这些工具在全球范围内塑造了投资决策。
文章背景：大语言模型( Large Language Models，LLMs )在财务分析中的迅速采用，标志着投资信息的生产和消费方式发生了根本性的转变。ChatGPT在2022年11月上线的两个月内就达到了1亿用户，彭博调查显示，超过40 %的机构投资者现在使用AI工具进行市场分析。许多文献对于AI工具的金融预测能力进行了检验，然而，越来越多的金融学工作揭示了将LLM应用于金融分析的潜在风险，如外推误差、误校正以及其他可能扭曲预测的异常等。这些偏误既来自训练语料的构成，也来自建模的选择。本文关注的可能偏差，来自于不同国家前沿模型发展的差异，这种模型发展的差异本质上来自于模型环境的不同，且可能影响跨国投资分析、市场效率以及人工智能的全球扩散。
样本：上交所、深交所上市公司，且在Compustat Global有数据。以 2023年12月31日Compustat Global中的中国企业为初始样本，要求企业具备关键财务变量数据，如总资产、资产回报率、杠杆率等。最终收集了4,978个中国企业样本。
模型预测：（1）采用两个前沿模型收集股票价格预测和投资建议：ChatGPT 4 . 1 (OpenAI开发)和Deepseek R1 (DeepSeek开发)。训练样本期截止于2024年6月30日，所有预测均针对2024年12月31日的同一未来日期，形成了6个月的样本外预测期。
（2）使用标准化的提示来确保模型之间的可比性：对于价格预测和买入推荐，对每个模型都进行如下提示："这里有一个公司叫做' name ' ( ticker：ticker )，在中国A股上市。作为一名专业的财务分析师，请：1 .预测其2024年12月31日的股价(小数点后三位)。2.预测今年6月底至2024年12月31日的价格是否会上涨。不要使用当前的在线数据或随机数，尽最大努力"。
（3）为了保证数据的可复制性，文章将温度（temperature）设置为零。为了保证数据质量，我们在一周后再次对所有样本企业的两个模型进行了一致性检验，发现相关系数都超过了0。95，两种模型的预测效果均较好。
新闻报道数据：为了研究驱动AI预测差异的机制，文章收集了来自美国和中国媒体的综合数据。美国的媒体报道来自RavenPack，且提供了新闻报道的情感得分。中国媒体报道来自中国财经新闻数据库(CFND)，也包括新闻情感得分。分别汇总了从2021年6月30日到2024年6月30日的所有新闻条目。
构建了两个企业层面的跨国信息差距测度指标：NEG_NEWS_GAP和NET_NEG_NEWS_GAP，分别根据积极、消极新闻数量计算得来，公式如下：
控制变量：总资产的自然对数、资产负债率、ROA、净利润是否为负、BM、2023年的股票回报、2023年股票收益的标准差、机构投资持股比例。
（1）Baseline
Y：AI 股价预测、AI买入建议（1 表示 “买入”，0 表示 “持有 / 卖出”）
X：“美国 AI（US AI）”（1 代表 ChatGPT 预测，0 代表 DeepSeek 预测）。
加入控制变量、基于 Fama-French 12 行业分类的行业固定效应
（2）检验信息不对称：加入报道偏差作为调节变量
交乘项表明当美媒负面报道少于中媒时，ChatGPT 比 DeepSeek 更乐观
（3）排除模型机械差异的影响
为了明确验证 AI “外国偏差” 的产生是否依赖真实的跨境信息不对称，而非模型本身的固有特性（即验证信息的效应），文章做了两项检验：
使用无新闻真实企业样本：聚焦过去 3 年无中美媒体报道的中国企业，发现系数不显著了；
对全球 AI 与金融生态的启示：
- 多极AI发展下的预测分化风险：随着不同国家基于本土语言语料开发各自的 LLMs，全球金融市场可能出现多套系统性有偏的预测视角。这意味着AI并非如预期般成为中立、客观的信息分析工具以消除人类行为偏差，反而可能引入新型偏差，且这类偏差的作用机制与传统人类偏差存在本质差异，可能加剧而非缓解跨境信息不对称。
- AI 金融应用的 “地理不平等” 隐忧：研究暗示AI本应 “democratize（普及）” 复杂金融分析的潜力可能落空——投资者对AI模型的选择受其地理可及性影响，而不同模型的偏差可能导致基于AI的投资决策出现地理分化，进一步扩大全球金融市场的信息差距与投资不平等。
实践层面的警示与解决方案：
- 投资者警示：明确提醒跨境投资者不可单一依赖某一国家开发的AI工具进行投资决策，此类模型的系统性偏差可能超过传统分析师偏差，导致对外国企业的误判；
- 偏差缓解路径：基于信息干预实验结果，提出可操作的解决方案 —— 通过为 AI 补充本土信息源、采用多模型组合（如整合不同国家训练的 LLMs）、或用均衡的多语言数据对模型进行微调，可有效消除 “外国偏差”，提升跨境金融预测的准确性。