管理层语调(CFSD词典法)
「管理层语调(CFSD词典法)」，覆盖 1991-2025 年，频率 年度，上市公司层级，含 20 个变量，样本量约 67,863。 衡量上市公司年报管理层讨论与分析（MD&A）文本的乐观或悲观语调。
| 时间跨度 | 1991-2025 年 |
|---|---|
| 数据频率 | 年度 |
| 层级 | 上市公司 |
| 变量数 | 20 |
| 样本量 | 67,863 |
| 是否可合并 | 可与同主体数据集合并 |
字段字典
- Symbol [股票代码] — 股票代码
- StkName [证券简称] — 证券简称
- Year [年份] — 年报对应年度
- Province [省份] — 公司注册所在省份
- ProvinceCode [省份代码] — 省份行政区划代码(6位)
- City [城市] — 公司注册所在城市
- CityCode [城市代码] — 城市行政区划代码(6位)
- County [区县] — 公司注册所在区县
- CountyCode [区县代码] — 区县行政区划代码(6位)
- IndustryCode [行业代码] — 中上协行业分类代码
- IndustryName [行业名称] — 中上协行业分类名称
- Tone [净语调(CFSD)] — 参考Loughran & McDonald (2011, JF)和曾庆生等(2018, 管理世界)的方法，使用姜富伟等(2021, 经济学季刊)CFSD词典，计算公式为：(正面词数-负面词数)/(正面词数+负面词数)，用作研究变量，越大代表管理层语调越积极。单位：比例
- ToneStd [标准化净语调(CFSD)] — 参考Loughran & McDonald (2011, JF)的方法，使用姜富伟等(2021, 经济学季刊)CFSD词典，计算公式为：(正面词数-负面词数)/MD&A总词数。单位：比例
- PosRatio [正面词占比(CFSD)] — 参考Loughran & McDonald (2011, JF)的方法，使用姜富伟等(2021, 经济学季刊)CFSD词典，计算公式为：CFSD正面词匹配数/MD&A总词数。单位：比例
- NegRatio [负面词占比(CFSD)] — 参考Loughran & McDonald (2011, JF)的方法，使用姜富伟等(2021, 经济学季刊)CFSD词典，计算公式为：CFSD负面词匹配数/MD&A总词数。单位：比例
- PosCount [正面词数(CFSD)] — 使用姜富伟等(2021, 经济学季刊)CFSD词典(3173个正面词)在MD&A中匹配到的正面词数(含否定词翻转)。单位：个
- NegCount [负面词数(CFSD)] — 使用姜富伟等(2021, 经济学季刊)CFSD词典(5600个负面词)在MD&A中匹配到的负面词数(含否定词翻转)。单位：个
- SentiWordCount [情感词总数(CFSD)] — 参考Donald (2011, JF)。正面词数与负面词数之和。单位：个
- TotalWords [MD&A总词数] — 参考Donald (2011, JF)。jieba分词后MD&A章节的词数(去停用词后)。单位：个
- MDAExtracted [MD&A提取标志] — 参考Donald (2011, JF)。是否成功提取管理层讨论与分析章节(0=否，1=是)，MD&A提取标志=0时人工智能水平-MDA基于全文计算
常见问题
- 「管理层语调(CFSD词典法)」是什么数据集？
- 管理层语调(CFSD词典法)，隶属信息环境。衡量上市公司年报管理层讨论与分析（MD&A）文本的乐观或悲观语调。
- 该数据集的时间范围是？
- 覆盖 1991-2025 年。
- 包含哪些变量/指标？
- 共 20 个变量。核心指标包括：净语调(CFSD)、标准化净语调(CFSD)、正面词占比(CFSD)、负面词占比(CFSD)、正面词数(CFSD)、负面词数(CFSD)、情感词总数(CFSD)、MD&A总词数、MD&A提取标志。完整字段清单（变量名·中文名·说明）见页面「字段字典」。
- 数据频率和层级是怎样的？
- 频率为年度，上市公司层级。
- 样本量有多大？
- 约 67,863 条观测。
- 数据是如何测算/获取的？
- 指标定义与计算方法 管理层语调是衡量上市公司年报中“管理层讨论与分析”（MD&A）章节文本所传达的乐观或悲观情绪的重要指标。基于文本分析技术，通过计算特定情感词典在文本中出现的频率，可以量化管理层的语言倾向。本数据集采用姜富伟等（2021）构建的CFSD中文金融情感词典，该词典包含3194个正面词和5621个负面词，专门针对中文金融文本语境，对年报MD&A文本进行情感分析。 分析过程首先对MD&A文本进行分词处理，并与CFSD词典进行匹配，统计正面词和负面词的出现次数。为提升分析的准确性，引入了否定词处理机制：若情感词前一个词语为否定词（如“不”、“没有”），则该情感词的极性将被翻转（正面转为负面，负面转为正面）。最终，基于匹配并处理后的正面词数（$Pos$）和负面词数（$Neg$），以及MD&A文本的总词数（$TotalWords$），计算出一系列语调指标。 核心的语调指标为净语调（$Tone$），其计算方法参考Loughran和McDonald（2011）以及曾庆生等（2018）的研究，定义为正面词数与负面词数之差除以二者之和，用以衡量管理层语言的净积极程度。此外，还计算了标准化净语调（$ToneStd$），即净情感词数除以文本总词数，以控制文本长度的影响。同时，分别计算正面词占比（$PosRatio$）和负面词占比（$NegRatio$），即正面或负面词数除以总词数，以反映积极或消极情绪的绝对密度。情感词总数（$SentiWordCount$）为正面词数与负面词数之和。 净语调（$Tone$）的计算公式为： $$Tone = \frac{Pos - Neg}{Pos + Neg}$$ 其中$Pos$为经否定词处理后的CFSD正面词匹配数，$Neg$为经否定词处理后的CFSD负面词匹配数。标准化净语调（$ToneStd$）的计算公式为$ToneStd = (Pos - Neg) / TotalWords$；正面词占比（$PosRatio$）为$PosRatio = Pos / TotalWords$；负面词占比（$NegRatio$）为$NegRatio = Neg / TotalWords$。 补充说明 - 本数据集的分析对象为上市公司年报的“管理层讨论与分析”（MD&A）章节文本。 - 字段MDAExtracted标识是否成功提取到MD&A章节，当该标志为0时，表明基于全文进行了计算。 参考文献 - Loughran T, McDonald B. When is a liability not a liability? Textual analysis, dictionaries, and 10-Ks[J]. The Journal of Finance, 2011, 66(1): 35-65. - 姜富伟, 胡逸驰, 黄楠. 媒体文本情绪与股票回报预测[J]. 经济学(季刊), 2021, 21(4): 1323-1344. - 曾庆生, 周波, 张程, 等. 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(9): 143-160.
- 如何获取该数据集？
- 通过站内对应淘宝链接下单后，客服发放兑换码；在站内"兑换"页输入兑换码即可获得下载权益并下载。