本文实证检验了文本匿名化对用大型语言模型(LLMs)提取金融信息的影响,发现匿名化显著削弱了情感等信号的解释与预测能力,主要由删除 NUMBERS 与 OBJECTS(如财务数字与公司/高管名称)导致,这一效应在高语言不确定性和小型/专业化公司文本中尤为显著,且在不同模型、文本类型(会议记录与新闻标题)以及前后知识截止期均具有鲁棒性 .
| 信号 | 回归系数 (示例) | Adj.R² (示例) |
|---|---|---|
| SentimentRAW | 2.487 | 0.132 |
| SentimentTRF | 2.331 | 0.124 |
元数据与概览(引言与报告概览)
逐节深度解读(逐章剖析)
图表与结果深度解读(关键表格与图形)
Figure 1(Anonymization Pipeline)与解析:
表 1(Table 1,示例比较)解析:表 1 通过 Apple 摘录展示三种方法的差异,指出 SM 在识别某些实体时漏检(如“Apple” 在段落末未被 SM 识别),TRF 识别更全面,而 LLM 能以更灵活方式替换(例如将“10-K”换为“FORM 1”),说明 LLM 在替换粒度与类别覆盖上更具有可扩展性。此点支持后文对三种方法隐匿性与信息保留权衡的讨论。
表 2(Table 2,实体计数与识别率)解析:表 2 Panel A 报告平均文本长度约 8,895 tokens,实体占比(TRF 平均 16.18%)高于 SM(15.64%)及 LLM(13.46%);Panel B 的识别率测试(由 GPT-4o-mini 尝试 deanonymize)显示 SM 匿名最弱(能识别 Firm 82.19%、Year 44.51%),TRF 次之(Firm 57.42%、Year 14.87%),而 LLM-anonymization 最彻底(仅 19.32% Firm 可识别、20.69% Year 可识别),表明“更激进”的匿名策略在防止识别上更有效,但这并未说明信息保留程度如何。
表 3(情绪信号相关性)解析:表 3 显示情绪分数之间的 Pearson 相关系数,Raw 与匿名版本间的相关在 0.864–0.879 之间,表面上仍高度相关但不完全一致,这提示匿名化产生的差异虽非完全颠覆但可能在经济预测层面具有实质影响。作者据此进行更严格的回归检验来衡量实际预测力的下降。
表 4(主回归,含控制变量)解析:在包含控制变量的回归中,SentimentRAW 的系数为 2.487(t=18.832)并显著,证明原始文本情绪对公告日 DGTW 回报具有强烈解释力;而对比地,TRF 匿名后情绪系数虽仍显著但系数与模型调整 R^2 均下降(例如 TRF 下 Adj.R2 从 0.132 降到 0.124),并在“horse race”回归中出现明显萎缩(如 SentimentTRF 在含 RAW 的回归中系数由 2.331 跌至 0.775),表明匿名文本的情绪信息在被原文情绪纳入后大部分被吸收,实际可用信息量显著减少。
表 5(分类型实体替换的影响)解析:作者按 NUMBERS、PLACES、OBJECTS、OTHERS 四类选择性替换并检验影响,结果显示替换 NUMBERS 与 OBJECTS 导致的信息损失最大(horse-race 中原文情绪系数远大于匿名情绪),替换 PLACES 影响微小,替换 OTHERS 有时甚至略微提升解释力,结论为“量化数据与公司/人物名是情绪与价值判断的关键锚点”。
表 6(情绪差异驱动因素)解析:以 |SentimentRAW − SentimentTRF| 为因变量的回归显示文本不确定性(UncertaintyRAW/UncertaintyTRF)是主要驱动因素(系数 0.040、0.048,t≈12–13),且公司规模 ln(Size) 负相关(大公司差异较小,coeff = -0.008),产品差异性(TNIC 指标)与分析师覆盖(Coverage)亦与差异显著相关,表明在信息稀疏或高不确定情境下匿名化的损伤更严重。
Figure 2(季度系数时间序列)与解析:
表 7–10 与补充任务(替代模型、其他预测任务、前后截止期检验):
估值分析
风险因素与作者识别的限制
批判性视角与细微差别
结论性综合与建议
如需我进一步:
如果希望我展开任一具体表格的更细粒度逐行解读(例如逐列复现 Table 4 或 Table 5 的系数含义与标准误来源),请告知我优先顺序,我将按表格逐项展开并在每个结论后保留对应页码溯源标注。
2511.15364.pdf