作者簡(jiǎn)介：本文作者張保生系北京市中倫律師事務(wù)所合伙人,，朱媛媛系北京市中倫律師事務(wù)所律師。

文章來(lái)源：《證券法律評(píng)論》2019年卷

       摘要：在證券虛假陳述民事賠償責(zé)任糾紛案件中,，由證券市場(chǎng)系統(tǒng)風(fēng)險(xiǎn)導(dǎo)致的投資者的損失或者部分損失依法不應(yīng)由虛假陳述行為人承擔(dān)賠償責(zé)任,。但是，由于司法解釋規(guī)定不明確,，各地人民法院在司法實(shí)踐中對(duì)于證券系統(tǒng)風(fēng)險(xiǎn)的計(jì)算依據(jù),、選取區(qū)間和計(jì)算方法的認(rèn)定差異很大，同時(shí)比較粗糙而且不精準(zhǔn),，該問(wèn)題已成為虛假陳述責(zé)任糾紛案件中的爭(zhēng)點(diǎn)和難點(diǎn),。本文提出，在大數(shù)據(jù)應(yīng)用和人工智能蓬勃發(fā)展的當(dāng)下,，利用計(jì)算機(jī)對(duì)特定指數(shù)作用于個(gè)股的規(guī)律進(jìn)行“深度學(xué)習(xí)”,，進(jìn)而模擬出無(wú)虛假陳述影響下的個(gè)股股價(jià)走勢(shì)，再利用統(tǒng)計(jì)學(xué)指標(biāo)R2開(kāi)根號(hào),，度量出虛假陳述實(shí)施日至基準(zhǔn)日期間假設(shè)前提下個(gè)股波幅對(duì)受虛假陳述影響后個(gè)股波幅的影響比例,，可以實(shí)現(xiàn)對(duì)系統(tǒng)風(fēng)險(xiǎn)影響程度的精準(zhǔn)量化，以解決司法實(shí)踐中對(duì)系統(tǒng)風(fēng)險(xiǎn)認(rèn)定難,、精準(zhǔn)量化難的問(wèn)題,。

       關(guān)鍵詞：虛假陳述  系統(tǒng)風(fēng)險(xiǎn)  大數(shù)據(jù)  人工智能  深度神經(jīng)網(wǎng)絡(luò)模型

       在證券虛假陳述責(zé)任糾紛司法實(shí)踐中,，對(duì)于證券系統(tǒng)風(fēng)險(xiǎn)的認(rèn)定和計(jì)算，在早期案件的個(gè)別判例中曾出現(xiàn)過(guò)直接比例法,、個(gè)案直接比例法,、個(gè)案相對(duì)比例法等方法，但由于計(jì)算方法缺乏合理性,、過(guò)于復(fù)雜等原因,，并未得到大規(guī)模的借鑒與運(yùn)用。當(dāng)前,，各地法院對(duì)系統(tǒng)風(fēng)險(xiǎn)的認(rèn)定和計(jì)算方法,，主要采用“統(tǒng)一的相對(duì)比例法”和“酌定比例法”。

（一）以相對(duì)比例考察虛假陳述揭露日至基準(zhǔn)日期間的系統(tǒng)風(fēng)險(xiǎn)的“統(tǒng)一的相對(duì)比例法”

       相對(duì)比例法,，是指將大盤(pán)指數(shù)和/或行業(yè)指數(shù)在揭露日至基準(zhǔn)日期間的指數(shù)波動(dòng)率,，與上市公司個(gè)股在揭露日至基準(zhǔn)日期間的股價(jià)波動(dòng)率相除，得出系統(tǒng)風(fēng)險(xiǎn)的影響比例,。具體而言,，如果認(rèn)定在揭露日至基準(zhǔn)日期間，大盤(pán)或行業(yè)的下跌比例為10%,，上市公司股價(jià)下跌比例也為10%,，則認(rèn)定系統(tǒng)風(fēng)險(xiǎn)對(duì)上市公司股價(jià)下跌的影響比例為100%（10%÷10%=100%）,，即上市公司的股價(jià)下跌全部是由系統(tǒng)風(fēng)險(xiǎn)造成的，上市公司無(wú)需賠償投資者任何損失,；如果認(rèn)定大盤(pán)或行業(yè)的下跌比例為20%,，上市公司股價(jià)下跌比例為50%，則系統(tǒng)風(fēng)險(xiǎn)的影響比例為40%（20%÷50%=40%）,。

       最高人民法院“亞太實(shí)業(yè)”再審裁定認(rèn)為,，“從案涉虛假陳述揭露日2015年6月6日后的第一個(gè)交易日2015年6月8日至基準(zhǔn)日2015年9月1日期間，深證成指和深證A指跌幅分別為41.77%和43.11%,，而亞太實(shí)業(yè)股價(jià)跌幅為43.14%,，跌幅與大盤(pán)基本一致……結(jié)合揭露日至基準(zhǔn)日期間亞太實(shí)業(yè)個(gè)股指數(shù)和深證大盤(pán)指數(shù)的下跌幅度看，系統(tǒng)風(fēng)險(xiǎn)對(duì)亞太實(shí)業(yè)個(gè)股的影響比例近于100%,?！笨梢?jiàn)，最高人民法院在該案中即通過(guò)對(duì)比揭露日到基準(zhǔn)日期間大盤(pán),、行業(yè)指數(shù)跌幅與上市公司股價(jià)跌幅,，采用“統(tǒng)一確定系統(tǒng)風(fēng)險(xiǎn)相對(duì)比例法”來(lái)確定系統(tǒng)風(fēng)險(xiǎn)對(duì)個(gè)股股價(jià)的影響比例。

       最高人民法院在《關(guān)于審理證券市場(chǎng)虛假陳述案件司法解釋的理解與適用》一書(shū)列示了如下“誘多型虛假陳述對(duì)股價(jià)影響的示意圖”,，該示意圖的假設(shè)條件是,，股價(jià)受虛假陳述的影響在實(shí)施日后（A點(diǎn)）持續(xù)上漲，產(chǎn)生“泡沫”,，直至被揭露后（B點(diǎn)）才開(kāi)始下跌,，恢復(fù)真實(shí)水平，因此投資者在A點(diǎn)后“高買(mǎi)”,、在B點(diǎn)后“低賣(mài)”或“持有”所產(chǎn)生的損失才與虛假陳述有因果關(guān)系,，應(yīng)當(dāng)由虛假陳述行為人賠償。因此,，如果在虛假陳述實(shí)施日至揭露日期間,，不存在虛假陳述之外的系統(tǒng)風(fēng)險(xiǎn)等其他因素的影響，則按照“統(tǒng)一的相對(duì)比例法”僅考察揭露日至基準(zhǔn)日期間的系統(tǒng)風(fēng)險(xiǎn),，存在一定合理性,。

       由于“統(tǒng)一的相對(duì)比例法”易于理解、計(jì)算簡(jiǎn)便,，因此在司法實(shí)踐中被大多數(shù)法院所采納,，是目前司法實(shí)踐中的主流做法。例如,，成都市中級(jí)人民法院審理的“金亞科技”案,，山東省高級(jí)人民法院審理的“恒天海龍”案和“德棉股份”案，濟(jì)南市中級(jí)人民法院審理的“山東墨龍”案，青島市中級(jí)人民法院審理的“恒邦股份”案,，長(zhǎng)春市中級(jí)人民法院審理的“紫鑫藥業(yè)”案,，均采用該方法。2017年6月興業(yè)證券股份有限公司出資設(shè)立的“欣泰電氣欺詐發(fā)行先行賠付專(zhuān)項(xiàng)基金”,，在確定系統(tǒng)風(fēng)險(xiǎn)對(duì)投資者損失占比時(shí),，亦采用“統(tǒng)一的相對(duì)比例法”并在此基礎(chǔ)上賦予調(diào)整因子進(jìn)行修正。

（二）由法官自由裁量的“酌定比例法”

       司法實(shí)踐中另一種常見(jiàn)觀點(diǎn)認(rèn)為,，由于影響股票價(jià)格的因素多樣且復(fù)雜,，在證券市場(chǎng)因共有風(fēng)險(xiǎn)因素導(dǎo)致股票價(jià)格普遍下跌時(shí)，難以準(zhǔn)確確定系統(tǒng)風(fēng)險(xiǎn)對(duì)個(gè)股股價(jià)的影響程度,，故只能通過(guò)法官自由心證酌定系統(tǒng)風(fēng)險(xiǎn)的影響比例,。

       上海地區(qū)法院此前對(duì)系統(tǒng)風(fēng)險(xiǎn)的認(rèn)定一直采用酌定比例法。例如,，上海市第一中級(jí)人民法院在“大智慧”案中酌定系統(tǒng)風(fēng)險(xiǎn)占比為30%,；上海市第二中級(jí)人民法院在“順灝新材”案中酌定系統(tǒng)風(fēng)險(xiǎn)占比為20%，在“安碩信息”案中酌定系統(tǒng)風(fēng)險(xiǎn)占比為30%,，上海市高級(jí)人民法院二審均予以維持,。

       此外，長(zhǎng)沙市中級(jí)人民法院審理的“岳陽(yáng)興長(zhǎng)”案和“方正證券”案,，山西省高級(jí)人民法院審理的“振興生化”案和“安泰集團(tuán)”案,，長(zhǎng)春市中級(jí)人民法院審理的“益盛藥業(yè)”案，杭州市中級(jí)人民法院審理的“數(shù)源科技”案,，寧波市中級(jí)人民法院審理的“寧波富邦”案,，也采用“酌定比例法”確定系統(tǒng)風(fēng)險(xiǎn)的影響占比。

（一）鞍重股份證券虛假陳述責(zé)任糾紛案

       近期,，沈陽(yáng)市中級(jí)人民法院（下稱(chēng)“沈陽(yáng)中院”）對(duì)“鞍重股份”證券虛假陳述責(zé)任糾紛案作出一審判決。沈陽(yáng)中院查明,，在虛假陳述實(shí)施日前鞍重股份發(fā)布與九好集團(tuán)的重大資產(chǎn)重組預(yù)案，導(dǎo)致鞍重股份連續(xù)十天一字板漲停,，至虛假陳述實(shí)施日前,，鞍重股份的股價(jià)仍處于較高價(jià)位。此后,，受股市整體疲軟,、行業(yè)盈利能力下降、重大資產(chǎn)重組中止,、公司業(yè)績(jī)大幅下跌和虛假陳述被揭露的影響,，鞍重股份股價(jià)從虛假陳述實(shí)施日一路下跌至基準(zhǔn)日。

       沈陽(yáng)中院審查了虛假陳述實(shí)施日、揭露日,、基準(zhǔn)日之間是否存在系統(tǒng)風(fēng)險(xiǎn)和非系統(tǒng)風(fēng)險(xiǎn)因素,，并通過(guò)對(duì)比相關(guān)期間大盤(pán)指數(shù)、行業(yè)數(shù)據(jù)和個(gè)股股價(jià)的波動(dòng)情況,，認(rèn)為在該案虛假陳述實(shí)施日前,，在大盤(pán)和行業(yè)指數(shù)存在明顯下跌的情況下，受重大資產(chǎn)重組預(yù)期的影響,，鞍重股份逆勢(shì)暴漲被推至虛高的價(jià)位,，在虛假陳述揭露日前，鞍重股份股價(jià)又重新跌至與重組預(yù)案發(fā)布前基本相同的價(jià)位,，而此時(shí)鞍重股份股價(jià)的大幅回落尚未受到虛假陳述被揭露的負(fù)面影響,，因此其股價(jià)的變化也反應(yīng)了虛假陳述實(shí)施前股價(jià)具有虛高的成分及證券市場(chǎng)的固有風(fēng)險(xiǎn)。相對(duì)應(yīng)的是,，在揭露日至基準(zhǔn)日期間,，因虛假陳述被揭露，鞍重股份在大盤(pán)和行業(yè)指數(shù)均小幅上漲的情況下明顯下跌,，顯然是因?yàn)樘摷訇愂霰唤衣端?，而不存在系統(tǒng)風(fēng)險(xiǎn)等其他因素。在該案實(shí)施日至基準(zhǔn)日期間鞍重股份股價(jià)下跌51.23%,，揭露日至基準(zhǔn)日期間股價(jià)下跌15.24%,。沈陽(yáng)中院根據(jù)（51.23%－15.24%）÷51.23%=70.25%的測(cè)算結(jié)果，酌定該案系統(tǒng)風(fēng)險(xiǎn)及其他因素對(duì)投資者損失的影響比例為70%,。具體認(rèn)定邏輯如下圖所示：

（二）另外一起由上海金融法院正在審理的證券虛假陳述責(zé)任糾紛案

       我們正在代理一起由上海金融法院正在審理但尚未判決的證券虛假陳述責(zé)任糾紛案,，該案情形與“誘多型虛假陳述對(duì)股價(jià)影響”的標(biāo)準(zhǔn)模型并不相同，案涉上市公司的股價(jià)并非是直到虛假陳述被揭露才開(kāi)始下跌的,。

       案涉虛假陳述實(shí)施日早在2005年,，在該行為于2015年11月被揭露前，中國(guó)股市經(jīng)歷了2014年下半年到2015年上半年的“大牛市”和2015年下半年的“股災(zāi)”,，受此影響案涉上市公司股價(jià)在揭露日前就已大幅下跌,；在該案揭露日至基準(zhǔn)日期間，A股市場(chǎng)繼續(xù)受“股災(zāi)”影響,，又在2016年1月4日遭遇熔斷,，加之案涉上市公司行業(yè)發(fā)展遭遇瓶頸，公司股價(jià)進(jìn)一步下跌,。

       我們認(rèn)為,，該案投資者在2014年下半年至2015年上半年牛市“高價(jià)位”買(mǎi)入上市公司股票，該高價(jià)位的“泡沫”并非是由虛假陳述而是由系統(tǒng)性牛市造成的,；受“牛市轉(zhuǎn)熊市”影響,，在揭露日前該上市公司股價(jià)已經(jīng)下跌接近50%,。故在揭露日前，投資者在牛市時(shí)高價(jià)位買(mǎi)入的股票,、后受熊市影響股價(jià)又跌至低價(jià)位,，由此被擠出的“泡沫成本”或產(chǎn)生的“投資損失”，完全是由系統(tǒng)風(fēng)險(xiǎn)造成的,，在計(jì)算系統(tǒng)風(fēng)險(xiǎn)時(shí)應(yīng)當(dāng)予以考慮并合理剔除,。具體認(rèn)定邏輯如下圖所示：

       我們認(rèn)為，本案系統(tǒng)風(fēng)險(xiǎn)綜合扣減比例=揭露日前扣減比例（D/F*100%）+揭露日至基準(zhǔn)日期間扣減比例（E/F*系統(tǒng)風(fēng)險(xiǎn)在揭露日至基準(zhǔn)日期間的影響比例）,。

（三）兩則案例對(duì)司法實(shí)踐中通行的系統(tǒng)風(fēng)險(xiǎn)認(rèn)定方法的挑戰(zhàn)

       上述兩案的相似之處在于：在案涉虛假陳述被揭露前,，上市公司股價(jià)受虛假陳述之外的其他因素影響漲至高位又跌回低位，而這部分“泡沫被擠出”的損失顯然與虛假陳述行為無(wú)關(guān),，不應(yīng)由虛假陳述行為人承擔(dān)責(zé)任,。

      根據(jù)目前司法實(shí)踐中主流的系統(tǒng)風(fēng)險(xiǎn)計(jì)算方法——“揭露日至基準(zhǔn)日期間的相對(duì)比例法”，即以揭露日到基準(zhǔn)日為考察區(qū)間,，以揭露日和基準(zhǔn)日兩點(diǎn)的大盤(pán)（或行業(yè)）數(shù)據(jù)和個(gè)股數(shù)據(jù)計(jì)算跌幅再相除,，確定系統(tǒng)風(fēng)險(xiǎn)的影響比例，顯然無(wú)法合理衡量上述兩案中系統(tǒng)風(fēng)險(xiǎn)的影響程度,。 

（一）“相對(duì)比例法”在指數(shù)選取、時(shí)點(diǎn)確定上均缺乏合理性

       長(zhǎng)期以來(lái),，司法實(shí)踐對(duì)系統(tǒng)風(fēng)險(xiǎn)給投資者造成的損失大小沒(méi)有統(tǒng)一精確的計(jì)量方法,，對(duì)如何認(rèn)定系統(tǒng)風(fēng)險(xiǎn)與如何應(yīng)用指數(shù)分析沒(méi)有形成統(tǒng)一的認(rèn)識(shí)，不僅案涉當(dāng)事人各方不滿意,，引發(fā)學(xué)界廣泛的質(zhì)疑和批評(píng),，在保證法律統(tǒng)一適用、盡量減少“同案不同判”的司法案例制度改革背景下,，也給審理法院帶來(lái)了極大的壓力和困擾,。

       不可否認(rèn)的是，采用“相對(duì)比例法”計(jì)算系統(tǒng)風(fēng)險(xiǎn)占比,，非常簡(jiǎn)便,，“酌定比例法”也算是法官在行使自由裁量權(quán)。但是,，“相對(duì)比例法”在指數(shù)的選取上多簡(jiǎn)單以大盤(pán)指數(shù)或行業(yè)指數(shù)為依據(jù),，并且只是考察了兩個(gè)點(diǎn)（揭露日和基準(zhǔn)日）上指數(shù)和股價(jià)的漲跌情況，對(duì)虛假陳述整體作用區(qū)間股價(jià)的波動(dòng)缺少全局性的分析,。這種不論指數(shù)與個(gè)股是否相關(guān)、不論時(shí)間長(zhǎng)短,，只要指數(shù)下跌且幅度不至于可以忽略不計(jì),，就認(rèn)定個(gè)股因此而產(chǎn)生了相同幅度的下跌，且不做任何論證的粗暴做法，不僅無(wú)法解決上述兩則案例中面臨的問(wèn)題,，更難以客觀反映虛假陳述作用區(qū)間內(nèi)系統(tǒng)風(fēng)險(xiǎn)的影響情況,。

       舉例而言，如果某只個(gè)股在實(shí)施日至基準(zhǔn)日期間與大盤(pán)的走勢(shì)基本吻合,，只是因?yàn)樵诨鶞?zhǔn)日當(dāng)天發(fā)布了重大利空公告導(dǎo)致股價(jià)急挫,，此時(shí)如僅以揭露日和基準(zhǔn)日兩點(diǎn)的大盤(pán)數(shù)據(jù)和個(gè)股股價(jià)來(lái)計(jì)算系統(tǒng)風(fēng)險(xiǎn)占比，顯然不合理,；相反,，如果某只個(gè)股在實(shí)施日至基準(zhǔn)日期間與大盤(pán)的走勢(shì)明顯背離，只是因?yàn)槠浣衣度罩粱鶞?zhǔn)日兩點(diǎn)上的跌幅恰好等于大盤(pán)揭露日至基準(zhǔn)日兩點(diǎn)上的跌幅,，此時(shí)如果認(rèn)定投資者的損失完全是由系統(tǒng)風(fēng)險(xiǎn)所致,，顯然也不合理。

       又如,，當(dāng)某只個(gè)股從歷史上看與大盤(pán)的關(guān)聯(lián)性非常弱時(shí),，如果認(rèn)為個(gè)股在大盤(pán)下跌時(shí)發(fā)生了相同幅度的下跌，無(wú)疑有損系統(tǒng)風(fēng)險(xiǎn)影響比例的可解釋性,；但同樣,，即使個(gè)股受大盤(pán)的影響極其微弱，這種影響也不可能為零,，因?yàn)楣蓛r(jià)一方面是由股票價(jià)值（上市公司基本面,、自身聲譽(yù)、經(jīng)營(yíng)狀況,、發(fā)展前景）決定的,，另一方面則是由供求關(guān)系、宏觀經(jīng)濟(jì)環(huán)境,、所處行業(yè)政策等市場(chǎng)因素決定的,，市場(chǎng)因素對(duì)個(gè)股股價(jià)的影響不可能完全不存在，但是很多判例常?；诮衣度盏交鶞?zhǔn)日兩點(diǎn)上“大盤(pán)指數(shù)上漲,、個(gè)股股價(jià)下跌”而徑行認(rèn)定“不存在系統(tǒng)風(fēng)險(xiǎn)”，這顯然有“矯枉過(guò)正”之嫌,。

（二）學(xué)界對(duì)于系統(tǒng)風(fēng)險(xiǎn)精準(zhǔn)計(jì)算問(wèn)題的探索與嘗試

       部分學(xué)者提出,，應(yīng)當(dāng)選擇與個(gè)股更具有關(guān)聯(lián)系的計(jì)算依據(jù)。甘培忠教授,、彭運(yùn)朋（2014）認(rèn)為,，市場(chǎng)指數(shù)是估量系統(tǒng)風(fēng)險(xiǎn)的有效工具，但個(gè)股指數(shù)與板塊指數(shù)要比與大盤(pán)指數(shù)更具關(guān)聯(lián)性,，所以計(jì)算時(shí)應(yīng)以證監(jiān)會(huì)分類(lèi)下的板塊指數(shù)為準(zhǔn),。法官應(yīng)綜合以下因素認(rèn)定一個(gè)合適的扣除比例,，包括個(gè)股與市場(chǎng)指數(shù)歷史上的關(guān)聯(lián)度、系統(tǒng)風(fēng)險(xiǎn)對(duì)個(gè)股影響的時(shí)間長(zhǎng)短,、金融專(zhuān)家證言,、虛假陳述內(nèi)容（重大性不同）、對(duì)投資者的傾斜性保護(hù)（認(rèn)定的影響幅度一般應(yīng)小于系統(tǒng)風(fēng)險(xiǎn)本身的大?。?、虛假陳述人的主觀心態(tài)、具體案件中的其他因素等,。

       部分學(xué)者認(rèn)為,，應(yīng)當(dāng)精細(xì)化地衡量系統(tǒng)風(fēng)險(xiǎn)對(duì)每個(gè)投資者的每筆交易的影響。易可君教授（2012）提出,，可以按會(huì)計(jì)學(xué)上先進(jìn)先出原則確定賣(mài)出股票或持續(xù)持有股票的買(mǎi)入時(shí)點(diǎn),，通過(guò)相關(guān)分析和回歸分析對(duì)各項(xiàng)指標(biāo)科學(xué)賦權(quán)，計(jì)算出單筆交易的系統(tǒng)風(fēng)險(xiǎn),，最后求算數(shù)平均值得出整體系統(tǒng)風(fēng)險(xiǎn),。蔡偉真（2014）贊成易可君教授提出的P2P法計(jì)算系統(tǒng)風(fēng)險(xiǎn)影響的損失額，但認(rèn)為計(jì)算得出的系統(tǒng)風(fēng)險(xiǎn)應(yīng)當(dāng)在投資者和上市公司之間合理分擔(dān),。

      石一峰老師（2017）認(rèn)為,，板塊指數(shù)和流通市值的波動(dòng)應(yīng)占較大比重，流通指數(shù)的波動(dòng)應(yīng)以購(gòu)買(mǎi)日當(dāng)天在交易所上市的全部流通股和對(duì)應(yīng)板塊的全部流通股為統(tǒng)計(jì)標(biāo)準(zhǔn),。若是多次買(mǎi)入,，應(yīng)分別計(jì)算不同批次股票購(gòu)買(mǎi)時(shí)間對(duì)應(yīng)的指標(biāo)波動(dòng)幅度，然后依據(jù)購(gòu)買(mǎi)數(shù)量做加權(quán)平均計(jì)算,，而且不應(yīng)統(tǒng)一計(jì)算系統(tǒng)風(fēng)險(xiǎn)比例,，應(yīng)個(gè)案式地剔除系統(tǒng)風(fēng)險(xiǎn)。

      還有學(xué)者遵循“讓專(zhuān)業(yè)的人做專(zhuān)業(yè)的事”的思路,，提出在認(rèn)定系統(tǒng)風(fēng)險(xiǎn)時(shí),，應(yīng)當(dāng)請(qǐng)監(jiān)管部門(mén)或者研究機(jī)構(gòu)出具涉案期間的專(zhuān)業(yè)結(jié)論作為參考依據(jù)。侯佳明（2018）認(rèn)為,，系統(tǒng)風(fēng)險(xiǎn)概念來(lái)源于經(jīng)濟(jì)學(xué),，可以用經(jīng)濟(jì)學(xué)方法逐步取代現(xiàn)行以證券指數(shù)為主的分析方式，讓專(zhuān)業(yè)的經(jīng)濟(jì)人士去判斷,，使得系統(tǒng)風(fēng)險(xiǎn)的認(rèn)定更精確,，有利于公正審判。

（一）利用人工智能算法對(duì)股票市場(chǎng)數(shù)據(jù)進(jìn)行分析的可行性

       1. 大數(shù)據(jù)的價(jià)值：提煉規(guī)律

       2015年8月31日,，國(guó)務(wù)院印發(fā)《促進(jìn)大數(shù)據(jù)發(fā)展行動(dòng)綱要》（國(guó)發(fā)〔2015〕50號(hào)），將“大數(shù)據(jù)”定義為“以容量大,、類(lèi)型多,、存取速度快,、應(yīng)用價(jià)值高為主要特征的數(shù)據(jù)集合”，提出全面推進(jìn)中國(guó)大數(shù)據(jù)的發(fā)展和應(yīng)用,，加快建設(shè)數(shù)據(jù)強(qiáng)國(guó)。

       “多個(gè)數(shù)據(jù)”無(wú)法稱(chēng)之為“大數(shù)據(jù)”,，僅僅“容量大”的數(shù)據(jù)也難以稱(chēng)之為“大數(shù)據(jù)”,，僅對(duì)大容量數(shù)據(jù)進(jìn)行采集和存儲(chǔ)而不對(duì)其進(jìn)行分析是沒(méi)有意義的，“大數(shù)據(jù)”真正的價(jià)值在于通過(guò)對(duì)海量數(shù)據(jù)的處理,、集成,、整合和分析，從中發(fā)現(xiàn)新的知識(shí),、創(chuàng)造新的價(jià)值,，帶來(lái)“大科技”和“大發(fā)展”。概而言之,，大數(shù)據(jù)的應(yīng)用是指從歷史數(shù)據(jù)中分析,、提煉、抽象其中隱含的規(guī)律,，并將這種規(guī)律應(yīng)用于特定場(chǎng)景進(jìn)行預(yù)測(cè)的過(guò)程,。

       2. 大數(shù)據(jù)的分析手段：人工智能算法

      數(shù)據(jù)分析是整個(gè)大數(shù)據(jù)應(yīng)用環(huán)節(jié)中最核心的部分。就技術(shù)角度而言,，在“大數(shù)據(jù)時(shí)代”,，人力和傳統(tǒng)數(shù)據(jù)庫(kù)已經(jīng)無(wú)法對(duì)海量數(shù)據(jù)進(jìn)行處理，因此人們需要借助專(zhuān)門(mén)的手段,，從大量看似雜亂,、繁復(fù)的數(shù)據(jù)中，收集,、整理和分析數(shù)據(jù)足跡,，以支撐社會(huì)生活的預(yù)測(cè)、規(guī)劃和決策,。

       計(jì)算機(jī)具備自己獲取知識(shí)的能力,，即從大數(shù)據(jù)中提煉規(guī)律的能力，這種提煉規(guī)律的過(guò)程被稱(chēng)為“機(jī)器學(xué)習(xí)”,。如果需要提煉的規(guī)律比較復(fù)雜,，就需要讓計(jì)算機(jī)在“學(xué)習(xí)”過(guò)程中由淺入深地提煉信息、層次化地形成規(guī)律,，這種方法就被稱(chēng)為“深度學(xué)習(xí)”（deep learning）,，因?yàn)槿绻堰@種學(xué)習(xí)過(guò)程繪制出來(lái)，我們將得到一張層級(jí)很多,、很“深”的圖,，這個(gè)圖被稱(chēng)為“深度神經(jīng)網(wǎng)絡(luò)模型”,，這個(gè)過(guò)程也就是我們常說(shuō)的“人工智能”。事實(shí)上,，早期的深度學(xué)習(xí)模型正是模擬生物學(xué)習(xí)的計(jì)算,，即大腦怎樣學(xué)習(xí)或?yàn)槭裁茨軐W(xué)習(xí)的模型，這種受生物大腦所啟發(fā)而設(shè)計(jì)出來(lái)的系統(tǒng)被稱(chēng)為“人工神經(jīng)網(wǎng)絡(luò)”（artificial neural network, ANN）,。

       深度神經(jīng)網(wǎng)絡(luò)具有輸入層,、隱含層和輸出層，隱含層通常超過(guò)一層,，每層模擬生物的大腦分布著若干神經(jīng)元,。相比于淺層神經(jīng)網(wǎng)絡(luò)，深度神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)在于兩點(diǎn)：一是對(duì)于一些問(wèn)題深度不足會(huì)導(dǎo)致學(xué)習(xí)不夠,，深度神經(jīng)網(wǎng)絡(luò)解決了這一問(wèn)題,；二是生物的認(rèn)知過(guò)程是一個(gè)逐層進(jìn)行、逐層抽象的過(guò)程,，深度神經(jīng)網(wǎng)絡(luò)具有這樣的特點(diǎn),。深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖如下：

        3. 人工智能算法應(yīng)用于股市數(shù)據(jù)的前提分析和實(shí)證考察

       從數(shù)據(jù)采集角度而言，股票市場(chǎng)蘊(yùn)藏著天然的數(shù)據(jù)庫(kù),，無(wú)論是大盤(pán)指數(shù),、行業(yè)指數(shù)還是個(gè)股數(shù)據(jù)，其開(kāi)盤(pán)價(jià),、收盤(pán)價(jià),、最高價(jià)、最低價(jià),、漲跌幅,、成交量、成交金額等特征都是開(kāi)源的,，極易獲?。粡臄?shù)據(jù)處理角度而言,，上述數(shù)據(jù)格式統(tǒng)一,、質(zhì)量可靠，便于對(duì)數(shù)據(jù)進(jìn)行清洗和去噪,，能夠?yàn)橹蟮臄?shù)據(jù)分析打下良好的基礎(chǔ),。

       學(xué)界已經(jīng)有研究人員利用深度學(xué)習(xí)模型對(duì)股價(jià)預(yù)測(cè)進(jìn)行了初步的嘗試。禹建麗等（2003）將股票的收盤(pán)價(jià),、成交量,、移動(dòng)平均指標(biāo)等七個(gè)因子輸入神經(jīng)網(wǎng)絡(luò)模型對(duì)股票價(jià)格進(jìn)行預(yù)測(cè)；王文波等（2010）基于EMD分解算法、混沌分析和神經(jīng)網(wǎng)絡(luò)模型,，提出一個(gè)對(duì)中國(guó)股市的預(yù)測(cè)模型,，并將該模型應(yīng)用于上證指數(shù)、深證成指和4只股票進(jìn)行預(yù)測(cè),；陳艷,、王宣承（2015）采用Lasso方法對(duì)技術(shù)指標(biāo)進(jìn)行篩選，將篩選出的因子輸入遺傳網(wǎng)絡(luò)模型,，并運(yùn)用強(qiáng)化學(xué)習(xí)方法對(duì)高頻期貨合約價(jià)格進(jìn)行訓(xùn)練和預(yù)測(cè),，以此構(gòu)建量化投資交易策略并取得了較好的效果。

       韓山杰,、談世哲（2018）基于谷歌人工智能學(xué)習(xí)系統(tǒng)TensorFlow，構(gòu)建了多層感知器MLP神經(jīng)網(wǎng)絡(luò)模型,，通過(guò)不斷對(duì)模型進(jìn)行訓(xùn)練,，最終得到了具有較高預(yù)測(cè)精度的神經(jīng)網(wǎng)絡(luò)模型，能夠根據(jù)蘋(píng)果公司的每日開(kāi)盤(pán)價(jià)預(yù)測(cè)當(dāng)日收盤(pán)價(jià),。蘭秋軍,、梁必果（2018）以30只在A股具有一定代表性的股票為研究對(duì)象，選取了60個(gè)因子作為輸入數(shù)據(jù),，在對(duì)數(shù)據(jù)進(jìn)行處理和訓(xùn)練后,，輸入深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)，最終實(shí)現(xiàn)對(duì)研究對(duì)象的預(yù)測(cè),。還有人從移動(dòng)平均,、線性回歸等簡(jiǎn)單算法開(kāi)始，后轉(zhuǎn)向Auto ARIMA和LSTM等高級(jí)模型用來(lái)嘗試預(yù)測(cè)股價(jià),。

      從模型選擇上看,，長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory, LSTM）是目前深度學(xué)習(xí)領(lǐng)域普遍認(rèn)為用來(lái)預(yù)測(cè)股價(jià)的最匹配模型。LSTM是深度神經(jīng)網(wǎng)絡(luò)模型子集循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的一種,，LSTM充分考慮了時(shí)間先后對(duì)事件影響程度的變化,，因此更適合處理與時(shí)間序列有關(guān)的重要事件。目前,，LSTM對(duì)股價(jià)的預(yù)測(cè)效果可以達(dá)到如下圖所示：

（二）利用神經(jīng)網(wǎng)絡(luò)模型對(duì)系統(tǒng)風(fēng)險(xiǎn)進(jìn)行精準(zhǔn)量化的步驟解析

       利用LSTM神經(jīng)網(wǎng)絡(luò)模型對(duì)系統(tǒng)風(fēng)險(xiǎn)進(jìn)行量化的基本邏輯是：利用LSTM對(duì)被篩選后的指數(shù)作用于個(gè)股的規(guī)律進(jìn)行“深度學(xué)習(xí)”,，進(jìn)而模擬出無(wú)虛假陳述影響下的個(gè)股股價(jià)走勢(shì)，再利用R2開(kāi)根號(hào)度量出在虛假陳述實(shí)施日至基準(zhǔn)日期間,，假設(shè)前提下（無(wú)虛假陳述影響）個(gè)股波動(dòng)幅度對(duì)受虛假陳述影響后個(gè)股波動(dòng)幅度的影響比例,，從而將系統(tǒng)風(fēng)險(xiǎn)對(duì)投資損失的影響精準(zhǔn)剔除。

       神經(jīng)網(wǎng)絡(luò)模型“深度學(xué)習(xí)”的過(guò)程可以理解為對(duì)公式進(jìn)行求解的過(guò)程,，簡(jiǎn)單來(lái)說(shuō),，即對(duì)于公式y(tǒng)=ax2+bx+c，在已知若干x和y的情況下,，讓模型通過(guò)“學(xué)習(xí)”已知的x和y,，求解參數(shù)a,、b、c的值,。在本文模型下,，自變量x是實(shí)施日前的被篩選后指數(shù)每日的收盤(pán)價(jià)，因變量y則是實(shí)施日前個(gè)股每日的收盤(pán)價(jià),。

       1. 根據(jù)相關(guān)系數(shù)確定系統(tǒng)風(fēng)險(xiǎn)的衡量指標(biāo)

      為了確切地表明兩個(gè)變量之間的關(guān)系或密切程度,，統(tǒng)計(jì)學(xué)家卡爾·皮爾遜設(shè)計(jì)出相關(guān)系數(shù)（Correlation coefficient）這一統(tǒng)計(jì)指標(biāo)。相關(guān)系數(shù)是按積差方法計(jì)算,，同樣以兩變量與各自平均值的離差為基礎(chǔ),，通過(guò)兩個(gè)離差相乘來(lái)反映兩變量之間相關(guān)程度。實(shí)踐中,，人們通常利用相關(guān)系數(shù)的大小來(lái)解釋變量間相互關(guān)系的大小,，例如，居民收入水平與儲(chǔ)蓄存款余額的關(guān)系,、工業(yè)產(chǎn)值與工業(yè)貸款額的關(guān)系,、食品支出與收入水平的關(guān)系等。

       相關(guān)系數(shù)的值r介于-1與+1之間,，當(dāng)r>0時(shí),，表示兩變量正相關(guān)，當(dāng)r<0時(shí),，表示兩變量為負(fù)相關(guān),。|r|值越接近1，表示變量之間的線性相關(guān)程度越高,；|r|值越接近0,，表示變量之間的線性相關(guān)程度越低。|r|>0.8就說(shuō)明兩變量之間高度相關(guān),。

       在“欣泰電氣欺詐發(fā)行先行賠付專(zhuān)項(xiàng)基金”選擇計(jì)算市場(chǎng)風(fēng)險(xiǎn)因素的計(jì)算指標(biāo)時(shí),，測(cè)算出創(chuàng)業(yè)板綜合指數(shù)（399102）與欣泰電氣個(gè)股在首發(fā)上市日至基準(zhǔn)日期間的相關(guān)系數(shù)r=0.84，由此說(shuō)明兩者的走勢(shì)屬于高度相關(guān),，因此該專(zhuān)項(xiàng)基金選擇創(chuàng)業(yè)板綜指作為扣減市場(chǎng)性風(fēng)險(xiǎn)的大盤(pán)指數(shù)具有一定合理性,。后該計(jì)算依據(jù)的選擇在“欣泰電氣”案中也得到了福州市中級(jí)人民法院的認(rèn)可。

      因此,，在確定自變量x前,，應(yīng)當(dāng)首先測(cè)算大盤(pán)指數(shù)、行業(yè)指數(shù)（包括有指數(shù)代碼的行業(yè)指數(shù)和證監(jiān)會(huì)上市公司行業(yè)分類(lèi)下的行業(yè)數(shù)據(jù)）,、概念指數(shù),、地域指數(shù)與個(gè)股在虛假陳述實(shí)施日前（即沒(méi)有受到虛假陳述影響時(shí)）的相關(guān)系數(shù)，選擇r>0.8的指數(shù)作為衡量系統(tǒng)風(fēng)險(xiǎn)的指數(shù)，由此不僅可以綜合考察大盤(pán),、行業(yè),、概念、地域?qū)€(gè)股的影響,，還排除了關(guān)聯(lián)性過(guò)低的指數(shù),，解決了系統(tǒng)風(fēng)險(xiǎn)計(jì)算指標(biāo)選取不合理的問(wèn)題。

        2. 提取并處理樣本數(shù)據(jù),，劃分訓(xùn)練集和測(cè)試集

      從開(kāi)源數(shù)據(jù)庫(kù)中提取出的樣本數(shù)據(jù)摻雜著一定的“噪音”和干擾項(xiàng),，因此需要對(duì)數(shù)據(jù)進(jìn)行“去噪”和清洗，以保證數(shù)據(jù)的質(zhì)量和可靠性,。具體包括：

     （1）缺失值處理：刪除周末,、節(jié)假日導(dǎo)致的股價(jià)缺失值，刪除因個(gè)股停牌帶來(lái)的股價(jià)缺失值,；

     （2）歸一化處理：為了避免原始樣本數(shù)據(jù)由于極值導(dǎo)致LSTM難以收斂（即向最優(yōu)解靠近）的問(wèn)題,，利用最小最大歸一化方法將自變量x映射到0到1區(qū)間范圍內(nèi)，提高模型的收斂速度,；

     （3）劃分樣本訓(xùn)練集和測(cè)試集：選取實(shí)施日前三至五年的指數(shù)收盤(pán)價(jià)和個(gè)股收盤(pán)價(jià)作為總樣本，其中前70%交易日內(nèi)的樣本作為訓(xùn)練集,，后30%交易日內(nèi)的樣本作為測(cè)試集,。

       3. 在訓(xùn)練集上搭建深度神經(jīng)網(wǎng)絡(luò)模型，并在測(cè)試集上驗(yàn)證模型效果

       機(jī)器學(xué)習(xí)領(lǐng)域的專(zhuān)家吳恩達(dá)曾將求解參數(shù)的過(guò)程比喻成一個(gè)人從高山上奔跑到山谷最低點(diǎn)的過(guò)程,，越接近坡底就意味著越接近最優(yōu)的參數(shù)值,，這個(gè)過(guò)程也被稱(chēng)為模型“擬合”的過(guò)程。那么,，如果才能讓這個(gè)人用最快的方式（steepest）奔向最低的位置（minimum）,，需要進(jìn)行以下工作：

     （1）選取LSTM并設(shè)置超參數(shù)，訓(xùn)練模型參數(shù)值：超參數(shù)是決定模型結(jié)構(gòu)的參數(shù),，例如隱藏層的層數(shù),、神經(jīng)元的節(jié)點(diǎn)個(gè)數(shù)，超參數(shù)能夠用來(lái)控制算法行為,。超參數(shù)與前文提到的模型參數(shù)不同,，超參數(shù)是人為賦予的，參數(shù)是通過(guò)算法本身學(xué)習(xí)出來(lái)的,。深度神經(jīng)網(wǎng)絡(luò)模型中常見(jiàn)的超參數(shù)有優(yōu)化器,、正則項(xiàng)和dropout。

    （2）使用優(yōu)化器,，提高算法收斂速度：選擇使用Adam優(yōu)化器,，它最大的優(yōu)點(diǎn)就是在模型訓(xùn)練過(guò)程中引入了隨機(jī)因子，避免模型在訓(xùn)練過(guò)程中因樣本分布不均而在某一節(jié)點(diǎn)誤以為達(dá)到了最優(yōu)解，從而過(guò)早地停止迭代（即停止訓(xùn)練）,。以前文提到的下坡的例子,，如果在下坡過(guò)程中遇到一段較為平坦的路線，那么計(jì)算機(jī)可能誤以為已經(jīng)到達(dá)坡底,，而Adam優(yōu)化器的作用就是避免計(jì)算機(jī)產(chǎn)生這種誤解,。

  （3）引入正則項(xiàng)，防止過(guò)擬合：過(guò)擬合（overfitting）是指計(jì)算機(jī)把訓(xùn)練樣本學(xué)得太好,，把訓(xùn)練樣本自身的一些特點(diǎn)當(dāng)做了所有潛在樣本都會(huì)具有的一般性質(zhì),，這樣就會(huì)導(dǎo)致擬合的函數(shù)過(guò)于完美地匹配訓(xùn)練集，而對(duì)新數(shù)據(jù)的預(yù)測(cè)結(jié)果較差（即模型的泛化性能下降）,。例如樹(shù)葉訓(xùn)練樣本包括有鋸齒的樹(shù)葉和無(wú)鋸齒的樹(shù)葉,，過(guò)擬合的表現(xiàn)就是模型誤以為所有的樹(shù)葉都必須有鋸齒，從而對(duì)認(rèn)為不具有鋸齒的新樹(shù)葉都不是樹(shù)葉,。正則化可理解為一種“罰函數(shù)法”,，即對(duì)不希望得到的結(jié)果施以懲罰。通過(guò)引入正則項(xiàng)的方式對(duì)權(quán)重過(guò)大的參數(shù)進(jìn)行懲罰,，可以防止模型由于過(guò)分關(guān)注某些樣本而導(dǎo)致過(guò)擬合的現(xiàn)象,。

     （4）利用dropout，增強(qiáng)神經(jīng)元的健壯性：dropout是另一種防止深度神經(jīng)網(wǎng)絡(luò)模型過(guò)擬合的方法,，其原理是隨機(jī)地丟棄一些神經(jīng)元節(jié)點(diǎn),，人為地引入隨機(jī)誤差，迫使模型不要過(guò)度依賴一組神經(jīng)元而導(dǎo)致過(guò)擬合的現(xiàn)象發(fā)生,。

    （5）將訓(xùn)練好的模型在測(cè)試集上驗(yàn)證效果,，利用MSE衡量模型的擬合能力：均方誤差（mean-square error, MSE）是用真實(shí)值減去預(yù)測(cè)值然后平方之后求和平均，可以用來(lái)評(píng)估模型效果,，該值越小,，模型效果越好（擬合程度越高）。

       4. 利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型,，預(yù)測(cè)假設(shè)前提下個(gè)股走勢(shì),，并精準(zhǔn)量化系統(tǒng)風(fēng)險(xiǎn)的剔除比例

       將虛假陳述實(shí)施日到基準(zhǔn)日特定指數(shù)的收盤(pán)價(jià)作為新的自變量x輸入訓(xùn)練好的模型，由模型輸出新的y,，可以預(yù)測(cè)在無(wú)虛假陳述作用下,，個(gè)股因受特定指數(shù)的影響的波動(dòng)情況。將該曲線與個(gè)股受虛假陳述影響后的實(shí)際曲線進(jìn)行對(duì)比,，采用統(tǒng)計(jì)學(xué)指標(biāo)R2（R-squared）再開(kāi)根來(lái)測(cè)算“個(gè)股實(shí)際曲線”的變動(dòng)在多大程度上是由“個(gè)股預(yù)測(cè)曲線”所導(dǎo)致的,，即系統(tǒng)風(fēng)險(xiǎn)所占比重，該值越大,，系統(tǒng)風(fēng)險(xiǎn)的占比越大,。此時(shí)衡量的是“曲線”對(duì)“曲線”的影響比例,，而非現(xiàn)行司法實(shí)踐中點(diǎn)到點(diǎn)的指數(shù)跌幅占個(gè)股跌幅的比例，由此解決了目前司法實(shí)踐中系統(tǒng)風(fēng)險(xiǎn)“點(diǎn)到點(diǎn)計(jì)算”不合理的問(wèn)題,。

       此前就有學(xué)者基于單因素的CAMP模型（資本資產(chǎn)定價(jià)模型）和反映特定期間內(nèi)系統(tǒng)性風(fēng)險(xiǎn)占總風(fēng)險(xiǎn)的比重R2,，嘗試構(gòu)建了“系統(tǒng)性風(fēng)險(xiǎn)匹配扣除法”和“有條件相關(guān)系數(shù)法”兩種用于測(cè)算扣除系統(tǒng)風(fēng)險(xiǎn)后的賠償金額的方法。

       此處需要澄清的一個(gè)問(wèn)題是,，為什么不直接用實(shí)施日至基準(zhǔn)日期間大盤(pán)實(shí)際曲線與個(gè)股實(shí)際曲線的R2開(kāi)根來(lái)衡量系統(tǒng)風(fēng)險(xiǎn)的占比,，而要先用深度神經(jīng)網(wǎng)絡(luò)模型模擬出一條“個(gè)股預(yù)測(cè)曲線”。這是因?yàn)楸疚脑陬A(yù)測(cè)假設(shè)前提下的個(gè)股曲線時(shí),，選取的是r>0.8的多個(gè)自變量x,，而非僅僅是采用單因素變量，即某個(gè)大盤(pán)指數(shù)或某個(gè)行業(yè)指數(shù),，因此不能直接將實(shí)施日至基準(zhǔn)日期間某個(gè)指數(shù)與個(gè)股實(shí)際曲線做對(duì)比,。

       下圖用來(lái)直觀展示如何利用神經(jīng)網(wǎng)絡(luò)模型對(duì)系統(tǒng)風(fēng)險(xiǎn)進(jìn)行精準(zhǔn)量化。此處為簡(jiǎn)化圖表復(fù)雜程度,，將若干條r>0.8的指數(shù)抽象化為一條,，簡(jiǎn)稱(chēng)“綜合指數(shù)”。

       2019年2月27日,，證監(jiān)會(huì)新任主席易會(huì)滿在國(guó)務(wù)院新聞發(fā)布會(huì)上指出,，“必須敬畏風(fēng)險(xiǎn)，堅(jiān)持底線思維,、運(yùn)用科學(xué)方法,，著力防范化解重大金融風(fēng)險(xiǎn)?！罅ν七M(jìn)科技監(jiān)管，充分運(yùn)用大數(shù)據(jù),、人工智能等手段,，提升對(duì)以上市公司為重點(diǎn)的智能化專(zhuān)業(yè)監(jiān)管能力?！边@一講話體現(xiàn)出監(jiān)管對(duì)大數(shù)據(jù)和人工智能開(kāi)放和支持的友好態(tài)度,。

      亞馬遜網(wǎng)絡(luò)服務(wù)（AWS）數(shù)據(jù)科學(xué)家約翰·勞薩（John Rauser）曾將大數(shù)據(jù)簡(jiǎn)單概括為：超過(guò)一臺(tái)計(jì)算機(jī)處理能力的龐大數(shù)據(jù)量。由于股票市場(chǎng)數(shù)據(jù)量極大,、數(shù)據(jù)維度多,，本文構(gòu)建的利用人工智能算法對(duì)系統(tǒng)風(fēng)險(xiǎn)進(jìn)行精準(zhǔn)量化的方法在現(xiàn)階段僅僅是一種理論上的嘗試，在實(shí)際操作中需要占用大量計(jì)算資源（普通計(jì)算機(jī)的CPU已經(jīng)無(wú)法滿足,，需要GPU才能保證模型運(yùn)算速度）,。同時(shí)，利用大數(shù)據(jù)和人工智能解決法律問(wèn)題需橫跨兩個(gè)具有極高行業(yè)壁壘的領(lǐng)域,，要求法律工作者和算法工程師能夠克服相互之間的溝通障礙,，準(zhǔn)確地傳達(dá)需求并將需求落地,。將大數(shù)據(jù)、人工智能算法應(yīng)用于證券虛假陳述案件中對(duì)系統(tǒng)風(fēng)險(xiǎn)進(jìn)行計(jì)算并最終為司法實(shí)踐普遍接受,，路漫漫其修遠(yuǎn)兮,，并非以一己之力就能夠完成的事情，還需要學(xué)界,、監(jiān)管界和司法界保持開(kāi)明,、探索和共進(jìn)的態(tài)度同力協(xié)契，不廢求索之心,。