最近在跟蹤大模型公司動態(tài)時很多朋友都會留意智譜Zhipu團隊的公開分享包括發(fā)布會、技術(shù)博客以及廣義上的 earning transcript。所謂 earning transcript通常指公司在季度業(yè)績交流會上管理層與分析師之間的對話記錄。對于 AI 公司來說這類文本的價值不只在財務(wù)數(shù)字更在于管理層的技術(shù)路線表態(tài)尤其是“The next-generation……”這種句式后面跟著的方向往往是判斷下一代模型投入重點的關(guān)鍵線索。這篇文章會以一個貼近智譜這類大模型公司的模擬 transcript 為例子完整演示如何用 Python 對其進行解析、發(fā)言人識別、關(guān)鍵詞定位和上下文切片并順帶計算 RSI 相對強弱指標把事件信號與市場情緒放到同一張圖里觀察。整個過程適合對文本挖掘、AI 行業(yè)研究、Python 數(shù)據(jù)分析感興趣的開發(fā)者。1. 為什么財報電話會議記錄值得技術(shù)人關(guān)注1.1 earning transcript 是什么earning transcript 可以簡單理解成一次“如實記錄的電話會議文字稿”。上市公司或準上市公司在發(fā)布季度業(yè)績后通常會組織管理層與分析師、投資者的交流。交流內(nèi)容包括財務(wù)數(shù)據(jù)回顧、業(yè)務(wù)進展、戰(zhàn)略計劃以及問答環(huán)節(jié)。問答環(huán)節(jié)尤其值得關(guān)注因為分析師往往會追問那些新聞稿里不會主動寫出來的細節(jié)。對普通開發(fā)者來說財報電話會議聽起來偏金融但如果關(guān)注的是 AI 公司transcript 里往往還藏著非常硬核的技術(shù)信息。管理層可能會談到下一代模型采用什么訓(xùn)練思路、推理成本優(yōu)化到什么程度、開源計劃如何推進、Agent 能力在哪個場景率先落地。這些信息比單純看 benchmark 榜單更能反映一家公司的技術(shù)資源配置方向。1.2 智譜與大模型行業(yè)的“下一代”敘事智譜是國內(nèi)大模型領(lǐng)域有代表性的團隊之一圍繞 GLM 系列模型構(gòu)建了比較完整的技術(shù)棧包括基座模型、開源權(quán)重、Agent 產(chǎn)品和企業(yè)級部署方案。觀察這類公司的發(fā)展不能只看單一指標因為大模型競爭已經(jīng)從前兩年的“參數(shù)規(guī)模競賽”進入更多維度的階段。最近行業(yè)討論里高頻出現(xiàn)的“next-generation”描述通常涵蓋幾個方向更強的推理能力、更長的上下文處理、更可靠的工具調(diào)用、多模態(tài)輸入輸出、以及更低的部署和推理成本。真正落到一家公司的 transcript 里往往能聽出它對哪個方向投入最多。比如管理層反復(fù)提到“Agent loop”“tool use”“multimodal understanding”那說明下一代產(chǎn)品大概率會往智能體方向傾斜。雖然智譜具體下一代會發(fā)布什么最終要以官方公開信息為準但通過文本信號提前建立判斷框架是一種值得練習(xí)的能力。1.3 RSI 信號在事件跟蹤中的作用RSI 全稱 Relative Strength Index中文常譯為相對強弱指標是技術(shù)分析中用來衡量一段時間內(nèi)上漲下跌動量的指標。它并不會直接告訴你“某家公司下一代模型能不能成”但當你把事件文本和技術(shù)面數(shù)據(jù)放到一起看時RSI 可以幫助回答另一類問題市場對這個事件的預(yù)期是否已經(jīng)過熱股價或相關(guān)指數(shù)是否處于超買、超賣狀態(tài)。舉個例子如果某 AI 公司在電話會議上釋放了“next-generation model 即將開放測試”的信號開發(fā)者社區(qū)可能沸沸揚揚但相關(guān)股票或概念指數(shù)的 RSI 可能已經(jīng)進入 70 以上的超買區(qū)間。這時候再追高可能就買在了情緒的高點。反過來如果事件非常積極RSI 卻長期處于 30 以下的超賣區(qū)域說明市場可能還沒有充分定價早期技術(shù)信號這時的觀察窗口更有想象力。2. 從文本到信號分析流程拆解2.1 信號提取鏈路把一段 transcript 變成可視化信號核心鏈路可以拆成四步。第一步是文本清洗。原始文本可能來自 PDF、網(wǎng)頁或數(shù)據(jù)平臺里面存在大量換行、空格、HTML 標簽、發(fā)言頭銜等噪聲需要先統(tǒng)一格式。第二步是發(fā)言人結(jié)構(gòu)化。電話會議參與者通常包括 CEO、CFO、CTO、分析師等角色。把“誰說了什么”拆成獨立字段后續(xù)才能按角色過濾。比如公司內(nèi)部人對技術(shù)細節(jié)的表述與分析師追問的“時間線”“商業(yè)化進度”在語義上是不同的。第三步是關(guān)鍵詞定位。建立一組與“下一代模型”相關(guān)的關(guān)鍵詞比如 next-generation、GLM、reasoning、multimodal、agent、open source、API pricing然后統(tǒng)計關(guān)鍵詞出現(xiàn)次數(shù)定位到它周圍的上下文句子。第四步是時間線融合。把文本事件標注到時間序列上比如股票價格序列或概念指數(shù)序列再疊加 RSI 指標觀察事件前后的動量變化。2.2 文本里的三類信號從 transcript 里提取信號時建議把信息分成三類避免把所有表述都當成同等權(quán)重的事實來處理。第一類是事實信號例如“公司已經(jīng)訓(xùn)練完成某個規(guī)模的模型”“開放了某個 API 公測”。這類信息通常比較明確技術(shù)人可以據(jù)此跟進相關(guān)產(chǎn)品。第二類是方向信號例如“我們將更多精力投入到推理能力”“下一代架構(gòu)引入了更靈活的 Agent loop”。這類表述不一定有具體時間表但往往代表著真金白銀的研發(fā)資源分配方向。第三類是情緒信號例如“我們對未來非常樂觀”“當前仍處于早期階段”“今天不會分享具體指引”。這類表述代表管理層態(tài)度的冷熱程度需要結(jié)合公司所處階段來解讀。在后面的 Python 實戰(zhàn)里我們會重點處理方向信號和關(guān)鍵詞頻率。2.3 為什么用代碼而不是憑感覺讀一段 transcript 少則幾千字多則上萬字靠人眼掃讀容易漏掉關(guān)鍵信息。最常見的問題是某個詞在全文中其實被多次提起但第二次、第三次出現(xiàn)時因為沒有加粗或沒有處在標題位置很快就被大腦過濾了。用代碼處理的最大優(yōu)勢是可復(fù)現(xiàn)。不同的人用同一份文本執(zhí)行相同的腳本應(yīng)該得到相同的關(guān)鍵詞列表、上下文切片和頻率統(tǒng)計。這樣后續(xù)做票選、做周報、做投研紀要都會比“我好像覺得管理層提了很多次 Agent”更可信。3. 環(huán)境準備與模擬數(shù)據(jù)說明3.1 運行環(huán)境本文示例使用 Python 3推薦 3.9 及以上版本。主要依賴有 pandas、numpy 和 matplotlib如果只需要跑文本解析部分則只依賴 Python 標準庫即可。可以使用 pip 安裝依賴pip install pandas numpy matplotlib操作環(huán)境可以是 Windows、macOS 或 Linux。為了便于管理依賴也建議先在項目目錄里創(chuàng)建虛擬環(huán)境python -m venv venv source venv/bin/activateWindows 環(huán)境下激活命令為venv\Scripts\activate。3.2 數(shù)據(jù)與免責(zé)說明需要特別說明的是本文使用的 transcript 文本是模擬數(shù)據(jù)并不代表智譜或其他任何一家公司的真實業(yè)績會記錄。代碼中不會涉及真實財務(wù)數(shù)字也不會對任何公司的當期業(yè)績作判斷。真實場景中你應(yīng)該從公司官方投資者關(guān)系頁面或合規(guī)數(shù)據(jù)平臺獲取 transcript并嚴格遵守平臺使用條款。模擬 transcript 存放在data/sample_transcript.txt中內(nèi)容結(jié)構(gòu)模仿典型的業(yè)績會問答格式。Operator: Good day, everyone, and welcome to the quarterly review call. Today we focus on technology progress rather than financial details. I will hand over to our CEO. CEO: Thank you. Over the past few months, we shipped several model updates and improved the developer experience around our GLM series. The next-generation model is now in internal evaluation. We are spending more time on reasoning capability, tool use, and multimodal understanding. We see strong demand from enterprise users who want to deploy models in private environments, so we are also expanding our open-source ecosystem. CFO: From a business perspective, we cannot provide new guidance today. The team continues to invest in research and infrastructure. We believe the priority is long-term capability, not short-term margin. I will not discuss any specific financial figures on this call. CTO: Let me add a technical note. Our next-generation architecture introduces a more flexible agent loop. It can call external tools, browse web pages, and summarize longer context. We also improved safety alignment during post-training. The open source community has been very supportive of our GLM releases. QA Participant: Can you share the timeline? CEO: We do not share an exact release date today. The next-generation rollout will follow a phased approach, starting with API preview and then open weights.這段模擬文本沒有包含任何真實財務(wù)數(shù)據(jù)。我們可以通過這樣的結(jié)構(gòu)演示完整的數(shù)據(jù)處理流程。4. 實戰(zhàn)解析 transcript 并提取下一代信號4.1 讀取與初步清洗首先把文本讀取到內(nèi)存中并做簡單清洗。這里要處理兩個問題一是空行過多二是每個段落的縮進和換行不一致。新建src/parse_transcript.py文件。# src/parse_transcript.py from pathlib import Path def load_text(file_path: str) - str: text Path(file_path).read_text(encodingutf-8) return text def clean_text(text: str) - str: lines [] for line in text.splitlines(): line line.strip() if line: lines.append(line) return \n.join(lines) if __name__ __main__: raw_text load_text(data/sample_transcript.txt) cleaned_text clean_text(raw_text) print(cleaned_text[:500])代碼思路是先用Path.read_text讀取文件然后按行去掉首尾空格同時過濾空行。這樣后續(xù)處理會比較穩(wěn)妥。4.2 按發(fā)言人切分段落電話會議文本雖然結(jié)構(gòu)多樣但常見格式是“姓名, 職務(wù): 發(fā)言內(nèi)容”或“姓名 - 職務(wù): 發(fā)言內(nèi)容”。我們使用一個簡單的正則表達式把段落拆成發(fā)言人和正文兩部分。# src/parse_transcript.py import re def split_speech_blocks(text: str): pattern re.compile( r^(?Pspeaker[^:]):(?Pcontent.*)$, re.MULTILINE | re.DOTALL, ) blocks [] for match in pattern.finditer(text): speaker match.group(speaker).strip() content match.group(content).strip().replace(\n, ) blocks.append({speaker: speaker, content: content}) return blocks上面的正則會匹配“任意非冒號字符 冒號 內(nèi)容”其中^和$配合MULTILINE可以匹配每一行。實際操作中如果文本里有人用“name - title:”這種格式需要把正則在冒號前繼續(xù)放寬。這里為了示例清晰直接用冒號分隔。4.3 關(guān)鍵詞統(tǒng)計建立一組關(guān)鍵詞后我們對每個發(fā)言人內(nèi)容進行詞頻統(tǒng)計。這里采用簡單的大小寫歸一化。# src/keyword_stats.py from collections import Counter KEYWORDS [ next-generation, GLM, reasoning, multimodal, agent, tool use, open source, API, ] def count_keywords(text: str, keywords: list[str]) - dict[str, int]: lower_text text.lower() counter Counter() for kw in keywords: counter[kw] lower_text.count(kw.lower()) return counter if __name__ __main__: from parse_transcript import load_text, clean_text, split_speech_blocks raw load_text(data/sample_transcript.txt) clean clean_text(raw) blocks split_speech_blocks(clean) full_text .join(b[content] for b in blocks) result count_keywords(full_text, KEYWORDS) for k, v in sorted(result.items(), keylambda x: x[1], reverseTrue): print(f{k}: {v})這段代碼會把全文拼接成一個連續(xù)字符串然后統(tǒng)計每個關(guān)鍵詞出現(xiàn)的次數(shù)。模擬結(jié)果大致是next-generation: 3 GLM: 3 agent: 2 reasoning: 1 open source: 1 API: 1 multimodal: 1 tool use: 1雖然關(guān)鍵詞統(tǒng)計簡單但它能讓你一眼看出管理層這個季度的敘事重心。4.4 上下文切片找到“next-generation”前后的句子單純統(tǒng)計次數(shù)不足以回答“管理層到底說了什么”所以還要提取關(guān)鍵詞附近的上下文窗口。在真實分析中我們關(guān)心的是“The next-generation model is now in internal evaluation”和“The next-generation rollout will follow a phased approach”這樣能體現(xiàn)時間階段與行動計劃的句子。# src/context_view.py import re def find_contexts(text: str, keyword: str, window: int 120): lower_text text.lower() keyword_lower keyword.lower() contexts [] for match in re.finditer(keyword_lower, lower_text): start max(0, match.start() - window) end min(len(text), match.end() window) snippet text[start:end] snippet_one_line snippet.replace(\n, ) contexts.append(snippet_one_line) return contexts這里的思路是用正則定位每個關(guān)鍵詞出現(xiàn)的位置再向左右各取一定字符作為上下文。窗口大小可以根據(jù)實際需要調(diào)整如果只關(guān)心句子可以設(shè)置 150 到 200 個字符如果想看完整段落可以按句號或換行符切片。4.5 組裝一個完整腳本把上述能力合到一起輸出每個發(fā)言人、關(guān)鍵詞次數(shù)以及與“next-generation”相關(guān)的上下文。# src/report.py from pathlib import Path from collections import Counter import re KEYWORDS [ next-generation, GLM, reasoning, multimodal, agent, tool use, open source, API, ] def load_text(file_path: str) - str: return Path(file_path).read_text(encodingutf-8) def clean_text(text: str) - str: lines [line.strip() for line in text.splitlines() if line.strip()] return \n.join(lines) def split_speech_blocks(text: str): pattern re.compile(r^(?Pspeaker[^:]):(?Pcontent.*)$, re.MULTILINE | re.DOTALL) blocks [] for match in pattern.finditer(text): speaker match.group(speaker).strip() content match.group(content).strip().replace(\n, ) blocks.append({speaker: speaker, content: content}) return blocks def find_contexts(text: str, keyword: str, window: int 120): lower_text text.lower() keyword_lower keyword.lower() contexts [] for match in re.finditer(keyword_lower, lower_text): start max(0, match.start() - window) end min(len(text), match.end() window) snippet text[start:end].replace(\n, ) contexts.append(snippet) return contexts if __name__ __main__: raw load_text(data/sample_transcript.txt) clean clean_text(raw) blocks split_speech_blocks(clean) print( 發(fā)言人分段 ) for block in blocks: speaker block[speaker] content block[content] print(f[{speaker}] {content[:60]}...) full_text .join(b[content] for b in blocks) print(\n 關(guān)鍵詞頻率 ) counter Counter() for kw in KEYWORDS: counter[kw] full_text.lower().count(kw.lower()) for k, v in counter.most_common(): print(f {k}: {v}) print(\n next-generation 上下文 ) for ctx in find_contexts(full_text, next-generation, window80): print( ..., ctx, ...) print()在模擬數(shù)據(jù)上運行這段代碼會得到每段發(fā)言人內(nèi)容、關(guān)鍵詞頻率以及所有“next-generation”附近的上下文。你可以把這段腳本直接遷移到自己的真實文本分析項目里只要把文件路徑替換掉即可。5. 實戰(zhàn)計算并觀察 RSI 信號5.1 RSI 的計算原理RSI 的計算并不復(fù)雜。先選定一個周期常用的是 14 天。然后計算這段周期內(nèi)的平均上漲幅度和平均下跌幅度。公式可以寫作RS 平均上漲幅度 / 平均下跌幅度 RSI 100 - 100 / (1 RS)當 RSI 超過 70 時通常進入超買區(qū)間當 RSI 低于 30 時通常進入超賣區(qū)間。需要注意的是RSI 是一個動量指標它描述的是“最近漲跌力量的相對強弱”而不是“價格已經(jīng)太高或太低”。在事件驅(qū)動的分析中它更適合作為輔助觀察工具。對 AI 行業(yè)來說分析對象不一定是某只個股。如果關(guān)注的公司沒有上市可以觀察相關(guān)概念指數(shù)、ETF也可以用每天新增的相關(guān)新聞數(shù)量、GitHub Star 數(shù)量、模型 API 調(diào)用熱度等時間序列作為替代計算其 RSI。這里的核心是“一段時間序列 一個事件標注”。5.2 Python 計算 RSI新建src/rsi_demo.py用 pandas 計算 RSI。# src/rsi_demo.py import pandas as pd import numpy as np def compute_rsi(close: pd.Series, period: int 14) - pd.Series: delta close.diff() gain delta.clip(lower0) loss -delta.clip(upper0) avg_gain gain.ewm(alpha1 / period, min_periodsperiod, adjustFalse).mean() avg_loss loss.ewm(alpha1 / period, min_periodsperiod, adjustFalse).mean() rs avg_gain / avg_loss rsi 100 - 100 / (1 rs) rsi rsi.where(~np.isinf(rsi), 100.0) return rsi這里使用了指數(shù)移動平均而不是簡單移動平均。這樣會讓 RSI 對最近的變化更敏感也是很多技術(shù)分析庫的默認做法。需要注意前 period 個周期由于數(shù)據(jù)不足會出現(xiàn) NaN需要結(jié)合上下文處理。下面用模擬數(shù)據(jù)演示。這里生成一組隨機的“價格序列”實際項目中可以替換成相關(guān)指數(shù)或個股的日線收盤價。# src/rsi_demo.py import matplotlib.pyplot as plt np.random.seed(42) n 120 date_range pd.date_range(2025-01-01, periodsn, freqD) vol np.random.normal(0, 1, n).cumsum() close pd.Series(100 vol, indexdate_range) rsi compute_rsi(close) print(rsi.tail())由于這是隨機種子生成的演示序列不同電腦運行結(jié)果是一致的。如果你運行這段代碼會看到最后幾天的 RSI 值在 40 到 70 之間波動具體數(shù)值取決于隨機序列走勢。5.3 把 transcript 事件疊加到 RSI 圖中接下來在序列的第 80 天附近模擬一次“下一代模型發(fā)布”事件然后繪制價格和 RSI 的雙軸圖觀察事件前后的動量變化。# src/rsi_demo.py fig, axes plt.subplots( 2, 1, figsize(10, 7), sharexTrue, ) event_date date_range[80] axes[0].plot(close.index, close.values, linewidth1.2, colorsteelblue, labelsimulated price) axes[0].axvline(event_date, colororange, linestyle--, labelnext-gen signal) axes[0].set_ylabel(Price) axes[0].legend(locbest) axes[1].plot(rsi.index, rsi.values, linewidth1.2, colorpurple) axes[1].axhline(70, colorred, linestyle--, linewidth0.8) axes[1].axhline(30, colorgreen, linestyle--, linewidth0.8) axes[1].axvline(event_date, colororange, linestyle--) axes[1].set_ylabel(RSI) axes[1].set_xlabel(Date) plt.tight_layout() plt.savefig(figs/rsi_event.png, dpi120) print(圖表已保存到 figs/rsi_event.png)運行前需要先創(chuàng)建figs目錄或者把保存路徑改成當前目錄。事件發(fā)生之后可以重點觀察 RSI 是否快速進入 70 以上或者是否在事件公布的次日出現(xiàn)鈍化。在示例圖中事件發(fā)生在中期之后 RSI 會隨著價格波動出現(xiàn)一輪拉升。這里的分析價值在于text signal 告訴我們要“關(guān)注下一代發(fā)布了”RSI 則告訴我們“當前市場的情緒溫度已經(jīng)到什么位置”。兩者結(jié)合比單獨看新聞更有層次。6. 常見問題與排查思路實際處理 transcript 和 RSI 時會遇到不少細節(jié)問題下面整理一張排查表。問題現(xiàn)象常見原因解決思路RSI 前 14 個值都是 NaN周期不足無法計算平均漲跌幅使用min_periods或去掉前 14 個空值數(shù)據(jù)量不足時增加采樣頻率正則提取發(fā)言人不準transcript 除了冒號還可能包含破折號、職務(wù)括號根據(jù)真實格式調(diào)整split_speech_blocks正則或先用人工抽樣校對“next-generation”漏檢存在 “Next generation” 或 “next generation” 等不同拼寫統(tǒng)計前統(tǒng)一變成小寫將關(guān)鍵詞列表擴充為多個變體從網(wǎng)頁復(fù)制文本后出現(xiàn)亂碼原文本編碼不是 UTF-8或網(wǎng)頁自帶 HTML 實體優(yōu)先使用官方數(shù)據(jù)文件亂碼時檢查文件編碼并用 BeautifulSoup 清洗 HTML關(guān)鍵詞統(tǒng)計數(shù)量偏高同一個單詞出現(xiàn)在頁眉頁腳或重復(fù)聲明中只統(tǒng)計發(fā)言人字段內(nèi)的 content排除 Operator 之外的非內(nèi)容噪聲RSI 顯示 100 或 0周期內(nèi)全漲或全跌導(dǎo)致分母為 0在代碼中把 inf 替換為 100或直接檢查行情數(shù)據(jù)是否停牌導(dǎo)致價格不變事件后 RSI 依然繼續(xù)下跌市場此前已提前定價或事件低于預(yù)期不要只依賴單一 RSI 信號需要結(jié)合成交量、新聞重復(fù)度、同業(yè)走勢一起判斷直接下載平臺 transcript 觸發(fā)訪問限制未遵守平臺 robots 或使用條款優(yōu)先使用公司 IR 頁面與合規(guī)數(shù)據(jù)源有條件的情況下采購專業(yè)數(shù)據(jù)服務(wù)排錯時應(yīng)按“先確認數(shù)據(jù)是否正確再懷疑代碼邏輯”的順序。很多看起來是算法的問題最終都出在原始文本格式和行情數(shù)據(jù)質(zhì)量上。7. 工程化建議與風(fēng)險提示7.1 數(shù)據(jù)合規(guī)與研究邊界把 transcript 分析做成工具時數(shù)據(jù)來源非常關(guān)鍵。公司投資者關(guān)系頁面、交易所信息披露平臺是相對穩(wěn)妥的渠道。第三方財經(jīng)數(shù)據(jù)平臺也有整理好的 transcript但使用前要認真閱讀條款不能把訂閱數(shù)據(jù)再次公開傳播。在分析中引用管理層原話時建議提供原文片段并注明來源及日期避免斷章取義。特別是“next-generation”這類模糊表述一旦截掉后半句意思可能完全相反。7.2 不要把 RSI 當成預(yù)測工具RSI 是一個描述過去動量狀態(tài)的指標它不負責(zé)預(yù)測未來。技術(shù)分析的有效性取決于市場環(huán)境和樣本區(qū)間。在開發(fā)者實踐中我更推薦把它當成一個“紀律化觀察工具”而不是買賣依據(jù)。例如當 transcript 中釋放出“下一階段開源計劃”這樣的積極信號同時相關(guān)指數(shù) RSI 處于 30 以下說明市場情緒可能過于悲觀值得繼續(xù)跟蹤后續(xù)模型發(fā)布和社區(qū)反饋如果 RSI 已經(jīng)高于 85那么即便文本信號再樂觀短期入場也需要更高的風(fēng)險承受能力。7.3 更完整的工程流水線建議如果想把這套流程做成每日自動更新的小工具建議考慮以下結(jié)構(gòu)數(shù)據(jù)采集層負責(zé)讀取 transcript 文件和行情文件文本處理層負責(zé)清洗、分段、關(guān)鍵詞統(tǒng)計和上下文提取指標計算層負責(zé)計算 RSI、成交量等指標報表層把文本事件、關(guān)鍵句子和指標圖輸出為 HTML 報告。每一層之間盡量不要耦合。文本處理層不關(guān)心行情數(shù)據(jù)從哪個文件來指標計算層也不應(yīng)該被 transcript 格式變化影響。這樣當新一家公司的 transcript 格式發(fā)生變化時只需修改清洗函數(shù)即可。7.4 關(guān)于智譜等國產(chǎn)大模型公司的研究提醒研究國產(chǎn)大模型公司時除了電話會議文本還可以同步關(guān)注模型開源倉庫更新、技術(shù)論文、API 定價頁面、開發(fā)者社區(qū)討論和權(quán)威評測榜單。開源倉庫的 commit 頻率和 issue 討論往往比正式新聞稿更早反映研發(fā)動向。需要注意的是公司管理層在公開會議上的表態(tài)通常有一定框架語氣樂觀不等于所有目標都會按期落地。過度的敘事信號要打折看真正的產(chǎn)品能力要看是否能通過公開 API、開源模型權(quán)重或客戶案例驗證。8. 下一步可以繼續(xù)完善的方向到這里我們已經(jīng)完成了一條從 earning transcript 到關(guān)鍵詞信號再到 RSI 動量指標的完整實驗鏈路。你至少可以學(xué)到三件事第一用 Python 清洗電話會議記錄并把發(fā)言人發(fā)言拆成結(jié)構(gòu)化字段第二通過關(guān)鍵詞頻率和上下文窗口找出“next-generation”相關(guān)線索第三用 RSI 給事件熱度增加一個動量視角。如果你想繼續(xù)深入可以嘗試把關(guān)鍵詞列表替換成“Agent”“多模態(tài)”“推理成本”等更細分的方向然后對不同季度的多份 transcript 做同期對比觀察管理層關(guān)注度的遷移曲線。也可以把文本情緒得分與 RSI 做交叉分析研究“語氣轉(zhuǎn)暖 技術(shù)上穿 50”之后相關(guān)指數(shù)是否更容易出現(xiàn)一段持續(xù)性行情。最后還是要強調(diào)一句實際操作建議文本信號提供的是“研究線索”技術(shù)指標提供的是“溫度計讀數(shù)”真正做判斷時需要額外結(jié)合官方披露、一手體驗和風(fēng)險控制規(guī)則。如果這篇文章對你有幫助建議收藏下來下次拿到新的 transcript 時可以照著跑一遍流程。