分析师或学者要评估一家公司面临的风险时，通常会查看宏观经济因素或企业内部指标，例如销售额呈下降趋势，以此计算风险。但沃顿商学院博士候选人亚历杭德罗·洛佩斯·利拉的研究采用了不同的方法。
他提出了这样一个问题：如果不让外部世界告诉我们一家公司面临什么风险，而是让公司自己来告诉我们，会怎样？毕竟，公司最了解自己的业务。洛佩斯·利拉利用机器学习分析了所有美国上市公司的年度报告，以找出它们认定自身面临的最严重风险。结果可能令人意外。
他的研究成果发表于论文《重要风险因素：对收益横截面风险披露的文本分析》。他的研究得到了沃顿商学院麦克创新管理研究所和罗德尼·L·怀特金融研究中心的支持。
洛佩斯·利拉最近接受了 Knowledge@Wharton 的采访，谈论他的论文。以下是经过编辑的访谈实录。
Knowledge@Wharton：请介绍一下，您是如何通过分析公司自己的表述，找出它面临的风险的。
亚历杭德罗·洛佩斯·利拉：我们研究企业面临的风险以及投资这些企业有多大风险时，通常会检查其基本面——例如销售额、股息收益率、波动性等市场状况，以及宏观经济环境。这在学术界尤其如此。
然而，上市公司每年都要向美国证券交易委员会（SEC）提交年度报告，称为 10-K 报告。通过这份年度报告，你可以了解公司上一年的业务表现，以及对公司业务的详细描述。更重要的是，报告中还有一个章节列出了公司面临的所有风险。我决定从这里着手。
上市公司有数千家，数据又跨越多年，我不可能逐份阅读每一份报告。但幸运的是，机器学习技术可以让我自动分析列出风险因素的章节。它检查所有文字，并将其归纳为25种可解释的风险，我不必逐一阅读。这几乎像变魔术一样。风险的例子包括中国或石油行业。
最后，我将它们归纳为影响大多数企业的四种系统性风险，因为投资者关心的毕竟是系统性风险，而且这四种风险能够解释相当大一部分风险。
Knowledge@Wharton：这四种风险是什么？能分别举例说明吗？
洛佩斯·利拉：第一种是技术风险。例如，一家公司投资为手机产品开发更好的屏幕，或为软件产品开发新功能，结果总有可能不如预期。自然，甲骨文或微软等科技行业企业受这种风险的影响更大。
第二种是生产风险。例如，如果你是一家像三星这样的硬件公司，工厂或供应链总有可能出问题，导致最终产品未能按计划完成。正如预期，英特尔或英伟达等生产流程复杂的企业面临的这种风险更大。
第三种是国际风险。例如，如果欧洲发生经济衰退，你的产品销量可能不如预期；或者汇率走势不利，你最终获得的利润可能低于预期。苹果或可口可乐等业务遍布全球的公司尤其容易受到这种风险影响。
最后一种是消费者需求风险，指由于需求疲软，产品销量可能不及预期；需求疲软可能源于经济状况，也可能是因为存在其他竞争产品。自然，沃尔玛或星巴克等零售企业面临的这种风险更大。
Knowledge@Wharton：您用基于文本的方法识别各家公司面临的最大风险。请谈谈这样做遇到的一些挑战。
洛佩斯·利拉：我首先认识到，不能只是把文本输入计算机，就指望它能理解；你需要一种技术，把词语转换成机器能够理解的数字。这正是机器学习发挥关键作用的地方，不过我就不讲技术细节了。
我的方法有所不同，因为它利用了公司披露的信息……毕竟，它们可能比我们更了解自己面临的风险。
第二个挑战是数据库规模庞大，因为我处理的是自2006年以来所有上市公司的全部报告——自然，要把所有内容都放进我的小笔记本电脑里很有挑战。幸运的是，有些技术可以让我每次只处理较少的文档。
最后，语言很复杂，有时仅仅拆分复合词，就会让一些概念失去原意——比如将 real estate（房地产）拆成 real（真实的）和 estate（产业）——所以我必须把它们重新组合起来。此外，许多词并不真正传达信息，例如冠词“the、a、an”等，我必须将它们剔除，让结果更加清晰。
Knowledge@Wharton：能谈谈您的研究发现吗？
洛佩斯·利拉：投资这些公司的大部分风险，以及股价的变动，都可以用各公司对这四种可解释风险的暴露程度来说明。有些结论颇具启发性。
例如，人们可能会认为英特尔面临的最大风险是技术风险，但事实证明，从该公司在向美国证券交易委员会提交的文件所使用的措辞来看，它认为最大的风险来自国际市场，其次是生产风险，然后是需求风险，最后才是技术风险。按照传统观点分析的人，通常会从技术风险入手。
苹果也是一个例子。我们自然会认为，其大部分风险来自消费者需求、与谷歌和微软的竞争，以及一些生产风险。但事实证明，据苹果自己披露，其最大风险与国际业务有关。考虑到苹果在2019财年第一季度有62%的收入来自美国以外，这当然完全说得通。
Knowledge@Wharton：您的研究发现有没有让您感到意外的地方？
洛佩斯·利拉：当然有。我认为，至少在学术界，评估公司面临的风险时，我们还不习惯关注世界其他地区和国际市场。事实证明，这是一个很大的错误，因为股市上大多数最大的公司——例如苹果、埃克森和宝洁——都在全球范围内运营，其利润很大一部分来自国际业务。
在金融学术文献中，结合机器学习进行文本分析还是相对较新的方法。
Knowledge@Wharton：您的研究有哪些实际应用？例如，它能否帮助华尔街分析师更好地评估所跟踪公司的风险？
洛佩斯·利拉：当然能让他们的工作更轻松。你可以快速应用这种技术，立即评估每家企业面临的风险，并将其与投资这些企业时预期获得的回报联系起来。
Knowledge@Wharton：您的研究与该领域以往的研究有何不同？
洛佩斯·利拉：评估投资一家公司所面临风险的常见方法要么是统计方法，要么涉及经济理论。我的方法有所不同，因为它利用公司披露的信息，并给予这些信息应有的重视，毕竟公司可能比我们更了解自己面临的风险。
尽管文本分析结合机器学习已在业界得到广泛应用，但在金融学术文献中，这种方法仍相对新颖。一个重要例外是瑞安·D·伊斯拉尔森撰写的一篇工作论文，采用了类似的方法，尝试通过文本分析理解金融领域传统的风险因素。例如，人们早已知道，账面市值比高的企业收益率更高，而他们试图了解这是否与企业披露的风险存在某种关联。
我确实认为，利用机器学习等新数据来源和技术，对于加深我们对市场的理解潜力巨大，而这一领域尚未得到充分探索。
Knowledge@Wharton：您将如何继续这项研究？
洛佩斯·利拉：我想探讨各企业披露的风险如何有助于预测经济面临的总体风险。希望这能加深我们对经济危机成因的理解，并帮助我们找到应对和预防危机的方法。
