01背景

众筹市场的资本供应由零售和机构投资者平分，这些群体的重要性在不同市场（如消费贷款与房地产众筹）和地区（如美国与欧洲）有所不同。一些平台（如Prosper）将专家和非专家划分为不同市场，但其他平台（如Wefunder）则允许他们直接竞争，强调非专家可以通过参与与专家相同的项目受益。例如，republic.com鼓励投资者通过应用程序跟随专家投资。美国证券交易委员会对JOBS法案的修订（2021年3月实施）显著提高了Reg. CF和Reg. A+的募集限额，这一变化改变资本募集并推动众筹法规的快速发展。新规取消了对机构和合格个人投资者的投资限制，并提高了零售投资者的限额，预计将显著增加专家和非专家的互动。截至2022年2月，已有超过65家美国公司允许专家和非专家共同参与在线众筹机会，投资于股权、公司债务、消费债务、房地产、优质葡萄酒、收藏艺术品等众多资产。平台、投资者、筹资者和监管者似乎都非常关注专家与非专家投资者的比例。平台收入通常与交易量成正比。由于专家投资者通常控制着大量资本，专家的参与使平台能够更快地增长，资助更大的贷款/项目，并可能带来积极的声誉信号。然而，专家参与可能会因挤出效应而阻碍非专家参与。

02研究问题

（1）专家和非专家分别获得的回报是多少？考虑到这种差异，专家需要多长时间才能主导市场？

（2）四个市场特征（专家的权重、专家在市场财富中的比例、违约率和信号质量）如何影响专家和非专家的回报、回报差距，以及在专家参与的情况下，非专家是更好（学习效应占主导）还是更差（挤出效应占主导）？

（3）平台预筛选水平、专家和非专家分开市场、以及过剩的资金供应如何影响专家和非专家的回报、回报差距，以及非专家在专家参与下是更好还是更差？

（4）有哪些因素可能有助于解释Prosper样本中专家/非专家回报差异的大小？

03 数据集与分析方法

主要样本包括了2010年12月底至2012年7月中旬之间的已融资贷款。通过Prosper的每日数据导出获取了有关清单、贷款、借款人和贷款人的详细数据。Prosper要求出借人完成出借人注册协议，并将自己标识为个人投资者或机构投资者。因此，出借人的Prosper身份将分类为专家（机构投资者）或非专家（零售投资者）。Prosper和每个出借人之间只有一个合同——零售和机构投资者都收取相同的费用（对于样本期间，每笔借款支付的1%费用），所有贷款都受到相同的服务标准约束。最终的样本包括210个分组中的19,243笔贷款，总价值为1.383亿美元，其中专家投资者提供的资金为4,920万美元，非专家投资者提供的资金为8,910万美元。

每个分组内的贷款具有相同的期限。因此，文章将每个分组内所有贷款的每个事件月份的现金流汇总起来，以生成与所有分组j贷款相关的总现金流、与分组j贷款相关的专家投资者的总现金流以及与分组j贷款相关的非专家投资者的总现金流。我们通过求解以下方程来计算分组j贷款中专家的月度内部收益率（IRR）：

计算分组j贷款中非专家投资者获得的月度内部收益率（IRR）：

为了检查专家和非专家之间的回报差异，文章估计专家投资者获得的总回报为Prosper数据中所有分组j（共210个分组）的聚合分组权重与专家投资者在每个分组j中的投资所产生回报的乘积之和：

非专家投资者的估计回报为：

03 分析结果

在主要样本期间，专家投资者每月获得了0.920%的回报，而非专家投资者则为0.878%。尽管差异为0.042%每月，在统计上具有意义，但是这个差异非常小。专家挤占了非专家的最佳贷款，但对非专家的成本不高。最后，假设专家和非专家以相等的财富进入市场，并通过以下方程来计算专家财富上升到市场财富的90%所需的月份数n：

在主要样本期间，非专家投资者的财富从市场的50%下降到市场的10%需要5280个月（440年）。

自然实验：Prosper 市场结构的变化

自2012年7月中旬起，Prosper进一步预筛选贷款，使得具有相同Prosper评级、贷款期限和借款人特征的贷款被分配不同的利率。由于将贷款划分为更小的风险组导致了相关性的降低，额外的预筛选有效地降低了信号质量。专家在主要时期的较高回报至少部分源自于他们更优越地利用列表中的信用风险信息，随后时期更大的预筛选导致信号质量下降，随后时期回报差距减少至0.011%。

专家和非专家投资者

专家投资者更倾向于高信用评分和Prosper评分，而非专家投资者更倾向于获得更多资金的贷款。由于专家的滞后需求与累积滞后需求呈正相关，因此跟随先前投资者交易的非专家意味着非专家倾向于跟随专家的行为。

市场特征、专家和非专家：模拟

文章制定了模拟模型去理解市场特征和平台选择如何影响专家和非专家的回报、回报差距、拥挤效应和学习效应之间的权衡，以及非专家相对于没有专家的市场而言是更好还是更差（RQ2-RQ3），以及（2）什么因素可能导致Prosper数据的回报差异较小（RQ4）。考虑了跨众筹市场变化的四个参数：（1）专家在加大最佳贷款的权重方面的积极性（加权方案），（2）专家的相对参与程度，（3）违约率，以及（4）专家优越信息的信号质量。

图1 模拟—完整拥挤情景

来自MIS Quarterly Vol. 47 No. 1 / March 2023 P115

图2 模拟—学习情景

来自MIS Quarterly Vol. 47 No. 1 / March 2023 P115

图3 模拟—混合情景

来自MIS Quarterly Vol. 47 No. 1 / March 2023 P116

图1、图2和图3总结了模拟结果的完整拥挤、学习和混合情景。每个蓝点代表了专家获得的平均回报（IRR），而相应的红点代表了相同参数值下非专家获得的平均回报，颜色较深的点表示回报差距在5%水平或更好的统计显著性。首先，无论加权方案、专家所有权水平、信号质量和违约率如何，专家都能持续超越非专家。

其次，虽然专家对最佳投资的加权确保了他们的超越，但在有专家参与的市场中，非专家可能相对于没有专家参与的市场而言更好或更差。在没有专家的市场中，非专家获得的回报等同于所有投资者在没有任何投资者拥有信息优势的市场中获得的回报。

第三，较大的回报差距不一定意味着非专家在相对于没有专家的市场或绝对方面更差。尽管专家从更高的信号质量中获益最多，但非专家也会获益，尤其是当学习效应占主导地位时。

第四，收益差距以及非专家相对于没有专家的市场表现的好坏程度是四个参数（加权、专家在市场中的份额、违约率和信号质量）的函数。

模拟扩展：平台预筛选

预筛选通常会降低信号质量，从而导致较小的回报差距。专家通常在更多的预筛选下处境更为糟糕。非专家在预筛选更多的市场中可能会更加受益，或者更加不利。

模拟扩展：双平台

分开市场与溢出效应在合并市场中占主导地位时有利于非专家，但在合并市场中的学习效应占主导地位时对非专家不利。

模拟扩展: 无过剩供应

当贷款供应与总需求相匹配时，相对于没有专家参与的市场，非专家普遍处于劣势。在完全拥挤的情景中，剩余的贷款相对于拥有过剩供应的市场中由非专家随机选择的更好和更差的贷款子集来说是统一最差的。在没有过剩供应的情况下，非专家被迫接受最差的贷款。

04结论与启示

由于模拟重点关注实际中平台和市场间变化的特征，因此对其他众筹市场具有重要意义。例如，在股权众筹市场，信号质量可能更强，因为信息不对称更大。此外，在股权众筹市场中，非专家的学习机会可能更多，因为专家不太可能资助整个股权发行。虽然实证测试和模拟都假设投资者是有信息或无信息的，但在实践中，投资者（零售或机构）的信息程度是一个连续的范围。此外，即使市场被分割为零售和机构子市场，投资者的成熟程度也存在一种连续性（例如，使用LendingRobot的零售投资者与其他投资者）。例如，利用Prosper测试的小回报差距可能至少部分是因为机构投资者没有使用可用的信息，而零售投资者使用了。如果专家的滞后需求与他们的滞后总需求呈正相关，那么非专家跟随先前投资者的决定意味着专家的决定会在一定程度上影响非专家的选择。也就是说，即使非专家无法识别专家，"群体"也会在某种程度上反映专家的选择。最后，虽然文章估计了回报差距最终如何影响众筹市场中专家和非专家的相对重要性，但显然许多其他因素会影响专家和非专家在地理位置和众筹市场类型上的相对增长。

参考文献：Lin M., Sias R. W. and Wei Z. (2023). Experts vs. Non-Experts in Online Crowdfunding Markets. MIS Quarterly, 47(1): 97-126. https://doi.org/10.25300/MISQ/2022/17321

文献链接:

https://misq.umn.edu/experts-vs-non-experts-in-online-crowdfunding-markets.html

作者信息：

Mingfeng Lin

Position: Dean’s Distinguished Term Professor, IT Management, Scheller College of Business, Georgia Institute of TechnologyResearch Interest: IT ManagementSite: https://www.scheller.gatech.edu/directory/faculty/lin/index.html

Email:mingfeng.lin@scheller.gatech.edu

Richard Sias

Position: Professor of Finance, Tyler Family Endowed Chair in Finance, Eller College of Management, University of Arizona

Research Interest: Asset pricing, Investments, Investor behavior, Valuation

Site: https://eller.arizona.edu/people/richard-sias

Email: sias@arizona.edu

Zaiyan Wei

Position: Associate Professor of Management, Purdue University

Research Interest: Artificial Intelligence, Business Analytics, Data Analytics, Digital Economy, E-Commerce, Econometrics, Economics, Fintech, Information Technology, Machine Learning, Marketing, Real Estate, Social Media

Site:https://business.purdue.edu/directory/bio.php?username=wei155&t=pub

Email: zaiyan@purdue.edu