Item 1A

新的监督方法从 10-K 文件中提取情感

研究人员开发了一种监督式词典学习方法，用于从 10-K 文件中提取情感，特别是关注 Item 1A 风险因素部分。该方法针对行业、投资组合和个体公司聚合级别的回报和波动性标签进行了训练。研究发现，虽然在更广泛的聚合级别上，完整文件的文本能产生更准确的情感，但在个体公司层面，Item 1A 部分的表现更好。使用 Loughran-McDonald 词典的基线显示与价格持续负相关，突显了监督方法在监管披露中的价值。