管理世界 | 使用LM中文金融词典对年报进行语调分析

今天分享的这篇论文通过 有道翻译 这一简单有效的的方式汉化了 LM英文金融词典，并使用 数词语数个数 的方式构造了管理层语调这个指标。

文献

曾庆生,周波,张程,陈信元.年报语调与内部人交易:“表里如一”还是“口是心非”?[J].管理世界,2018,34(09):143-160.

本文代码实现的视频讲解已更新至付费课 Python实证指标构建与文本分析 中。

本文代码

摘要

基于中国A股非金融公司2007～2014年年报语调的文本分析,本文研究了年报语调与年报披露后的内部人交易行为之间的关系。研究发现,年报语调越积极,公司高管在年报公布后一段期间内的卖出股票规模越大,净买入股票规模越小,表明公司高管编制年报时存在**「口是心非」** 的操纵嫌疑。进一步研究发现,年报披露后中期市场表现差、信息透明度低、非国有控股的公司高管交易与年报语调的反向关系分别显著强于年报披露后中期市场表现好、信息透明度高、国有控股的公司;而公司盈余管理程度、交易者职位（是否核心高管）对年报语调与高管交易关系的影响不显著。此外,年报语调越积极,高管亲属卖出股票的规模也越大,但未发现公司重要股东交易与「年报语调」相关。上述结果表明,中国上市公司年报存在语调管理行为,年报语调成为除会计报表以外另一种可以被内部人管理或操纵的信息。

关键词

年报; 语调管理; 内部人交易; 信息不对称;

代码

年报数据 data/reports.csv
LM金融词典
需要更新cntext库至于1.7.3及以上版本

语调指标

算法1 该年报内「积极词汇数与消极词汇数之差」占「年报总词汇数」的比例；
算法2 （积极词汇数-消极词汇数）/（积极词汇数+消极词汇数）

import pandas as pd

df = pd.read_csv('data/reports.csv')
df.head()

Run

	company	year	content
0	四川长虹	2017	2017 年，面对复杂多变的外部环境和多重叠加的困难挑战，公司聚焦用户与产品，强化消费洞...
1	江苏吴中	2014	2014 年，正值公司成立二十周年，上市十五周年，在董事会带领下，公司经营管理团队与全体...
2	联美控股	2017	报告期内，公司实现营业收入 2,376,375,380.44 元，同比增长 16.24%，营...
3	华海药业	2016	第三节\t公司业务概要\n\n一、报告期内公司所从事的主要业务、经营模式及行业情况说明\n...
4	江泉实业	2014	报告期内，全球经济形势复杂多变、复苏进程缓慢；我国宏观经济进入增速放缓、结构调整加剧的新...

len(df)

Run

cntext

安装cntext

!pip3 install cntext

import cntext as ct

print(ct.__version__)

Run

    1.7.3

查看内置词典

ct.dict_pkl_list()

Run

    ['DUTIR.pkl',
     'HOWNET.pkl',
     'Chinese_Loughran_McDonald_Financial_Sentiment.pkl',
     'sentiws.pkl',
     'ChineseFinancialFormalUnformalSentiment.pkl',
     'ANEW.pkl',
     'LSD2015.pkl',
     'NRC.pkl',
     'geninqposneg.pkl',
     'HuLiu.pkl',
     'Loughran_McDonald_Financial_Sentiment.pkl',
     'AFINN.pkl',
     'ADV_CONJ.pkl',
     'STOPWORDS.pkl']

clm = ct.load_pkl_dict('Chinese_Loughran_McDonald_Financial_Sentiment.pkl')

#print(clm)
print('clm关键词: ',clm.keys())
print()
print('Desc: ', clm['Desc'])
print()
print('Referer: ', clm['Referer'])
print()
print('Chinese_Loughran_McDonald_Financial_Sentiment词典含2类情感词\n，分别是', clm['Chinese_Loughran_McDonald_Financial_Sentiment'].keys())

Run

    clm关键词:  dict_keys(['Chinese_Loughran_McDonald_Financial_Sentiment', 'Desc', 'Referer'])
    
    Desc:  参照该论文，cntext库使用百度翻译、有道翻译对LM词典进行汉化处理。原文使用的有道翻译、金山词霸。
    
    Referer:  曾庆生, 周波, 张程, and 陈信元. "年报语调与内部人交易: 表里如一还是口是心非?." 管理世界 34, no. 09 (2018): 143-160.
    
    Chinese_Loughran_McDonald_Financial_Sentiment词典含2类情感词
    ，分别是 dict_keys(['negative', 'positive'])

cntext语调的实现

算法1 该年报内「积极词汇数与消极词汇数之差」占「年报总词汇数」的比例；
算法2 （积极词汇数-消极词汇数）/（积极词汇数+消极词汇数）

import cntext as ct

diction = {'pos': ['高兴', '快乐', '分享'],
           'neg': ['难过', '悲伤']}

text = '我今天得奖了，很高兴，我要将快乐分享大家。'

ct.sentiment(text=text, 
             diction=diction, 
             lang='chinese')

Run

    {'pos_num': 3,
     'neg_num': 0,
     'stopword_num': 8,
     'word_num': 14,
     'sentence_num': 1}

import cntext as ct

diction = ct.load_pkl_dict('Chinese_Loughran_McDonald_Financial_Sentiment.pkl')['Chinese_Loughran_McDonald_Financial_Sentiment']

def tone(text):
    res = ct.sentiment(text=text,
                       diction=diction,
                       lang='chinese')
    return pd.Series(res)
  
#第一个年报的语调
tone(text=df['content'].tolist()[0])

Run

    negative_num      67
    positive_num      76
    stopword_num     462
    word_num        1831
    sentence_num      52
    dtype: int64

选中文本列content，对content整体实施tone计算，

#计算tone语调
tone_df = df['content'].apply(tone)
tone_df.head()

Run

	negative_num	positive_num	stopword_num	word_num	sentence_num
0	67	76	462	1831	52
1	32	59	372	1266	34
2	18	33	178	816	19
3	81	114	1055	3619	90
4	27	17	134	453	16

算法1 该年报内「积极词汇数与消极词汇数之差」占「年报总词汇数」的比例；
算法2 （积极词汇数-消极词汇数）/（积极词汇数+消极词汇数）

将得到的正、负面、总词数分别按照算法1和算法2进行计算。

# 算法1
tone_df['tone1'] = (tone_df['positive_num']-tone_df['negative_num'])/tone_df['word_num']
#tone_df['tone1'] = (tone_df['positive_num']-tone_df['negative_num'])/(tone_df['word_num']+1)

#算法2
tone_df['tone2'] = (tone_df['positive_num']-tone_df['negative_num'])/(tone_df['positive_num']+tone_df['negative_num'])
#tone_df['tone2'] = (tone_df['positive_num']-tone_df['negative_num'])/(tone_df['positive_num']+tone_df['negative_num']+1)

tone_df.head()

Run

	negative_num	positive_num	stopword_num	word_num	sentence_num	tone1	tone2
0	67	76	462	1831	52	0.004915	0.062937
1	32	59	372	1266	34	0.021327	0.296703
2	18	33	178	816	19	0.018382	0.294118
3	81	114	1055	3619	90	0.009119	0.169231
4	27	17	134	453	16	-0.022075	-0.227273

将结果存储到xlsx中

tone_df.to_excel('output/管理层-语调分析.xlsx')

文献#

本文代码#

摘要#

关键词#

代码#

语调指标#

cntext#

cntext语调的实现#

广而告之#

文献

本文代码

摘要

关键词

代码

语调指标

cntext

cntext语调的实现

广而告之