财报电话会这件事，很多人都听说过。
但大多数量化研究，处理它的方式其实很粗。
做法往往是把整场电话会当成一大段文本，算一个平均情绪分，然后去看这个分数和股价有没有关系。
这篇 2026 年 4 月新鲜出炉的 arXiv 论文，问了一个更聪明的问题：
同样一句乐观的话，如果是 CEO 说的，和如果是分析师问出来的，信息含量真的一样吗？
作者把这个问题做得很彻底。他们用 FinBERT 扫了 2015 到 2025 年、16428 场标普 500 财报电话会、约 650 万个句子，然后不再把整场会当成一个整体，而是拆成四类说话人：
1. 分析师 2. CFO 3. 其他核心高管，比如 CEO、COO、CTO 4. 其他参与者
最后他们得出的结论很直接：
真正最能推动财报后收益率差异的，不是“整体情绪”，而是“不同说话人的情绪，应该按不同权重去算”。
而且最有信息量的声音，居然是分析师。
这篇论文到底在做什么
先把问题翻译成人话。
财报电话会里，管理层会先讲准备好的稿子，然后进入问答环节。这个场景里混着两类完全不同的信息。
一类是“硬信息”，比如营收、利润、指引。
另一类是“软信息”，比如语气、自信程度、闪躲、犹豫、追问的锋利程度。
软信息：不是财报表格里那种能直接抄进 Excel 的数字，而是隐藏在措辞、语气和互动方式里的信息。就像两家公司都说“下季度前景乐观”，一个说得笃定，一个说得飘，你直觉上会给它们不同分数。
这篇论文的核心想法，就是把“软信息”从一锅粥里分离出来。
作者不是问“整场会偏正面还是偏负面”，而是问：
哪一类人的情绪，最值得市场认真听。
为什么“谁在说”比“说了什么”更重要
这篇论文最有价值的地方，不是又跑了一个文本模型。
而是它抓住了一个很容易被忽略、但其实非常符合常识的点：
不同角色，说同样的话，可信度和信息密度并不一样。
你想一下这个场景。
CEO 在开场白里说，公司战略势头很好、执行很强、未来很有信心。这些话可能是真的，但也可能带着明显的管理层修饰。
分析师在问答环节里的风格就不同了。他们通常会追问库存、毛利率、订单可持续性、客户砍单、资本开支、定价压力。这些问题不是给公司做 PR 的，而是为了替市场试探管理层的底牌。
FinBERT：一个专门处理金融文本情绪的语言模型。你可以把它理解成“看过大量财报、研报、电话会记录”的 BERT，它比普通情绪词典更懂金融语境。
信息含量：不是一句话听起来多热闹，而是它能不能帮助你更准确地预测后面的市场反应。
论文的意思其实很朴素：
市场不是没在听电话会，而是过去的量化做法没把“发言人身份”这个维度用好。
他们是怎么做的
方法并不花哨，但很干净。
第一步，作者把每一句话按说话人归类。
第二步，用 FinBERT 给每个句子打情绪分。
第三步，不是简单平均，而是先在训练样本里看，哪一类说话人的情绪，对财报后 1 日收益率的预测力最强。
这个预测力用的是 Information Coefficient，也就是 IC。
Information Coefficient，IC：可以粗略理解成“信号排序能力”。如果情绪分越高的股票，后面收益通常越高，那 IC 就更高。量化里常把它看成一个信号到底有没有用的基本体检指标。
然后他们把权重定出来：
1. 分析师：49% 2. CFO：30% 3. 高管：16% 4. 其他：5%
这组权重很有意思。
它几乎是在说：
如果你想从财报电话会里提炼可交易的信息，最该听的是分析师，其次是 CFO，而不是 CEO 的整场主旋律。
最关键的结果是什么
先看最核心的一条。
如果你把整场电话会按普通方式做平均，信号的 IC 大概是 0.081。
如果你按这篇论文的方法，按说话人重要性去加权，IC 提升到 0.119。
这是 46% 的提升。
这已经不是“小修小补”的改善了。
它说明过去把电话会文本一股脑平均掉，确实在系统性地丢信息。
更重要的是，这个结果并不只是样本内好看。
论文把 2022 年底之前当训练期，把 2023 年起作为冻结权重后的样本外测试期。结果反而更强：
1. 样本内 section-weighted IC：0.115 2. 样本外 section-weighted IC：0.142
这个结果很少见。
通常文本信号一到样本外就会衰减，甚至塌掉。这里不但没塌，反而增强了。
作者的解释是，这套“谁更重要”的层级关系，可能不是短期数据噪声，而是财报电话会这个信息环境里比较稳定的结构。
对交易最有吸引力的地方
如果你是做资产定价或者做事件驱动，这篇论文最抓人的不是 IC，而是组合收益。
他们把股票按情绪分成五组，做最正面减最负面的多空组合。
结果是：
按 section-weighted 情绪排序，Q5 减 Q1 的单日收益差达到 2.263%。
这个数很猛。
哪怕你不直接拿它当可执行策略，只把它当“信息分层”的证据，也已经相当强。
更进一步，作者用 Fama French 五因子模型去做时间序列回归，发现这个多空组合还有 2.03% 的月度 alpha，t 值 6.49。
Alpha：剔除常见风险因子之后，策略还剩下的超额收益。可以把它理解成“不是市场、规模、价值这些老因素解释掉的那一部分”。
论文还把样本切成不同阶段去看。
1. 训练期，也就是 2023 年前，月度 alpha 是 1.56% 2. 测试期，也就是 2023 年后，月度 alpha 是 2.77%
这说明一个问题：
这个信号不是只会在论文里发光，它在更靠近现实的样本外阶段，仍然保持了很强的解释力。
论文原图能说明什么
下面这张图，本质上是在看一个问题：
市场消化电话会情绪，到底是立刻完成，还是会拖一阵子。
从论文的描述看，这个信号在 1 日窗口最强，之后逐步衰减，半衰期大约是 6 到 7 个交易日。
这件事非常关键。
它说明电话会里的软信息，不是开完会后一秒钟就被彻底定价了。
市场会吸收，但吸收得不够快。
这正是很多后财报漂移研究关心的核心问题。
再看第二张图。
这张图对应的是累计异常收益的“扇形展开”。
最正面的组和最负面的组，会在后续交易日里越来越分开，总体分化大约 3%。
这不是瞬时跳一下就结束，而是持续拉开。
你可以把它理解成：
电话会给市场提供了一层额外线索，但市场对这层线索的反应是迟缓的。
它和传统情绪词典比，强在哪里
论文还做了一个很重要的对照。
以前金融文本情绪分析里，很多人会用 Loughran McDonald 词典，也就是 LM 词典。
这种做法的优点是透明、简单、便宜。
但问题也很明显，它是“见词不见句子”。
LM 词典：把词分成正面、负面、不确定等类别，再根据词频算情绪。它的问题在于看不懂上下文，比如“down 24% from strong performance last year”里有 strong，但整句话显然不是正面。
这篇论文做了正面对决。
结果是：
1. FinBERT 在所有聚合方式上都优于 LM 2. 在 section-weighted 方法上，FinBERT 的 IC 是 0.119，LM 是 0.075 3. 在 analyst-only 方法上，FinBERT 的 IC 是 0.141，LM 是 0.062
更狠的是联合回归。
单独放的时候，FinBERT 和 LM 都显著。
一起放进去以后，FinBERT 依然显著，LM 基本失去显著性。
这背后的意思很明确：
上下文理解能力，不只是“锦上添花”，而是会直接决定你能不能真正抓住金融语言里的有效信息。
这篇论文最聪明的一刀，其实不是 NLP
很多人看到 FinBERT，会本能地把这篇文章归类成“NLP 在金融里的又一个应用”。
但我觉得这不是重点。
真正聪明的一刀，是它把“角色异质性”正式搬进了信号构建。
这件事听起来像常识，但研究里常常没人认真做。
因为一旦你把整份电话会压成一个数字，模型是干净了，现实却被你抹平了。
这篇论文相当于说：
文本不是只有内容维度，还有说话人维度。
这跟很多现实世界的问题其实是相通的。
同样一句话，医生说、销售说、审计师说、创始人说，可信度当然不同。
如果模型不区分身份，只做平均，它就会把最值钱的结构性信息直接洗掉。
这篇论文有什么局限
论文很强，但也不是没有边界。
我觉得至少有三个点要记住。
第一，它只看了 S&P 500。
大盘股的信息环境更成熟，分析师覆盖也更完整。这个结果能不能平移到小盘股，还不能直接下结论。
第二，样本外虽然漂亮，但测试窗口其实还是偏短，主要集中在 2023 到 2025。
这足够说明它不是简单过拟合，但还不足以宣告“永远有效”。
第三，论文展示的是强统计显著性，不等于你真实交易里可以原样拿走同样收益。交易成本、容量、执行延迟、盘前盘后可交易性，这些问题它都没有细做。
所以更稳妥的理解方式是：
它非常有力地证明了信息存在，但没有完全证明这份信息能被无摩擦地搬运成真实利润。
对我们真正的启发是什么
如果你做研究，这篇论文最大的启发是：
在多角色文本里，先问“谁在说”，再问“说了什么”。
如果你做投资，这篇论文最大的启发是：
财报电话会最该听的，可能不是准备好的管理层台词，而是问答里那些让管理层不得不临场应对的瞬间。
如果你做 AI 应用，这篇论文最大的启发是：
好的模型，不只是更会分类情绪，而是更会保留现实结构。
这篇论文把“说话人身份”保留下来了，所以信号才从噪音里冒出来。
我觉得这也是它最值得反复回味的地方。
不是它用了多新的模型。
而是它终于认真对待了一个长期被平均值掩盖的问题：
市场里，不同的人，说话分量本来就不一样。
一句话总结
这篇论文真正告诉我们的，不是“情绪可以预测收益”。
这个结论大家早就知道一点了。
它更进一步告诉我们：
在财报电话会里，最有价值的不是平均情绪，而是带着身份权重的情绪。分析师最重要，CFO 第二，高管再次。
当你开始认真区分“谁在说”，市场里的很多噪音，才会第一次显出结构。
论文信息
题目：Which Voices Move Markets? Speaker Identity and the Cross-Section of Post-Earnings Returns
作者：Karmanpartap Singh Sidhu, Junyi Fan, Maryam Pishgar
链接：https://arxiv.org/abs/2604.13260
