财报电话会语调分析：用词频把管理层情绪变成因子

每个季度，上市公司管理层都要在财报电话会上面对分析师说上一个小时的话。这一个小时里说出的八九千个词，比财报里的数字诚实——不是因为管理层想诚实，而是因为词语的选择比数字更难粉饰。数字可以靠会计政策调节，但一个 CFO 在展望环节从”strong momentum”换成”cautiously optimistic”，从主动报增速改成被动答问题，这种退缩会泄露在词频统计里。

Loughran-McDonald (2011) 为金融文本建了专用情绪词典，之后十几年的文献反复确认：电话会语调对财报后漂移、下季盈余意外、甚至管理层随后的减持行为都有预测力。这篇文章用 300 只股票 × 40 个季度的合成面板把这条路完整走一遍，并回答一个多数教程跳过的关键问题：为什么语调水平几乎没用，语调变化才是因子。

从八千个词到一个数：Tone 的算法#

语调分析最经典（也最能打的）做法出奇地简单：数词。

第一步，选词典。通用情绪词典（如给影评造的）在金融文本上是灾难——“liability”（负债）在通用词典里是负面词，在财报里是中性会计术语；“cost”、“tax”、“depreciation” 同理。Loughran-McDonald 词典专为 10-K 和电话会语料构建，收录约 350 个正面词（achieve, improve, strong, record…）和约 2350 个负面词（decline, loss, impairment, litigation…）——注意负面词表是正面词表的七倍，金融语言天然需要更精细的坏消息分类。

第二步，数频率，算比值：

# 经典 tone 公式：正负词差 / 正负词和
tone = (pos_count - neg_count) / max(pos_count + neg_count, 1)

第三步——也是最容易被跳过的一步——把 Q&A 环节和管理层陈述环节分开算。陈述环节是排练过的剧本，语调被公关团队打磨过；Q&A 是即兴防守，信息含量高得多。文献中 Q&A 语调的预测力普遍强于陈述环节。

我们的合成面板模拟了这个数据生成过程：每家公司有一个 AR(1) 的基本面状态，每季电话会揭示基本面的最新变化；管理层语调 = 基本面 + 公司固有的乐观偏置（有的 CEO 天生爱吹，且叙事风格随时间慢漂移）+ 噪声。词频层面：每次电话会 6000-11000 词，正面词与负面词的出现率由语调驱动，用二项分布生成真实的词频计数——连”数词的抽样噪声”都保留了。

12000 次电话会数出来的 tone 分布如开头图所示：均值 +0.166，显著偏正。管理层永远在说好话——这不是模拟的假设，是对真实语料最基本形态的复刻（真实电话会中正面词频率长期高于负面词，哪怕在衰退期）。而这个系统性的乐观偏置，正是水平信号失效的祸根。

水平 vs 变化：粉饰滤波器#

如果直接拿 tone 水平做横截面因子——“买语调最乐观的公司”——你买到的是什么？是基本面好的公司，加上CEO 最爱吹的公司。公司间的乐观偏置差异巨大且持久：同样的经营状况，有的管理层说”transformational quarter”，有的说”solid progress”。水平信号里，真实基本面和吹牛习惯不可分离。

解决方案是差分：ΔTone = 本季语调 − 上季语调。同一个管理层、同一种叙事风格，前后两季的语调变化把公司固有的粉饰偏置差掉了——爱吹的 CEO 这季比上季收敛了，才是真消息。

Fama-MacBeth 横截面回归的对比印证了这一点：

水平信号不是完全没用（t=3.5 仍过显著线，因为水平里毕竟含有基本面成分），但变化信号的斜率是它的 2.4 倍、t 值翻了两倍半。差分是一个免费的粉饰滤波器——它过滤掉的恰好是语调里最不值钱的成分：管理层的人格。

这个设计在真实数据上还有一层保护：叙事风格会慢漂移（公司换了 IR 团队、CEO 上了媒体培训课），我们在模拟中给粉饰偏置加了随机游走漂移，差分对慢漂移同样近似免疫——只要漂移速度远慢于基本面变化，ΔTone 的信噪比就守得住。

五分组：单调性检验#

把每季的 ΔTone 横截面标准化后分五组，看下一季超额收益：

严格单调，无翻转。值得注意的是分布的不对称：Q1 的负收益（-1.19%）比 Q5 的正收益（+0.98%）更极端——语调恶化的信息含量高于语调改善。这与真实文献一致，机制也直白：说好话是默认动作，不需要理由；而管理层在有八千个词可以选择的情况下依然让负面词率上升，通常意味着坏消息已经大到藏不住。坏消息在语调里是被压抑后的泄露，好消息是被放大后的表演。

多空组合：成本后还剩多少#

做多 Q5、做空 Q1，季度调仓：

季度调仓是这个因子天然的成本优势：信号每季才更新一次（电话会只开四次），换手被事件频率锁死，双边 150% 的季度换手在 15bp 的机构成本假设下只吃掉年化 1.8 个点。对比日频价量因子动辄被成本腰斩，文本因子的低频特性是被低估的工程红利。

需要泼的冷水：合成面板中 Sharpe 2.3 明显高于该因子在真实市场的可实现水平（文献中语调因子多空的真实 Sharpe 大致在 0.5-1.0 区间）。差距来自模拟的善意简化——真实世界里语调与基本面的映射更嘈杂、语调信息与财报数字信息高度重叠（增量贡献才是因子真正的价值）、且横截面收益含有无法分散的共同因子暴露。本文的数量级应读作机制演示，不是收益预告。

实盘工程清单#

把这个因子从论文搬到生产环境，按重要性排序要解决四件事：

转录文本获取与对齐。 电话会转录稿的时间戳必须精确到”何时可交易”：电话会通常在盘后进行，转录稿完整发布往往滞后数小时到一天。用 T+1 开盘价入场是最低要求；用电话会当日收盘价回测就是未来函数。

陈述与 Q&A 分离。 解析转录稿结构，分别计算两个环节的语调，Q&A 语调权重应更高。进阶版本：只统计 CFO 回答中的语调（CFO 比 CEO 更少表演）。

词典本地化。 中文财报语料没有现成的 Loughran-McDonald，通用中文情绪词典在业绩说明会语料上误判率高。可行路径是用 LM 词典的构建方法论在 A 股语料上重建：从业绩说明会文本中筛高频词，人工标注金融语境下的极性。

与盈余意外正交化。 语调变化和 SUE（标准化盈余意外）相关性不低——好业绩自然带来好语调。回归掉 SUE 之后仍然显著的残差语调，才是文本独有的增量 alpha。这是区分”你挖到了新因子”和”你用 NLP 重新发明了 PEAD”的关键一步。

A. 实现细节#

面板为 300 只股票 × 40 季。基本面为 AR(1) 过程（ρ=0.7），每季电话会通过词频泄露基本面创新项；下季超额收益响应上季创新（反应不足机制，传导系数 1.3%/单位创新）。语调由二项分布词频计算：每会 6000-11000 词，正/负面词率由潜语调线性驱动，tone=(pos−neg)/(pos+neg)。信号为 ΔTone 的横截面 z 分数，第 t 季信号预测第 t+1 季收益，无同期重叠。Fama-MacBeth 为逐季横截面回归后对斜率序列做 t 检验（38 个季度）。五分组等权，多空为 Q5−Q1；成本按季度双边换手 150%、单边 15bp 线性扣除。粉饰偏置建模为公司固定效应（σ=1.6）+ 随机游走漂移（季度步长 σ=0.12），用于制造”水平被污染、变化免疫”的对照。

B. 已知偏差#

语调-收益映射被简化。 模拟中收益直接响应基本面创新，而 ΔTone 是创新的高质量代理（相关性由构造保证）；真实市场中语调与未来收益的联系弱得多且不稳定，Sharpe 2.3 应视为机制上限而非期望值。信息重叠未建模。 真实的语调信号与盈余意外、分析师修正、财报文本可读性等高度相关，本文未做正交化，单因子收益中有多少是文本独有的增量无法在此框架内回答。可交易性假设理想化。 未建模做空约束（A 股语境下 Q1 空腿基本不可行，因子退化为纯多头 Q5 超配）、未建模转录稿发布延迟的分布，季度调仓假设所有电话会在季末同时发生，真实的财报季是六周的滚动窗口，组合构建需要处理信号新鲜度不一致。

C. 结果解读#

差分是这个因子的灵魂，不是可选项。 水平 t=3.5 vs 变化 t=8.6 的对比说明：语调因子的大部分价值不在”读出管理层说了什么”，而在”读出管理层比上次少说了什么”。任何跳过差分直接用水平做横截面比较的实现，都在把 CEO 的性格当成 alpha 交易。

空腿比多腿值钱，但空腿最难交易。 Q1 的 -1.19% 贡献了多空收益的大半，符合”坏消息被压抑后泄露”的机制。但恰恰是这条信息含量最高的腿在多数市场受做空约束——现实中该因子的可实现收益远低于纸面多空，纯多头版本只剩 Q5 的 +0.98%/季减去基准。

低换手是文本因子的结构性优势。 信号频率被财报日历锁死在季频，成本侵蚀（1.8%/年）远低于价量类因子。在成本敏感的中低频组合里，文本因子的净收益排名会比毛收益排名显著上移。

下一步的正确方向是增量检验，不是更好的 NLP。 从词频升级到 FinBERT 或 LLM 打分能提高语调测量的精度，但决定因子价值的是正交化后的残差显著性——先证明词频版语调在控制 SUE 后仍有 t>2，再考虑用更贵的模型榨取测量精度，顺序不能反。

本文实验基于合成面板数据，语调-基本面-收益的传导机制为参数化植入，用于演示文本因子的构建方法与水平/变化的信息差异。真实市场中语调因子的收益水平、稳定性与增量贡献需在真实转录稿语料上验证。本文不构成投资建议。