独立顾问备忘 · 业绩会因子文献 → 产品契约 · 模拟数据
NovaCompute (NVCP) FY26 Q2 贯穿例子

Advisor brief · Factors → contracts

因子文献有用，但不是作为因子有用

Tone、Tone surprise、发言人加权、Casting、非回答、Fog 拆解、快数字慢语言——这批文献对 AI 原生业绩会产品的贡献， 是分段、分人、相对基线、看结构、分窗验证这五条纪律；把任何一条压成一个标量卖出去，就退化成 RavenPack 已经卖了十年的东西。

一句话结论

对人读一场业绩会，先看相对 bar 的 Δ 与承诺账本，再看谁的哪个问题没被回答、主持人叫了谁，最后才把 tone 残差当脚注扫一眼。文献的价值是告诉你看哪里，不是替你下结论。

对 Agent每条文献变成对象上的一个带基线、带证据的字段：Section、Speaker.role、ToneSurprise{raw, baseline, numeric_control, residual}、Question.answer_status、Casting.bias、Ledger.delta。工具永远不返回没有分解的标量。

不是：全文 tone 分 · sentiment 因子 · call score · 跨公司 tone 排名 · 「AI 提了 47 次」 · 通用摘要

三类判断：契约 / 回测故事 / 误用磁铁

直接变成产品契约
  • 分段：新闻稿 / 讲稿 / Q&A 三个对象，Q&A 是主文本（Price et al.）
  • 发言人角色：每个 span 挂 CEO / CFO / 分析师 / 主持人；分析师提问 = 需求侧分布
  • Tone 残差三元组：原始值 − 公司/CEO 习惯 − 数字 surprise 可解释部分（Tips & Tells）
  • 非回答分类：每个问题有 answer_status 与回答中数字个数
  • Casting 偏离：被点名者评级结构 vs 覆盖池 vs 自身历史
  • 分窗验证：Target 用新闻稿窗，Path 用会后 + 漂移窗，只校验方向
只是回测故事（用来说服，不用来做 UI）
  • Tone 预测异常收益的 t 值：横截面几万场的结论，对单场几乎无判决力
  • 「分析师提问权重 > 管理层回答」的具体系数：样本期依赖，换语料就变
  • FinBERT 优于词典：模型选型事实，不是产品特征
  • Fog 拆成 information vs obfuscation：方法论好，但单场噪声大，最多做提示
  • 文本信息慢定价（drift）：证明分窗必要，不代表能预测漂移
容易误用
  • 输出原始 tone 分、跨公司比较 tone；CEO 换人不重置基线
  • 把 casting 写成「管理层作假」——它是概率偏离，不是指控
  • 把所有非回答标负面：Reg FD、竞争敏感是合法回避，需要单独类型
  • 用原始 Fog 当「清晰度」；技术密度高会被误判为遮掩
  • 用会后 1 小时股价当文本模型标签——快数字会把慢语言反向标注
  • 把因子 t=3 当作「这场会有 95% 概率偏负」
最关键的一条：横截面 alpha ≠ 单场判决。因子文献的显著性来自几万场业绩会的平均，落到一场 NVCP 的会上， 每个因子只是「值得再看一眼」的注意力路由。所以产品交付的是证据与基线，不是分数；对人是「看这里」，对 Agent 是「这个字段的 residual 与 n_baseline 是多少、原话在哪」。

因子文献 → 产品对象映射

文献线 发现（一句话） 产品对象 / 字段 性质 误用
Price et al. 2012 业绩会 tone 有增量信息；Q&A 段增量大于讲稿 Section ∈ {press_release, prepared, qa}；Q&A 为主对象，讲稿降权 结构契约 全文一个 tone 分
Tips & Tells
Druz–Wagner–Zeckhauser		 控制业绩与 CEO 习惯后的 Δnegativity 残差才预测分析师修正 ToneBaseline{firm, speaker, n_calls}
ToneSurprise{raw, baseline, numeric_control, residual}		 残差契约 跨公司比原始 tone；换 CEO 不重置
FinBERT section-weight 分析师问句 tone 权重大于管理层回答 Speaker{role, name, firm, rating_on_stock} 挂每个 span；提问分布单列 结构契约
权重=回测参数		 把系数当真理；「分析师更懂」
Casting Conference Calls 点名偏向看多分析师的会，后续基本面更差 Casting{called_buy_share, coverage_buy_share, bias, firm_hist_bias, uncalled_bears[]} 结构契约 写成「管理层撒谎」
非回答 taxonomy
（约 11%）		 约一成问题得到非回答，可分类 Question{answer_status, non_answer_type, numbers_in_answer, script_reuse}；率 vs 自身基线 结构契约 一律标负；忽略合法回避
Fog：information vs obfuscation 复杂度可拆成信息成分与遮掩成分 Complexity{info, obfuscation} 只作 hint，不进任何分 提示 · 低优先 原始 Fog 当清晰度
Fast numbers / slow language 数字 surprise 几分钟定价，文本要几天 ValidationWindow{press_release, call, t1, t5}；Target 配短窗，Path 配长窗 验证契约（内部） 1h 股价校准文本
Fed / ECB：Target × Path 当期 vs 路径两维不可加；surprise 要相对预期 Surprise{target[], path[]}；Bar{version, locked_at} 契约 合成一个分
RavenPack 等产业线 sentiment 因子已商品化；结构 / 承诺账本产品化不足 定位：不卖 tone，卖 Bar + Ledger + 结构字段 定位 再做一个 tone 因子

「性质」列是本页的核心判断：结构契约进 schema；回测故事进 README 与投资人 deck；提示只在人读页脚注出现，Agent 工具不返回。

贯穿例子：NovaCompute（NVCP）FY26 Q2

虚构 AI 推理基础设施公司：卖机柜级推理系统 Nova Rack，同时运营托管推理云 NovaCloud。会议 2026-08-27 盘后。所有数字为模拟数据，仅用于展示每个文献对象在一场会里长什么样。

会前 Bar v2（8/26 18:00 ET 锁定）—— 数字基线 + 文本基线

项目公司指引卖方共识校正后 bar
FQ2 营收$2.05–2.15B$2.12B$2.17B
FQ2 毛利率41–42%41.6%41.7%
RPO（期末）—~$10.0B$10.0B
FQ3 营收指引（预期）—$2.34B$2.38B
FQ3 毛利率指引（预期）—41.3%41.5%
文本 / 结构基线来源基线值
CEO 讲稿负面词占比近 12 场，同一 CEO3.1%
管理层 Q&A 回答负面词占比近 12 场4.4%
Δnegativity 对数字 surprise 的斜率公司自身回归GM −100bp ≈ +0.45pt
非回答率近 12 场 / 全市场9% / 11%
被点名者 Buy 占比 vs 覆盖池近 12 场 / 28 家覆盖68% / 64%（偏离 +4pt）

过去 12 季 9 次超指引中点（均值 +3.1%）→ 营收 bar = 中点 × 1.031。文本基线与数字基线一起版本化：CEO 换人、业务重分类都触发 bar 重建。

新闻稿数字（16:05 ET）—— Target

项目实际vs 共识vs 校正 bar
FQ2 营收$2.21B+4.2%+1.8%
FQ2 毛利率40.6%−100bp−110bp
Non-GAAP EPS$1.12+6.7%经营线 −1.9%
beat 来自 opex / 税率
RPO$9.6B−4.0%−4.0%
FQ3 营收指引$2.30–2.40B中点 +0.4%−1.3%
FQ3 毛利率指引39.5–40.5%−130bp−150bp

「vs 共识」那一列会生成 beat and raise 的标题；「vs 校正 bar」那一列才是 Target surprise。两列都保留，但只有后者进 surprise 对象。

讲稿句（Path 的原话）

“Demand for Nova Rack continues to exceed our ability to supply. We now expect the NR-3 platform to ramp in the second half of fiscal 2027.” — CEO 讲稿 · 上季原话 “first half of fiscal 2027” · 账本 L1 → 延期 2 个季度 · 负面词 0，tone 看不出来
“Gross margin reflected a higher mix of hosted capacity and one-time ramp costs. We expect margins to trend back toward our long-term framework over time.” — CFO 讲稿 · 上季 “return to 43% by the fourth quarter” · 账本 L2 → 去日期化 · Fog 上升 0.8 中 0.6 落在这一段
“Beginning this quarter, we will provide RPO on an annual basis and discuss bookings qualitatively on our calls.” — CFO 讲稿 · 账本 L3 → 季度 RPO 停披露 · 一级告警 · 词典情绪读作中性
“We remain confident in reaching a $10 billion revenue run-rate exiting fiscal 2027.” — CEO 讲稿 · 账本 L4 → 重申，但依赖已延期的 L1 · tension_with: [L1]

Q&A：14 个问题 · 8 位提问者 · 4 个非回答（28.6%，自身基线 9%）

#问题（摘）回答状态回答中数字讲稿复用
Q1Buy · 大行 “Can you quantify the NR-3 delay's impact on FY27 revenue?” 非回答 · deflect_to_demand 0 64%
Q2Hold · 中型 “What's the hosted mix now, and when does GM get back to 43%?” 部分 · refuse_timing 1（mix 34%） 22%
Q3Buy · 大行 “Great quarter. Can you talk about the demand environment?” 已回答（软球） 2 71%
Q6Buy · 精品 “Why move RPO to annual now?” 非回答 · cite_policy 0 —
Q9Buy · 大行 “Is the capex raise for hosted capacity or NR-3 tooling?” 非回答 · both_without_split 0 —
Q11Buy · 中型 “Any customer concentration change in the quarter?” 合法回避 · legit_refusal（客户保密） 0 —

Q11 是回避但不计入负面非回答——taxonomy 里必须有 legit_refusal，否则非回答率会被合规回避污染。Q1 才是信号：问的是量化，回的是需求叙事，零数字，讲稿复用 64%。

Casting：主持人叫了谁

覆盖池 28 家
Buy 64%
历史被点名均值
Buy 68%
本场被点名 8 位
Buy 87.5%
Buy / Overweight Hold Sell / Underweight

偏离 +23.5pt vs 覆盖池，+19.5pt vs 自身历史。4 家 Sell 中有 2 家在过去 3 场都提过问，本场未被点名。表述为「点名结构显著偏多头，历史上这类会后续基本面更弱」，不表述为「管理层回避空头」。

正确产品输出（可视化）

错误摘要（通用 LLM / sentiment 因子会给的）

「NovaCompute beat on revenue and EPS（$2.21B vs $2.12B；$1.12 vs $1.05）。管理层表示需求持续超过供给，对 FY27 $10B run-rate 保持信心，NR-3 平台按计划 FY27 推进。Tone 0.68 偏正面。Sentiment factor +0.4σ。」

每一句都能在原话里找到依据，却漏掉了延期、去日期化、停披露、casting 与非回答率。

正确人读页（按这个顺序）

  1. Δ vs bar：营收仅 +1.8%；GM −110bp；FQ3 GM 再 −150bp；RPO −4%；EPS beat 非经营。
  2. 账本：NR-3 延 2Q；43% 目标去日期；季度 RPO 停披露；$10B 重申但与 L1 矛盾；capex +25%；hosted <30% 沉默（实际 34%）。
  3. Q&A：非回答 28.6%（基线 9%）；NR-3 量化问题零数字。
  4. 结构：casting +19.5pt；提问集中 NR-3 / 毛利，回答回到需求。
  5. 脚注：Q&A tone 残差 +1.2pt（比数字该有的更负）；讲稿残差 ≈ 0。

Target 栏 · 相对 bar 的残差

营收
+1.8%
毛利率
−110bp
EPS 经营线
−1.9%
RPO
−4.0%

名义「beat and raise」；相对校正 bar 只有营收一项小正。

Path 栏 · 指引与账本变化

FQ3 营收指引
−1.3%
FQ3 毛利指引
−150bp
NR-3 时间表
延 2Q
FY26 capex
+25%
季度 RPO
停披露

Target 与 Path 分列，不加总。停披露没有数值，但在 Path 栏必须占一行。

Tone surprise 分解 · 原始负面词占比 = 公司习惯 + 数字可解释 + 残差

管理层 Q&A 回答原始 6.1% → 残差 +1.2pt
习惯 4.4% +0.5 残差 +1.2
CEO 讲稿原始 3.3% → 残差 +0.1pt
习惯 3.1%
分析师提问原始 7.8% → 残差 +2.1pt
习惯 5.0% +0.7 残差 +2.1
公司 / 说话人习惯基线（n=12 场） 数字 surprise 可解释（GM −110bp × 斜率） 残差 = 才是 tone surprise

读法：讲稿是排练过的，残差 ≈ 0（Price et al. 的「讲稿信息量小」在这里就是这一行）。Q&A 里管理层比数字该有的更负 1.2pt；分析师提问更负 2.1pt——需求侧先变脸。Agent 拿到的是三个数加 n_baseline，不是 6.1%。

主题错位：讲稿供给 vs 分析师提问 vs 管理层回答

讲稿供给

需求/供给
40%
NR-3 时间
8%
毛利路径
14%
RPO/订单
4%
竞争/定价
6%

分析师提问

需求/供给
7%
NR-3 时间
32%
毛利路径
29%
RPO/订单
18%
竞争/定价
14%

管理层回答

需求/供给
33%
NR-3 时间
12%
毛利路径
22%
RPO/订单
6%
竞争/定价
9%

读法：提问 32% 在 NR-3、18% 在 RPO，回答只给 12% / 6%，需求叙事从 7% 的问题里长出 33% 的回答。这是「发言人加权」文献的结构部分——三张分布图本身就是产品，权重系数留在回测里。

非回答率 · 本场 vs 自身基线 vs 全市场

本场 14 问 已回答 8 部分 2 非回答 3 合法 1 非回答率 28.6%（含合法回避）· 21.4%（剔除） 自身 9% 全市场 11% 条长 = 比例 × 572px；虚线为基线。剔除 legit_refusal 后仍是自身基线的 2.4 倍。

承诺账本结算（跨季状态机）

#承诺（上季原话）本季状态依据
L1NR-3 ramp 1H FY27延期 → 2H FY27讲稿 “second half of fiscal 2027”；Q1 零数字
L2GM 回到 43% by FQ4 FY26去日期化“over time”；Q2 refuse_timing
L3季度 RPO 披露停披露 → 年度“on an annual basis”；Q6 cite_policy
L4$10B run-rate exiting FY27重申 · 与 L1 矛盾“remain confident”；未解释 NR-3 延期如何兼容
L5FY26 capex $1.1–1.2B上修 +25%$1.4–1.5B；Q9 未拆分用途
L6Hosted mix <30% exiting FY26沉默 · 实际 34%讲稿未提；Q2 被动披露

六条里没有一条是 tone 能读出来的。沉默（L6）与矛盾（L4）是账本才有的状态——单场摘要器没有上季对象，结构上做不到。

分窗市场反应 · 快数字 / 慢语言（只校验分解方向，不进评分）

数字窗（快） 语言窗（慢） 0% 新闻稿 +1.9% 会后 −4.6% T+1 −7.3% T+5 −9.8% 16:05 17:00 开会 18:00 次日收盘 T+5

若用 16:30 的 +1.9% 给文本打标签，会把整场会标成「正面」。数字窗校验 Target（混合偏正确认 EPS 标题效应），会后 + 漂移窗校验 Path（偏负，与账本一致）。窗只做方向校验，不训练、不评分。

人读 vs Agent：同一批对象，两种渲染

人读页（渲染顺序）

  1. 一行 Δ：Target / Path 相对 bar
  2. 账本变化：延期 / 去日期 / 停披露 / 沉默 / 矛盾
  3. Q&A：谁问了什么没被答；率 vs 自身基线
  4. 结构：casting 偏离；三分布错位
  5. 脚注：tone 残差、复杂度拆解
  6. 每条可点回原话（evidence span）
页面是对象的视图，不是另一个摘要器。人读页上不出现任何对象里没有的句子。

对象层（唯一事实源）

  • Bar{version, locked_at, numeric[], text_baselines[]}
  • Section → Span{speaker, role, text, topic}
  • Surprise{target[], path[]}（相对 Bar）
  • Question{answer_status, non_answer_type, numbers, script_reuse}
  • Casting{bias, firm_hist_bias, uncalled_bears[]}
  • ToneSurprise{raw, baseline, numeric_control, residual, n_baseline}
  • Ledger[]{status, tension_with[], evidence}
  • ValidationWindow{...}（内部）
每个数值字段必须带 baseline 与 evidence；没有基线的字段不允许存在。

Agent 工具（每个返回带证据的对象）

  • get_bar(ticker, fq, version?)
  • get_readout(ticker, fq) → Surprise + Ledger.delta
  • get_qa(ticker, fq, filter=non_answer)
  • get_casting(ticker, fq)
  • get_tone_surprise(ticker, fq, section, speaker_role)
  • get_ledger(ticker, open_only=true)
  • diff_calls(ticker, fq_a, fq_b)（pairwise Δ）
不提供 get_sentiment()、get_call_score()、summarize()。Agent 想要一句话，自己从对象里写，并附 evidence id。

Agent 工具返回示意 · get_readout("NVCP", "FY26Q2")

{
  "ticker": "NVCP",
  "event": "FY26Q2_call",
  "event_time": "2026-08-27T17:00-04:00",
  "bar": { "version": "v2", "locked_at": "2026-08-26T18:00-04:00", "sandbag_adj": 1.031 },

  "target": {
    "revenue":      { "actual": 2.21e9, "bar": 2.17e9, "consensus": 2.12e9,
                      "vs_bar": 0.018, "vs_consensus": 0.042 },
    "gross_margin": { "actual": 0.406, "bar": 0.417, "vs_bar_bp": -110 },
    "eps":          { "headline_vs_consensus": 0.067, "operating_vs_bar": -0.019,
                      "drivers": ["opex", "tax_rate"] },
    "rpo":          { "actual": 9.6e9, "bar": 10.0e9, "vs_bar": -0.040 }
  },
  "path": {
    "fq3_revenue_guide_mid": { "value": 2.35e9, "bar": 2.38e9, "vs_bar": -0.013 },
    "fq3_gm_guide_mid":      { "value": 0.400, "bar": 0.415, "vs_bar_bp": -150 }
  },

  "ledger_delta": [
    { "id": "L1", "claim": "NR-3 ramp 1H FY27",
      "status": "delayed", "to": "2H FY27", "evidence": ["pr#14", "qa#1"] },
    { "id": "L2", "claim": "GM back to 43% by FQ4 FY26",
      "status": "de_dated", "evidence": ["pr#22", "qa#2"] },
    { "id": "L3", "claim": "Quarterly RPO disclosure",
      "status": "discontinued", "evidence": ["pr#25", "qa#6"] },
    { "id": "L4", "claim": "$10B run-rate exiting FY27",
      "status": "reiterated", "tension_with": ["L1"], "evidence": ["pr#31"] },
    { "id": "L5", "claim": "FY26 capex $1.1-1.2B",
      "status": "raised", "to": "$1.4-1.5B", "evidence": ["pr#27", "qa#9"] },
    { "id": "L6", "claim": "Hosted mix <30% exiting FY26",
      "status": "silent", "observed": 0.34, "evidence": ["qa#2"] }
  ],

  "qa": {
    "questions": 14, "questioners": 8,
    "non_answer_rate": { "raw": 0.286, "ex_legit": 0.214,
                         "firm_baseline": 0.09, "universe_baseline": 0.11, "n_baseline": 12 },
    "non_answers": [
      { "q": "qa#1", "topic": "NR-3 delay FY27 impact", "type": "deflect_to_demand",
        "numbers": 0, "script_reuse": 0.64, "asker_rating": "buy" },
      { "q": "qa#6", "topic": "RPO cadence change", "type": "cite_policy", "numbers": 0 },
      { "q": "qa#9", "topic": "capex split", "type": "both_without_split", "numbers": 0 }
    ],
    "legit_refusals": ["qa#11"]
  },

  "casting": { "called_buy_share": 0.875, "coverage_buy_share": 0.64, "bias": 0.235,
               "firm_hist_bias": 0.04, "uncalled_bears_active_prior_3": 2 },

  "tone_surprise": {
    "qa_mgmt":   { "raw_neg": 0.061, "baseline": 0.044, "numeric_control": 0.005,
                   "residual": 0.012, "n_baseline": 12 },
    "prepared":  { "raw_neg": 0.033, "baseline": 0.031, "numeric_control": 0.001,
                   "residual": 0.001, "n_baseline": 12 },
    "analyst_q": { "raw_neg": 0.078, "baseline": 0.050, "numeric_control": 0.007,
                   "residual": 0.021, "n_baseline": 12 }
  },

  "topic_mismatch": { "top_asked_unanswered": ["nr3_timeline", "rpo"],
                      "answer_overweight": ["demand_supply"] },
  "validation_windows": { "press_release": 0.019, "call": -0.046, "t1_close": -0.073,
                          "t5": -0.098, "use": "direction_check_only" },
  "do_not_render_as": ["beat and raise", "tone positive", "NR-3 on track", "call score"]
}

三个设计点：每个数值都带 baseline / n_baseline（Agent 可对 n=2 的新 CEO 基线自行降权）；ledger 有 tension_with（L4 与 L1 的矛盾是对象级事实）；do_not_render_as 把「容易误用」直接写进返回值。

刻意不做

合订观点： 这批因子文献真正的贡献是把「读业绩会」拆成了可检验的部件：段、人、基线、结构、窗。 产品把部件做成对象，让人按顺序看、让 Agent 按字段取；因子本身留在回测里当说服材料。 RavenPack 已经证明 tone 因子能卖，也证明了它卖不出溢价——溢价在 bar、账本与结构字段，因为那需要跨季状态，不是一次推理能得到的。