在金融与经济研究中，一个长期被诟病的问题是公司的行业分类过于死板滞后（SIC自1987年后就未再更新，NAICS每五年更新一次），且一个细分行业里可能同时包含上百家公司，既无法反映企业的动态发展，也难界定最接近的竞争对手 (peer firms)。\n因此，Hoberg and Phillips (2016, JPE) 提出了新的方法：利用 10-K 年报中的 Business Description 文本，构建动态的行业分类和竞争网络。\n? 这篇文章的文本分析技巧：\n1️⃣ Data Crawling + Cleaning\n从 SEC数据库爬取 50,673 份 10-K (1997–2008)，提取 Business Description部分（会描述主要产品/服务），保留 nouns + proper nouns，去掉高频常见词和地名。\n2️⃣ Bag-of-Words Approach\n将描述向量化，转为 binary word vector，并做 normalization。\n3️⃣ Cosine Similarity\n用 cosine similarity 衡量两家公司产品描述的相似度：相似度越高 = 竞争越强。\n4️⃣ Network Construction\n基于cosine similarity，每家公司都有独特的 peer firms，像 social network。\n5️⃣ Time-Varying Classification\n年报逐年更新，能捕捉行业动态，可以研究 industry shocks的影响。\n6️⃣ External Validation\n更好解释管理层讨论中的“high competition”，匹配 Capital IQ peers，并解释行业间 profitability, growth, risk 差异。\n? 总结： HP (2016) 通过 text → vector → cosine similarity → network，从而建立一个动态的行业分类。相比传统 SIC/NAICS，它更贴近真实竞争，也能捕捉行业演化, 在学界成为了peer firm和行业分类的新标杆。\n \n#NLP #金融科技 #金融 #数据科学 #fintech #量化 #量化投资 #人工智能 #学术 #金融与投资
