AI增强估值：从可比分析到情景建模

引言

估值是一个证据与判断并重的过程。可比交易、交易倍数、经营预测、折现率和情景假设，只有在与已界定的资产、估值日、计量单位、目的和市场参与者视角相挂钩时才有用。人工智能可以加速证据收集、标准化、可比筛选、模型执行、敏感性分析和叙述生成。它不能决定资产的法律边界，不能使薄弱证据变得可靠，不能消除市场不确定性，也不能取代承担责任的估值师的权威。

本文面向 AI增强估值：从可比分析到情景建模 两类Matchpoint Partners目标受众。 家族办公室首席投资官与另类投资负责人 包括分布于GCC、英国、瑞士、新加坡和欧盟的单一家族办公室、多家族办公室、私人财富机构、私人银行和外部资产管理人中的投资专业人士。 UAE/GCC 房地产开发商与发起人 包括正在筹集债务、夹层融资或合资股权并实现资产变现的创始人、首席执行官、首席财务官和资本市场团队。团队需要基于公开和私有证据作出一致的投资组合与交易决策。团队需要为资本募集、开发决策、再融资、合资和资产出售提供站得住脚的估值。

核心问题是： 组织如何在保持证据质量、不确定性、专业判断和问责制的同时，成倍提升估值生产力和决策覆盖范围？ 答案是受治理的估值系统。它将源证据与转换、可比筛选与调整、点估计与情景分布、模型输出与决策权限，以及可衡量的生产力与归因的商业价值区分开来。

IFRS 13将公允价值定义为计量日市场参与者之间有序交易中的退出价格。它要求采用适合具体情况的估值技术，最大化可观察输入值并最小化不可观察输入值 [1]。自2025年1月31日起生效的《国际估值准则》包含针对数据和输入值、估值模型、文档记录和报告的专门准则 [2]。2025年IPEV估值指引将这一公允价值原则应用于私募资本 [3]。RICS将自动估值模型描述为一个谱系，可支持估值过程或构成其一部分，专业人员参与程度取决于目的、市场、数据和风险 [4-5]。

这些要求支持增强，前提是每一项重大转换都保持可复核。可比引擎可以快速找到候选对象。估值师仍需确定每项交易为何相关、哪些调整有依据，以及所得区间是否反映标的资产。预测引擎可以计算数百种情形。决策者仍需批准经济状态、依赖关系、管理层行动和概率处理。语言模型可以起草备忘录。它仍需受控证据包和人工批准。

区域证据正在扩展。迪拜土地局提供涵盖交易、租金、项目和估值的开放房地产数据 [11]。其报告称，2026年第一季度有60,303宗房地产交易，价值为AED 252 billion [12]。这些数据改善了对特定问题的市场可观察性。但它们并不能使每项资产都同质化、消除关联方影响、识别每项商业条款，或在无需调整的情况下确立价值。

AI的采用也改变了控制边界。UAE中央银行的《模型管理标准》要求用于决策的模型具备治理、可追溯数据、有记录的开发、审批、独立验证和持续监控 [6]。DFSA在2025年报告称，在其调查中作出回应的661家授权机构中，有52%正在积极使用AI；治理成熟度不一，其中21%被报告为缺乏明确问责 [9]。NIST的AI风险管理框架围绕治理、映射、衡量和管理来组织控制措施 [7-8]。美联储2026年4月修订的模型风险指引和PRA 2026年4月的监管声明，在其银行业范围内强化了基于风险的模型清单、治理、开发、验证、监控和缓释措施 [14-15]。

本文的贡献是一个提供以下内容的实用系统：

• 为……以及决策界定的估值边界；
• 证据台账与从来源到输出的溯源链路；
• 可比对象选择与调整规程；
• 一种将透明方法与机器学习相结合的混合建模架构；
• 一个受治理的情景引擎；
• 验证、不确定性与弃权门控；
• 两个假设性说明示例；
• 一个以证据为门槛的生产力与收入桥接分析；以及
• 一份九十天实施路线图。

本分析审阅截至2026年8月1日可获取的一手学术研究、官方标准、监管机构出版物和官方市场数据来源。监管与会计适用性取决于实体、司法管辖区、目的、客户、资产和报告基础。实证研究在其研究样本范围内报告。未提供经批准的观测 Matchpoint 或客户证据，用于收入、现金成本降低、损失降低或阿尔法。那些归因值仍为 USD 0.

估值边界

目的先于方法

估值流程应以签署的委托指令为起点，而非模型选择。该指令应明确标的权益、法律与经济权利、计量单位、估值日期、币种、目的、价值基础、预期使用者、限制条件、重大假设和报告准则。股权、物业、开发项目、债务工具、基金权益和经营业务即使在同一仪表盘中作为同一投资组合呈现，也可能需要不同的证据。

IFRS 13 的公允价值框架专门针对其他 IFRS 准则要求或允许的计量 [1]。它并未设定对每项决策都按公允价值计量的普遍要求。美国证券交易委员会（SEC）的规则 2a-5 涉及美国注册投资公司和业务发展公司善意作出的公允价值确定 [13]。其框架为风险评估、方法选择、测试、定价服务、监督和记录提供了有用的比较证据。其法律适用性仅限于所述范围。

价格、价值和决策是彼此独立的输出

观察到的价格记录的是按实际条款进行的交易。估值是在某一日期对既定基础作出的估计。投资决策将估计的结果分布与委托、流动性、风险、替代方案和必要回报率进行比较。一个价格可能是有效的数据点，却可能是不合适的可比对象。公允价值估计可能站得住脚，但对特定家族办公室缺乏吸引力。在有序市场参与者假设下与发起人特定战略计划下，开发商的土地价值可能不同。

因此，系统应保留三项输出：

1. 证据输出： 经核实的交易、报价、租金、成本、利率和运营观察。
2. 估值输出： 特定方法的指示值、区间、权重、叠加调整和结论。
3. 决策输出： 已批准的行动、限额、条件、时间安排和责任人。

这种分离可防止模型在未明确提示的情况下将预测转化为投资建议或融资承诺。

以及决策权

顾问可以构建证据、模型和方案。委托方的授权机构拥有决策权。业务约定条款应明确估值目的、数据访问权限、依赖基础、局限性、利益冲突和审批流程。

现行准则的要求

市场证据与经校准的技术方法

IFRS 13 认可市场法、收益法和成本法，并允许采用一种或多种技术方法 [1]。所选技术方法应与具体情况相适应，并有充分数据支持。输入值应最大限度地使用相关的可观察证据。用于在初始确认时对不可观察输入值进行估值的模型应经过校准，使其在交易价格代表公允价值时与该交易价格保持一致。技术方法应一致应用；但当变更后的计量结果对公允价值的代表性等同或更高时，进行变更可能是适当的。

这为 AI 的使用设定了检验标准。更多变量、更快计算或更低的样本内误差，并不能证明估值更具代表性。团队需要证据证明该技术方法适合估值对象、市场、日期和预期用途。

数据、模型、文档记录与报告

自 2025 年 1 月 31 日起生效的 IVS 引入了修订后的通用准则结构，包括 IVS 104 数据与输入值、IVS 105 估值模型和 IVS 106 文档记录与报告 [2]。该结构支持生命周期视角：

• 界定范围和基础；
• 获取并评估数据；
• 选择并应用模型；
• 运用专业判断；
• 保留重要文档记录；以及
• 报告结论，并载明假设与局限。

IPEV 2025 指南提供了当前私募资本的良好实践 [3]。私募市场经常需要不可观察输入值、校准、对公司业绩的考量、市场证据和判断。AI 可以提升一致性和覆盖范围。模型的不透明性或供应商标签并不能免除理解该结论重大驱动因素的要求。

自动估值模型

RICS 将 AVM 视为一个连续谱，而非单一产品 [4]。在一端，模型可在无需针对具体案例进行专业干预的情况下提供自动化估值。在另一端，分析工具支持专业估值。RICS 银行贷款指引指出，在物业足够同质、市场活跃且数据充分的情况下，AVM 可能适用，但须以验证和约定指示为前提 [5]。独特、开发类、专业化或交易稀少的物业需要更有力的个案审查。

控制层面的含义是三级分类法：

营销宣传应描述实际水平。除非相关委托、标准、胜任能力和审批支持该表述，否则不应将由 AI 辅助生成的备忘录表述为独立专业估值。

边界字段	最基本问题	未解决则失败
标的权益	正在估值的是什么权利、资产、负债或企业？	模型所针对的经济对象错误
计量单元	所计量的是哪一层级的汇总或分解？	投资组合价值与资产价值被混同
估值日期	在估值日已知或可获知的信息有哪些？	事后认知会污染结论
用途	用于投资、交易、报告、贷款还是内部决策？	控制措施与价值基础不匹配
价值基础	公允价值、市场价值、投资价值还是其他定义的价值基础？	用户会解读出不同的概念
市场	适用哪个主要市场或最有利市场以及哪些参与者？	可比对象反映的买方群体有误
币种	适用哪些报告货币和交易货币？	外汇与通胀假设被隐藏
权限	谁负责开发、复核、批准并依赖该输出？	模型输出变成未经授权的建议

估值证据台账

证据对象

受治理的流程将证据存储为结构化、带日期的对象。电子表格中的数字应保留其来源、观察日期、生效日期、币种、单位、地域、资产属性、交易状态、关系状态、置信度、转换过程和审核人。

迪拜土地局的开放数据服务是部分交易、租赁、项目和估值字段的官方来源 [11]。使用前应对数据集进行数据画像：缺失字段、重复项、编码变化、交易类型、计量单位约定、地理范围和时间滞后都可能影响结果。字段的存在并不能证明其完整或具有经济可比性。

来源到输出的数据血缘

每一项重要输出都应通过五个环节实现可复现：

1. 源文件、记录或端点；
2. 不可变的摄取快照；
3. 转换代码及版本；
4. 模型及参数版本；以及
5. 报告单元格、图表或段落。

证据台账应将手工变更与源值分开记录。如果分析师排除某笔交易、更改资本化率或应用质量调整，系统应保留原值、新值、操作人和原因。该设计支持复核，并使未来的复核人能够重建估值日可用的信息集。

AI 提取边界

语言模型和文档模型可以提取租赁日期、租金审查、契约、股权结构表、交易条款和运营指标。提取结果在对照源段落验证之前，应被视为拟议的结构化记录。该记录应包含文档标识符、页码或单元格、提取文本、标准化值、模型版本、置信度和复核人处理意见。

系统应在以下情况下弃权或要求人工复核：

• 来源为扫描件、不完整或内部不一致；
• 金额缺少币种或单位；
• 某一条款依赖其他位置的定义；
• 表格合并了实际、预算和预测期间；
• 交易价值取决于债务、盈利能力支付安排或或有对价；
• 某项房产属性与官方证据相冲突；或
• 模型的置信度或基于规则的验证低于批准阈值。

弃权是一种控制结果。它将稀缺的专家时间引导至自动化最不可靠的案例。

作为受控流程的可比分析

可比性问题

可比对象是一种观察，用于在考虑相关差异后帮助估算市场参与者会如何对标的定价。仅名称、行业或邮编相似并不足够。流程应界定标的与候选对象之间的经济关系。

对于企业，维度可包括商业模式、地域、收入质量、增长、利润率、资本密集度、杠杆、规模和交易日期。对于房地产，维度可包括子市场、允许用途、产权、规模、房龄、规格、出租率、收入质量、租约期限、开发状态和销售条款。对于基金权益，维度可包括策略、成立年份、剩余期限、未出资承诺、集中度、净值日期和转让限制。

候选对象生成与资格

第一阶段在书面边界内最大化覆盖范围。搜索可使用数据库、登记册、语义文档检索和结构化筛选器。第二阶段应用硬性资格规则。第三阶段按相关性排序。第四阶段需要分析师审核。

原始整体样本应保持可见。只显示选定交易的最终报告可能会掩盖选择偏差。复核人员需要看到被排除的候选交易及其编码原因，例如工具类型错误、市场不同、困境、关联方、条款不完整、日期过时或权利不兼容。

从直接匹配到特征调整

特征价格分析将价格建模为特征函数。Rosen 1974 年的框架为差异化产品中的隐含价格奠定了经济基础 [17]。现代可比系统可以通过正则化回归、树集成和其他非线性方法扩展这一思路。随机森林结合去相关树，并提供灵活的预测和变量重要性工具 [18]。梯度提升通过损失函数的顺序优化构建加性函数 [19]。

这些方法可以识别非线性关系与交互作用。其使用仍需控制：

• 目标变量必须与估值问题相匹配；
• 训练观测值必须早于估值日期，或在估值日期有效；
• 必须消除来自未来或衍生结果字段的泄漏；
• 特征工程必须反映经济上可获得的信息；
• 交叉验证应遵循时间、实体和地理维度；
• 误差应按相关细分群体报告，而不仅以汇总形式报告；
• 分布外主体应被标记；以及
• 模型应支持对重大驱动因素进行审查。

Lundberg 和 Lee 的 SHAP 框架在加性解释类中将特征贡献分配给单个预测 [20]。解释展示模型如何产生输出。它并不证明因果效应、数据质量、公平性或估值适当性。较大的正特征贡献可能揭示模型依赖于本应被排除的变量。

调整与区间

调整应说明方向、依据、幅度和不确定性。六个月前的房地产交易可能需要以指数或配对证据支持的时间调整。较小的公司可能需要考虑规模或流动性。开发用地交易可能需要规划、基础设施和付款条件调整。非上市公司交易可能需要分析证券权利和资本结构。

输出应为分布或区间，而非人为的精确值。该区间可综合模型不确定性、输入不确定性和情景不确定性。区间越宽，越应触发更高级别复核、降低依赖程度，或明确决定弃权。

混合估值架构

透明核心、机器支持及经批准的叠加层

该体系架构应使经济方法保持可见。机器学习可以支持证据发现、可比对象排序、非线性调整和错误检测。透明的核心保留复核所需的市场、收益和成本逻辑。

最小架构包含：

• 来源层： 官方、供应商、客户和市场证据，并带有访问控制；
• 证据层： 带版本的观察值、归一化和质量标记；
• 模型层： 直接可比模型、回归模型、树模型、DCF、剩余土地价值模型和成本模型；
• 情景层： 状态、依赖关系、管理行动和概率处理；
• 控制层： 清单、审批、验证、阈值、人工覆盖和监控；
• 决策层： 报告、委员会材料、条件和可问责签核；以及
• 学习层： 实际结果、错误、例外情况及整改。

模型清单与预期用途

CBUAE《模型管理标准》在治理、数据、开发、验证、实施和使用方面界定了预期要求 [6]。美联储的 SR 26-2 于 2026 年 4 月取代 SR 11-7，并强调采用与组织的模型概况、规模和复杂程度相适应的基于风险的方法 [14]。PRA 现行 SS1/23 在其规定的银行业范围内确立了五项原则，涵盖识别与分类、治理、开发与使用、独立验证及缓释措施 [15]。

估值清单应包括统计、财务、基于规则和生成式组件。可比排名算法即使不计算最终数值，也可能对价值产生重大影响。带有人工判断宏的电子表格也可以是一个模型。供应商 API 仍处于用户的治理边界内。

生成式 AI 作为接口层

生成式 AI 可以查询证据台账、起草可比摘要、解释情景差异并创建委员会文件章节。它应从受控来源检索并引用底层记录。确定性计算应在受控代码或财务模型中运行。语言模型不应成为重大数值、概率或契约的唯一计算器。

NIST 的生成式 AI 概况指出虚构、数据隐私、信息完整性以及人类-AI 配置等风险 [8]。安全设计会约束模型的工具、数据域、输出模式和权限。在符合法律和运营要求的情况下，它会记录提示词、检索到的证据和输出。重大陈述需要来源核查。

情景建模

情景是连贯的状态

敏感性分析改变一个输入，同时保持其他输入不变。情景描述一种连贯状态，其中多个驱动因素共同变化，并可能触发管理行动。概率分布描述在既定随机结构下的一组更广泛结果。这些工具回答的是不同问题。

对开发商而言，去化放缓可能同时伴随着更高的激励力度、更低的现金回款、更长的建设融资周期以及更晚的退出。对家族办公室而言，较低的退出倍数可能同时伴随着更疲弱的盈利、延迟的流动性以及变化的外汇或利率环境。独立的单变量敏感性分析可能低估这些依赖关系。

驱动因素图

情景引擎应从管理层可审查的因果与合同关联入手。

模型应防止出现内部不一致的组合，除非目的是测试极端市场错位。大幅降价下的快速销售情形可以是有效的，但需要明确的弹性假设。低利率情形下采用更高折现率也可以是有效的，前提是风险溢价扩大，但需要提供分解。

情景构建规程

1. 明确决策、期限和估值日期。
2. 选取重要的经济和合同驱动因素。
3. 基于已批准的证据建立基准情形。
4. 定义驱动因素变动连贯的备选状态。
5. 为管理措施补充权限、成本和延迟信息。
6. 计算现金流、融资、契约和终值。
7. 将结果与市场和成本证据进行核对。
8. 仅在治理和证据支持的情况下分配概率。
9. 在概率会造成虚假精确性的情况下，报告未加权情形。
10. 记录每个状态触发的行动阈值。

AI 支持的情景生成

AI 可以扫描官方公告、市场证据、经营报告和合同，以提出风险驱动因素。它可以对历史状态进行聚类，并查找遗漏的依赖关系。它可以生成候选叙述并质疑假设。候选情景在责任负责人批准之前仍只是提案。

系统应区分：

• 观测状态： 由注明日期的证据支持；
• 管理层情景： 经批准的计划或预算；
• 市场参与者情景： 假设与既定基础一致；
• 压力情景： 刻意严峻但保持连贯；
• 反向压力情景： 突破价值、流动性或契约阈值的状态；以及
• 探索性情景： 证据有限、为战略讨论而保留的可能性。

概率不应根据语言模型的流畅性生成。它们需要有明示的统计、市场或治理依据。

验证、不确定性与弃权

验证是独立质疑

验证应涵盖概念、数据、实施、表现、使用和报告。独立性应与重要性相称。复核人需要具备足够的授权、能力和访问权限，以质疑模型并限制其使用。

误差指标

平均绝对误差可按货币单位解释。中位数绝对百分比误差可降低极端百分比误差的影响。均方根误差会惩罚较大的偏差。秩相关可检验筛选表现。校准检验所述区间是否以预期频率包含实际结果。没有任何单一指标是充分的。

Kok、Koponen 和 Martinez-Barbosa 报告，其自动化模型在界定的美国多户住宅资产样本上实现了 9% 的绝对误差 [22]。该结果是相关证据，表明自动估值模型（AVM）在特定情境下可以优于选定的评估基准。但未经新的验证，不应将其推广至 GCC 开发项目、私营公司或每个房地产细分市场。

预测区间

点估计会掩盖不确定性。共形预测可在其假设下，利用围绕所选预测模型的校准集，创建具有有限样本边际覆盖率的无分布预测区间 [21]。在分布偏移下，覆盖率可能会下降，而且边际覆盖率并不保证每个子组或资产都具有同等强度的覆盖率。

机构报告应显示：

• 核心估值指示；
• 经批准的估值区间；
• 适用时的统计预测区间；
• 情景区间；
• 重大不可观察输入值；
• 可比离散度；
• 分布外状态；以及
• 决策阈值。

弃权矩阵

引擎应返回 需要人工估值 当证据或模型拟合度超出其批准范围时。

调整	证据层级	必要质疑
时间	重复销售、官方指数、同一市场模型	该指数是否与资产细分市场相匹配？
扩展规模	匹配交易、模型部分依赖	规模是否被用作质量或区位的代理指标？
质量	实物或运营属性	属性是否得到一致计量？
权利	法律文件与担保条款	名义对价是否包含优先股？
流动性	已执行的二级交易证据与限制	折价是否在其他地方被重复计算？
控制	投票权与治理权	所观察到的交易是否具有战略动机？
融资	现金等价对价	递延条款与债务是否已正常化？

前后对比运营模式

当前碎片化工作流程

许多估值流程将工作分散在电子邮件、文件夹、电子表格、PDF 报告和市场数据库中。分析师需要重新录入信息、重建可比表、手动更改日期，并在评审人提出问题后追溯数据。相同的工作会因监控、委员会文件和贷款人材料而重复进行。控制效果取决于个人的文件管理规范。

受控目标工作流程

目标流程将专家时间从检索和重新格式化转向边界决策、证据质询、调整、情景设计和结论。这种转变应通过获接受的产出而非原始草稿来衡量。

两个假设性说明示例

情景 A：开发决策

说明性示例 一家 UAE/GCC 开发商正在评估一个综合体项目。本小节中的所有数字、日期和结果均为未经核实的管理层假设，仅用于演示该框架。它们不构成估值、预测或交易建议。

基准情景下的毛开发收入为 AED 1.125 billion，未计入激励、取消、税费、费用及其他调整。下行情景结合了较低价格、较慢去化、成本上升和融资期限较长。上行情景结合了较高价格、较快去化和较短融资期限。这些依赖关系使模型无法将每个驱动因素视为孤立的敏感性因素。

可比案例模块会检索官方及经批准的供应商资料，用于土地、物业单元和已竣工资产交易。它保留完整的候选样本集，然后按地点、用途、状态、日期和交易类型进行筛选。审核人批准针对付款计划、景观、规格、竣工阶段、产权和大宗交易条款的调整。情景模块随后将价格和去化转化为回款、建设资金、债务使用和股权需求。

决策阈值可包括最高峰值股权、最低利息覆盖率、契约余量和下行情景下的最低回报。模型应显示哪项假设最先导致突破阈值。AI 可起草偏差说明。财务和投资主管机构批准情景、融资处理和决策。

情景 B：私募资产决策

说明性示例 一家家族办公室正在评估对一家私营运营公司的少数股权投资。本小节中的所有数字、日期和结果均为未经核实的公司管理层假设。它们不构成估值、配置建议或预期回报。

可比引擎按业务模式、地域、增长、收入质量、利润率、规模、担保权利和日期筛选上市及私募交易。它展示每项排除和调整的影响。收益法采用基于驱动因素的预测。情景引擎将经营业绩、资本需求、稀释、退出时机和市场倍数相结合。

家族办公室的决策输出增加了委托契合度、流动性储备、集中度、治理权、信息权和后续出资能力。可支持的公司价值并不确立投资组合适配性。投资委员会批准配置及条件。

情景证据边界

情景输入没有经过观察验证。其数值不应出现在营销、营销宣传、案例研究或业绩归因中。归因于 Matchpoint 或客户收入、现金成本削减、亏损减少以及这些情景产生的阿尔法的内容仍为 USD 0.

生产率与收入

生产率单位

生产率单位应是一种经认可、可直接用于决策的产出。草稿文本、检索到的文档、生成的可比公司数据和模型运行结果都只是中间工作。如果更快的草稿会带来额外审核或错误成本，那就不算生产率提升。

外部生产力证据

Brynjolfsson、Li 和 Raymond 研究了对 5,172 名客服人员的分阶段部署，并报告每小时解决的问题数平均增加 15%，且存在异质性效应 [23]。Noy 和 Zhang 针对专业写作任务的实验研究发现，在其设计下完成时间更短、产出质量更高 [24]。Dell'Acqua 与合著者研究了 758 名顾问，并报告在受测试的 AI 能力边界内的任务上取得提升，而在该边界之外的一项任务上表现较弱 [25]。

这些研究提供了可信证据，表明生成式 AI 可以改善部分知识工作任务。它们并未确立估值生产率。估值涉及不同的证据、专业标准、模型、后果和复核。Matchpoint 与客户生产率应在受控试点中衡量。

未经核实的示意性商业案例桥接

说明性示例 假设一个团队每月完成20个已验收的估值或监控包。假设一项受控试点将人工时间中位数从24小时降至18小时，同时验收、重大更正和错误指标仍保持在获批阈值内。示意性释放产能为每月120小时。这是规划测算，而非实际观察到的 Matchpoint 或客户结果。

释放出的产能可用于扩大覆盖范围、加快决策、开展更高质量的质疑或客户工作。只有当产能支持已签署的委托、已验收的交付成果和已收取的费用时，才会产生收入。收入公式可写为：

已收取收入 = 已验收的付费产出 × 获批价格 × 回款率 − 退款和抵扣

每个术语都需要有实际观察到的证据。在该证据获批之前，归属的已收取收入仍为 USD 0.

按受众划分的收入架构

对于开发商，服务可包括证据与估值诊断、资本结构情景包、贷款人或投资者案例、模型整改以及受监控的情景更新。对于家族办公室，服务可包括私募资产估值复核、投资组合估值标记质疑、流动性情景包、交易承销和持续监控。商业条款需要单独批准并签署委托文件。

网站和研究论文应描述能力与控制措施。针对特定客户的成果声明需要有实际观察到的证据、批准和适当披露。

失效模式与控制响应

数据失效

陈旧、重复、选择性报告或错误标准化的证据可能主导模型质量。产能更高的模型可能会更一致地复现数据缺陷。控制措施包括来源优先级、生效日期、完整性检查、单位校验、关联标记、重复检测、对账和复核人抽样。

可比对象选择失效

相似度算法可能学到在统计上看似有用、但在经济上不合适的代理变量。分析师也可能挑选可比对象。控制措施包括书面标的池、硬性资格条件、完整排除日志、特征复核、替代排序方法和样本外表现。

预测与情景失效

情景可能隐藏不一致的依赖关系、重复计算风险、在没有证据的情况下应用概率，或忽略融资约束。控制措施包括驱动因素图、会计与现金对账、管理层行动逻辑、反向压力测试和独立质疑。

自动化偏差

精炼的叙述和精确的数字可能提升用户信心。报告应清晰区分已观察证据、模型估计、管理层假设、叠加调整和未经核实的情景。审阅者应在得出结论前看到模型分歧和缺失证据。

模型漂移

市场状态、数据覆盖、激励因素和资产组合会发生变化。监测应检验输入分布、误差、区间覆盖、人工覆写率、缺失率和分群表现。阈值被突破应触发限制、重新校准、重新开发或退役。

网络、隐私与供应商故障

估值系统可能包含保密的财务、所有权、财产和交易数据。控制措施包括最小访问权限、加密、区域与留存分析、供应商尽职调查、事件响应、提示词与工具权限、输出过滤、备份与导出能力。供应商服务不应成为唯一的证据库。

治理与发布门禁

治理、映射、测量和管理

NIST AI RMF 将 AI 风险工作组织为四项职能 [7]。应用于估值时：

• 治理： 设定问责、政策、清单、风险偏好和升级机制。
• 映射： 界定决策、用户、主体、情境、危害和依赖关系。
• 测量： 检验数据、模型、不确定性、安全性、可解释性和人工使用。
• 管理： 批准、限制、监控、补救、沟通和退役。

ISO/IEC 42001 规定了 AI 管理系统的要求，并支持更广泛的组织框架，以促进负责任地开发和使用 [16]。采用或认证不应被表述为特定估值正确的证明。

发布关卡

审批可将模型限定于某一市场、资产类型、时间范围、金额范围或用途。成功的试点仅支持已测试的边界范围。

90 天采用路线图

第 0-15 天：范围与清单

• 选择一个有边界的用例；
• 记录目的、依据、日期、用户和决策权；
• 盘点现有数据、模型、电子表格和供应商；
• 梳理机密数据及访问权限；
• 定义验收、错误和生产率指标；以及
• 记录当前基线。

关卡： 经批准的指令、负责人、基线和数据访问计划。

第16-30天：证据台账

• 建立来源层级和数据字典；
• 导入带日期的证据快照；
• 构建溯源、转换和排除字段；
• 测试完整性、单位、重复项和泄漏；
• 定义 AI 提取审查；以及
• 准备具有代表性的案例集。

关卡： 证据可从来源追溯至规范化字段。

第31–45天：可比分析与情景原型

• 落实资格与排序规则；
• 建立透明的基准方法；
• 增加经特征调整的替代方案；
• 构建情景驱动因素图；
• 界定弃权与覆盖逻辑；以及
• 生成与来源关联的草稿输出。

关卡： 每项结论均可复现并可被质疑。

第46–60天：独立验证

• 测试概念、数据、代码和输出；
• 运行时间感知与分群表现测试；
• 测试预测区间和分布外标记；
• 审查解释与不利情形；
• 测试安全性、访问权限和供应商备用方案；以及
• 整改发现的问题。

关卡： 无关键未决发现；已记录获批限制。

第61-75天：影子运行

• 并行运行新流程和现有流程；
• 采集时间、验收、纠正与例外数据；
• 比较模型和复核人的决策；
• 记录人工覆盖原因和结果；
• 测试委员会报告；以及
• 优化阈值。

关卡： 证据支持在所述范围内进行受控使用。

第76-90天：受控发布

• 审批模型、数据和用户权限；
• 培训用户和复核人；
• 启用监控与事件工作流；
• 定义变更和退役流程；
• 仅发布获批的使用场景；以及
• 安排实施后评审。

关卡： 责任机构签署发布及局限性声明。

声明登记表与局限性

允许的声明

证据支持以下范围有限的声明：

• AI 与机器学习可支持证据提取、可比分析、建模和情景生成。
• 官方估值标准要求明确界定的范围、适当的数据、方法、判断、文档记录和报告 [1-5]。
• 模型风险框架强调模型清单、治理、验证、监测和控制 [6-8,14-16]。
• 原始研究表明，在选定的客户支持、写作和咨询任务中生产率有所提高 [23-25]。
• 一项商业房地产 AVM 研究报告，在其特定的美国多户住宅样本中取得了良好的误差表现 [22]。
• 迪拜官方数据改善了对选定市场观察数据的获取 [11-12]。

无证据支持的声明

证据并未证明：

• AI 的输出是一项估值或投资决策；
• 单一模型在所有 GCC 资产和市场状态下均准确；
• 更多数据消除了判断的必要；
• 解释能证明因果关系或公平性；
• 点估计比区间更具决策实用性；
• 外部生产率百分比适用于估值；
• 更快的生产带来已回款收入；或
• 已产生 Matchpoint 或客户收入、现金节约、损失减少或阿尔法收益。

实证局限性

未提供 Matchpoint 或客户试点数据集、已实现的估值结果、时间研究、误差序列、验收记录或收入证据。示例和情景并非观察到的案例。因此，本文提出一套系统和测试协议，并未报告已部署模型的性能。

监管与专业局限性

会计、估值、证券、借贷、数据、AI 和专业要求因实体、资产、司法辖区、指令和日期而异。所引用的 SEC、美联储和 PRA 材料具有明确的机构范围。它们在那些范围之外被用作比较性对照证据，而不是作为普遍法律义务的陈述。

技术局限性

模型性能取决于来源覆盖、编码、特征设计、制度环境、主体和预期用途。预测区间取决于其方法和假设。生成式模型可能产生无依据的内容。供应商模型可能发生变化。生产系统需要版本控制、验证、监控、访问控制和回退机制。

商业局限性

尚未批准任何关于需求、定价、转化或回款的预测。服务打包和费用需要 CK 批准以及客户合作条款。归属收入、现金成本降低、损失减少和阿尔法收益仍为 USD 0.

触发条件	示例	系统响应
证据稀疏	近期无类似交易	扩大范围并上报
独特资产	专用物业或非常规担保	禁用自动结论
重大冲突	登记处与客户数据不一致	停止并解决来源问题
分布偏移	新制度或地区	限制使用并重新验证
高杠杆	小幅价值变动即违反契约	增加融资并进行反向压力测试
未经验证的法律权利	担保条款不完整	暂缓估值结论
模型分歧	DCF 与市场法存在重大差异	核对方法与假设
过多的人工覆盖	分析师频繁变动	调查模型或流程

结论

AI 增强型估值应设计为一个从证据到决策的系统。该系统以目的、权利、价值基础、日期和权限为起点。它存储附带来源信息的市场和经营证据。它使可比范围、纳入资格、排序、调整和排除项保持可见。它将透明的估值方法与有边界的机器支持相结合。它会对连贯的情景和管理层行动进行建模。它会报告不确定性，并在获批边界之外不作出判断。它将最终决定权赋予可问责的人员。

对于家族办公室首席投资官和另类投资负责人，该系统可提高私募资产决策的一致性和覆盖面，同时保留对委托、流动性和集中度的审查。对于 UAE/GCC 房地产开发商和发起人，它可以在同一受治理流程中连接市场证据、开发假设、资本结构和决策阈值。在这两种情况下，生产力都应通过已验收产出来衡量，价值则应通过经批准且可观察的商业证据来归因。

核心实施纪律是可追溯性。审阅人应能够从结论追溯到方法、假设、转换过程和带日期的来源。委员会应能在批准某项行动前看到不确定性、情景依赖性和模型分歧。未来结果应更新模型和控制记录。这样，AI 才能扩大分析覆盖范围，同时不掩盖估值判断。

参考文献

[1] 国际财务报告准则基金会。 IFRS 13 公允价值计量。 已发布准则，2024 年版。https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/

[2] 国际估值准则理事会。 《国际估值准则》新版已发布。 2024 年 1 月 31 日；2025 年 1 月 31 日生效。https://ivsc.org/new-edition-of-the-international-valuation-standards-ivs-published/

[3] 国际私募股权和风险投资估值委员会。 《国际私募股权和风险投资估值指南》。 2025 年。https://www.privateequityvaluation.com/Valuation-Guidelines

[4] 皇家特许测量师学会。 自动估值模型。 洞察报告，2022 年。https://www.rics.org/profession-standards/rics-standards-and-guidance/sector-standards/valuation-standards/automated-valuation-models

[5] 皇家特许测量师学会。 银行信贷估值与抵押贷款价值（第二版）。 2025年12月。https://www.rics.org/content/dam/ricsglobal/documents/standards/Bank-lending-valuations-and-MLV_2nd-edition_Dec2025.pdf

[6] UAE中央银行。 模型管理标准。 第5052/2022号通知。https://www.centralbank.ae/en/rulebook/banking/risk-management/risk-management/model-management-standards/

[7] 美国国家标准与技术研究院。 人工智能风险管理框架（AI RMF 1.0）。 NIST AI 100-1，2023年1月。https://www.nist.gov/itl/ai-risk-management-framework

[8] 美国国家标准与技术研究院。 人工智能风险管理框架：生成式人工智能概况。 NIST AI 600-1，2024年7月。https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf

[9] 迪拜金融服务局。 DFSA 最新 AI 调查：生成式 AI 在 DIFC 内的采用率已增至近三倍；治理仍在持续发展。 2025年。https://www.dfsa.ae/news/new-dfsa-ai-survey-generative-ai-adoption-has-nearly-tripled-within-difc-last-12-months-governance-continues-develop

[10] 国际证券委员会组织。 资本市场中的人工智能：应用场景、风险与挑战。 2025年。https://www.iosco.org/library/pubdocs/pdf/IOSCOPD788.pdf

[11] 迪拜土地局。 房地产数据：开放数据。 访问日期：2026年8月1日。https://dubailand.gov.ae/en/open-data/real-estate-data/

[12] 迪拜土地局。 迪拜房地产交易在2026年第一季度激增31%，达到AED 252 billion。 2026年。https://dubailand.gov.ae/en/news-media/dubai-s-real-estate-transactions-surge-31-to-reach-aed-252-billion-in-q1-2026/

[13] 美国证券交易委员会。 公允价值的善意确定：小型实体合规指南。 2020年。https://www.sec.gov/resources-small-businesses/small-business-compliance-guides/good-faith-determinations-fair-value-small-entity-compliance-guide

[14] 美国联邦储备系统理事会。 SR 26-2：模型风险管理修订指南。 2026年4月17日。https://www.federalreserve.gov/supervisionreg/srletters/SR2602.htm

[15] 英格兰银行、审慎监管局。 SS1/23：银行模型风险管理原则。 当前版本，2026年4月。https://www.bankofengland.co.uk/prudential-regulation/publication/2023/may/model-risk-management-principles-for-banks-ss

[16] 国际标准化组织。 ISO/IEC 42001:2023，信息技术——人工智能——管理体系。 2023年。https://www.iso.org/standard/42001

[17] Rosen, S. 特征价格与隐含市场：完全竞争中的产品差异化。 《政治经济学杂志》，82(1)，34-55，1974年。https://doi.org/10.1086/260169

[18] Breiman, L. 随机森林。 《机器学习》，45，5-32，2001年。https://www.stat.berkeley.edu/~breiman/randomforest2001.pdf

[19] Friedman, J. H. 贪心函数逼近：一种梯度提升机。 《统计学年鉴》，29(5)，1189-1232，2001年。https://doi.org/10.1214/aos/1013203451

[20] Lundberg, S. M. 与 Lee, S.-I. 解释模型预测的统一方法 《神经信息处理系统进展》30，2017年。https://arxiv.org/abs/1705.07874

[21] Angelopoulos, A. N. 与 Bates, S. 共形预测与无分布不确定性量化入门 2021年。https://arxiv.org/abs/2107.07511

[22] Kok, N.、Koponen, E.-L. 与 Martinez-Barbosa, C. A. 房地产中的大数据？从人工估价到自动估值 《投资组合管理杂志》，43(6)，202-211，2017年。https://doi.org/10.3905/jpm.2017.43.6.202

[23] Brynjolfsson, E.、Li, D. 与 Raymond, L. 工作中的生成式 AI 《经济学季刊》，140(2)，889-942，2025年。https://doi.org/10.1093/qje/qjae044

[24] Noy, S. 与 Zhang, W. 关于生成式人工智能生产力效应的实验证据 《科学》，381(6654)，187-192，2023年。https://doi.org/10.1126/science.adh2586

[25] Dell'Acqua, F.、McFowland, E. III、Mollick, E.、Lifshitz-Assaf, H.、Kellogg, K. C.、Rajendran, S.、Krayer, L.、Candelon, F. 和 Lakhani, K. R. 穿越崎岖的技术前沿：关于 AI 对知识工作者生产率与质量影响的现场实验证据 《组织科学》，2026。https://doi.org/10.1287/orsc.2025.21838

附录 A。最低估值证据记录

附录 B. 可比对象审查清单

• 标的权益和计量单位是否已定义？
• 估值日期是否已在证据查询中强制执行？
• 是否保留完整的候选集合？
• 硬性资格规则是否在排序前书面确定？
• 每个被排除的可比对象是否都有编码原因？
• 交易条款与担保权利是否已标准化？
• 时间、规模、质量、权利与融资调整是否有证据支持？
• 模型是否避免使用未来信息并防止目标泄漏？
• 错误是否按重大分部和时间报告？
• 标的是否处于经校验的数据分布范围内？
• 各项方法指示是否经过核对调节，而非机械平均？
• 审核人的叠加调整、理由和先前值是否保留？
• 报告是否展示了离散度、不确定性和局限性？

附录 C. 情景与发布检查清单

• 决策与时间范围是否已明确？
• 基准、下行、上行和反向压力情景是否连贯一致？
• 驱动因素的依赖关系是否已记录？
• 管理举措是否明确了授权、成本和延迟？
• 现金、融资、税务和会计流量是否勾稽一致？
• 概率是有依据支持还是被省略？
• 决策阈值和触发首次突破的驱动因素是否可见？
• 独立验证是否覆盖数据、方法、代码和用途？
• 访问权限、保密性、日志记录和供应商备用方案是否已获批？
• 弃权与限制规则是否生效？
• 用户是否接受了关于模型局限性和自动化偏差的培训？
• 是否对漂移、错误、人工覆盖和事件进行主动监控？
• 最终决策是否由获授权的人员负责？

关卡	最低审批证据	停止条件
边界	目的、依据、日期、主体和用户	指令不完整
数据	来源登记册、数据血缘和质量概况	重大冲突未解决
方法	理由、校准和基准	方法不适合使用
验证	独立发现和补救	关键发现未关闭
不确定性	范围、区间和情景处理	精度未获支持
人工决策权	审核人与决策负责人	无可问责的审批人
科技	访问、安全、日志记录与回退	重大控制缺口
报告	声明、来源与局限性	误导性输出
商业	业务约定与依赖条款	范围或权限不明确

附录 D. 术语表

弃权： 一种受控结果，暂不作出自动化结论，并将该案例转交人工复核。

自动估值模型： 一种数学或统计系统，在既定自动化程度下，根据房产或市场数据估算价值。

价值基础： 估算价值所依据的基本计量假设。

校准： 对模型进行调整，使其输出与相关观测证据（在适当情况下包括交易价格）保持一致。

可比实例： 在分析相关性与差异后，用于为估值提供参考的已观测交易、工具或资产。

共形预测： 一类使用校准数据和既定覆盖性质构建预测集或预测区间的方法。

证据台账： 一份版本化登记册，将每项重要输入与其来源、日期、转换、审核人和输出用途关联起来。

可解释性： 描述输入如何影响模型输出的信息；其本身并不确立正确性或因果关系。

模型风险： 基于错误、误用或管控不力的模型作出决策可能带来的不利后果。

分布外： 在模型开发和验证所代表的总体之外存在实质性偏离的主体或输入。

预测区间： 在该方法假设下，按既定覆盖水平设计用于包含未来或未观测结果的区间。

情景： 一组相互关联且一致的经济、运营和融资假设，用于评估某一结果或决策。

敏感性： 改变一项或多项假设所产生的影响，通常并不声称已给出完整的世界状态。

估值调整层： 对模型或方法指示值所作的有记录人工调整，用于反映未被充分捕捉的证据或风险。

来源登记表

完整论文记录了适用于这些来源的范围、证据背景和局限性。

1. [1] 国际财务报告准则基金会。**IFRS 13 公允价值计量。** 已发布准则，2024年版。 开源
2. [2] 国际评估准则理事会。**《国际评估准则》新版已发布。** 2024年1月31日；2025年1月31日起生效。 开源
3. [3] 国际私募股权与风险投资估值委员会。**《国际私募股权与风险投资估值指南》。** 2025年。 开源
4. [4] 英国皇家特许测量师学会。**自动估值模型。** 洞察报告，2022年。 开源
5. [5] 英国皇家特许测量师学会。**银行借贷估值与抵押贷款价值，第2版。** 2025年12月。 开源
6. [6] UAE中央银行。**模型管理标准。** 第5052/2022号通知。 开源
7. [7] 美国国家标准与技术研究院。**人工智能风险管理框架（AI RMF 1.0）。** NIST AI 100-1，2023年1月。 开源
8. [8] 美国国家标准与技术研究院。**人工智能风险管理框架：生成式人工智能概况。** NIST AI 600-1，2024年7月。 开源
9. [9] 迪拜金融服务管理局。**DFSA 最新 AI 调查：生成式 AI 在 DIFC 的采用率几乎增至三倍；治理持续发展。** 2025年。 开源
10. [10] 国际证监会组织。**资本市场中的人工智能：应用场景、风险与挑战。** 2025年。 开源
11. [11] 迪拜土地局。**房地产数据：开放数据。** 访问日期：2026年8月1日。 开源
12. [12] 迪拜土地局。**迪拜房地产交易额在2026年第一季度激增31%，达到AED 252 billion。** 2026年。 开源
13. [13] 美国证券交易委员会。**公允价值的诚信确定：小型实体合规指南。** 2020年。 开源
14. [14] 美国联邦储备系统理事会。**SR 26-2：模型风险管理修订指引。** 2026年4月17日。 开源
15. [15] 英格兰银行审慎监管局。**SS1/23：银行模型风险管理原则。** 现行版本，2026年4月。 开源
16. [16] 国际标准化组织。**ISO/IEC 42001:2023，信息技术——人工智能——管理体系。** 2023。 开源
17. [17] Rosen, S. **享乐价格与隐含市场：纯竞争中的产品差异化。** 《政治经济学杂志》，82(1)，34-55，1974。 开源
18. [18] Breiman, L. **随机森林。** 《机器学习》，45，5-32，2001。 开源
19. [19] Friedman, J. H. **贪心函数逼近：梯度提升机。** 《统计学年鉴》，29(5)，1189-1232，2001。 开源
20. [20] Lundberg, S. M., and Lee, S.-I. **解释模型预测的统一方法。** 《神经信息处理系统进展 30》，2017。 开源
21. [21] Angelopoulos, A. N., and Bates, S. **共形预测与无分布不确定性量化简明入门。** 2021。 开源
22. [22] Kok, N., Koponen, E.-L., and Martinez-Barbosa, C. A. **房地产中的大数据？从人工评估到自动估值。** 《投资组合管理杂志》，43(6)，202-211，2017。 开源
23. [23] Brynjolfsson, E., Li, D., and Raymond, L. **生成式 AI 在工作中的应用。** 《经济学季刊》，140(2)，889-942，2025。 开源
24. [24] Noy, S., and Zhang, W. **生成式人工智能对生产力影响的实验证据。** 《科学》，381(6654)，187-192，2023。 开源
25. [25] Dell'Acqua, F., McFowland, E. III, Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., and Lakhani, K. R. **穿越崎岖的技术前沿：AI 对知识工作者生产力和质量影响的现场实验证据。** 《组织科学》，2026。 开源