1. 研究動機

近年來，人工智慧（Artificial Intelligence, AI）與自然語言處理（Natural Language Processing, NLP）技術的蓬勃發展，使得人類得以從大量文字資料中萃取潛在資訊與情緒意涵。以往在金融研究中，投資分析主要聚焦於財務報表、會計指標與技術面資料，然而這些數值資料多屬於「事後結果」，無法及時反映企業管理階層在財報中所傳遞的語氣與態度。

 

實際上，企業在財報中的文字敘述常帶有特定情緒，例如對市場前景的樂觀、對成本壓力的擔憂，或是對策略轉型的信心等，這些語意特徵往往能揭示企業潛在經營狀況與市場信心，對投資人與分析師具有高度參考價值。

在國際研究中，財報文本分析（Financial Text Mining）已被廣泛應用於投資決策與風險評估。Loughran and McDonald (2011) 首次建構財務詞典，揭示財報語氣與公司績效間的關聯，後續研究更發展出以情感分析（Sentiment Analysis）與主題模型（Topic Modeling）結合的分析架構。

​

因此，本研究以台灣上市公司之財報文本為研究對象，結合自然語言處理與情感分析技術，嘗試以細粒度的「層面式情感分析（Aspect-Based Sentiment Analysis, ABSA）」方式進行資料標註與建模，從語義層面探討企業文字中蘊含的情緒趨勢。藉由人工標註、模型訓練與自動化預測，期望能建立一套客觀可量化的財報情緒分析流程，補足傳統數據分析在「語意層面」上的不足。

 

2. 研究目的

本研究的主要目的是建立一套適用於中文財報語料的情感分析流程，並透過 NLP 模型自動化辨識企業財報中的情緒傾向。具體研究目標如下：

1.蒐集與整理台灣上市公司財報文本資料：彙整不同產業之年度財報與股東報告書內容，建立具代表性的財報語料庫。

2.人工標註財報文本情緒資料集：以「主題（Aspect）」、「面向（Category）」、「觀點（Opinion）」及「情緒極性（Sentiment）」四元組格式（Quadruple）標註句子內容，確保模型訓練資料具一致性與準確性。

3.導入機器學習與深度學習模型：使用 MT5 等多語言預訓練模型進行微調（Fine-tuning），比較不同模型在財報情緒辨識任務之表現差異。

4.建立財報情緒分析流程與指標化系統：將模型預測結果轉換為可量化之「財報情緒指數」，用以分析企業或產業整體的情緒趨勢。

5.評估模型效能並提出改進建議：以 F1-score、Precision、Recall 等指標進行績效衡量，並針對標註誤差與資料增強（Data Augmentation）進行優化，探討模型於財務文本領域的可行性。

透過上述研究流程，本研究期望建立出一個可自動化運作、可擴展至多產業的財報文本情感分析框架，為財務資訊研究帶來新的視角與技術應用價值。

3. 研究的重要性

 本研究的重要性可分為三個層面進行說明：

1.學術層面：

本研究以中文財報文本為分析對象，補足過去情感分析研究以英文語料為主的不足，並將 ABSA 技術導入財務文本分析領域。透過人工標註與模型訓練的結合，能提供國內外學術界一個中文財報語料庫的建立與應用範例，並為後續研究提供基礎。

2.實務應用層面：

財報文本中的語氣與情緒往往能提前揭示企業的經營風向與市場信心。若能將本研究所建立的模型應用於金融分析或投資決策中，投資人與研究機構便能即時掌握企業文字中的情緒變化，作為輔助判斷依據，進而降低決策風險，提升分析效率。

3.社會與科技層面：

隨著人工智慧在各領域的滲透，文本情緒分析不僅能提升資訊透明度，更能促進金融市場的理性化與自動化。本研究以 NLP 技術為核心，結合財務文本資料的語意分析，有助於推動智慧金融與企業數位轉型，展現自然語言處理技術在社會科學與管理學領域的跨域應用潛力。

綜合以上，本研究不僅希望在技術上驗證 NLP 模型於財報文本的可行性，更期望能藉由情緒趨勢的量化，為金融研究與投資決策帶來創新且具有實際應用價值的分析方法。