会计文本分析
近年来，文本信息逐渐成为国外会计实证研究的热点，许多学者开始致力于运用文本分析方法来解决会计与财务问题，并取得了众多有价值的研究成果。会计文本一般指由公司发布的具有会计相关性的文本信息。
关注对象还包括分析师研究报告、媒体新闻报道、互联网论坛上的帖子。具体来说，狭义会计文本包括公司披露的年报、季报、招股说明书、季度盈余公告、管理层盈余预告以及电话会议纪要文本；广义会计文本还包括分析师的研究报告、媒体的新闻报道以及投资者通过各种渠道发表的观点与评论。
总结现有文献可以发现，已被量化的会计文本特征有9个，按照是否与内容相关可分为两类。显然，语调、可读性、重复性、管理者特征。与文本内容无关，而风险、竞争、虚假性、融资约束则属于文本内容的一部分

语调
语调是会计文本分析最基本的特征，由乐观或悲观、正面或负面、积极或消极两种对立的感觉构成。中性语调或可视为第三种语调，因为大部分词句既不乐观也不悲观（Li，2010a）。字典法是度量语调的基本方法，研究者通过对乐观和悲观两类单词进行词频统计和比较得到文本的整体语调。另一种度量方法是朴素贝叶斯算法（Li，2010b）。此外，Jegadeesh和Wu（2013）还提出一种新的算法，它规避对单词语调的分类及由此产生的偏差，并为单词设置不同的权重。


主要的研究主题
1. 文本语调的度量方法；2.语调的信息含量及其影响因素；3. 管理者对于语调的策略性管理；4. 管理者特征与文本语调的关系；5. 招股说明书的语调与IPO抑价；6. 语调对公司股价的影响；*7. 语调与公司未来业绩的关系；8. 文本语调对投资者的影响；9. 媒体报道的语调与CEO的薪酬；10. 信息披露的语调与公司风险；*11. 投资者情绪对证券市场的影响

文本分析方法
1. 字典法。字典法实质上是一种词频统计法，它基于预设的字典和规则将目标文档中的单词逐一映射到各个集合中，经过统计计算得到文本的量化特征（Li，2010a）字典可分为通用、专用和自编三种类型。通用性字典广泛应用于众多研究领域，而不限于会计研究。由于某些词汇在会计用语中有其特定的含义，因此通用类字典的识别能力不强。

2. 机器学习算法。机器学习方法本质是一种统计算法，具有类似于人工智能的自动学习能力。学习过程是利用培训样本进行反复的训练，获得有文本处理能力的数学模型。研究者将目标文本输入该数学模型即可输出文本的量化特征。
（2）无监督的学习算法。无监督的学习算法属于一种聚类算法，它不需要给定的分类规则和训练样本，完全通过算法的自我学习归纳出潜在的某种规则进而实现文档的自动归类。


ref: 肖浩, 詹雷, 王征. 国外会计文本信息实证研究述评与展望[J]. 外国经济与管理, 2016, 38(9):93-112.