本篇是“学海拾珠”系列第一百五十二篇，作者利用美国公司定期季报和年报的文本信息，通过情绪模型、词袋模型和大型语言模型（LLM），来预测未来的公司盈余惊喜。实证结果发现，公开披露的公司文件中的积极和消极信息往往隐藏在其大量复杂的文本中，而近期的人工智能模型相比传统模型可以更好的识别信息。回到国内市场，财务报告中的文本信息尚待挖掘，可借鉴本文的研究思路寻找文本中的alpha。
　　MD&A部分的长度与公司未来盈余呈负相关
　　与更复杂的情绪模型相比，管理层讨论与分析（MD&A）或风险因素（RF）章节的词汇长度能够更好地预测未来公司的表现。实证发现，具有较低的MD&A长度的公司显著优于具有较高MD&A长度的公司。
　　词袋模型无法从过去公告中“学习”预测未来盈余
　　文章实证表明，通过训练机器学习算法的词袋模型无法识别未来的积极或消极的盈余惊喜。作者认为传统的NLP方法失败的部分原因是公司公告日益增加的长度和复杂性。
　　经过财务目标训练LLM模型可以有效预测未来盈余
　　依据下个季度的预期盈余惊喜，在月底分为五组投资组合。经过财务目标训练的LLM模型在所有的多空投资组合策略都具有经济和统计上的显著并且预测盈余符号正确，显著优于情绪模型和词袋模型。
　　风险提示
　　文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。