财经新闻、财报电话会、央行声明、分析师报告——金融市场每天都在产生海量非结构化文本。如何从这些文本中提取有用的投资信号，一直是量化研究中的核心难题。过去十年，主流方法是基于词典的情感分析和简单的词袋模型，但大语言模型的崛起正在彻底改变这个领域。
传统方法的局限性#
传统的金融文本分析方法可以概括为「数词」：把正面词汇和负面词汇各列一个表，数一数文章中哪类词更多，得出一个简单的情感得分。最常用的 Loughran-McDonald 词典专门针对金融场景做了优化——比如在普通语境中「liability」可能是中性词，但在财报中它表示负债，属于负面信号。
这种方法简单有效，十几年来一直是金融自然语言处理的主力。但问题也显而易见：它完全不懂语境。「市场需求强劲，但我们产能不足」——这句话中既有正面词也有负面词，简单的词袋模型根本无法准确解读。更致命的是，它处理不了反讽、否定、条件句等复杂语言结构。
另一个局限是信息维度单一。传统方法只能给出「正面/负面」这样的一维信号，而金融市场的信息是多维度的：公司战略变化、竞争格局演变、政策风险传导、供应链扰动——这些都需要比「数词」更深刻的理解能力。
大模型带来了什么#
GPT-4 和类似的大语言模型来到金融文本分析领域，带来的不是量变而是质变。最重要的差异不在于准确率的几个百分点提升，而在于信息维度的跃升。
第一个突破是细粒度信号提取。以前我们只能问「这篇文章是正面还是负面」，现在可以问：「公司管理层对下季度营收的确定性有多高？」「电话会中分析师追问最多的是哪个业务板块？」「CEO 谈到某个话题时的措辞与上季度相比有什么变化？」这些问题对应着可以交易的信息，而不是模糊的情感标签。
第二个突破是跨文本关联推理。一篇关于半导体出口管制的新闻，可能对 A 公司利好、对 B 公司利空、对 C 公司间接影响供应链。传统 NLP 完全无法处理这种多跳推理，但对大模型来说，这就是自然语言理解。
第三个突破是结构化输出。大模型可以将散乱的文本转化为结构化数据，直接输入到量化模型的下游环节——比如从财报中提取关键财务指标、从新闻中标注事件类型和时间线、从电话会中构建管理层语气变化的时间序列。
实际应用场景#
在量化投资中，大模型辅助的文本分析已经在多个场景展现出实战价值。
财报电话会分析可能是最有前景的方向。研究发现，电话会的语言特征——特别是管理层回答问题时的犹豫、回避、用词变化——与后续股价表现存在显著关联。传统 NLP 只能捕捉浅层模式，而大模型能够识别「避重就轻」「答非所问」「语气微妙变化」等细微信号。有研究将 GPT-4 应用于 S&P 500 公司的电话会转录，发现模型输出的信号比传统情绪指标具有更强的预测能力。
央行政策信号是另一个重要场景。央行声明中的每一处措辞变化都可能包含关于未来利率路径的信号，但这些变化往往非常微妙。大模型可以系统性地追踪这些措辞变化，并与历史声明进行对比，量化政策立场的「鹰鸽指数」。对于宏观对冲策略来说，这是一个价值巨大的信息源。
另类数据文本挖掘也在快速发展。社交媒体、论坛讨论、新闻评论——这些非传统数据源的文本噪音极高，但大模型能够从中提取有意义的结构化信号。比如通过分析 Reddit 和推特的讨论热度变化来构建散户情绪指标。
现实挑战与落地路线#
不过，把大模型直接扔进金融文本分析流水线并不是简单的事。
成本是最大的瓶颈。处理几百万条新闻或几千份财报的电话会转录，如果用 GPT-4 的 API，费用可能高达数万美元。在实际落地中，更常见的做法是用大模型做标注，再用标注数据训练一个更小的领域专用模型——这本质上是一种知识蒸馏：大模型提供推理能力，小模型负责大规模推理。
幻觉问题在金融场景尤为敏感。如果你问大模型「CEO 在电话会中提到了什么风险」，而模型编造了一个不存在的风险，这在投研流程中是不可接受的。解决方法包括：要求模型引用原文、限定从给定文本中提取信息而不自行推断、以及人工校准采样。
时效性也是一个工程挑战。对于高频场景，模型推理延迟必须控制在毫秒级。当前可行的方案是预计算：在盘前完成当天所有新闻的批量分析，盘中只需做增量更新。
从落地方向上看，很多量化团队已经从「替代传统 NLP」转向「拓展 NLP 边界」——不是用大模型重做之前情感分析能做的事，而是做之前根本做不了的事。比如因果链条建模、事件影响图谱构建、以及多资产跨市场关联推理——这些都是传统 NLP 完全不擅长的领域，也正是大语言模型最能发挥优势的地方。
金融文本分析的未来不在于更大的模型，而在于更聪明地利用模型的能力来回答更尖锐的问题。「文章是关于什么的」已经不够了——市场需要知道的是：「基于这篇文章，我应该怎么调整我的投资组合？」这需要的不是更好的情感分数，而是真正的推理能力。
小结#
回顾金融文本分析二十年来的发展，从关键词匹配到词典法，再到基于嵌入的机器学习模型，每一次范式跃升都带来了信息提取能力的质的提升。大语言模型带来的变化更加深刻：它不仅提升了准确率，更重要的是开启了一个全新的信息维度——从「这篇文章说好还是说坏」进化到了「这篇文章告诉了我们什么」。
对于量化研究员来说，这既是机遇也是挑战。一方面，谁能更早将大模型的能力转化为可交易的信号，谁就能获得信息优势。另一方面，当所有人都拥有相似的工具时，竞争就会回归到更本质的层面：谁更懂金融市场，谁就能提出更好、更精妙的问题。工具不会消失，但提出正确问题的能力才是永远的护城河。