Supply Chain Propagation of Textual Signals: LLM Embeddings and CrossSectional Return Predictability
创建于 更新于
摘要
本研究提出一个NALE框架，将企业10-K MD&A文本的LLM嵌入与供应链知识图谱传播结合，以跨截面方式预测股票收益。通过对255家S&P 500公司在2011–2025年的MD&A进行FinBERT编码并利用KG传播，得到直接嵌入(pc_5)与网络传播嵌入(net_pc_5)两组因子。Fama-MacBeth回归显示，net_pc_5具备显著的横截面预测力（NW t ≈ −2.64），在加入动量、波动率、规模等控制后仍显著；以net_pc_5为基础的长短策略年化夏普约0.86，FF五因子阿尔法约7.27%/年（t ≈ 2.30），且在样本外、安慰剂、行业中性化及分子样本等稳健性测试中保持有效。信息系数分析亦显示净 KG 信号具有方向性预测能力，且与直接LLM嵌入相比，网络传播带来增量信息。研究表明，供应链网络结构承载超越单纯文本披露的信息定价能力，构成一种新的跨截面回报来源。 [page::1]
