會計系專題演講紀實：Harvard Business School_Prof. Charles C.Y. Wang

會計學系暨研究所

撰文者／會計學系研究所博士班  盧葳葳、黃俊仁

臺大會計系於1月7日的Workshop，由Harvard Business School的Charles C.Y. Wang教授發表他的最新研究：Scaling Core Earnings Measurement with Large Language Models。本研究探討如何應用大型語言模型（LLMs）來估算核心收益。核心收益被定義為公司核心業務活動所產生的持續盈利能力。本研究分析了兩種LLM提示策略：基準的“懶惰分析師”方法與結構化的“連鎖思維”（Chain-of-Thought, COT）方法。研究結果發現，COT策略生成的核心收益測量在穩定性、預測能力和市場估值相關性方面均優於GAAP淨收益和Compustat指標（OPEPS和OIADP）。

核心收益反映了企業的經常性盈利能力，排除了非經常性項目和附屬活動的影響。然而，由於財務報告中的“披露過多”和GAAP淨收益中的非經常性調整，估算核心收益非常困難。傳統方法依賴人工分析或基於規則的方法，既昂貴又容易出錯。作者利用LLMs提出了一種可擴展且具成本效益的解決方案。作者取樣自2000年至2023年間，美國約2,000家上市公司的10-K報告。從SEC的EDGAR數據庫中提取並清理了47,771份公司年度觀察數據。採取兩樣提示策略: 1.懶惰分析師方法：為LLM提供最少的指導，要求其識別並調整GAAP淨收益。及2.連鎖思維（COT）方法：通過連續步驟引導LLM進行分析，識別非經常性損失/支出、識別非經常性收益/收入及計算核心收益。進而再對核心收益的估值，進行迴歸分析，探討收益穩定性、調整穩定性、收益預測準確性、長期預測準確性及市場估值(將收益指標與股價關聯)，發現COT生成的核心收益比GAAP淨收益表現出更高的穩定性。Compustat替代指標具有最高的穩定性 。COT調整的被驗證具非經常性特徵。而Compustat OIADP則包含更多的經常性成分。COT生成的核心收益優於GAAP淨收益和懶惰分析師方法。Compustat OPEPS在短期預測中表現最佳。COT方法超越所有基準，表現出長期效用。COT核心收益對兩年後股價的調整，表現優於GAAP淨收益。

本研究主要貢獻有四:1.可行性證明：驗證了LLMs在處理財務領域判斷密集型任務中的可行性。2.成本效益：大幅降低了人工分析財務披露的時間與成本。3.準確性提升：在穩定性、預測能力和市場相關性方面超越傳統指標。4.可擴展框架：提供了一種可複製的方法，用於應用AI進行財務報表分析。

參與本次討論的廖珮真主任、廖芝嫻老師、劉心才老師、尤琳蕙老師、高偉娟老師、謝昇峯老師、朱玉芳老師、黃盈綺老師提出了許多寶貴的見解，博士班學生也積極參與和講者的討論。講者感謝所有提問者的建議，很高興能在臺大會計系分享最新研究。