注：大模型时代，AI将如何改变我们的投研？国内许多机构在卷MCP、Skill，有价值，但不多。这类不过是将原本繁琐的工作取代实习生或者初级分析师，降本增效，但信息增量有限。下面这篇论文，是海外一个新的实践，分析电话会议中“音调”的隐含信息。多年前，有一部美剧“Lie to Me”，是FBI的微表情专家，通过嫌犯的微表情来破案。这些年多模态大模型盛行后，就想着等模型能力再强一点，估计上市公司调研时，高管的微表情也会成为大模型捕捉的对象。现在模型能力虽然还达不到，现已经有机构用语音模型先探路了。这块的思路，极具启发。
二战期间，英国的无线电侦听部门有一项不太起眼却极其致命的技术，叫“无线电指纹”（Radio Finger Printing）。德军的电报内容是加密的，一时破译不了没关系——侦听员发现，每个发报员敲击电键的手法都独一无二，节奏、间隔、轻重，行话叫“fist”（拳法）。电文读不懂，但听得出这是哪个发报员、跟着哪支部队。同一份电文，不同的手，敲出来的是不同的情报。
是的，内容之外，“怎么发出来的”本身就是信息。
把场景切换到今天的华尔街。财报电话会的文本，早就不是什么秘密武器了。NLP 情绪分析——把管理层的措辞打上正面、负面、中性的标签——如今几乎是量化机构的标配。从 Loughran 和 McDonald（2011）那本著名的金融情绪词典算起，这条路已经走了十五年，商业化的电话会文本数据源多如牛毛。当一个信号人人都有，它还能剩下多少 alpha，你我心里都有数。
那么，下一层突破方向在哪里？
最近读到一篇 2026 年 6 月发布在 SSRN 上的研究简报，What NLP Sentiment Can't Hear: How Vocal Delivery Improves Earnings-Call NLP Sentiment（《NLP 情绪听不见的东西：声音表达如何改进财报电话会的 NLP 情绪信号》），给出了一个很有意思的答案：文本读完了，接着去听声音。
文本之上，再加一层耳朵
这篇论文的设定很直接。研究团队用了 S&P Global 提供的音频数据，覆盖 2020 年 7 月 15 日至 2025 年 9 月 30 日罗素 3000 成分股的财报电话会，共 41,395 个观测、2,862 只股票。样本只取问答环节——相比照本宣科的开场陈述，Q&A 是管理层在分析师追问下的临场发挥，最不容易演。发言人也只保留 CEO 和 CFO，或同等级别的高管。
值得一提的是，数据方 Speech Craft Analytics 坚持自己做语音转写，而不是用商业转录稿。原因是商业转录稿通常会“美化”——删掉口头语、重复、卡壳和改口。而这些恰恰是声音分析的原材料。
文本这一侧，用的是常规的情绪极性打分，按百分位分成五组，最低一组是最负面的文本，最高一组是最正面的。声音这一侧，论文重点用了三个构念：
第一个叫声音紧张度（Vocal Strain），定义是紧张 + 混乱 + 亢奋，再减去自信、声音愉悦度和平稳表达。它捕捉的不是单纯的“紧张”，而是一种综合的失控状态：管理层听起来越慌乱、越不确定、越亢奋，这个值越高；越自信、越从容，这个值越低。
第二个叫平稳表达（Balanced Delivery），衡量发言是否克制、有分寸、稳定。它是对 Vocal Strain 的独立验证——如果负面文本配上紧张的声音更危险，那配上不够平稳的表达也应该更危险。
第三个是声音愉悦度（Valence），捕捉声音本身的正负面情感色彩，用于检验正面的措辞是否配得上正面的语气。
关键的实验设计在于：所有比较都在同一个文本情绪组内进行。文本已经判定为“最负面”了，把这一组按声音再切分——这样一来，回报的差异就只能来自声音携带的增量信息。这就好比侦听员拿到两份内容完全相同的电文，只比较发报的手法。
同样的坏消息，不同的下场
先看最有杀伤力的结果。在文本情绪最负面的那一组里，按声音紧张度再分组，未来 20 个交易日的表现天差地别：
数据来源：Speech Craft Analytics，回报为事件样本相对超额收益，t 统计量按事件日聚类
请注意，这两组公司的管理层在文本上说的都是同样负面的话。区别只在于：一组说得从容，一组说得紧绷。20 个交易日下来，差距约 103 个基点，t 值 -3.13——在这个领域，这是相当扎实的统计显著性。而且价差在 10 日、20 日、30 日三个持有期上方向一致，不是某个窗口的偶然产物。
用平稳表达这个独立指标重做一遍，结论几乎复刻：负面文本配上不够平稳的表达，20 日价差 -0.89%（t 值 -2.73），30 日 -0.97%（t 值 -2.24）。这说明信号不是“紧张”这一个词能概括的，而是一种更宽泛的表达状态——慌乱、失衡、控制力下降。
说得直白一点：坏消息本身并不可怕，可怕的是管理层说坏消息时声音发紧。有些负面表述是例行的谨慎措辞，有些是掌控之中的坦诚披露，还有一些，是撑不住了。文本模型把它们全打成一个分数，声音把它们区分开来。
好消息也需要“验声”
正面文本这一侧的结果相对温和，但同样成立。在文本情绪最正面的一组里，单独持有的 10 日超额收益只有 +0.07%——几乎没有信息量。这其实并不奇怪：财报电话会上的正面语言太廉价了，每一家公司的 IR 团队都会打磨出漂亮的措辞，“强劲“‘稳健’”充满信心”这些词的出现频率高到 NLP 模型很难从中筛出真金。
但如果在正面文本之上再叠加一个条件——声音愉悦度也处在最高一档——情况就不一样了：
数据来源：Speech Craft Analytics，回报为事件样本相对超额收益，t 统计量按事件日聚类
10 个交易日的增量收益是 39 个基点，胜率也从 49.0% 提升到 51.7%。这个逻辑不难理解：正面的措辞谁都会写，但正面的语气装不出来——至少在分析师连环追问的 Q&A 环节，装的成本很高。声音在这里扮演的角色，是从一堆例行公事的漂亮话里，挑出那些管理层自己也真心相信的。
论文还给了一个可以“听见”的例子。美国运通的一次财报电话会上，管理层说“消费支出持续强劲”（spending continues to be strong）。任何 NLP 模型都会把这句话标为正面——措辞直接、明确、毫无保留。但声音层检测出的信号却是紧张和勉强。favorable 的词，配上 strained 的声音，这就是论文所说的“正面背离”：字面在唱多，嗓音在露怯。
声音是滤镜，不是替代品
读到这里，你可能会问：那是不是干脆别做 NLP，直接听声音就好？
论文的回答很明确：不是。作者把声音定位为一个“条件层”（conditioning layer）——文本负责判断管理层说的话朝哪个方向，声音负责判断这些话该给多少权重。同一个团队之前还有一篇简报，研究的是文本情绪为中性时声音的预测力；这一篇则补上了另外半张拼图：当文本已经明确正面或负面时，声音依然提供增量。两篇合起来，声音的角色就完整了——在文本信息不完整、模糊或需要解读的一切场合，它都有话说。
还有一个细节值得留意：这个信号是不对称的。正面文本叠加声音的改善是温和的，负面文本被声音条件化的效果则强烈得多。论文对此的解释我很认同——正面语言在电话会上是被期待的、被打磨过的，管理层有一万种方式把好消息说得漂亮；而负面语言本身就是被迫披露的，此时声音里的控制或失控，携带的信息密度天然更高。顺风时人人都是好舵手，逆风才见真章。
当然，也要泼一点冷水。这项研究用的声音特征是 Speech Craft Analytics 的专有指标，普通投资者拿不到，也很难自行复制。样本从 2020 年 7 月开始，五年多一点，穿越的市场环境有限。论文作者自己也强调，Vocal Strain 是一个“被测量的表达状态”，不是心理诊断，更不是测谎——声音发紧不等于说谎，可能只是这位 CFO 天生容易紧张，或者前一晚没睡好。
军备竞赛的下一站
回到开头的问题。当财报电话会的文本信号变成人人都有的标配，量化的军备竞赛自然会向更难获取、更难复制的数据层推进。声音是一个合乎逻辑的方向：它就在那些公开的音频文件里，不涉及任何非公开信息，却因为处理门槛高，暂时还没有被挤干。
于我而言，这篇论文最大的价值倒不在那 103 个基点，而在它提供的一个思维框架：披露的“内容"和披露的"方式”是两个维度，市场对后者的定价，慢于前者。这个框架对不做量化的普通投资者同样有用——下次听业绩说明会，除了记下管理层说了什么，也留意一下他们是怎么说的。回答提问时是从容还是躲闪，谈到坏消息时语速有没有突然加快。你的耳朵未必输给算法。
八十年前，布莱切利园的侦听员在破译密码之前，就已经从发报的手法里读出了德军的调动。今天的市场上，电文早就人手一份了。
接下来比的，是谁听得出那双手的抖动。
注：从映翡量化看到这篇论文的介绍。此号每天都有新的量化投资文献的综述，非常值得一看，我是每日必读。
扩展阅读
Pope, David, What NLP Sentiment Can't Hear: How Vocal Delivery Improves Earnings-Call NLP Sentiment (June 2026). Available at SSRN: https://ssrn.com/abstract=6893179 or http://dx.doi.org/10.2139/ssrn.6893179 Pope, D. 2026. "Voice Beyond Words: Evidence That Managerial Tone Predicts Returns When Text Does Not." SSRN working paper. Pope, D. 2026. "Vocal Delivery as a Novel Risk Indicator: Evidence from Corporate Earnings Calls." Journal of Portfolio Management 52(8), 146–174. Loughran, T., and B. McDonald. 2011. "When Is a Liability Not a Liability? Textual Analysis, Dictionaries, and 10-Ks." Journal of Finance 66, 35–65. Mayew, W. J., and M. Venkatachalam. 2012. "The Power of Voice: Managerial Affective States and Future Firm Performance." Journal of Finance 67, 1–43. Hobson, J. L., W. J. Mayew, and M. Venkatachalam. 2012. "Analyzing Speech to Detect Financial Misreporting." Journal of Accounting Research 50, 349–392. Larcker, D. F., and A. A. Zakolyukina. 2012. "Detecting Deceptive Discussions in Conference Calls." Journal of Accounting Research 50, 495–540. Ewertz, S. (2025). "Listen Closely: Measuring Vocal Tone in Corporate Disclosures." Journal of Accounting Research.
