基于深度学习的艺术金融资产流动性与估值风险评估研究

《Frontiers in Artificial Intelligence》:Research on liquidity and valuation risk assessment of art financial assets based on deep learning

【字体: 大 中 小 】 时间:2026年09月24日 来源:Frontiers in Artificial Intelligence 6.7

编辑推荐:

  艺术正日益被认可为财富管理中的另类资产类别(alternative asset class)。然而,其非标准化特性使其难以与传统金融资产同等对待。估值风险源于主观定价与专家偏见,而流动性风险则表现为高流拍率。传统线性计量模型难以充分应对这些挑战。本研究提出一种

  
艺术正日益被认可为财富管理中的另类资产类别(alternative asset class)。然而,其非标准化特性使其难以与传统金融资产同等对待。估值风险源于主观定价与专家偏见,而流动性风险则表现为高流拍率。传统线性计量模型难以充分应对这些挑战。本研究提出一种多模态深度学习框架(multimodal deep learning framework),整合绘画图像、历史交易数据、艺术家声誉及宏观经济指标。以ImageNet初始化并经艺术领域适配的ResNet-50网络作为视觉编码器,多层感知器(multi-layer perceptron, MLP)处理结构化表格变量,两种表征在融合层中加以结合。该框架同时执行两项风险评估任务:估值偏差回归(valuation deviation regression)与流拍二分类(unsold-lot binary classification)。模型在2000至2023年间提供的96,314件现当代拍卖标的上进行估计,其中27.8%流拍,并采用严格时间顺序的训练、验证与测试划分。实证结果表明,所提出的多模态框架优于传统基准模型,包括普通最小二乘法(ordinary least squares, OLS)、逻辑回归(logistic regression)及随机森林(random forests)。模型在流动性风险预测上取得0.891的曲线下面积(Area Under the Curve, AUC),并将估值偏差的均方根误差(Root Mean Squared Error, RMSE)较OLS降低32.9%。消融研究证实,视觉嵌入提供了超越模型复杂度增加本身所能解释的大量增量信息;排列重要性(permutation importance)与线性探测(linear probing)相结合的 análisis 表明,视觉表征编码了风格时期、题材类型、色彩强度与构图复杂性——即理论上视觉内容影响市场结果所依凭的属性。稳健性检验进一步刻画了模型在宏观经济冲击下的性能边界。本研究将非标准资产的美学异质性转化为可量化的风险信号,为金融机构调整动态贷款价值比(dynamic loan-to-value ratios)提供数据校准基础,并协助艺术基金优化资产配置。
**艺术金融资产流动性与估值风险评估的多模态深度学习框架解读**

**一、研究背景与问题提出**

近年来,艺术资产正从收藏品转变为财富管理中的另类资产类别(alternative asset class)。Art Basel和UBS报告显示,2024年全球艺术销售额约575亿美元,高净值收藏家2025年平均将20%财富配置于艺术(McAndrew, 2025a,b)。然而,与标准化金融资产相比,艺术品价格同时受艺术家声誉、媒介、尺寸、来源、审美偏好与市场情绪影响,交易呈现低频、非连续与样本选择特征,收益测量与风险识别易受偏差干扰(Korteweg et al., 2016)。估值风险源于缺乏统一定价标准,拍卖行估价可能受佣金激励、锚定效应与专家偏见扭曲;流动性风险则表现为流拍率高企,一旦流拍,价格发现过程中断,艺术品作为抵押品或组合资产的功能受损。传统特征价格模型(hedonic pricing model)和重复销售模型(repeat-sales model)能处理结构化变量,但难以捕捉审美属性与市场结果之间的非线性关系,尤其是绘画图像中的构图、色彩、笔触与风格信息难以通过人工定义变量编码。Ma等(2022)发现色彩与情绪可通过情感愉悦通道显著影响绘画拍卖价值;Aubry等(2023)证明结合视觉与非视觉特征的神经网络可识别拍卖行估值偏差;Mei等(2025)显示视觉嵌入对缺乏历史价格锚的首次上市作品具有独立估值贡献。因此,构建一个将图像特征、交易数据与宏观变量统一整合的风险评估框架具有重要理论与现实意义。

**二、研究内容与总体结论**

研究人员提出一种多模态深度学习框架(multimodal deep learning framework),整合绘画图像、历史交易数据、艺术家声誉与宏观经济指标,同时执行估值偏差回归(valuation deviation regression)与流拍二分类(unsold-lot binary classification)两项风险评估任务。模型在苏富比、佳士得与菲利普斯三家拍卖行2000至2023年间提供的96,314件现当代拍卖标的上评估,其中27.8%流拍,采用严格时间顺序的训练、验证与测试划分。实证结果显示,多模态框架在流动性风险预测上取得0.891的曲线下面积(Area Under the Curve, AUC),并将估值偏差的均方根误差(Root Mean Squared Error, RMSE)较普通最小二乘法(ordinary least squares, OLS)降低32.9%。该研究将非标准资产的美学异质性转化为可量化风险信号,为金融机构调整动态贷款价值比(dynamic loan-to-value ratio)与艺术基金优化资产配置提供数据校准基础。

**三、关键技术方法**

样本来源为苏富比、佳士得与菲利普斯拍卖行2000至2023年现当代艺术拍卖记录,最终分析样本96,314件(72.2%成交,27.8%流拍或买入),按时间顺序划分为训练集(2000–2018,67,419件)、验证集(2019–2020,11,286件)与测试集(2021–2023,17,609件)。核心方法包括:以ImageNet预训练并经两阶段领域自适应微调的ResNet-50作为视觉编码器;多层感知器(multi-layer perceptron, MLP)处理187维结构化交易与宏观变量;融合层拼接视觉与结构化表征并生成共享表示hi;分类头输出流拍概率,回归头输出估值偏差;采用二元交叉熵与均方误差的加权多任务损失,以AdamW优化器训练,并配合余弦退火学习率、梯度裁剪与早停机制。

**四、研究结果**

**6.1 基线比较**:研究以OLS、逻辑回归(logistic regression)与随机森林(random forests)为基准,逐步比较线性模型、非线性树模型与深度网络的风险识别能力,为评估多模态模型的增量贡献提供参照。

**6.2 流动性风险预测结果**:逻辑回归AUC为0.758,随机森林为0.826,结构化MLP为0.849,多模态模型达0.891(准确率0.852、精确率0.823、召回率0.801),召回率较逻辑回归提高约15.9个百分点,表明视觉嵌入能提供结构化特征无法捕捉的流拍风险信号。

**6.3 估值风险预测结果**:OLS的RMSE为0.438,随机森林为0.361,结构化MLP为0.337,多模态模型降至0.294且平均绝对误差(Mean Absolute Error, MAE)为0.219,较OLS降低约32.9%和33.0%,表明图像特征有助于评估审美品质与风格相似度,从而降低估值误差。

**6.4 消融研究**:移除图像特征使AUC从0.891降至0.849、RMSE从0.294升至0.337;移除宏观特征使AUC降至0.873、RMSE升至0.309;移除艺术家历史变量使AUC降至0.861、RMSE升至0.324;纯图像分支AUC为0.782、RMSE为0.392。结果表明图像与结构化变量共同构成更完整风险信息,而非“图像决定价格”。

**6.5 视觉编码器配置**:完全冻结ResNet-50的AUC为0.871、RMSE为0.315;两阶段领域自适应(layer3–layer4微调)进一步提升AUC至0.891、RMSE至0.294;完全解冻骨干网络因过拟合表现较差(AUC 0.864、RMSE 0.322);冻结VGG16的AUC为0.879、RMSE为0.303,证实结论不依赖特定骨干网络。

**6.6 特征归因与可解释性**:排列重要性显示,估计区间与宽度对分类任务影响最大(ΔAUC=0.054),视觉嵌入对分类任务排名第二(ΔAUC=0.041)且对回归任务排名第一(ΔRMSE=0.043);利用SHAP(Shapley Additive exPlanations)分析发现,估计区间宽度与艺术家近3年流拍率为交易失败的最强结构化预测因子;线性探测(linear probing)显示视觉表征编码风格时期(R2=0.71)、具象/抽象题材(R2=0.68)、色彩饱和度与色调温暖度(R2=0.65)、构图复杂度(R2=0.61)与表面笔触纹理(R2=0.53);Grad-CAM(Gradient-weighted Class Activation Mapping)定位显示注意力集中于画面主体而非相框等摄影伪影。

**6.7 稳健性检验**:高波动市场子样本中AUC从0.902降至0.858、RMSE从0.285升至0.332,低流动性艺术家群体AUC为0.842、RMSE为0.351。模型平均表现优于基线,但宏观冲击下存在性能边界,应作为辅助决策信号而非替代专业尽调。

**五、讨论与结论**

讨论部分指出,多模态模型将艺术品风险管理从静态时点估值推向动态连续风险监测。对金融机构而言,可基于流拍概率与估值下行风险调整动态贷款价值比,并在贷后管理中按月或季度更新宏观变量与可比艺术家交易数据,形成早期预警触发机制。对艺术基金而言,可构建组合层面的流动性在险值(Liquidity-at-Risk, LiAR)指标,将估值偏差风险用作仓位约束、流动性风险用作再平衡触发。宏观环境方面,经济危机、利率急升、财富效应收缩与地缘政治不确定性会导致视觉偏好与价格关系发生结构性变化,需辅以情景分析与压力测试。实际部署中,数据获取(商业数据库订阅、图像版权许可以及流拍标签可靠性)比计算资源更具约束力;模型建议每季度重估,并采用冠军–挑战者机制与人工复核机制。研究结论为:传统线性与树模型仍具基准价值;结构化MLP改善非线性拟合但受图像信息缺失约束;多模态深度学习通过整合计算机视觉特征、交易结构变量与宏观金融条件,在流动性预警与估值偏差预测上展现明确优势,为艺术金融风险提供了数据校准的量化基础。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号