数据清洗

我们主要从Nexis上的公平披露（Fair Disclosure, FD）Wire语料库收集数据。2000年8月的一项监管变革——“公平披露条例”（Regulation Fair Disclosure）——引入了公司披露信息的强制公开报告要求。作为对这一监管变革的回应，公平披露（FD）Wire于2001年4月开始运营，作为一个发布新闻稿的服务，用以传播公司的相关信息。FD Wire提供的服务之一是发布公司选择参与的电话会议（earnings call）文字记录。

我们正在使用Nexis API，在LexisNexis上搜索FD Wire的文字记录。数据显示，电话会议记录在2005年前并不稳定可得，尽管部分公司的记录可追溯到2001年。因此，我们关注的电话会议时间范围不仅限于2005年至2024年。

我们关注全球行业分类标准（Global Industry Classification Standard，简称GICS®）中的三个行业板块。GICS®是一种行业分析框架，帮助投资者了解全球公司主要的业务活动。该分类标准由MSCI和标普道琼斯指数共同开发，旨在为投资者提供一致且全面的行业定义。我们选取的三个板块包括金融、能源和材料。

随后，我们根据PERMNO（唯一的股票（股份类别）级别标识符）从数据框中过滤掉无关的公司，按照日期排序，并核实是否拥有所需时间范围内的电话会议记录。同时，我们会标记重复记录，并在Nexis Lexis或Factiva中检索缺失的电话会议资料。

自然语言处理

我们的研究方法利用自然语言处理（NLP）技术，系统分析财报电话会议记录中关于“China”或“Chinese”的提及内容。相关句子通过预训练的BERT模型——具体为 sentence-transformers/all-distilroberta-v1——转换为数值表示（嵌入向量），以捕捉其语义含义。

为了评估情感，我们为关键概念（如经济情绪和劳动力成本）定义了自定义“语义轴”，通过对比正面短语（例如“经济强劲增长”）和负面短语（例如“经济下滑”）构建这些轴。情感评分通过计算每句话与这些语义轴的余弦相似度来完成。

为确保结果的稳健性，我们将基于自定义语义轴的情感趋势与金融领域专用情感模型FinBERT的输出进行了对比。最后，我们将平均情感得分按时间进行可视化，以追踪企业话语的变化趋势。

深入访谈

即将到来