🤖 machine learning

How Much of a 10-K Matters? Aggregation-Dependent Value of Full-Text versus Risk-Factor Sentiment

本文表明，虽然全文 10-K 文件在行业和组合层面的收益率及波动率预测中能提供更优越的情感指标，但由于文档体量与可用训练信号之间的相互作用，较窄的第 1A 项风险因素部分在个体公司层面表现更佳，从而确立了监督式词典学习方法在监管披露分析中比传统词典更为有效。

原作者： Sanggyu Sean Choi

发布于 2026-07-17

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Sanggyu Sean Choi

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

请将股市想象成一片巨大且嘈杂的海洋，价格是波浪，而投资者的情绪则是洋流。几十年来，试图预测这些波浪的科学家们主要是在倾听新闻中的喋喋不休——那些关于公司现状的简短、有力的故事。但还有另一个更深层、却在很大程度上被忽视的信息源：公司依法必须提交的那些庞大且枯燥的年度报告。你可以把这些报告看作是公司的官方日记，一本厚厚的书，记录了他们过去一年的每一个细节，并且至关重要的一点是，其中有一个专门的章节，要求他们必须承认未来可能出现的所有可怕情况。

这项研究解决的核心问题是：我们如何将这些枯燥的法律文件转化为市场的“情绪计”？通常，计算机只是用一个预设的“好词”和“坏词”列表来扫描这些文本，就像老师用固定的评分标准来批改作文一样。但本文提出了一种更聪明的方法：让计算机通过观察市场的实际反应，来学习它自己的词汇表。目标是看看阅读整份年度报告，是否比只阅读公司列举恐惧的具体章节，能为未来的价格变化和价格波动性（即价格的摇晃程度）提供更多信息。

伟大的报告单实验

在这项研究中，研究人员扮演着侦探的角色，试图弄清楚公司年度报告的哪一部分包含了关于其未来的最多秘密。他们专注于 94 家大型科技公司（这类公司你可能会在以科技为主题的投资基金中看到）在 2006 年至 2023 年间的 1,383 份报告。

他们设定了一个聪明的游戏，有两个主要规则：

文本内容： 他们对比了阅读整个年度报告（“完整版 10-K”）与仅阅读名为“项目 1A”的特定章节（该章节专门用于列出风险和不确定性）的效果。
目标： 他们训练计算机模型去预测两件不同的事情：股票价格的下一步走向（回报率）以及价格跳动或摇晃的程度（波动性）。

他们通过三种不同的方式测试了这一点：将整个科技板块作为一个大组进行观察，观察一个由前 10 大公司组成的小型投资组合，以及单独观察一家公司（英伟达/Nvidia）。

转折点：规模很重要，但并非总是如此

结果有点像一个魔术，答案会根据你看待问题的角度而改变。

当观察大局时（整个板块或一组 10 家公司）：
阅读整份年度报告是赢家。计算机能从完整文档的海量文本中学习得更好。这就像试图通过听取一群人的谈话来预测天气；即使有些人谈论的是无关紧要的事情，但庞大的声音总量能帮助你听到真正的趋势。完整的报告为计算机提供了更多的“训练材料”，以弄清楚哪些词汇真正重要。

当聚焦于单一公司时：
魔力发生了反转！突然间，只阅读**风险章节（项目 1A）**变成了更好的选择。为什么呢？因为当你只能从一家公司的历史中学习时，年度报告的其余部分充满了“模板化”的内容——即那些每年变化不大的标准法律术语和财务数字。这就像试图通过阅读一个人长达十年的完整日记来猜测其当下的心情，而日记里甚至还记录了每天早餐吃了什么。这些额外的噪音淹没了重要的线索。但风险章节短小精悍，充满了对那家特定公司产生实际影响的担忧。

词汇究竟表达了什么

研究人员不仅查看了得分，还窥探了计算机认为重要的词汇。

对于整个板块： “好词”涉及创新和健康（如“扭矩/torque”或“肌肉/musk”），而“坏词”则涉及技术层面的挣扎。
对于风险章节： 这些词汇出人意料地具有针对性。仅针对风险的模型捕捉到了完整报告所遗漏的主题，例如“供应链风险”（如“分包商”和“依赖性”等词汇），甚至还提到了特定的“生物技术”或“网络安全”。看起来，风险章节是公司低声诉说其最恐惧的具体危险之处，而报告的其他部分则只是在喊一些泛泛而谈的口号。

“旧字典”问题

研究还测试了一种使用固定“负面”词汇列表（如 Loughran-McDonald 词典）的旧有流行方法。结果很有趣：这种旧方法始终以一种非常可预测的方式出错。它表现得过于消极，以至于其运动方向竟然与股价相反。研究人员解释说，这并不是因为词典本身有问题，而是因为它在设计时就非常谨慎。由于 10-K 报告在法律上要求必须保持谨慎，因此该词典到处都能看到“风险”，即便市场感觉良好。这证明了通过数据进行“学习”的计算机（此处使用的监督学习方法）要比仅仅使用静态词汇表的计算机要出色得多。

总结

论文得出结论，并没有一种单一的“最佳”阅读 10-K 报告的方法。如果你想了解整个科技行业的氛围，请阅读整本书。但如果你想了解一家公司的具体恐惧，请直接跳到风险章节。核心启示是，你所需的信息量完全取决于你在观察多少家公司。你组合在一起的公司越多，你就需要更多的文本来寻找信号；你观察的公司越少，你就越需要剔除噪音并专注于特定的风险。

这项研究并不声称已经破解了股市，但它提供了一个更聪明的工具包，将法律文件转化为有用的信号，向我们展示了根据我们试图理解的群体规模，究竟该去哪里寻找真相。

技术摘要：全文本与风险因素情绪在 10-K 文件中基于聚合维度的价值研究

问题陈述

金融情绪提取在历史上一直依赖于新闻文本以及针对回报标签的监督式提取。因此，监管文件——特别是美国证券交易委员会（SEC）的 Form 10-K——以及波动率这一目标（风险披露语言在很大程度上最适合为波动率提供信息）仍处于相对未被充分探索的状态。尽管此前的研究已将基于词典的评分或深度学习应用于此类文件，但在将监督式词汇学习应用于监管文本，以及更关键地，将波动率作为监督目标方面，仍存在空白。此外，目前尚不清楚是针对性的风险披露章节（Item 1A）还是全面的文件全文能产生更具预测性的情绪信号，以及这种关系如何随不同的聚合水平（行业、投资组合和单个公司）而变化。

研究方法

数据与提取

本研究利用了从 SEC EDGAR 系统检索到的 94 家纳斯达克 100 指数成分股（2006–2023 年）的 1,383 份 Form 10-K 文件。提取流程为每份文件隔离出两种文档变体：

全量文件（Full Filing）： 10-K 的完整 HTML 文本。
Item 1A： 通过结构化启发式方法提取的特定风险因素章节（通过移除页脚、识别标题并定位在“Item 1A”与下一个主要标题之间的部分）。

尽管 Item 1A 仅占文件长度的 10–15%，但它保留了约 57% 的全量文件预处理后词数，表明其具有高密度的情绪相关词汇。

模型架构

本文扩展了 Ke 等人 [2020] 最初为新闻文章设计的监督式词汇学习框架，将其应用于监管文件。该模型基于三个核心假设运行：

词汇分解： 词汇 $V$ 分解为情绪化词汇 $S$ 和中性词汇 $N$ 。文件的基调完全由 $S$ 中单词的计数决定。
混合分布： 情绪化词汇计数遵循受观测不到的情绪得分 $p_i \in [0, 1]$ 控制的混合多项式分布，其中 $p_i=1$ 代表纯正面情绪， $p_i=0$ 代表纯负面情绪。
充分性： 情绪得分 $p_i$ 对于文件内容与观测标签 $y_i$ （回报率或波动率）之间的关系是充分的。

训练与评分：

单词评分： 单词根据其在正向标签文件中的出现频率进行评分（公式 2）。如果单词的得分显著偏离 0.5（由阈值 $\alpha_+$ 和 $\alpha_-$ 控制）且满足频率计数 $k$ ，则将其保留为情绪化词汇。
主题估计： 由于真实的情绪得分是无法观测的，因此通过标签构建一个代理值 $\check{p}_i$ 。通过将相对情绪词频对代理矩阵进行线性投影，估计主题分布向量 $\hat{O}$ （代表正面和负面情绪主题）（公式 4）。
情绪预测： 对于新的文件，情绪得分 $\hat{p}$ 是惩罚对数似然函数的最大化值（公式 5），该函数会将得分向 0.5 压缩，以防止对于情绪词汇较少的文件产生过度自信。

标签与聚合

模型针对两个不同的目标进行训练：

回报率（Return）： 实现的开盘至收盘对数回报率的百分位数排名。
波动率（Volatility）： 基于日内对数价格范围（Corsi [2009]）的归一化代理值，在三天窗口内取平均值。

评估在三个聚合水平上进行：

行业（Sector）： 整个 QQQ（纳斯达克 100）技术板块。
投资组合（Portfolio）： 前 10 大成分股投资组合。
公司（Firm）： 单个公司（特指英伟达）。

行业级和投资组合级的序列使用局部水平卡尔曼滤波器进行平滑处理，以应对不规则的文件到达并减少噪声。公司级得分则在不经过滤的情况下进行分析，以保留特定文件的变动。

核心贡献

方法论扩展： 首次将监督式词汇学习方法应用于 10-K 文件及其 Item 1A 风险因素章节，超越了新闻文本的应用范围。
目标扩展： 首次将该框架应用于针对波动率目标（而非仅针对回报率）进行监督的情绪提取。
消融实验： 在三个聚合水平上对全量文件文本与 Item 1A 章节进行了系统比较，分离了针对性风险披露与全面文本的预测价值。
多维度评估： 通过分类准确率、与市场结果的相关性以及定性词汇分析，对十二种产生的不同情绪指标（2 种文档类型 $\times$ 2 个目标 $\times$ 3 个水平）进行了全面评估。

结果

准确率与损失

行业与投资组合层面： 对于回报率和波动率目标，全量 10-K 文本的表现均优于仅含 Item 1A 的章节，准确率领先幅度为 2–5 个百分点。
单个公司层面： 趋势发生反转。在回报率上，Item 1A 章节比全量文件高出 1 个百分点；在波动率上高出 6 个百分点。
解释： 这归因于聚合效应。在行业/投资组合层面，全量文件较大的异质性词汇库提供了足够的素材，以便在许多公司中分离出情绪化术语。在单个公司层面（ $n=1$ ），全量文件中的模板化语言和财务报表语言稀释了信号，而 Item 1A 较窄且集中的词汇库则更好地匹配了有限的训练信号。

定性词汇分析

模型学习到了不同的主题：

全量 10-K： 捕捉了广泛的主题，如“创新与发展”（例如 musk, torque）和“财务健康”。
Item 1A： 在投资组合层面涌现了常在全量文本中被稀释的具体前瞻性风险叙事，如“供应链风险”（例如 subcontractor, dependence）；在行业层面则出现了“生物技术”或明确的“网络安全”主题。

重要性与主张

本文确立了文本来源（全量文件 vs. 风险因素章节）的价值是依赖于聚合水平的。作者认为，虽然全量文件文本因其统计效力而在宏观市场分析中提供更优的情绪信号，但针对性的风险章节在训练数据稀缺的单个公司分析中表现更佳。

研究声称，由于静态 LM 词典与价格呈现强负相关，而监督模型成功实现了反转或适配，因此对监管披露文本进行监督式词汇学习是必不可少的。这些发现和设计选择并非最终产品，而是作为后续更大规模、多源系统的基础方法论。作者保持了谦逊的态度，指出了局限性，如词袋表示法（忽略了多词短语）以及聚合中缺乏指数权重，并将此工作定位为迈向更稳健的金融情绪分析的必要步骤。