Same Company, Same Signal: The Role of Identity in Earnings Call Transcripts
University of Rochester(罗切斯特大学)
本文提出DEC数据集和PEV、STPEV两种免训练基线,发现历史波动率模式优于基于财报记录的模型,并揭示现有记录表征主要捕捉股票代码身份而非财报特定财务见解。
2024-12-23 cs.CL
Co-Trained Retriever-Generator Framework for Question Generation in Earnings Calls
National Taiwan University(台湾大学);AIST(日本产业技术综合研究所);Academia Sinica(中央研究院)
本文针对财报电话会议场景提出多问题生成任务,通过收集会议记录、设计新标注方法并结合检索器增强策略,直接从会议内容生成高质量潜在分析师问题,实验证明其在准确性、一致性和困惑度上表现优异。
2024-09-27 cs.CL
Earnings25: A Comprehensive 500-Hour Speech Benchmark for Finance
Bloomberg(彭博社)
介绍用于金融领域英语财报电话会议ASR评估的Earnings25基准测试,含两个互补测试集及相关元数据,能进行更全面评估,还报告了Whisper和Parakeet-TDT的可重复基线。
2026-07-28 cs.AI cs.CL
ECTSum: A New Benchmark Dataset For Bullet Point Summarization of Long Earnings Call Transcripts
IIT Kharagpur(印度理工学院克勒格布尔分校);Goldman Sachs(高盛集团);Leibniz University of Hannover(汉诺威莱布尼茨大学)
尽管在自动摘要方面取得了巨大的进步,但最先进的方法主要是在总结简短的新闻通讯文章或具有强烈布局偏见的文档(如科学文章或政府报告)方面表现出色。总结财务文件(包括事实和数字)的有效技术在很大程度上尚未探索,主要是由于缺乏合适的数据集。在这项工作中,我们提出了ECTSum,一个新的数据集,由上市公司托管的盈利电话会议(ECTs)的成绩单,作为文件,以及来自相应的路透社文章的简短专家撰写的电报式要点摘要。ECT是长的非结构化文档,没有任何规定的长度限制或格式。我们使用最先进的摘要器在各种指标上对数据集进行基准测试,以评估生成的摘要的内容质量和事实一致性。最后,我们提出了一种简单而有效的方法,ECT-BPS,以生成一组要点,精确地捕捉在电话中讨论的重要事实。
2022-10-26 cs.CL
Towards Earnings Call and Stock Price Movement
S&P Global(标普全球)
盈利电话会议由上市公司的管理层主持,与分析师和投资者讨论公司的财务业绩。财报电话会议期间披露的信息是分析师和投资者做出投资决策的重要数据来源。因此,我们利用盈利电话会议成绩单来预测未来的股票价格动态。我们建议使用深度学习框架对成绩单中的语言进行建模,其中应用注意力机制将文本数据编码为向量,以供判别式网络分类器预测股价走势。实证实验表明,该模型优于传统的机器学习基线,且盈余预告信息能够提高股票价格的预测性能。
2020-08-23 cs.CE cs.CL cs.LG
A Shaky Voice Is Not Always a Dodge: Benchmarking Textual and Vocal Evasion Detection in Earnings Calls
KakaoBank Corp.(Kakao银行股份有限公司);Yonsei University(延世大学)
该研究针对财报电话会议问答环节,构建了含505个问答对的DualEvasion基准,发现现有多模态模型难以检测声音置信度,孤立解读声学线索,与人类性能差距显著。
2026-08-31 cs.CL cs.SD
MiMIC: Multi-Modal Indian Earnings Calls Dataset to Predict Stock Prices
Jadavpur University(贾达沃大学)
本研究针对企业收益电话会议后预测股票价格的挑战,开发 MiMIC 多模态印度收益电话会议数据集,提出整合文本、视觉模态与定量变量的预测模型,提升金融预测准确性并公开数据集以促进相关研究。
2025-04-12 cs.AI cs.CL cs.LG
Advanced Deep Learning Techniques for Analyzing Earnings Call Transcripts: Methodologies and Applications
Georgia Institute of Technology(佐治亚理工学院)
本文比较了BERT、FinBERT和ULMFiT等深度学习方法在业绩说明会文本情感分析中的表现,探讨了NLP在提取大规模金融文本情感信息中的应用,旨在提升投资决策与风险管理。
2025-02-27 cs.AI cs.CL q-fin.RM
DeFine: Decision-Making with Analogical Reasoning over Factor Profiles
University of Central Florida(中央佛罗里达大学);Tencent AI Lab, Seattle(腾讯AI实验室(西雅图));University of Rochester(罗切斯特大学);Emory University(埃默里大学)
本文提出模块化框架 DeFine,通过从复杂场景构建概率化因素画像并结合类比推理,将不确定性量化与 LLM 决策过程解耦,以提升 LLM 在咨询和财务审议等不确定场景下的决策能力。
2025-07-17 cs.AI cs.CL
Deep Learning Framework for Measuring the Digital Strategy of Companies from Earnings Calls
University of Cambridge(剑桥大学);DeepOpinion;MIT(麻省理工学院)
如今的公司正在竞相利用最新的数字技术,如人工智能、区块链和云计算。然而,许多公司报告说,他们的战略并没有达到预期的业务成果。这项研究首次将最先进的NLP模型应用于非结构化数据,以了解公司正在采用的不同数字战略模式集群。我们通过分析2015年至2019年《财富》全球500强公司的财报电话会议来实现这一目标。我们使用基于Transformer的架构进行文本分类,从而更好地理解会话上下文。然后,我们通过应用聚类分析研究数字化战略模式。我们的研究结果表明,财富500强公司使用四种不同的战略,即产品导向,客户体验导向,服务导向和效率导向。这项工作为公司和研究人员提供了一个经验基线,以提高我们对该领域的理解。
2020-12-03 cs.CL cs.CY cs.LG
Does Financial Speech Need Continual Learning Regularization? A Study of EWC and mini-KFAC on Earnings Call ASR
Columbia University(哥伦比亚大学);Recognition Technologies, Inc.(识别技术有限公司)
该研究针对财报电话会议ASR场景,发现任务互补性使持续学习正则化适得其反,需正则化时mini-KFAC EWC比对角EWC性能更优。
2026-10-12 cs.CL cs.LG eess.AS
Predicting Corporate Risk by Jointly Modeling Company Networks and Dialogues in Earnings Conference Calls
Shanghai Jiao Tong University(上海交通大学)
盈余电话会议是波动性预测的重要信息事件,对于金融风险管理和资产定价至关重要。虽然最近的一些波动性预测模型已经利用了电话会议的文本内容,电话会议和公司关系的对话结构几乎被忽略在现存的文献。为了弥补这一差距,我们提出了一个新的模型,称为时间虚拟图神经网络(TVGNN)的波动性预测共同建模电话会议对话和公司网络。我们的模型在几个重要方面与现有模型不同。首先,我们建议通过编码位置、话语、说话人角色和问答片段来开发更多的对话结构。其次,我们建议通过扩展GRU(Gated Recurrent Units)来对市场状态进行编码。第三,我们提出了一种新的方法来构建时间公司网络,其中的消息只能从时间上的前一个节点流到连续的节点,并扩展了图注意力网络(GAT)建模公司关系。我们收集了2008年至2019年S\&P500公司的电话会议记录,并构建了一个电话会议对话数据集,其中包含有关对话结构和公司网络的其他信息。我们的数据集上的实证结果表明,我们的模型优于竞争性基线波动预测。我们还进行补充分析,以检查我们的模型的关键组件和可解释性的有效性。
2022-08-17 cs.AI cs.CE cs.CL
When Does "Post-Call" Begin? An Availability Contract for Earnings-Call NLP Benchmarks
National University of Singapore(新加坡国立大学);Asian Institute of Digital Finance(亚洲数字金融研究院)
该研究针对金融NLP基准存在的事件内时间不匹配问题,提出可用性契约框架,经552次财报电话会议等实验验证,明确了结果时间轴对模型标签与损失的显著影响。
2026-10-16 cs.CL cs.LG q-fin.CP
Can AI Read Between The Lines? Benchmarking LLMs On Financial Nuance
Department of Business Analytics, Santa Clara University - Leavey School of Business(商学院分析部门,圣克拉拉大学)
该研究通过基准测试微软Copilot、ChatGPT、Gemini等LLM在金融文本情感分析上的表现,发现其在细微差别语境中易误读,并利用提示工程和可视化分析提升准确性。
2025-05-22 cs.AI cs.CL
Instruction-Guided Bullet Point Summarization of Long Financial Earnings Call Transcripts
Indian Institute of Technology(印度理工学院);Vellore Institute of Technology(韦洛尔理工学院)
本文面向长篇财报电话会议记录,提出结合无监督问题抽取与参数高效指令微调的 FLAN-FinBPS,在 ECTSum 上实现 14.88% 的平均 ROUGE 提升并生成事实一致的要点摘要。
2024-05-03 cs.CE cs.CL cs.IR
EvasionBench: A Large-Scale Benchmark for Detecting Managerial Evasion in Earnings Call Q&A
Hong Kong University of Science and Technology(香港科学与技术大学);University of Macau(澳门大学)
EvasionBench通过多模型共识框架和40亿参数分类器,首次大规模评估管理层在盈余电话会议中回避性回应的检测能力。
2026-02-04 cs.CL cs.LG
FLAG: Financial Long Document Classification via AMR-based GNN
Rensselaer Polytechnic Institute(伦斯勒理工学院)
本文提出FLAG框架,通过将句子级AMR图构建为文档级图并结合金融领域LLM嵌入与GNN,提升金融长文档分类效果,在股价变动趋势预测上优于直接微调LLM及已有文档图方法。
2024-10-22 cs.AI cs.CE cs.CL
STRUX: An LLM for Decision-Making with Structured Explanations
Emory University(埃默里大学);University of Central Florida(中佛罗里达大学)
本文提出 STRUX 框架,通过将信息提炼为关键事实表并自我反思分类为有利或不利因素,微调 LLM 生成结构化解释以优化决策,在股票投资预测任务中超越基线并提升透明度。
2024-10-16 cs.AI cs.CL
Evaluating Named Entity Recognition: A comparative analysis of mono- and multilingual transformer models on a novel Brazilian corporate earnings call transcripts dataset
Instituto Federal de São Paulo - IFSP(圣保罗联邦教育、科学和技术研究所(IFSP));Universidade Estadual de Campinas - Unicamp(坎皮纳斯州立大学(Unicamp))
本文通过构建巴西金融NER数据集BraFiNER并比较BERTimbau、PTT5、mBERT和mT5在金融命名实体识别任务上的表现,发现BERT类模型优于T5类模型,且T5类模型易改变货币和百分比数值,强调了金融领域准确性的重要性。
2024-08-30 cs.AI cs.CL cs.LG
Knowing When to Ask: Segment-Level Credit Assignment for LLM Tool Use
Microsoft AI Redmond(微软AI红mond)
提出CARL方法,通过强化学习在模型自身轨迹上训练评论家,对每个工具使用片段独立分配信用,使模型学会区分参数知识足够与需要外部帮助的情况,在多个基准上提升准确率并减少不必要的工具调用。
2026-11-10 cs.CL cs.LG
Same Text, Different Numbers: The Divergence of LLM-Based Measures
EDHEC Business School(EDHEC商学院);University of Groningen(格罗宁根大学)
本研究检验了七个LLM在十三种文本度量上的跨模型一致性,发现秩相关仅0.52,模型选择显著影响下游推断,故LLM变量应视为模型依赖的测量并需跨提供商验证。
2026-09-28 cs.AI cs.CL q-fin.GN
Soft Prompting for Unlearning in Large Language Models
University of Arkansas(阿肯色大学)
本文提出SPUL框架,通过学习可附加到查询的软提示令牌,在不更新LLM参数的情况下实现训练数据子集遗忘,并在文本分类与问答中改善效用与遗忘的权衡。
2024-08-05 cs.AI cs.CL cs.LG
Cause and Effect: Can Large Language Models Truly Understand Causality?
Amazon(亚马逊)
本文提出CARE CA框架,结合ConceptNet显式因果检测与LLM隐式因果推理,并引入反事实解释层以增强因果推理和可解释性,同时发布新数据集CausalNet。
2024-09-30 cs.AI cs.CL
MarketSenseAI 2.0: Enhancing Stock Analysis through LLM Agents
George Fatouros 1,2(乔治·法图罗斯(1,2));Kostas Metaxas 1,3(科斯塔斯·梅塔克斯(1,3));John Soldatos 2(约翰·索拉托斯(2));Manos Karathanassis 3(曼纳斯·卡拉塔西斯(3))
本研究提出结合检索增强生成与LLM智能体的MarketSenseAI 2.0框架,处理多类金融数据支持股票分析,在标普100、500股票上收益和风险表现均优于市场,推动LLM在金融分析领域的应用。
2025-10-03 cs.AI cs.CL cs.MA
Enhancing Business Analytics through Hybrid Summarization of Financial Reports
Jadavpur University, Kolkata, India(贾瓦德普尔大学)
本文提出混合摘要框架,结合提取和抽象技术,生成简洁准确的财务报告摘要,提升商业分析效率。
2025-12-28 cs.AI cs.CL
Agentic Context Cracking: Token-Efficient Data Reasoning Agents via Adaptive Structuring of Unstructured Data
Harvard University(哈佛大学)
该研究提出智能体数据拆解方法,通过自适应推测性结构化非结构化数据,降低 LLM 智能体推理成本,在 FanOutQA 基准上实现 53% 的成本削减且保持准确率,为智能体推理数据基础设施提供了初步方案。
2026-09-07 cs.AI cs.CL cs.DB
Multimodal Proposal for an AI-Based Tool to Increase Cross-Assessment of Messages
AI master(人工智能硕士);Universidad Politécnica de Madrid(马德里理工大学)
针对现有金融情感分析模型无法捕捉财报电话会议分层语篇结构的问题,提出将会议编码为分层语篇树的两阶段Transformer多模态框架,生成结构感知的嵌入表示,可推广至多类高风险沟通领域,支撑下游任务。
2025-08-25 cs.AI cs.CL eess.AS