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MDA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MDA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。MDA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MDA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MDA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20232007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MDA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MDA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MDA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MDA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MDA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MDA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MDA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“MDA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MDA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MDA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MDA语调就必须先精确切出MDA部分。切段实操我建议做两轮定位。第一轮用粗关键词定位MDA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((pos0.5)/(neg0.5))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MDA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MDA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MDA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MDA语调核心解释变量是同行公司当年MDA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MDA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MDA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情形同行语调系数经济显著性合理解读同行语调高公司语调也高正、显著同行语调一个标准差升0.3个标准差存在行业内语调跟随/传染同行语调高公司语调反而低负、显著同行语调一个标准差降0.2个标准差存在差异化披露与竞争性抵消同行语调影响弱接近0经济显著性很小公司语调主要受自身因素驱动同行语调仅在小样本行业显著仅在细分行业显著系数忽大忽小同行定义过细则噪声大需要调整口径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MDA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。