企业官网建设流程全解析

做文本回归研究的人最怕什么？不是模型不显著，不是审稿人意见刁钻，而是数据从源头就是错的，后面所有结论都建立在流沙上。这几年做信息披露与非财务信息研究，“同行MD&A语调（2007-2023）”这个课题算是绕不开的一个方向。管理层讨论与分析，简称MD&A，是上市公司定期报告里管理层亲自执笔写的那部分——回顾过去一年怎么经营、解释数字为什么这么走、展望下一年打算怎么打。把这一大段汉字变成可计算的积极、消极情绪分，就是“语调”。加上“同行”两个字，格局一下就变了：不再只看一家公司自己怎么说，而是看整个行业内各家公司的说法彼此怎么传染、怎么竞争、怎么影响投资者预期。

这篇文章把我自己做这个课题的完整思路写出来，从样本构建、文本抽取、情感测度，到实证模型和审稿人常见质疑，尽量说人话、给能直接用的代码逻辑和避坑经验。适合正在做会计、金融、公司金融实证研究的硕博生，也适合想引入文本指标做辅助判断的分析师。下面按我做项目的顺序展开。

1. 这一课题到底在研究什么，为什么值得做

1.1 语调不是简单“好话坏话”，它是一层信号

先在概念上对齐。MD&A在年报里的位置，各家虽然格式略有差别，但大体都是三块内容：经营回顾、未来展望、风险提示。这三块是管理层在合规披露框架里，自主表达空间最大的地方。财务报表层面的盈余操纵有审计盯着，但“用词口气”很难被审计师量化，这就让MD&A语调自带一种“半真半假”的信息含量。

举一个例子。两家公司当年净利润同样下滑20%，A公司通篇强调“主动淘汰落后产能、收缩非核心业务”，B公司反复解释“行业宏观需求萎缩、原材料成本高企”。业绩数字一样，但管理层想传递的信号完全不同。前者想表达“阵痛是自找的，未来会更轻”，后者想表达“环境太差，不是我的问题”。这种差异在资产负债表里看不出来，却在文本里明晃晃地存在。语调研究就是把这个主观信号转成客观数字。

海外文献早就发现，MD&A语调对股价、分析师预测修正和未来盈余都有增量解释力。换句话说，管理层语调不是嘴上说说，市场真的会为“口气”定价。这也给了一个天然检验：语调越好听的报告，未来业绩是否真的更好？如果答案是肯定的，语调是信息；如果长期反向，语调更像操纵。2007年到2023年这个窗口，恰好在完整度和可比性上都有它的合理性，后面会专门解释。

1.2 加“同行”二字，研究视角从个体跳到环境

单家公司语调放在个体层面，研究的是“自己说得好不好”。加上同行以后，问题变成了“别人说得好，我会不会跟着说得好”。这个视角在理论上有两条非常清晰的路。

第一条是信息外部性。同行业公司面对的宏观需求、原材料价格、技术路线高度相关。同行管理层在报告里释放的行业判断，对本公司管理层是免费的调研报告。如果同行业普遍乐观，公司管理层会认为行业拐点来了，语调也会更积极。这一条更接近“学习”。

第二条是竞争压力。投资者横向比较行业内公司是做基本面分析的基本动作。一个行业内风声鹤唳时，积极的公司显得出众；但反过来，如果别人都说未来很好，自己却大谈风险，估值可能被压。为了避免在相对比较中吃亏，管理层有动机向同行语调靠拢。这一条更接近“模仿”。

学习与模仿的结果在数据上都表现为正相关，但背后的机制完全不同，这也是后续实证要做机制区分的原因。研究同行语调，本质是研究信息披露的“场效应”，它不仅影响一家公司怎么被看见，还影响管理层怎么决定让别人看见什么。

1.3 为什么窗口偏偏选2007到2023

2007年这个起点不是拍脑袋定的，主要三个原因。

一是披露格式的拐点。那一轮制度改革后，上市公司定期报告的章节结构明显规范化，MD&A从过去杂糅在“董事会报告”里的状态，逐渐成为有固定位置、有固定要素的独立板块。再往前推，文本格式五花八门，同一个章节关键词在不同年份指的都不是同一块内容，机器切段非常不可靠。

二是历史周期的完整性。2007到2023年覆盖了完整的多轮经济周期，既包含高增长阶段，也包含下行阶段，行业层面有大量的景气切换，这为识别“同行语调的外生冲击”提供了方差。

三是数据可得性。2023年是文本数据能拿到完整年度的最近窗口，2024年报在当时还分散在披露期。对于需要严格截断样本的实证研究，2007-2023是一个不缺头不缺尾的干净区间。

这里有一个容易被忽略的点：区间越长，文本格式漂移越大。2007年的年报和2023年的年报，虽然是同类文件，但语言习惯、监管要求、排版风格差异极大。如果不做处理，语调的时间趋势可能与年份固定效应混在一起。所以我在后续直接按年份做标准化，并把“年度+行业”双固定效应放进模型。

2. 样本和数据准备：先把语料仓库盘出来

2.1 从哪拿数据，拿哪些字段

做这个课题，数据分两条线。一条是文本线，一条是结构线。

文本线是年报全文。最干净的办法是从官方指定披露平台按年度批量下载年报PDF或HTML。我习惯优先保存HTML或各类结构化文本版本，而不是PDF，因为PDF排版复杂，解析成本高，扫描版更是灾难。如果只能拿到PDF，也别慌，后面第三节有专门的处理套路。

结构线是公司基本面数据，从一个商情数据终端导出即可。需要的基础字段包括：证券代码、会计期间、行业分类代码、净利润、营业收入、总资产、资产负债率、上市日期、审计意见类型、是否被特殊处理。这些字段一方面用于样本筛选，另一方面是回归模型里必不可少的控制变量。

有人会问：为什么不直接找现成的MD&A语调数据库？市面上确实有一些供应商提供情感分或文本特征数据，但我个人建议至少自己从原始文本重算一遍，理由有两个：第一，第三方词表和数据口径不透明，换一家供应商结论可能漂移；第二，审稿人基本都会追问“语调指标是怎么构造的”，自己手里有原始文本和可复现脚本，答起来底气完全不同。

2.2 样本筛选规则要能讲出道理

我跑了这个课题之后，深刻理解了“样本筛选不是偷懒，而是研究设计的一部分”。基础规则通常有四条，但每条都要能写进论文的样本说明里。

第一，剔除金融行业公司。金融企业的报表结构、业务模式和披露模板与其他行业差异太大，混在一起，无论是财务指标还是MD&A语言习惯都会引入不可观测的噪声。剔除金融业是行业惯例，不是歧视。

第二，剔除上市当年的公司。上市当年的年报，管理层对资本市场还不熟悉，文本里有大量的上市路演语言，和后续年度的语调风格不一致；更重要的是，上市当年很多时候同行可比样本不足。我倾向把第一个完整经营年度作为观测起点。

第三，特殊处理公司的处理方式。ST、PT公司在文本里有明显强烈的求生表达动机，极端积极或极端消极都可能。如果研究主题本身是管理层动机，那保留并加标记是合理的；如果研究主题是信息含量，则必须做敏感性分析。

第四，连续变量缩尾。语调变量通常在1%和99%分位做缩尾，财务变量同口径处理。这个操作会在结果表注释里写明，目的是减轻极端值影响。

筛选完成后，要把每家公司的每个年度的MD&A文本段逐一确认有内容，避免出现年报文本缺失、解析失败导致的空样本。我在第一步就做过统计，有些年份的高管辞旧迎新、经营讨论不到三百字，这类极短文本需要单独标记。

2.3 同行定义：口径不同，结论可能两级反转

“同行”是这个课题最核心的变量定义，没有之一。我至少见过三种做法，各有取舍。

第一种是监管口径行业分类，按门类和大类取同一类公司。优点是出处权威、跨年度可比性强、补数据方便。缺点是粒度偏粗，很多“同门类”公司产品完全不搭界。

第二种是商情终端的行业分类。这类分类常常按上市公司主营业务、收入来源和商业模式划分，更贴近投资逻辑。优点是同行“质量”高，缺点是分类规则在不同年份可能修订，出现公司被重分类的情况，必须自己拉历史版本对比。

第三种是基于主营产品的人工归类。适合做小样本精耕细作，或者在研究某个细分赛道时使用。缺点是主观性强，且2007-2023这个跨度里公司主营业务本身会变，追踪成本非常高。

同行语调的聚合方式也值得列清楚。最常用的是行业内剔除本公司后的简单平均，但我建议同步计算中位数、市值加权平均值。简单平均容易被小公司极端语调拉动；中位数更稳健；市值加权则更贴近市场关注度。如果三种口径下结论方向一致，那才算稳。

2.4 为什么说2007年前后文本不能直接拼

如果目标区间是2007-2023，大家在拿数据时不会真的遇到2007年以前的文本，但会遭遇“格式漂移”问题。2007-2010年的年报，很多公司的MD&A内容还叫“董事会报告摘要”，章节内部把小标题写成“经营情况讨论与分析”；2012年前后监管机构持续强调分行业披露，MD&A里开始出现大量行业对比数据；近几年又增加了“报告期内主要经营情况”“面临的风险和应对措施”等固定子标题。

这对文本抽取的影响非常直接：用同一套关键词去定位MD&A，不同年份可能切多、切少、甚至切错。我的做法是，不同年份区间使用不同的切段规则，同时保留切下来的首尾两个小标题，人工抽检上百条，优先保证章节边界的准确性。这个细节听着琐碎，但它直接决定后面所有语调数字是“年报全篇的情感”还是“MD&A局部的情感”，两者研究意义完全不同。

3. 语调测算：从全篇年报到一行数字

3.1 一定先截MD&A，别拿全文跑情感

很多第一次做文本研究的同学习惯把年报全文丢进情感词典，这个坑我踩过，效果非常差。年报全文里财务附注占了大半篇幅，大量被动语态、专业术语、数字表格，这些内容的情感意义很弱，会把MD&A里的真实语调稀释掉。审计报告、重要事项、股东大会决议等内容也有各自的文本风格。研究目标既然是MD&A语调，就必须先精确切出MD&A部分。

切段实操我建议做两轮定位。第一轮用粗关键词定位MD&A起始位置，比如“管理层讨论与分析”“经营情况讨论与分析”“董事会报告”；第二轮用后续章节标题定位终止位置，比如“重要事项”“公司治理”“备查文件”。遇到粗定位失败或两轮定位结果不一致的样本，直接标记为解析存疑，单独人工处理，不要硬塞进语料库。

切段这一步用Python做工作量最大，好几万份年报要批量处理。我的建议是保存每一步中间结果：原始文本、切段结果、词频统计、语调得分，四个版本的csv各留一份。这样后续无论换词典还是换规则，都不用重新解析PDF。

3.2 词典选型：通用情感词典在金融语境会翻车

语调的数字化依赖情感词典。海外研究最常用的一套金融情感词典，业内习惯简称为LM词表，它把词语分成积极、消极、不确定性、强语气词等类别。这套词典最大的特点是针对财报语境重新标注过，比如某些在日常语境里是中性、在财报里是消极的词，它处理得更准确。

中文市场的工具选择要格外小心。常用通用情感词典的优势是覆盖面大，但金融语境下的误判很严重。举个例子，“波动”一词在很多通用词典里标成消极，可年报里的“价格波动”“汇率波动”更多是中性事实陈述；“危机”在“金融危机”中是负面，但在“完善危机应对机制”里几乎是中性甚至偏正面。直接用通用词典跑出来的语调，会系统性度量偏差，而且这个偏差在不同年份、不同行业之间还不一样，非常要命。

我的做法是三层结合：第一层用通用情感词典获得大词表；第二层叠加金融领域词表，把“亏损”“减值”“诉讼”“债务违约”这类金融消极词补充进去，同时给“波动”“调整”“重组”这类语境词做二次分类；第三层自己做一个年报语料高频词表，把每年频繁出现但没有明显情感色彩的词排除在外。

这里补充一个高级但实用的思路：先跑一轮默认词典，再看结果与未来业绩的相关性，如果符号不对，不要急着否定研究设计，先回头检查是不是词典层出了问题。很多时候，“结果不好看”不是模型错，而是情感度量错了。

3.3 语调公式与一套可直接复用的处理逻辑

语调度量的核心公式不复杂，常见写法有两种。

第一种：Tone = (Positive - Negative) / (Positive + Negative)，取值从-1到1。分子分母都只统计积极和消极词频，优点是简单直观，缺点是完全忽略了中性词信息。

第二种：Tone = (Positive - Negative) / TotalWords，也就是用总词数做分母。分母变大了，语调系数会更平滑，不同长度文本之间的可比性更强。

我个人更倾向在两种都算的基础上，再做一层logit变换，对极端值更友好。处理方法就是先算积极占比，再logit转换，比如 score = ln((pos+0.5)/(neg+0.5))，这个小技巧能很好缓解分母为0或接近0的样本问题。

分词环节同样重要。中文年报里“净利润”“毛利率”“营业收入”这类词，如果是标准分词，会被拆成“净”“利润”“毛利率”等碎片，对词频统计有干扰。建议使用带金融词典扩展的分词工具，或者先对财务术语建立自定义词典再分词。

下面给一段非常干的伪代码示意，展示的是从切好的MD&A文本到语调得分的核心循环：

import jieba import re def calc_tone(mda_text, pos_dict, neg_dict, negator_set): # 自定义金融词典优先 for w in fin_terms: jieba.add_word(w) tokens = jieba.lcut(mda_text) pos = 0 neg = 0 i = 0 while i < len(tokens): w = tokens[i] # 否定词翻转 flag = 1 if i >= 1 and tokens[i-1] in negator_set: flag = -1 if w in pos_dict: pos += 1 if flag == 1 else 0 elif w in neg_dict: neg += 1 if flag == 1 else 0 # 更精细的规则可以继续处理程度副词、转折词 i += 1 total = len(tokens) + 1e-6 tone1 = (pos - neg) / (pos + neg + 1e-6) tone2 = (pos - neg) / total return tone1, tone2

说明一下，这只是一个骨架，实际生产环境里我会把词典加载、句子切分、否定词窗口扫描和结果存储分开写，每份年报处理后都回写一份原始MD&A的字符数、情感词总数等诊断变量。这样后面做稳健性检验时，随时可以把极端值样本调出来核对。

3.4 信效度检查：你的语调得分到底准不准

语调得分跑出来以后，第一件事不是看回归，是做三组检查。

第一组合理性检查。把样本按当年净利润增速分组，盈利大幅增长公司的平均语调应该明显高于大幅亏损公司。如果连这个最基础的关系都不显著，说明词典或切段有问题，赶紧回去查。

第二组人工抽样。随机抽30个样本，人工读MD&A，按“显著偏正面、中性、显著偏负面”三档打分，再与机器得分排序做相关。这个工作量不大，但遇到审稿人质疑“情感词表是否合理”时非常管用。

第三组文本长度与语调相关性。如果语调得分和文本长度高度相关，很可能是长度效应没有去除。比如话痨型管理层积极词和消极词都更多，简单相减就可能被文本长度干扰。此时需要用上面的总词数作分母版本，或在回归里控制文本长度。

4. 实证模型：怎么证明“同行语调”确实在起作用

4.1 基准回归：同行语调对公司语调的影响

跑通语调指标后，进入实证环节。基准模型通常长这样：

Firm_Tone_it = α + β × Peer_Tone_i(-t) + γ × Controls_it + Year_FE + Industry_FE + ε_it

被解释变量是本公司当年MD&A语调；核心解释变量是同行公司当年MD&A语调的平均值，计算时剔除本公司；控制变量一般包括公司规模、盈利能力、成长性、财务杠杆、审计意见类型、上市年限等；固定效应至少要控制年度和行业。β的方向是核心看点，β显著为正说明存在跟随或模仿效应，β显著为负则说明同行越乐观、本公司越克制。

控制变量的选择要呼应研究假设。如果研究信息学习机制，则要控制同行整体的平均业绩、同行整体的规模分布，否则同行语调很可能只是同行业绩的影子。如果研究竞争压力机制，则要加入行业竞争度，比如行业内公司数量或市场份额集中度。

我在第一次跑基准回归时，β确实显著为正，但有个细节让我警惕：如果把同行语调换成同行平均净利润增速，β依然显著。这说明同行语调与同行业绩高度相关，想要单独识别“语调效应”，必须做更严格的分层检验，否则结论会被同行基本面解释掉。

4.2 内生性处理：同行语调不是随机的

“同行影响本公司”这个因果方向，最大的威胁其实是遗漏变量或反向因果。同行公司共享行业景气度、共享宏观环境、共享产业政策，任何行业层面的共同冲击都可能让同行语调一起变化，而我们却误以为是一家公司模仿另一家。

常用对策有几样，组合起来用效果更好。

一是时序先行。解释变量用同行语调的滞后一期，甚至滞后两期。管理层模仿的是同行上一年的说话方式，这在时间顺序上更干净。

二是公司固定效应。把不随时间变化的公司特征（比如公司文化、管理层惯例）吸收掉，剩下的变异来自时间维度。这样能缓解公司层面的遗漏变量。

三是行业-年度冲击作为工具变量方向。寻找一个来自行业外部、但行业内所有公司共同面对的因素，比如大宗商品价格波动、产业政策力度等。这类工具变量在纯文本研究里不太好找，但可以试着与“行业平均出口份额变化”“行业产能利用率变化”结合。

四是安慰剂检验。随机重置同行组合，比如把行业标签随机打乱再算“伪同行语调”，重复500次，看伪回归系数的分布。如果真实回归系数明显落在伪分布的外侧，就有底气说同行关系不是机械相关的产物。

这些检验不会都写进论文，但至少要在工作底稿里做一遍。实际操作中，我强烈建议把“只看基准回归结果”当成大忌，等到内生性检验都做完，结论才敢往外拿。

4.3 机制检验与分组设计：同行语调为什么有说服力

如果基准结果显示同行语调对公司语调有显著影响，下一个问题是：通过哪种路径？

第一种路径是信息学习。可以选高信息不确定性样本做分组：当行业内的公司基本面分歧更大、宏观预测更模糊时，管理层更可能依赖同行语调作为外部信息源。分组结果如果显示“不确定性越高、同行语调影响越大”，就支持信息学习。

第二种路径是竞争模仿。可以选高竞争强度样本做分组：行业内公司数量多、产品同质性强时，投资者横向比较更频繁，管理层更怕在语调上落后。如果竞争强度越高、同行语调影响越大，则支持竞争模仿。

第三种路径是股权与动机差异。民营公司和管理层持股比例高的公司，语调策略调整更灵活，同行跟随效应可能更强；国有体制下的管理层披露策略更保守，跟随效应可能更弱。

分组检验的价值在于，它让“同行语调影响公司语调”这个结果从现象变成有解释力的机制。审稿人最烦那种只报一个正相关就收工的论文，至少要给出一个机制倾向。

4.4 换个被解释变量：语调还能影响什么

同行语调的研究完全可以把被解释变量从“本公司语调”扩展到更远的地方，这会极大提升课题的延展性。

一个方向是同行语调对公司未来业绩的预测能力。同行业管理层集体乐观或集体悲观，往往意味着行业基本面正处于拐点。用同行语调的年度变化预测本公司未来三年营业收入增速，如果能显著预测，说明这个文本指标不只是噪音。

另一个方向是同行语调对公司投资行为的影响。如果同行普遍乐观，本公司管理层是否愿意增加资本开支？这里面有一个“语调锚定”问题，管理者可能被同行传递的乐观信号带偏，过度投资值得警惕。

还有一个方向是市场反应。投资者会对“与同行语调差异巨大的公司”给予更高关注度。公司语调相对同行的偏离度，可以作为解释股票超额收益或分析师预测分歧的变量。

这些延展不需要全部做，但至少选择一个作为主回归之后的外延分析，会让整个课题从“跟随效应”生长成一个完整的叙事：同行语调影响管理层自己的披露，进而影响投资与市场判断。

5. 实操中的坑，几乎个个都是真金白银换来的

5.1 PDF解析：扫描版年报是文本研究的第一杀手

很多早期年报是扫描版PDF，直接提取根本无法获得文字层。我在处理2007-2012年样本时，扫描件比例很高，必须走OCR。OCR的识别率直接决定了情感词表能否命中。“困损”“利调”这类错字一多，词频统计就失真。

我的经验如下。能拿结构化文本优先拿，不要跟PDF硬刚；必须OCR时，先做页面倾斜校正和灰度归一化再识别；识别完成后，用“净利润”“营业收入”等年报高频词做正确率自检，如果一个年报里这些词大量识别错，这份样本标记为低质量。批量处理时加上断点续传机制，因为几十万页OCR一定会有失败样本。

另外，PDF解析脚本不要贪图一气呵成，我按年份建子目录，每个子目录跑完单独校验页数和解析成功率。第二年做数据更新时，脚本可以直接复用，节约大量时间。

5.2 情感词典的语境失灵：否定词和转折词必须处理

用词典法做情感分析，最常见的失真来自否定词和转折词。“没有出现重大不利变化”这句话，如果只按词频算，“不利”“变化”都可能命中消极词，整句被判成消极，但实际意思是积极。类似案例在年报里大量存在，尤其风险管理章节。

我的处理逻辑是，对每个命中消极词的token，向前扫描最多3个词，如果存在“未”“无”“没有”“不”等否定词，就把消极计数抵消；对“但是”“然而”“此外”这类转折词，则刷新情感窗口，让转折后的语段对语调贡献更大。这个规则虽然粗糙，但比直接词频统计干净很多。

还有一个容易忽略的问题：一句里同时出现积极词和消极词时，词典法默认是“相减”，但人读句子时是会根据语义优先级的。我补了一个小规则，财报语境下，如果句子里出现“预计”“有望”“减缓但可控”这类程度和趋势词，积极语气权重稍微上调。这一套规则写进脚本后，语调与未来业绩的相关性明显提升了。

5.3 行业分类口径不一致，会造成“同行”忽大忽小

厂商分类、监管门类、自己手工归类，三套口径之间不完全兼容，是过滤样本时的重灾区。最典型的问题是，一家公司的业务横跨两个行业，监管门类按主营归到制造业，商情终端却可能归到科技板块。如果你只用了其中一套，同行的寿命和规模分布就会非常不同。

我的习惯是保存行业代码的原始来源，不迷信任何一套体系。构建同行组合时，至少同时跑两个口径，并统计每个口径下每家公司的有效同行数量。凡是同行公司少于3家的样本，单独标记，默认不进入主回归，只在稳健性检验里使用。这个筛选规则看着粗暴，但能避免“一个竞争对手都没有还硬说同行影响”的尴尬。

5.4 极端值与零值：语调数字也是很“情绪化”的

语调得分分布通常是尖峰厚尾，大部分公司语调在0上下波动，但也有报表写得特别情绪化的公司，得分远高于正常范围。这类样本有时是真的危机感，有时只是行文风格夸张。处理上有几个土办法值得用。

第一，用中位数而不是均值做同行聚合，削弱极端值影响。第二，对语调变量做logit或z-score变换，让分布更接近正态。第三，手工核查语调得分排在前后1%的公司年报，看看它们的MD&A是否真的在说积极或消极的话。这一步不能省，因为极端值公司往往就是极端的行业故事，它们既可能是趋势的先行者，也可能是纯粹的话痨型披露者。

我还踩过一个幺蛾子：有些年报的MD&A只有寥寥几句话，用词极少，积极词和消极词都只出现一两次，算出的语调却极端乐观或极端悲观。后来我在脚本里加了一道文本长度门槛，低于一定字符数的样本单独标记，不参与主回归，只做敏感度分析。

6. 结果解读、审稿质疑与下一步扩展

6.1 系数符号背后的解释要看经济显著性

做实证的人都知道，p值显著不等于经济显著。同行语调一个标准差上升，本公司语调究竟上升多少个标准差？这个指标才是结论的“体量”。我用一个表格说明常见情形下的解读逻辑（数值仅为示意）：

在论文或报告里，我习惯同时报告标准化系数和原始系数。标准化系数方便跨研究比较，原始系数方便读者理解实际业务含义。千万别只给一个p值，否则导师或审稿人都会追着问“你这个效应到底有多大”。

6.2 最常被问的三个问题，和对策

第一个问题：你的语调指标到底在测什么情感？应对方式是拿出内容效度证据。人工抽样结果、与盈利变化的关系、与股价反应的同步性，三样至少给两样。

第二个问题：同行为何会“影响”本公司语调，是否为共同冲击的假象？应对方式是在模型里放入同行平均盈利、同行平均营收增速等变量，再做安慰剂检验。如果加入这些变量后同行语调系数依然存在，说明语调确实携带超出基本面数字的信息。

第三个问题：2007到2023年文本格式变化这么大，你的语调跨期可比吗？应对方式是年度标准化或分时段回归，至少把2007-2013和2014-2023分成两个子样本检验，结论方向一致才有说服力。

6.3 后续扩展：从词典法到大语言模型，空间还很大

这个课题做完基础版本后，扩展方向很清晰。想要更高频，可以引入季度报告和管理层业绩说明会文字记录，做季度层面的同行语调传染。想要更精细，可以用大语言模型做情感归纳，替代或叠加传统词典法，把“反讽”“克制乐观”这类复杂语气也识别出来。想要更外延，可以把同行语调的月度或事件研究版本的指标，接入量化因子测试。

大语言模型方向的注意点是成本与稳定性：批量跑几万份年报的文本，耗时会显著高于词典法；而且模型版本更新后，情感判断标准可能漂移，跨期可比性未必比词典法更好。所以我的建议是让大语言模型与传统词典法互相验证，而不是简单代替。

如果只是想在现有数据基础上快速出增量结论，还有一个成本很低的做法：把本公司语调相对同行语调的偏离度建一个变量，看这个偏离度对股票超额收益是否有预测力。这个方向材料现成，逻辑清晰，非常适合作为课题的分支输出。

最后分享一个我自己的习惯。每次跑完语调数据，我一定会做三件事：把语调得分最高和最低的5家公司年报原文打开看一遍，确认机器没有把格式错乱、表格内容当作文本；抽查同行组合，确认同行业公司匹配没有沿用失效的历史行业代码；所有中间结果备份成带日期的版本，方便回溯。文本研究最大的坑从来不是模型不够炫，而是数据源头已经错了，模型再漂亮都是在给错误背书。希望大家在做“同行MD&A语调”或类似文本课题时，能把更多时间花在这些源头检查上，后面路会顺很多。