趙甜甜，尉 昊，李昊澤

(蘭州財經(jīng)大學 會計學院，甘肅 蘭州，730020)

一、引言

股價暴跌導(dǎo)致的崩盤風險給投資者帶來了慘痛的代價，是資本市場健康發(fā)展的一大絆腳石，股價崩盤風險誘因的研究一直以來都是熱點。高階理論認為管理者特質(zhì)影響其戰(zhàn)略選擇，為研究管理者特征影響股價崩盤風險提供了理論依據(jù)，后續(xù)的一系列研究驗證了不同維度高管特征對股價崩盤風險的影響，主要包括：先天特質(zhì)、人生經(jīng)歷、個性特征、認知水平、管理風格，以及屬于公司組織結(jié)構(gòu)的管理者薪酬、持股比例。

先天特質(zhì)方面，學者們大多選擇高管性別、年齡。李小榮[1]104等研究發(fā)現(xiàn)，在中國，女性CEO可以有效降低股價崩盤風險。年齡的影響主要體現(xiàn)在年長的管理者在業(yè)績不達標時，為了維持業(yè)績水平，往往會選擇盈余管理,而盈余管理與股價崩盤風險間的關(guān)系顯著為正[2]，并且年長的管理者為了暫時的貨幣收入和順利卸任，會粉飾經(jīng)營業(yè)績、掩蓋可能的負面風險信息[3]，導(dǎo)致股價崩盤風險增加。人生經(jīng)歷方面，如學術(shù)經(jīng)歷、從軍經(jīng)歷、海歸經(jīng)歷等可能會通過影響高管的風險偏好進而影響股價崩盤風險。個性特征方面，曾愛民[4]等研究發(fā)現(xiàn)過度自信的管理者存在暫時藏匿不利消息的行為，這會增加企業(yè)股價崩盤風險。認知水平方面，欒甫貴[5]等研究發(fā)現(xiàn)管理層權(quán)力與公司股價崩盤風險之間呈現(xiàn)顯著的正向關(guān)系。管理風格方面，由于這一維度與上述高管特征相比具有更強的內(nèi)生性，更加難以度量，比較典型的研究是Bandiera[6]等利用高管的日程記錄和非監(jiān)督機器學習算法刻畫了“領(lǐng)導(dǎo)型”和“管理型”兩種管理風格。高管薪酬與持股比例方面，當任期較長的高管調(diào)整薪酬結(jié)構(gòu)，公司可能存在巨大的股價崩盤風險[7]；Eng[8]等研究發(fā)現(xiàn)管理層持股比例越高，信息披露質(zhì)量越低，其未來股價崩盤風險越高。

綜上所述，已有研究主要是從高管單一特征視角出發(fā)探討股價崩盤風險，缺乏多維度高管特征視角。近年來已有學者關(guān)注到了機器學習的學術(shù)價值，監(jiān)督學習已經(jīng)在財務(wù)風險預(yù)警以及高管特征對企業(yè)業(yè)績的預(yù)測等領(lǐng)域有了涉及，不難看出，監(jiān)督學習算法在金融市場以及企業(yè)層面均發(fā)揮了良好的應(yīng)用價值?；诖耍疚臉?gòu)建梯度提升樹模型，從CEO先天特征、人生經(jīng)歷、認知水平與公司組織結(jié)構(gòu)四個特征維度出發(fā)，探討CEO特征對股價崩盤風險的預(yù)警和識別效果。

二、研究設(shè)計

(一)模型設(shè)計

監(jiān)督學習模型分為基學習模型與集成學習模型。基學習器包括K近鄰分類器、邏輯回歸分類器、決策樹分類器、支持向量機分類器與前饋神經(jīng)網(wǎng)絡(luò)分類器等，其中K近鄰分類器是以距離最近作為分類依據(jù)；邏輯回歸是以邏輯回歸函數(shù)作為分類標準；決策樹分類器采用“分而治之”樹狀結(jié)構(gòu)對特征變量進行層層劃分；支持向量機是根據(jù)核方法將低維數(shù)據(jù)映射到高維，并考慮以少量分類點與分類平面的間隔距離作為分類標準；前饋神經(jīng)網(wǎng)絡(luò)是在感知機的基礎(chǔ)上，引入多層神經(jīng)元，并采用非線性激活函數(shù)，經(jīng)過復(fù)雜的迭代之后得到模型的分類結(jié)果。集成學習器是在一系列基學習器上進行集成，其中最具有代表性的是隨機森林與梯度提升樹，它們均是以決策樹模型作為基學習器，但集成方法存在差異。隨機森林采用統(tǒng)計中“有放回抽樣”的方法對決策樹進行抽?。惶荻忍嵘龢洳捎弥鸩綄W習的方法，在選取決策樹時要遵循不斷學習的法則。這兩類模型可解釋性都較強，但隨機森林模型在噪音較大的數(shù)據(jù)集上存在過擬合的風險。

基于以上分析，本文選取梯度提升樹模型，梯度提升樹指通過連續(xù)的方式構(gòu)造一系列的決策樹，每棵樹會對前一棵樹存在的問題進行修正，達到預(yù)測性能逐步提升的目的。梯度提升樹的數(shù)學模型可表示為：

fM(x)=∑T(x;Θm)

(1)

其中，T(x;Θm)代表決策樹，Θm代表決策樹的參數(shù)，M代表樹的個數(shù)。梯度提升樹模型還需考慮樹的數(shù)量、學習率與子抽樣比例等。如果增大樹的數(shù)量，提高學習率、增加子抽樣的比例會導(dǎo)致模型更加復(fù)雜，因此需要仔細調(diào)整梯度提升樹模型的參數(shù)，才能找到更適合的模型。梯度提升樹與其他監(jiān)督學習模型一樣，需要使損失函數(shù)最小化，提升樹模型的最小化損失函數(shù)為：

argmin∑L(yi，fM(xi))=argmin∑L(yi,∑T(x;Θm))

(2)

(二)模型構(gòu)建

借鑒陸瑤[9]128等的做法，構(gòu)建公司模型與CEO模型。首先對訓練集和測試集進行獨立劃分。由于使用的是面板數(shù)據(jù)，存在時間屬性，因此要考慮時間遞進在數(shù)據(jù)中的客觀事實?；诖?，將2010—2019年的樣本劃分為訓練集，將2020年的樣本劃分為測試集。由訓練集得到樣本內(nèi)預(yù)測準確率Accuracy_train(%)，并將訓練模型在測試集上進行擬合，由此得到樣本外預(yù)測準確率Accuracy_test(%)。具體而言，預(yù)測準確率的計算方法為：

(3)

其中TP為真正例，指的是實際為正例且預(yù)測也為正例的樣本；TN為真反例，指的是實際為反例且預(yù)測也為反例的樣本；FP為假正例，即實際為反例但預(yù)測為正例的樣本；FN為假反例，即實際為正例但預(yù)測為反例的樣本。TP與TN統(tǒng)稱為預(yù)測正確的樣本，而FP與FN統(tǒng)稱為預(yù)測錯誤的樣本，預(yù)測準確率反映的就是預(yù)測正確的樣本在總樣本中所占的比例。

其次，對模型的分類預(yù)測效果進行評估。一般來說，如果響應(yīng)變量中存在類別不平衡問題，預(yù)測準確率可能會失效。表現(xiàn)為樣本多(正例或反例)的預(yù)測效果好而樣本少的預(yù)測效果不佳，雖然預(yù)測準確率依舊很高，但實質(zhì)上模型預(yù)測效果還有待提高。鑒于此，用科恩的Kappa值來檢測分類不平衡樣本中預(yù)測準確率虛高的部分[10]。Kappa值是以一致性作為考量分類問題預(yù)測值與實際值之間差異的一個指標，首先定義“觀測的一致性”PO：

PO=p11+p22

(4)

其中，p11表示TN，p22表示TP。在此基礎(chǔ)上，定義p.1、p1.、p.2與p2.：

p.1=p11+p21

(5)

p1.=p11+p12

(6)

p.2=p12+p22

(7)

p2.=p21+p22

(8)

其中，p12與p21分別表示FP與FN，那么p.1就表示為樣本中實際正例的比重，p1.表示預(yù)測正例的比重，p.2表示實際反例的比重，而p2.表示預(yù)測反例的比重。定義“期望的一致性”PE：

PE=p.1p1.+p.2p2.

(9)

在確定了觀測的一致性與期望的一致性的基礎(chǔ)上，定義科恩的Kappa為：

(10)

其中，分子表示從隨機一致性到觀測一致性的實際改進，而分母表示從隨機一致性到完全一致性的最大可能改進。實踐經(jīng)驗表明，Kappa值大于0.4為可接受的范圍。最后，對模型預(yù)測效果的相關(guān)評估指標評價完成后，可以初步斷定模型的預(yù)測能力強弱。如果機器學習模型只關(guān)注預(yù)測的準確性能，便會忽略特征變量對響應(yīng)變量的預(yù)測機制。本文采用偏依賴圖進行進一步分析，偏依賴圖一般是以線性或非線性的函數(shù)圖像反映特征變量對于響應(yīng)變量的具體預(yù)測機制，這有助于進一步厘清各特征變量與響應(yīng)變量之間的相關(guān)關(guān)系。

三、樣本選取和變量說明

(一)樣本選取

選取2010—2020年中國滬深A(yù)股上市公司的數(shù)據(jù)為研究樣本。CEO個人特征的數(shù)據(jù)主要來自于國泰安(CSMAR)的“上市公司人物特征”數(shù)據(jù)庫、企業(yè)年報以及新浪財經(jīng)披露的信息內(nèi)容。公司的相關(guān)財務(wù)信息指標來源于CSMAR與WIND數(shù)據(jù)庫。在此基礎(chǔ)上，剔除金融類、ST類以及上市公司存在數(shù)據(jù)缺失的樣本，并且對所有連續(xù)型變量進行了1%的Winsorize處理。

(二)變量設(shè)定

1.響應(yīng)變量

響應(yīng)變量是股價崩盤發(fā)生的次數(shù)，參照羅進輝[11]等的做法，定義股價崩盤的啞變量為Crash：

Wi,t≤Average(Wi,t)-3.09σi,t

(11)

其中，Wi,t為第i家上市公司第t年的特定周收益率，Average(Wi,t)表示第i家公司股票第t年的特定周收益率均值，σi,t表示第i家公司股票第t年特定周收益率標準差，3.09個標準差對應(yīng)標準正態(tài)分布下0.1%的概率區(qū)間。如果一年時間里第i家公司股票的特定周收益率滿足式(11)，意味著這家公司在該年內(nèi)發(fā)生了股價崩盤。

2.公司變量與CEO變量

公司變量包括資產(chǎn)收益率、賬面市值比、財務(wù)杠桿、現(xiàn)金流比率、資產(chǎn)周轉(zhuǎn)率、上市年限與公司規(guī)模。CEO變量主要從先天特質(zhì)、人生經(jīng)歷、能力水平、個性特征方面進行測度。先天特質(zhì)包括年齡與性別，人生經(jīng)歷包括金融背景、學術(shù)背景、技術(shù)經(jīng)驗、海外經(jīng)歷、管理經(jīng)驗與法律職能[9]124。在此基礎(chǔ)上，對已有文獻進行總結(jié)和歸納，最終確定了5個變量來衡量CEO能力水平和個性特征，主要包括：CEO薪酬、持股比例、CEO權(quán)力、CEO開放性與過度自信。具體如表1所示。

四、實證分析

(一)主要擬合結(jié)果

表2列出了公司模型與CEO模型、決策樹模型與提升樹模型的擬合情況。從表中第(1)列可以看出，分類模型僅使用了公司層面的特征變量，決策樹模型在訓練集和測試集上的預(yù)測準確度分別為88.82%與88.45%，提升樹模型在訓練集和測試集上的預(yù)測準確度分別為89.07%與88.45%，均未出現(xiàn)過擬合問題。由于響應(yīng)變量屬于類別不平衡樣本，導(dǎo)致預(yù)測準確率可能存在虛高的“水分”，鑒于此，使用科恩的Kappa值來檢驗預(yù)測結(jié)果與實際結(jié)果的一致性。從第(1)列可以看出決策樹與提升樹模型的Kappa值為0.02和0.13，意味著模型的預(yù)測效果接近隨機猜測結(jié)果，這也說明公司模型對股價崩盤的預(yù)測能力遠遠不夠。

表1 變量定義表Tab.1 Variable definition table

表2 模型擬合情況Tab.2 Model fitting

表2中第(2)列在加入了CEO個人特征變量后，發(fā)現(xiàn)預(yù)測準確度在第(1)列的基礎(chǔ)上有較為顯著的提升，其中決策樹模型在訓練集與測試集上的提升幅度為0.85%與0.89%，且Kappa值為0.15，表明預(yù)測效果與實際結(jié)果的一致性仍然較差。提升樹模型對CEO模型的訓練效果顯著優(yōu)于決策樹模型，Kappa值為0.56，預(yù)測結(jié)果是可接受的。從表2的對比中可以發(fā)現(xiàn)，CEO模型較公司模型訓練效果更佳，說明CEO個人特征對預(yù)測股價崩盤風險有一定的作用。提升樹模型較決策樹模型訓練效果更佳，更好地實現(xiàn)對響應(yīng)變量的預(yù)測。

(二)預(yù)測機制分析

采用部分偏依賴圖展示CEO各個特征與股價崩盤風險之間的關(guān)系，橫軸代表CEO相應(yīng)的特征，縱軸代表股價崩盤風險(限于篇幅，僅展示個別CEO特征與股價崩盤風險的部分偏依賴圖，其余資料留存?zhèn)渌?。

由圖1可以看出，CEO開放性對于股價崩盤風險具有明顯的非線性預(yù)測，二者整體波動向下，表明開放性CEO具有較強思辨能力，喜歡解決組織內(nèi)外復(fù)雜或突然性的問題[12]，能夠聽取他人建議，使得決策更科學合理，降低企業(yè)股價崩盤風險；同時也存在局部上升現(xiàn)象，對于這種個別情況，可能是由于CEO具備不同程度開放性對風險容忍度不同，傾向于選擇風險較高的活動增加了股價崩盤風險，但對曲線整體趨勢影響不大。

圖1 CEO開放性與股價崩盤風險偏依賴圖Fig.1 CEO openness and partial dependence of stock price collapse risk

由圖2可以看出，CEO過度自信與發(fā)生股價崩盤呈U型，當CEO過度自信處于較低水平時，股價崩盤發(fā)生的可能較低；而過度自信達到一定水平后，CEO更關(guān)注收益而非風險，偏好采取擴張戰(zhàn)略，這在一定程度上顯著增加了企業(yè)陷入財務(wù)困境的可能性，進而使得企業(yè)股價崩盤風險增加。

圖2 CEO過度自信與股價崩盤風險偏依賴圖Fig.2 CEO overconfidence and partial dependence on stock price collapse risk

關(guān)于CEO薪酬與股價崩盤風險的偏依賴圖，以往文獻中對于二者的關(guān)系主要有兩種觀點。一種是當管理者取得高薪酬時，管理層與股東目標趨于一致，其道德風險與逆向選擇的可能性大大降低，自利性的信息隱藏和捂盤行為越能得到抑制，股價崩盤的風險降低[13]；另一種觀點認為高管薪酬與盈余管理存在顯著的正向關(guān)系，由于盈余管理與公司的信息質(zhì)量顯著負相關(guān)，進而增加公司股價崩盤風險[14]。CEO薪酬與股價崩盤風險的部分依賴圖印證了上述兩種觀點，結(jié)果顯示“CEO薪酬與股價崩盤風險關(guān)系呈現(xiàn)復(fù)雜的非線性關(guān)系”，所以在不同薪酬水平下，股價崩盤風險可能由上述兩種觀點同時相互作用。

關(guān)于CEO持股比例與股價崩盤風險的偏依賴圖，其預(yù)測效果具有明顯的非線性特點，整體來看隨著CEO持股比例的上升，股價崩盤風險呈現(xiàn)下降趨勢。當持股比例處于低水平時，持股比例增加對降低股價崩盤風險的作用較為明顯；而當持股比例升高到一定水平時，增加持股比例對于降低公司股價崩盤風險的作用不太顯著。

關(guān)于CEO年齡與股價崩盤風險的偏依賴圖，二者大體上呈U型結(jié)構(gòu)，在拐點之前，CEO年齡與股價崩盤風險呈負相關(guān)，這與拐點之后的結(jié)論相反。年齡越大的CEO，在接近離任或者退休時，會出現(xiàn)一定程度的短視化，為了順利卸任，會粉飾經(jīng)營業(yè)績、掩蓋可能的負面風險信息，加劇內(nèi)外部信息不對稱，導(dǎo)致股價崩盤風險增加。

關(guān)于CEO權(quán)利與股價崩盤風險的偏依賴圖，本文結(jié)果驗證了“CEO權(quán)力越大，越可能發(fā)生股價崩盤”的結(jié)論，但在一些區(qū)間里，股價崩盤與CEO權(quán)力大小呈非線性關(guān)系。

(三)穩(wěn)健性分析

1.替換特征變量

衡量CEO人生經(jīng)歷的變量較多且均為啞變量，穩(wěn)健性檢驗考慮改變對CEO人生經(jīng)歷的測度方式。利用主成分分析從金融背景、學術(shù)背景、技術(shù)經(jīng)驗、海外經(jīng)歷、管理經(jīng)驗與法律職能等6個變量當中進行主成分提取，最終測算出CEO人生經(jīng)歷的連續(xù)型變量。表3反映了替換CEO人生經(jīng)歷變量后的提升樹模型預(yù)測結(jié)果，CEO模型在訓練集上預(yù)測準確度為98.54%，在訓練集上的表現(xiàn)優(yōu)于基準回歸模型，測試集上預(yù)測準確度為92.14%，在測試集上的表現(xiàn)略低于基準回歸模型。整體來看，在替換特征變量后，模型的預(yù)測結(jié)果依舊是穩(wěn)健的。

表3 替換特征變量Tab.3 Replace characteristic variable

2.隨機網(wǎng)格搜索

提升樹模型的預(yù)測準確率也會受到模型參數(shù)設(shè)置的影響，具體而言，提升樹模型的預(yù)測結(jié)果更多地會受到重抽樣、樹的數(shù)量、樹的深度與學習率的影響。一般來講，這四個參數(shù)越大，模型也就越復(fù)雜，在訓練集上的表現(xiàn)會大大優(yōu)于測試集上的表現(xiàn)；這四個參數(shù)越小，模型泛化能力也就越強。對這4個參數(shù)定義一個字典，即限定樹的數(shù)量為1～300，樹的深度為1～10，重抽樣比例為0～1，學習率為0～1，利用10折交叉驗證遍歷字典，從而選出最優(yōu)的參數(shù)組合。

經(jīng)過隨機網(wǎng)格搜索后，發(fā)現(xiàn)最優(yōu)的參數(shù)組合為{’subsample’: 0.6, ’n_estimators’: 20, ’max_depth’: 4,’learning_rate’: 0.1}，利用最優(yōu)參數(shù)組合重新訓練模型，最終得到表4所示的結(jié)果，CEO模型在訓練集上的預(yù)測準確度為93.73%，低于基準模型的結(jié)果，但在測試集上的預(yù)測準確度為92.45%，高于基準模型的結(jié)果，這說明通過對參數(shù)組合的遍歷，可以進一步提升模型的泛化性能，降低模型的過擬合問題，同時也說明基準模型的結(jié)果也是穩(wěn)健的。

表4 隨機網(wǎng)格搜索Tab.4 Random grid search

3.其他分類模型結(jié)果

隨機網(wǎng)格搜索只是對模型內(nèi)部參數(shù)進行進一步的優(yōu)化和調(diào)整，提升樹相比于其他分類模型來說，表現(xiàn)效果如何？如表5所示，列出了自適應(yīng)提升樹、隨機森林、極端梯度提升樹與袋裝樹集成模型分類預(yù)測結(jié)果，可以發(fā)現(xiàn)基準模型中提升樹在測試集上的預(yù)測準確度92.37%與其他集成模型預(yù)測準確率相差不大，這也進一步說明了提升樹分類模型可以準確地預(yù)測企業(yè)股價崩盤，基準模型的結(jié)果也是穩(wěn)健的。

表5 其他分類模型結(jié)果Tab.5 Other classification model results

五、進一步分析

CEO特征維度構(gòu)成較為復(fù)雜且各個特征之間存在關(guān)聯(lián)性，某一類型的CEO一般會具有相似的特征，因此根據(jù)特征將CEO劃分為不同類型，研究具體某一類型CEO與企業(yè)股價崩盤風險間的關(guān)系。利用Kmeans算法依據(jù)不同的CEO特征變量將數(shù)據(jù)劃分為兩類，具體將通過描述性統(tǒng)計與均值差異檢驗來進行說明，見表6。

表6 聚類之后的描述性統(tǒng)計結(jié)果Tab.6 Descriptive statistical results after clustering

如表6所示，聚類之后將樣本分為兩部分，第1組的CEO權(quán)力均值較第2組高出0.695，持股比例與薪酬高出0.008與0.091，年齡高出0.06，其他特征變量均值均低于第2組。結(jié)合兩組差異，可以總結(jié)出第1組CEO具有年齡相對較大、權(quán)力較大、持股比例與薪酬相對較高的特點，因此將第1組的樣本特征表征為“領(lǐng)導(dǎo)型”CEO；第2組CEO擁有開放性較高、更容易過度自信、工作經(jīng)歷較為豐富的特點，用“改革型”CEO來表征第2組樣本?？梢钥闯?，“領(lǐng)導(dǎo)型”CEO在所有上市公司中占比較少，樣本量僅有5 818家企業(yè)，“改革型”CEO占比較多，有13 449家企業(yè)。對兩組樣本進行均值差異檢驗之后發(fā)現(xiàn)，除了性別特征不存在顯著差異之外，其他變量基本在1%的顯著性水平上存在顯著差異，這也說明Kmeans算法聚類結(jié)果具有一定的合理性。

從Kmeans聚類結(jié)果來看，“領(lǐng)導(dǎo)型”CEO所對應(yīng)的企業(yè)發(fā)生股價崩盤的次數(shù)為650次、概率為0.112，而“改革型”CEO所對應(yīng)的企業(yè)發(fā)生股價崩盤的次數(shù)為1 256次、概率為0.093，相比之下，“領(lǐng)導(dǎo)型”CEO企業(yè)股價崩盤概率較“改革型”CEO股價崩盤概率高出了1.9%。這表明，“領(lǐng)導(dǎo)型”CEO由于所擁有的權(quán)力更大、持股比例更高等特點，更容易出現(xiàn)“一言堂”的行為，且其開放性較低的特征表明CEO不會受到更多利益相關(guān)者的監(jiān)督，這種情況下CEO的自利動機以及短視行為會更加凸顯，進而提升了股價崩盤風險發(fā)生的可能性。兩類CEO所在企業(yè)未來的股價崩盤情況是否發(fā)生變化，可進一步通過梯度提升樹模型進行預(yù)測，見表7。

表7 不同CEO模型擬合情況Tab.7 Fitting of different CEO models

從表7可以看出，“改革型”CEO對股價崩盤風險的預(yù)測效果要比“領(lǐng)導(dǎo)型”CEO的預(yù)測效果更優(yōu)。特別地，從特異度指標時可以發(fā)現(xiàn)，“改革型”CEO模型特異度相較于“領(lǐng)導(dǎo)型”CEO模型提升了8.64個百分點。這說明“改革型”CEO所對應(yīng)的企業(yè)未來發(fā)生股價崩盤風險的可能性會更大，推測“改革型”CEO由于過度自信以及對改革紅利的過度自我歸因，放松對公司的治理以及相關(guān)部門的監(jiān)管，在應(yīng)對復(fù)雜多變的市場環(huán)境時不再實施重大的戰(zhàn)略變革，導(dǎo)致公司的經(jīng)營風險不斷提升，進而引發(fā)股價崩盤事件。

六、結(jié)論與啟示

股價崩盤風險如果不加以預(yù)警和防范，將會給企業(yè)發(fā)展造成不可估量的損失。運用梯度提升樹模型選取2010—2020年滬深A(yù)股企業(yè)樣本，評估CEO先天特征、人生經(jīng)歷、認知水平與公司組織結(jié)構(gòu)四個特征維度對股價崩盤風險的預(yù)警和識別效果。研究發(fā)現(xiàn)：CEO模型相較于公司模型預(yù)測性能顯著提升，且梯度提升樹模型相較于決策樹模型預(yù)測效果更優(yōu)；CEO特征與股價崩盤風險之間有著內(nèi)在預(yù)測機制，所選的CEO個人特征均與股價崩盤風險存在明顯的非線性關(guān)系；“領(lǐng)導(dǎo)型”CEO導(dǎo)致股價崩盤發(fā)生的概率增大，“改革型”CEO減小了股價崩盤的可能性；但“領(lǐng)導(dǎo)型”CEO所在企業(yè)未來預(yù)測發(fā)生股價崩盤的可能性卻降低，而“改革型”CEO所在企業(yè)預(yù)測未來發(fā)生股價崩盤的可能性增高。

有效識別和防范股價崩盤風險有助于促進我國資本市場健康發(fā)展，也對公司遴選高管和設(shè)計激勵機制等提供有益啟發(fā)，有利于企業(yè)可持續(xù)發(fā)展。從企業(yè)經(jīng)營與管理視角來看，董事會在選聘CEO時，應(yīng)更加全面地考察CEO各項特征，相較于年長的CEO應(yīng)該更看重聘任年輕CEO；對于CEO個性特征方面，開放性的CEO能顯著降低股價崩盤風險，而CEO過度自信時要加強對其監(jiān)督，限制其決策權(quán)力避免股價崩盤風險增加。激勵機制設(shè)計方面，當CEO持股比例處于低水平時可以通過增加其持股比例顯著降低股價崩盤風險；由于薪酬與股價崩盤風險間的關(guān)聯(lián)比較復(fù)雜，企業(yè)應(yīng)因地制宜地設(shè)置CEO薪酬。不同的特征塑造了不同管理風格的CEO，不管是“領(lǐng)導(dǎo)型”還是“改革型”CEO對股價崩盤風險的影響不是一成不變的，企業(yè)在不同經(jīng)營期間，戰(zhàn)略的制定應(yīng)當具有靈活性。

從利益相關(guān)者視角來看，由于信息不對稱，利益相關(guān)者在資本市場中處于弱勢，深受股價崩盤帶來的傷害。CEO特征與股價崩盤風險預(yù)測模型為利益相關(guān)者提供了一種新的判別方式，結(jié)合企業(yè)高管特征信息進行決策，改變了以往單一的、只通過財務(wù)信息了解企業(yè)狀況的模式。