智能時代的公司治理——如何通過機器學習來選擇董事
人工智慧或者說大數據在我們的工作生活中扮演著越來越重要的角色,已經有很多學者在探討人工智慧可能給法律、監管帶來的影響或者說挑戰,而在證券監管和公司治理領域也已經出現了監管沙盒、企業畫像等與金融科技相關聯的新興領域。本文由PANDA君選譯,主要介紹俄亥俄州立大學Isil Erel教授等人的「運用機器學習選擇董事」(Selecting Directors Using Machine Learning)一文,一起來看一下人工智慧機器學習是怎麼在公司治理領域發揮作用的。
(原文:Isil Erel, Léa H.Stern,Chenhao Tan, Michel S. Weisbach, 「Selecting Directors UsingMachine Learning」, Dice Center WP, Fisher College of Business WP, March 2018)
可以設計出一種演算法來幫助公司決定它所僱用的董事嗎?這篇文章提出了一種基於機器學習的董事選聘方法。文章開發這個演算法的目標是希望幫助某個特定公司的股東,選擇到他們更偏好的董事。文章以股東在後續選舉中對個別董事的支持率和公司的盈利能力作為績效衡量指標,構建了對這些指標進行預測的特定演算法。然後,文章對這些預測的質量進行測試,結果顯示,與現實的潛在候選人相比,根據本文演算法預測出來可能表現不佳的董事,在業績上確實比文章預測可能表現好的董事低得多。文章的演算法模型還指出,公司最終實際挑選的董事更有可能是男性,這些人可能兼任更多的董事職位,擁有更少的專業資質,但是擁有更廣的關係網。機器學習為我們理解現行的治理結構以及運行過程帶來了希望,並且有可能幫助現實世界中的企業改進其治理。
傳統上董事會的董事由股東選舉產生,並且作為公司的大腦,負責公司的重大經營決策,因此董事會向股東報告並且為公司利益最大化而服務。但是在實踐中,董事本身的素質以及它對股東盡責的履職表現卻千差萬別,作者認為這其中一個主要原因是發生在選擇(選舉)董事的過程本身。因此,這篇文章希望設計一種新的選擇董事的方式,依靠公司、潛在董事以及他們的相關特徵,為公司匹配出最符合他們的董事人選。該文用某個董事獲得股東支持的能力作為董事的質量和績效的參考值,能夠獲得最多股東支持的董事就是本文演算法中定義的最佳董事。
研究方法上,這篇文章採用的是機器學習的方法。作者認為機器學習的預測方法比起傳統的計量經濟學的方法有著更大的優勢,特別是沒有對數據本身進行過多的修飾。文章以2000年至2014年美國上市公司的董事提名和選舉的數據作為樣本進行研究,運用了多個機器學習的演算法,對於被提名董事的後續表現以及當選董事的實際表現進行了對比。其中最重要的演算法設計是如何評估董事的績效。因為董事是以集體開會的方式出現在董事會中的,很多決策最終是以董事會的方式做出的,對於某個特定董事的績效很難進行估算。本文選擇用董事獲得的股東支持作為衡量的標準,這一指標也得到了其他相近文獻的實證驗證,由於董事本身就肩負著對股東的忠實勤勉義務,因此用股東支持率來衡量董事的表現也符合邏輯。
運用一個董事在後續選舉中獲得的總支持票數作為其績效的衡量標準,文章建立了一套最有可能在未來獲得股東支持的當選董事的演算法。這些演算法是目前計算機科學文獻中最常用的,包括了lasso回歸,ridge回歸,隨機森林(random forest),神經網路(neural networks)和XGBoost演算法等。文章以2000年-2014年之間,合計41051位候選獨立董事在4887個(次)董事會的選舉情況作為分析樣本,這些公司平均市值為66億美元。文章將2000年至2011年期間被提名的董事作為一個進行機器學習的「訓練」子集,將2012年至2014年被提名的董事作為「預測」子集,通過「預測」子集的數據來檢驗「訓練」子集的所產生出的結果。作者發現通過XGboost演算法模型,那些被預測為可能後續表現更差的董事,確實比模型預測的可能表現好的那部分董事的績效更差,但是通過最小二乘方法並不能得出這一結論。
但是作者也指出,對於實際決策支持來說,他們的這一方法存在「選擇標籤」的問題,也就是說他們觀察的董事績效都是那些實際上最終被選聘的,而那些沒有實際被選聘的潛在董事候選人卻並沒有進入觀察視野。儘管存在一定的選擇偏誤,但是作者認為通過機器學習的方法,還是可以解釋很多過去我們無法解答的問題。例如本文發現,和機器演算法選擇的最佳董事相比,公司最後實際選聘的董事可能獲得更低的支持率,並且更可能是男性,同時具有較寬泛的社會網路,兼任更多公司的董事以及更可能具有金融財務背景。而這些特徵描述的往往就是在大多數大公司中的「傳統」的董事形象。因此,文章很重要的一個建議是:那些可能傾向於選擇獲得較低支持率董事的公司,更應該按照模型演算法的建議增加董事會的多樣化,因為通過我們的演算法,這些公司選聘背景更多元化的董事,可能會給董事會的績效帶來正向的效果。
總結來看,這篇文章通過機器學習的方法,建立了一套理解治理、評價董事的方法,主要通過三個方面來實現:第一是評估了是否可能建立一套演算法來精確預測某一個董事是否勝任某一家特定公司的董事職位;第二,文章對比傳統的計量經濟學模型與機器演算法在預測董事績效方面的差異;第三,文章通過演算法所選擇的結果作為基準,來說明哪些被實際選擇的董事和哪些個人特質使他們成為了股東更加青睞的那部分人。
文章認為他們採用的機器演算法模型很好的解釋了數據本身。他們運用關於董事、董事會、以及公司特徵的公開數據,利用XGBoost演算法可以精確估計董事個人的績效,可以分辯出哪些董事更有可能不受股東的青睞。文章對那些通過演算法挑選出來的董事和實際當選的董事進行對比可以發現,在董事提名選舉過程中,哪些因素是被過分估量的。他們的演算法也證明了,一直以來機構投資者所堅信的:擁有更多元背景並且與管理層保持一定距離的董事將更有可能監督管理層的工作,而且這些人更有可能提供對公司績效有所幫助的觀點。本文通過對任何一個可能的董事候選人的績效預測,使得後續公司可能看到更多的適合他們的董事候選人的可能,或許在不久的將來這一技術和思維方式將真正改變公司治理,更有益於公司和股東。
PANDA君按:
1、什麼是好的公司治理?能否設計一套好的指標體系來進行衡量?,境內外的科研機構和市場組織都開發了很多系統的評估公司治理的指標,都在試圖尋找什麼是好的公司治理,哪些公司是治理的典範。這與本期推薦的文章不謀而合,都在希望找到最好的治理機制並用科學的方法去評估衡量它。
2、對於人工智慧和機器學習等新鮮事物,很多的科技金融公司都在嘗試,但是對於公司治理領域,如何引入這一技術手段提升治理績效呢?或許本文的研究是運用機器演算法的科技手段和思維對這一思考更進一步的啟發,本文通過一整套衡量董事質量和董事績效的演算法,先構建了一個基礎子集,通過機器學習的方法模擬出了「好」的董事候選人,然後通過已經當選的董事樣本,進行了檢驗,最後說明了哪些因素是這些「好」的董事所具備的,哪些可能是已經當選了的,但是又被檢驗為是「差」的董事可能共有的特點。這一研究說明,通過已有的大數據分析,可以預測或者檢驗我們在選擇(選舉)董事過程中的偏好是什麼?從而進一步預測哪些人更有可能當選,哪些特徵更有可能幫助他當選;反過來說,公司如果傾向於選擇具有(或不具有)哪些特徵的人,有可能幫助他們提升公司的治理水平,因為這些人可能是在演算法中那些被證明是績效更差的人。
3、本文的研究,在某種程度上屬於企業畫像研究的一部分,通過大數據對公司進行立體式的描述,通過數據抓取、模型建立、機器學習等方式,可以用更客觀更智能的方式去診斷一家公司評估一家公司,這就是人工智慧運用於公司分析的一種方法。但是我覺得其中仍然有三個比較大的難度:第一是衡量標準,還是那個問題,什麼是好的治理;第二是衡量的角度,因為公司的表現、董事的表現有太多的角度可以去看待,正面、反面,合規、違規,站在不同角度看待,有可能是完全相反的結論,例如本文就運用了超過100多個指標,對於董事的背景、公司業績、行業、管理層薪酬等等方方面面的情況進行了模型構建,這是第二難;第三是方法,本文運用的機器學習的方法,坦白說,本人非理工科出身,機器學習的模型演算法對我而言就是一個「黑箱」,它的準確性、合理性都無法做出客觀的評價。但是無論如何我與作者的觀點是一致的,通過完整的數據分析和模型構建,我們是可以通過廣泛採集數據並且構建相對合理的分析體系,從而模擬、判斷公司的治理狀況以及高管的治理績效。
4、智能時代的公司治理,你我都不應缺席。
薦書
智能時代
作者:吳軍
出版社:中信出版社
薦書人:PANDA君
這是本號第三次推薦吳軍老師的作品了,與本期的主題相對應的推薦了《智能時代》一書,實際上這才是吳軍老師作為曾經的谷歌科學家的主業,從這本書里我們能夠很好的了解到人工智慧發展的歷史以及在各個領域的應用展望。


※機器學習國際基準出台,中國物聯網平台支出將達到62.2億美元
※AI視野:Facebook監控機器、Uber自駕車撞死行人、貴公司是否為AI做好準備、具有設備端機器學習能力的智能手機會更聰明
TAG:機器學習 |