网络风险溢价的来源:AI解开网络安全与股票回报的谜题

论文《Disentangling the sources of cyber risk premia》（2026年2月3日）用最前沿的机器学习技术，首次把企业年报里的“网络安全”文字拆解成可量化的风险分数，并证明：网络风险越高的公司，股票长期回报反而越高！

1. 引言：网络风险到底是成本还是机会？

网络攻击越来越频繁，网络保险和安全解决方案成本高昂，但市场到底怎么给这些风险定价？这是个老大难问题。

作者的核心创新：用自然语言处理（NLP）+机器学习，把企业10-K年报（美国上市公司年度报告）里的文字转化成“网络风险分数”，再结合资产定价模型，看这些分数能不能解释股票回报。

数据覆盖：2007年1月至2023年12月，7079家美股公司，每月回报、财务比率、行业分布一应俱全。

关键发现（提前剧透）：

• 他们从MITRE ATT&CK（全球最权威的网络攻击知识库）中提炼出4大类网络威胁。
• 高网络风险分数的股票组合，年化超额回报显著为正。
• 长短仓“网络风险因子”在所有主流因子模型中都稳健存在，还能显著提升定价能力。
• 市场其实不区分具体网络风险类型，而是把它们当成一个整体的“聚合网络风险”来定价。

2. 文献回顾

2.1 文本情感分析与金融应用

论文回顾了从Antweiler & Frank（2004）到Hassan et al.（2019）、Sautner et al.（2023）的一系列工作：文本能预测市场回报、政治风险、气候风险等。

重点介绍了Paragraph Vector (doc2vec)模型（Le & Mikolov, 2014），以及它在10-K分析中的应用（Adosoglou et al., 2021；Calomiris & Mamaysky, 2019）。

2.2 网络风险与股票回报

• Jamilov et al. (2023)：用词典法测网络风险，证明高风险公司期权保护成本更高。
• Florackis et al. (2023)：基于10-K“Item 1.A风险因素”部分的余弦相似度，构建网络风险指标，高风险组合年化溢价8.3%。
• Celeny & Maréchal (2023)：用doc2vec+MITRE ATT&CK，构建整体网络风险分数，高风险组合年化超额回报高达18.72%！

本论文是在Celeny & Maréchal (2023)基础上升级：不再只给一个总分，而是拆解成4个子分数，试图回答“不同网络风险类型是否被市场区别定价？”

3. 数据与方法

3.1-3.2 数据来源

3.3 MITRE ATT&CK知识库

全球网络安全“圣经”，包含14个战术（Tactics）、785个子技术（Sub-techniques）。作者以此作为“网络威胁词典”。

3.4 网络风险分数构建

• 准备与侦察（Preparation and Reconnaissance）
• 持久化与规避（Persistence and Evasion）
• 凭证移动（Credential Movement）
• 命令与数据操纵（Command and Data Manipulation）

3.5-3.6 资产定价检验

• 单变量排序：按网络分数分成5个组合。
• 双变量排序：控制规模、账面市值比、市场beta。
• Fama-MacBeth横截面回归。
• 时间序列GRS检验 + Barillas & Shanken (2018)贝叶斯因子选择。

4. 主要结果

4.1 聚类结果

成功把14个战术聚成4个逻辑清晰的超级战术，异质性低、平衡性好。

4.2 网络分数的统计特征

• 分数随时间缓慢上升（2007-2023年增长0.04）。
• 行业差异显著：商业设备、电信传输行业分数最高。
• 各子分数高度相关，但与传统财务特征几乎不相关（最高相关系数仅0.36，与1.A节长度）。

4.3 网络分数能预测真实网络事件

用Logistic回归预测10-K发布后12个月内8-K中出现“cyber”一词：

• 整体分数系数11.65（1%显著）。
• 准备与侦察子分数预测能力最强（系数13.49）。
• 分数从0.5提高到0.6，网络事件披露概率提升约7.3%。

4.4 网络分数独立于其他特征

多变量回归显示：

• 即使加入可读性、风险因素长度、员工/市值比等变量，网络分数仍高度显著。
• 不同子分数的回归系数符号和显著性不同，说明它们捕捉的是不同维度的风险。

4.5 投资组合表现

• 单变量排序：5个组合的超额回报随网络分数单调递增，发现得分最高的P5组平均月超额收益达1.44%，远高于低风险组的0.82%。
• 长短仓（P5-P1）年化Alpha在5-10%水平显著，经FF5、q-factor等模型检验仍稳健。
• 双变量排序：控制规模、价值、动量后，网络溢价依然存在。
• 横截面回归：网络子分数风险溢价在5%水平显著。
• 因子定价能力：加入网络因子后，GRS统计量显著下降；Barillas-Shanken贝叶斯方法显示，最优因子组合必然包含网络因子。

5. 结论与启示

论文最核心的结论有三点：

• 网络风险是有价的：投资者要求补偿，表现为正的风险溢价。
• AI能比人类更精准地读懂年报：doc2vec+MITRE ATT&CK的方法远超传统词典法。
• 市场目前还比较“粗放”：它把所有网络风险当成一回事，没有精细区分不同攻击路径。

对投资者的启示：

• 未来可以构建“网络风险因子”ETF，长期持有高网络风险（但基本面健康）的公司。
• 监管机构和公司应更主动披露具体网络威胁类型，帮助市场更高效定价。
• 随着SEC强制网络事件8-K披露（2024年起），网络风险分数的预测能力有望进一步验证。

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6173935

PDF已更新，更多策略、资讯⬇️

欢迎加入：学术界的Alpha