法說會是投資人取得上市公司第一手資訊的重要管道之一，無論是公司管理階層對於該季業務、財務表現的說明，或是受邀分析師的提問，都是投資者關注的重要資訊。過去法說會逐字稿的研究，大多與公司披露的語氣(disclosure tone)、敘述結構(narrative structure)和分析師的選角(casting of analysts)有關，也就是聚焦於管理階層準備敘述(management prepared narrative, MPN)或問答環節(question and answer section, Q&A)的其中一部分，很少研究聚焦在MPN與Q&A兩者之間的連貫性。然而，公司管理階層的資訊揭露與分析師提問可能存在差距或不一致性，同時，問(Q)與答(A)之間也可能出現差距或不一致性，也就是管理階層的回應是否和分析師的提問之間有著連貫性，這些都是投資人感興趣的重點。

對此，研究團隊提出使用深度學習模型去分析MPN與Q&A之間、以及Q與A之間的連貫性，發展適合的自然語言處理方法，對法說會逐字稿主要章節間的連貫性進行分析。首先，需要對逐字稿進行人工標註，將逐字稿主要章節的段落串聯，建構成連貫性資料集，以產生訓練用與預測用資料，同時需要定義不同連貫程度的規則，包括：二元連貫標籤(binary coherent label)與連貫性分數(coherence score)。另一方面，為了增加訓練模型的資料量，協助模型有更佳的預測表現，此研究使用了度量學習(metric learning)中的triplet loss，利用正負樣本之間的成對相似度設計了輔助任務(auxiliary task)，進一步提升模型的效能。

至於分析連貫性的模型，此研究發展一個基於RoBERTa Transformer的自然語言處理框架，稱作Transformer for Coherence Recognition (TraCR)，模型中所使用的Transformer引入了自我注意力機制(self-attention mechanism)，能夠偵測序列中相互影響與相互依賴的文字或資訊，在訓練模型時使用了多任務學習損失函數(multi-task learning loss)，包括均方誤差損失函數(MSE loss)與交叉熵損失函數(cross entropy loss)，使模型能同時達成「預測二元連貫標籤」與「預測連貫性分數」這兩項任務。

本研究的實驗結果顯示，透過輔助任務進行預訓練(pre-trained)的TraCR模型，其分辨連貫性與預測連貫性程度的表現，優於基準模型(baseline model)和其他現有的模型。盧老師也表示，未來研究團隊將延伸此一主題，研究是否MPN與Q&A之間的連貫性、Q與A之間的連貫性，會影響法說會後的市場反應與公司股價表現，並研究可能會透過何種方式去進行影響。

資料來源: 台大管院院行政辦公室
撰文者／資管所博士班 黃富纖