《Financial Innovation》：Public technical disclosure of AI implementation in finance: Python-framed evidence from 253 NYSE-listed financial companies
编辑推荐：
人工智能（AI）声明在公开市场中日益引发披露、可比性和投资者保护问题，然而关于上市金融公司如何公开描述实施情况的证据仍然零散且难以比较。本研究构建了一个经过筛选、以交易所为边界的语料库，对253家纽约证券交易所（NYSE）上市金融公司进行公开技术披露（而非内部
人工智能（AI）声明在公开市场中日益引发披露、可比性和投资者保护问题，然而关于上市金融公司如何公开描述实施情况的证据仍然零散且难以比较。本研究构建了一个经过筛选、以交易所为边界的语料库，对253家纽约证券交易所（NYSE）上市金融公司进行公开技术披露（而非内部采用）的考察。原始数据包含554行；在筛选前移除了六个完全重复的行，剩下548行接受筛选。505句扩展分析语料库结合了253句公司锚定层与252句直接验证层；其余发行人作为封闭单元保留在直接验证审计中，不进行严格直接匹配。公司被编码为三种披露状态：显式Python（Explicit Python）、间接AI（Indirect AI）和无（None），该语料库用于通过结果声明指数（OCI）描绘子行业概况、渠道位置以及量化公开结果声明的稀缺性。结果显示，34家公司（13.4%）被归类为Explicit Python，216家（85.4%）为Indirect AI，3家（1.2%）为None。Explicit Python命名在子行业间分布不均，主要集中在招聘材料和技术文档中，而非申报文件或面向投资者的渠道。因此，公开技术表面是真实但薄弱的：公司更多是发出实施导向信号，而非披露详细工具栈。量化公开结果声明更为罕见，有5家OCI阳性公司和5个OCI阳性句子（占公司总数的1.98%）。这些发现表明，金融行业的公开沟通在与AI相关的实施信号上远比可衡量结果上更强烈。本文为有界的上市公司群体提供了一张可复制的披露地图，并提供了一个在受监管的资本市场环境中区分一般性AI语言、实施特定技术命名和量化公开声明的框架。
本文的主体内容按以下小标题展开。
引言（Introduction）
本文将上市公司关于人工智能（AI）的公开陈述视为披露选择而非纯技术叙事，并以美国证券交易委员会（SEC）对虚假AI声明的执法及投资者咨询委员会对AI披露的讨论为背景，指出AI声明在金融市场中涉及真实性、重大性、可比性和投资者保护问题。研究将公开技术披露而非内部采用作为核心测量对象，聚焦253家纽约证券交易所（NYSE）上市金融公司在公开记录中呈现的AI/Python实施信号，并强调信号渠道、措辞和具体性构成披露环境的重要部分。
文献综述（Literature Review）
在“金融领域的AI与Python作为可见实施层”部分，Python被描述为链接数据准备、统计分析和机器学习的通用可识别实施环境，但本研究仅将其作为公开可读的实施标签，而非内部AI栈的完整代理。在“资本市场中的披露与技术沟通”部分，研究指出公司披露受信息不对称和代理冲突驱动，且承担专有成本、诉讼和监管风险；AI相关语言因此是经过策略性选择的组织能力信号。在“技术披露与市场反应”部分，既有事件研究表明市场对技术公告反应不一，且能够区分实质性AI叙述与投机性叙述。在“公开技术披露作为可观察构建”部分，强调公开技术披露是自愿、分散且难以标准化的，多源公共语料库是必要的设计选择。在“披露粒度与量化结果声明”部分，粗粒度AI修辞与实施特定命名被明确区分，量化结果声明被视为更强且更易受审查的公开承诺。研究空白在于缺乏对有界金融上市公司跨渠道公开技术披露的系统制图，以及对披露粒度维度的关注不足。
方法：数据来源、编码与分析策略（Method: data sources, coding, and analytic strategy）
分析框架与筛选（Analytical frame and screening）：研究限定为纽约证券交易所（NYSE）上市的金融发行人，固定于2026年4月。原始数据包含554行，去除6个完全重复行后剩余548行；通过规则筛选保留253家运营型金融发行人。排除对象主要包括被动或集合投资工具（281例）、混合或非金融主导活动（7例）、重复或非主要证券行（5例）、信息不足（1例）及壳公司或特殊目的工具（1例）。子行业采用九类分类法，包括银行（73）、保险/再保险/产权（57）、多元化金融（34）、消费/专业/抵押金融（25）、资产管理/财富（23）、BDC/私人信贷（16）、经纪交易商/咨询/资本市场（11）、市场基础设施/数据/支付（9）和保险经纪/服务（5）。
证据来源、搜索协议与语料层（Evidence sources, search protocol, and corpus layers）：针对每家公司在六类渠道家族（监管申报文件、招聘材料、公司沟通、投资者材料、开发者/产品文档、行业新闻）中执行标准化搜索，并保留审计轨迹以记录渠道可访问性、检索日期和来源标识。证据组织为253句公司锚定层和252句直接验证层，合并构成505句扩展分析语料库，且不允许跨公司复用句子。
公司级披露编码（Firm-level disclosure coding）：公司被编码为三个互斥类别：显式Python（Explicit Python）要求直接命名Python或Python特定包/框架；间接AI（Indirect AI）包含一般AI、机器学习、自动化等语言但未达到显式Python阈值；无（None）仅在完整搜索协议后仍无合格证据时赋值。编码遵循严格等级，并额外记录显式Python的显著性层级（孤立、重复、交叉渠道显式）。
句子级工具检测与主题编码（Sentence-level tool detection and thematic coding）：使用预定义字典筛选保留句子中的Python库、框架和平台，但仅在句子具有明确软件使用或金融任务语境时保留匹配。编码维度包括机器学习、深度学习、自然语言处理、强化学习、概率建模、优化和可视化。
结果声明指数（OCI）：OCI采用严格三部分规则：句子须与AI/ML/模型/Python实施明确关联，识别已实现结果域，并报告量化或有界变化。初始表达式筛选识别29个候选句子，人工应用三部分规则后，最终5句阳性，对应5家OCI阳性公司。
统计分析与敏感性检验（Statistical analysis and sensitivity checks）：以发行人为主要分析单位，报告计数和行百分比。子行业与披露状态关联采用探索性皮尔逊卡方检验和Cramér's V，但因“无”类别仅3家导致表格稀疏，p值被谨慎解释。附录中的逆保留证据权重诊断显示加权显式Python比例为13.41%，与未加权13.44%差异可忽略。
数据分析与结果（Data Analysis and Results）
子行业概况（Subsector profiles of public AI/Python disclosure）：附录提供了各子行业公开AI/Python披露框架的说明性综合，但定量筛选仅保留8个命名库匹配（3个Spark，以及PySpark、scikit-learn、Plotly、Dash、FastAPI各一个），表明公开技术命名稀疏。
公司级披露状态（Firm-level disclosure status by harmonized NYSE financial subsector）：253家公司中，34家（13.4%）为显式Python，216家（85.4%）为间接AI，3家（1.2%）为无。显式Python比例最高出现在市场基础设施/数据/支付（22.2%），但绝对数量集中在银行和保险/再保险/产权（合计24家，占显式Python的70.6%）。皮尔逊卡方检验χ
2(16,N=253)=15.06，p=.520，Cramér's V=.173，因期望计数稀疏，仅作探索性诊断。
渠道结构与公开技术命名（Channel structure and public technical naming）：505句扩展语料库中，公司沟通占25.7%，招聘材料占24.4%，申报文件占21.0%，新闻/媒体占14.5%，技术文档占12.7%，投资者材料占1.8%。命名库引用非常稀少，整体呈现“真实但薄弱”的公开技术表面。
结果声明指数汇总与稀有性边界（Outcome claims index summary and rarity bounds）：5家OCI阳性公司对应5句阳性句子，公司级患病率为1.98%，精确95%置信区间为0.64–4.55%，单侧95%上界为4.11%。量化公开结果声明在可观察语料库中十分罕见。
可靠性与直接验证审计（Reliability and direct-verification audit summary）：253个审计单元中252个包含验证的直接公司句子，1个封闭单元无严格直接匹配。编码员原始一致性为0.652，Cohen's kappa为0.015，Gwet's AC1为0.508；kappa偏低归因于边际分布高度失衡，而非观察一致性差。
发现总结（Summary of findings）：主要发现包括：规则筛选流程透明；AI相关公开披露广泛但显式Python命名非主流；子行业存在描述性变异但无强推理证据；量化结果声明仅5/253家公司满足严格OCI规则。
讨论（Discussion）
解释主要发现（Interpreting the main findings）：研究提供了可复制的披露地图；公开AI可见性与显式Python披露并不相同；公开沟通在实施信号上强于量化结果。渠道依赖（Channel dependence and the visibility of technical specificity）：显式Python命名集中于招聘材料和技术文档，而非申报文件或投资者材料，这一渠道不对称是披露现象本身的一部分。公开技术具体性的表现（Public technical specificity looks like）：公司更愿意命名Python而非披露完整库栈，命名库匹配数量有限，且集中在机器学习和工具类引用。量化公开结果声明的稀缺性（The rarity of quantified public outcome claims）：OCI阳性率极低，表明公司不愿公开量化可衡量效果，可能受法律、声誉与商业敏感性约束。对研究、投资者和治理的启示（Implications for research, investors, and governance）：研究者应将公开技术披露视为独立构造；投资者应谨慎解释Python等信号；董事会和监管机构需依赖内部清单、审计痕迹及监督信息，而非仅凭公开技术语言。复制包的方法论贡献（Methodological contribution of the replication package）：开放科学架构提供可审计的代码、数据及裁决文件，使证据边界可检查。局限与未来研究（Limitations and future research）：框架为交易所约束和横截面，公开记录不对称，句子选择存在判断敏感性；未来可采用纵向、跨交易所或跨国家设计，并链接市场反应、招聘与治理结构。
结论（Conclusion）
本研究衡量公开技术披露而非内部采用。253家NYSE金融公司复制包表明，AI相关公开披露广泛，显式Python命名有选择性，渠道分布不均，量化结果声明罕见。研究提供了一个可复制的披露地图，并强调一般AI修辞、实施特定命名、命名工具披露和量化结果声明是不可互换的披露形式，具有不同的证据权重和含义。公共技术披露能够揭示技术取向、招聘姿态和工作流可见性，但无法单独确证部署深度、治理质量、模型绩效或已实现经济收益。
