葡萄牙语长篇财务披露中的语义漂移

《The Journal of Finance and Data Science》:Semantic drift in long-form financial disclosures in Portuguese

【字体: 大 中 小 】 时间:2026年08月27日 来源:The Journal of Finance and Data Science 3.7

编辑推荐:

  摘要:财务披露包含关键信息,这些信息并不总是立即反映在市场价格中。追踪这些通信中的语义变化可以揭示叙事转变,但这很困难,因为财务文件篇幅长、模板化,且演变缓慢,这模糊了有意义的漂移与常规变化之间的界限。此外,葡萄牙语财务披露在金融自然语言处理(NLP)文献中仍

  
摘要:财务披露包含关键信息,这些信息并不总是立即反映在市场价格中。追踪这些通信中的语义变化可以揭示叙事转变,但这很困难,因为财务文件篇幅长、模板化,且演变缓慢,这模糊了有意义的漂移与常规变化之间的界限。此外,葡萄牙语财务披露在金融自然语言处理(NLP)文献中仍代表性不足。研究人员(此处用“研究人员”代替原文中的“我们”)提出了一种框架,用于测量葡萄牙语长篇披露中的语义漂移,该框架使用文档嵌入(document embeddings)、分块(chunking)和聚合(aggregation),并将漂移定义为连续余弦距离(cosine distance)。文章层面的推断使用了3个模型和5种聚合技术(每个数据集15种配置),跨越五个涵盖企业和公共部门报告的数据集。研究人员使用循环移位检验(circular-shift tests)、提交日期时间窗口(filing-date time windows)和格兰杰因果检验(Granger causality),辅以描述性事件对齐(descriptive event alignment)和事件研究诊断(event-study diagnostics),根据波动率信号对漂移进行验证。研究人员发现,在模型内校正下,淡水河谷(Vale)显示出正的漂移-波动率关联;葡萄牙电力公司(EDP)在各种配置下显示出稳健的漂移至波动率的格兰杰可预测性;而SLC农业公司(SLC)显示出稳健的提交日期窗口关联。国家供应公司(Conab)仅在与作为市场代理的SLC股票映射时显示出类似的格兰杰模式,这使得该结果对代理敏感。其他模型-数据集组合显示出较弱或不显著的关联,凸显了对文件类型和模板结构的敏感性。
**论文解读:基于文档嵌入的葡萄牙语长篇财务披露语义漂移测量框架**

**1. 研究背景、现存问题与研究动机**

财务披露(如季度报告、年度报告)是资本市场信息传递的核心载体,其文本内容的变化(即语义漂移,Semantic Drift)蕴含着关于公司战略、风险状况及运营环境的动态信息。现有研究表明,披露文本的措辞选择与公司业绩、股票回报和风险相关(Loughran and McDonald, 2011)。Cohen等人(2020)发现,对文件文本进行大幅度修改的公司,其后续回报低于文本几乎不变的公司,这归因于投资者对定性变化的忽视,从而凸显了测量披露语言变化率的经济意义。

然而,对语义漂移的测量面临诸多挑战。首先,现有研究多集中于情感评分或基于预定义词典的词频统计,未能充分捕捉文档整体语义的演变。其次,财务文件通常篇幅冗长(50-200页),远超大多数嵌入模型(如BERT)的上下文窗口限制,且文件结构高度模板化,导致语义变化与常规格式变动难以区分。此外,现有金融自然语言处理(NLP)研究严重偏向英语,对葡萄牙语等非英语语言的财务披露文本分析严重不足。Du等人(2025)的综述也指出,在金融领域内缺乏专门针对文本概念漂移检测的研究。

因此,本研究旨在填补这一空白。研究人员提出一个计算框架,用于系统性地测量葡萄牙语长篇财务披露中的语义漂移,并通过与多种市场信号(如波动率)的关联验证来检验其经济意义。该研究为评估方法在不同数据分布下的泛化性、鲁棒性和敏感性提供了实证支持,并通过关注葡萄牙语报告,拓宽了该领域的实证范围。

**2. 主要关键技术方法**

研究人员采用了一个多阶段的语义漂移测量框架。主要方法包括:**文档嵌入(Document Embeddings)**,使用三种模型(大规模多语言模型Qwen3-Embedding-8B、巴西葡萄牙语BERT模型BERTimbau、紧凑型多语言模型EuroBERT)将文本转化为高维数值向量;**分块与聚合(Chunking and Aggregation)**,为解决长文档处理问题,将文档分割成重叠的文本块(chunks),分别嵌入后通过五种策略(均值池化mean pooling、均值-协方差池化mean-covariance pooling、基于注意力的块聚合attention over chunks、查询注意力query attention、集成方法ensemble)聚合为文档向量;**验证方法**,基于循环移位检验(circular-shift test)、提交日期时间窗口(filing-date time windows)、格兰杰因果检验(Granger causality)、描述性事件对齐和域外注入测试,通过计算漂移序列与已实现波动率(realized volatility)等市场信号的关联来进行外部验证。

**3. 研究结果**

**3.1. 市场相关性(Market Correlation)**
使用循环移位排列检验,评估了每种配置下漂移与股票波动率之间的斯皮尔曼相关性(Spearman correlation)。在15种配置中,**淡水河谷(Vale)** 展现出最强的相关性,Qwen模型下的所有5种聚合方法均达到统计显著性(p < 0.05),表明对于经历重大运营冲击的公司,其披露语言的语义漂移与市场不确定性同时发生。巴西银行(Itaú)、葡萄牙电力公司(EDP)、国家供应公司(Conab)和SLC农业公司(SLC)的相关性较弱或不显著,显示漂移与市场结果的关系取决于公司类型和文件结构。

**3.2. 事件对齐(Event Alignment)**
基于描述性的事件对齐分析显示,对于淡水河谷(Vale),在最佳配置下,事件命中率(hit rate)较高(0.83),但排列检验结果未达到0.05的显著性阈值,因此该结果被视为提示性而非确认性证据。

**3.3. 先导-滞后分析(Lead-Lag Analysis)**
通过扫描漂移与波动率在不同滞后阶数下的交叉相关性,研究人员发现,对于所有数据集,在最佳配置下,漂移领先于波动率的正向滞后相关性均未达到统计显著性(p < 0.05),表明漂移与市场波动之间不存在稳定的先导-滞后关系。

**3.4. 格兰杰因果关系(Granger Causality)**
格兰杰因果检验用于评估时间序列上的可预测性。**葡萄牙电力公司(EDP)** 表现出最强的格兰杰因果证据:在所有15个模型和聚合配置下,漂移格兰杰导致波动率(p值范围0.00048–0.00737),而反向方向均不显著。这表明EDP的披露语言变化在时间上先于市场波动率的变动。对于**国家供应公司(Conab)**,当使用SLC农业公司(SLC)的股票作为市场代理时,也观察到漂移格兰杰导致波动率,但该结果对代理选择敏感。

**3.5. 提交日期时间窗口波动率(Filing-Date Time-Window Volatility)**
为了避免周期汇总效应,研究人员计算了以提交日期为锚定的时间窗口波动率。结果显示,**SLC农业公司(SLC)** 在[-5, +63]个交易日窗口内,其漂移与窗口波动率之间存在稳健的关联(ρ = 0.357, BH调整后p = 0.015),表明该公司的披露语言变化与提交文件前后的市场波动密切相关。

**3.6. 漂移尾部效应(Drift-Tail Volatility)**
研究人员检验了最高漂移尾部是否集中了更高的波动率。**SLC农业公司(SLC)** 和**巴西银行(Itaú)** 在特定窗口上的结果表现稳健,表明极端叙事变化即使在某段时间内的整体相关性较弱时,也携带了关于事件窗口风险的额外信息。

**3.7. 模型与聚合方法比较**
在淡水河谷(Vale)数据上,Qwen模型在所有聚合方法下均展现出最强的相关性,而BERTimbau和EuroBERT的相关性较低且相似。研究人员认为,Qwen的优势可能源于其更大的模型容量、与余弦距离对齐的对比学习目标,以及更擅长捕捉淡水河谷(Vale)在灾难后发生的广泛主题重组。聚合方法的选择会产生影响,但简单的均值池化(mean pooling)在许多情况下与基于注意力的方法表现出相当的性能。

**3.8. 词汇基线比较**
研究人员将TF-IDF和Jaccard指标作为词汇基线进行了比较。结果显示,在样本高度模板化、变化主要源于词汇更替的数据集(如SLC、Conab、Itaú)上,词汇基线(尤其是Jaccard)的表现与嵌入模型相当。而在变化更具叙事性和主题性的场景(如淡水河谷Vale)中,语义嵌入模型(Qwen)显著优于词汇基线,突显了语义表示在处理非词汇性、主题性语义漂移时的价值。

**4. 讨论与结论**

讨论部分指出,语义漂移与市场信号之间的关系因公司特征和文件类型而异。淡水河谷(Vale)的漂移与市场波动同步发生;葡萄牙电力公司(EDP)的漂移在时间上可预测后续波动;SLC农业公司(SLC)的漂移则与提交文件前后的市场波动相关。这些差异表明,该方法是通用的,但解释其信号需要结合具体背景。对于结构高度模板化的公共机构报告(如Conab),其漂移与市场信号的耦合较弱,这可能源于严格的格式限制、强烈的季节性周期以及报告频率与市场信息更新节奏的错位。

研究结论总结如下:本研究提出了一种可复现的方法,利用文档嵌入测量长篇披露中的语义漂移,并比较了多种长文档聚合策略。外部验证结果是上下文依赖的,不同公司表现出不同的漂移-市场关联模式。主要贡献在于提供了一个量化财务披露语言变化的工具,这些变化可能反映出公司定位、风险敞口等经济相关维度的演变。该框架可用于支持金融市场监管者的监控与执法,以及分析师和投资团队的筛选与风险评估。未来工作将优先加强验证设计和可解释性,包括扩大公司和披露类型范围、形式化事件记录,并开发将漂移峰值归因于具体文本的方法。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号