Earnings Call Analyzer

Earnings Call Analyzer (业绩电话会分析师)

将冗长、充满术语的业绩电话会转录文本（Transcripts）转化为极速投资简报，精准捕捉管理层语气变化、指引（Guidance）语言、资本配置逻辑以及潜在风险信号。

安装与前提条件

# 确保已安装文本处理与情感分析库
pip install pandas nltk textblob
# 下载分段脚本
npx clawhub install earnings-call-analyzer

触发条件 / When to Use

• 财报发布后总结 (Post-earnings Wrap-up)：在财报发布后的 24 小时内，快速同步核心增量信息。
• PM 或 IC 投资建议 (Investment Committee Notes)：为投资经理提供结构化的核心观点摘要。
• 差异化认知核查 (Variant-perception Checks)：通过对比本季度与上季度的措辞差异，识别管理层对未来预期的微妙变化。
• 管理层信誉跟踪 (Management Credibility)：记录管理层在过去几个季度中对承诺的执行情况，识别“画大饼”或“过度保守”的信号。
• Q&A 压力点分析：识别分析师问询最密集的领域，通常这就是市场目前最大的担忧点。

核心能力 / Core Capabilities

1. 结构化分段与清洗 (Transcript Segmentation)

• 操作步骤：
  1. 将转录文本拆分为：准备好的陈述 (Prepared Remarks) 和 问答环节 (Q&A Segments)。
  2. 提取发言人身份：CEO, CFO, IR 以及 参与提问的卖方分析师。
  3. 过滤掉无意义的寒暄（Phatic communication）。
• 最佳实践：给 Q&A 环节分配更高的权重，因为这部分最能体现管理层的应变能力和真实底气。

2. 多维度情感与信号提取 (Signal Extraction)

• 操作步骤：
  1. 运行 scripts/analyze_earnings_call.py。
  2. 统计关键词频率：如 Guidance, Capex, EBITDA, Supply chain, Margin expansion.
  3. 识别情感对比：正面（信心十足、强劲）、谨慎（挑战、逆风、不确定性）。
• 最佳实践：不仅看词频，更要看上下文。例如，“我们面临挑战，但有信心克服”应被记为中性偏好，而非纯负面。

3. 指引与前瞻性陈述追踪 (Guidance Tracking)

• 操作步骤：
  1. 自动提取所有数字化的指引（如：FY25 Revenue Growth expected at 10-12%）。
  2. 对比共识预期（Consensus Estimates），判断是 Beat 还是 Miss。
  3. 标注指引中的前置条件（如：Assuming stable currency rates）。

4. 问答环节“回避性”检测 (Evasive Answer Detection)

• 操作步骤：
  1. 分析管理层在回答特定问题时的长度与直接度。
  2. 标记短语，如：I’ll let CFO answer, We will provide more details later, As we previously stated.
• 最佳实践：高回避率通常意味着该业务单元存在未披露的问题。

常用命令/模板 / Common Patterns

业绩电话会摘要模板 (Investor Readout Template)

### 📈 [公司名] [Qx] 业绩电话会摘要

**1. 核心定调 (Tone of the Call)**:
- **语气**: [例如：谨慎乐观，重点强调成本控制]
- **情绪得分**: 6.5/10 (较上季 7.2/10 下滑)

**2. 管理层核心论点 (Key Narrative)**:
- [要点 A]: 描述业务进展。
- [要点 B]: 描述战略转型。

**3. 指引更新 (Guidance & Forward Outlook)**:
- **营收**: [FY26 指引上修至 XX%]
- **利润率**: [维持不变，强调受汇率影响]

**4. 关键问答回顾 (Top Q&A Takeaways)**:
- **问题 1 (摩根大通分析师)**: 关于毛利率的压力。
- **回答摘要**: 强调供应链优化将在下半年抵消原材料上涨。

**5. 隐忧与风险点 (Hidden Red Flags)**:
- 管理层三次回避了关于 [竞争对手 X] 入场的影响问题。

快速分析脚本命令

# 传入 JSON 格式的 Transcript
python scripts/analyze_earnings_call.py --input assets/jpm_q4_2025.json --compare assets/jpm_q3_2025.json

进阶应用场景 / Advanced Use Cases

1. “管理层黑盒”对比

• 对比同一行业内 5 家公司在同一周业绩会上的关键词，识别全行业共性的“系统性风险”（如：AI 投入的回报期）与单体公司的“独特性优势”。

2. 情绪波动图谱

• 将电话会转录文本按时间轴（每 5 分钟一段）计算情绪得分，生成情绪瀑布图，识别是在哪个环节（如 CEO 总结或 CFO 报数）出现了情绪拐点。

边界与限制 / Boundaries

• 语义理解限制：对于讽刺、暗喻或极其含蓄的表达，模型可能存在误判。
• 音频转录质量：如果输入的 Transcript 本身存在 OCR/ASR 错误，后续分析的可靠性将大打折扣。
• 过度解读风险：一个词的增减可能只是发言习惯，不应作为投资决策的唯一依据。
• 时效性压力：在财报季节，需要处理海量文本，单次分析耗时应控制在 60 秒内。
• 法规合规：本技能仅供研究参考，严禁利用其生成虚假的诱导性投资评论。

最佳实践总结

1. 对比胜过描述：永远问自己“这和上个季度比有什么不同？”。
2. 盯紧 Guidance：数字化的指引变化是资本市场最敏感的信号。
3. 识别 Q&A 压力点：分析师反复追问的地方，就是下个季度的雷区或爆发点。
4. 记忆同步：将管理层的核心承诺存入 MEMORY.md，用于下季度的“打脸式”复核。
5. 多源核实：将 Transcript 分析结果与卖方研究报告（Broker Reports）进行交叉验证。
6. 分段授权：大任务分段处理，先摘要，再根据用户要求深入特定 Segment。