学海拾珠系列之二百二十二：基于语境的财务信息解读

本篇研报探讨了财务数字与文本背景交互的经济重要性，采用BERT编码捕捉文本多维信息，通过ANN模型完成文本与数字信息的深度交互，实现数值信息的情境化解读。主要观点如下：

核心观点

• 情境信息对于解释数字输入具有重要意义，融入叙述背景能大幅提升数字数据的价值。
• 量化财务数字与文本信息背景交互面临两大挑战：编码文本中的详细语义信息，构建模型以捕捉数字和文本间丰富且高度非线性的相互作用。
• 研究采用BERT编码捕捉文本多维信息，通过ANN模型完成文本与数字信息的深度交互，结果表明情境信息对于解释数字输入具有重要意义。

模型方法

• 从MD&A报告中提取收益相关句子，并使用BERT编码文本信息。
• 构建ANN全连接模型，将会计信息（营收、经营现金流，按资产规模调整）与上下文信息作为输入，预测未来收益等目标变量。
• 基准模型包括：数字输入模型、BERT编码后的文本输入模型、部分连接的模型（情境信息不参与数字输入的处理）。

研究结果

• 会计信息与情境互动：提升预期准确性，强化数字解读。
  • 情境性在宏观经济不确定性增加时更为重要。
  • 分析师在预测决策中考虑了叙述情境与数字披露的相互作用，提高了预测准确性。
  • 模型通过情境衡量收益持续性异质性，成功捕捉公司-年度特征，在解释样本外收益动态方面信息价值更高。
• 叙述性信息本身即包含有用信息，但主要价值来自与数字的交互，即允许情境化。
• 数字披露情境性的积极时间趋势：二十年间，其占比从大约1%增长到大约10%。

研究结论

• 叙述性披露不仅因其直接信息价值，更因其与数字数据的交互而具有价值。
• 情境性在解释数字信息方面的重要性随时间增加，且在数字信息更难评估时更为重要。
• 基于情境的收益持续性衡量指标优于公司层面的无情境持续性衡量指标，在样本外预测收益动态方面具有更高的信息价值。

研究意义

• 为会计和金融领域关于企业沟通文本分析的文献做出贡献。
• 引入基于情境的收益持续性衡量指标，扩展了一系列可以探索的研究问题。
• 为多模态通信和多模态数据在机器学习中的应用开辟了新的研究途径。