當財報語氣變成數據：AI 讀出台積電法說會的情緒地圖

2025 Oct 25 好工具分享

最近拜讀財金博士生 Yi-Ju Chien 的電子報〈台積電 2025Q3 法說會分析〉，文末提到的「經理情緒分析」讓我眼睛一亮。

原來早在 2017 年，中央研究院資創中心王釧茹副研究員團隊就以情緒分析切入財務文本，探索「用字情緒 ↔ 風險預測」的關聯。

於是我在文下留言請教如何落地，版主回覆的方向很務實：「把 Loughran–McDonald (LM) Master Dictionary / Sentiment Word Lists 餵給 AI，接著把法說會逐字稿丟進去跑」。看似學術，其實流程不難。

我把實務操作拆成兩步 :

第一階段是餵 AI 語料：也就是把 LM 字典當成情緒判讀的「標尺」，讓模型知道何謂正向、負向、不確定、訴訟、限制等金融語彙語氣。

第二階段是餵逐字稿：把公司法說逐字稿輸入，讓 AI 依照剛建立的規則做句子級與段落級的情緒標註與主題歸類（如成長、毛利、庫存、產能、AI 等），最後彙整成可以閱讀與比較的指標。

我實際只做了兩件事：
第一，先問 ChatGPT 一個總問題：「如何運用 AI，納入 Loughran–McDonald 字典分析法說會情緒？」

AI 會回一版流程與要點。我就順著它的建議往下跑，請它把需要的「不確定提示詞、正負向提示詞、以及台灣上市櫃常見產業的正負向詞庫」整理成清單，作為後續分析時的自訂詞庫加值。這一步的重點不是一次做到完美，而是先有可用版本，之後再逐案微調。

第二，去 AlphaMemo.ai 找到台積電 2025/10/16 的法說會逐字稿，直接複製貼給 ChatGPT，並下達任務：「請針對 CEO 與 CFO 的發言段落進行情緒分類」。

AI 會輸出每個核心段落的情緒分數與風險語氣，並抽取代表性語句。我拿這份結果對照 Yi-Ju Chien 的文章，發現結論方向相當接近：CFO 端的語氣偏正向（毛利率上修、擴利優於指引），但仍提示匯率與海外廠稀釋；CEO 端則更強調 AI 需求強勁、先進節點與封裝按計畫推進、長期趨勢仍樂觀。

目前我使用的是付費 GPT-5，免費版本是否會得到完全一致的輸出，我不敢保證。模型能力、字數限制與上下文記憶都可能影響結果。不過為了讓大家能快速複製流程，我把上面提到的三組提示詞與詞庫清單整理成可參考的範例（不確定／正負向／台灣常見產業詞庫），讀者可直接下載或自行貼到試算表／文字檔，當成你與 AI 對話的「起跑線」(下載連結放後面)。

另外我也錄了一支 YouTube 短片，從投餵字典、到貼上逐字稿、到解讀輸出，逐步示範整個過程。

自己可試著玩玩看

這套方法的優點是「低門檻、可擴充」。你可以先從標準的 LM 字典起步，再逐步加入自己觀察到的產業關鍵詞（例如半導體的良率/稼動率/先進封裝、面板的 ASP/庫存、電動車供應鏈的材料價格/補貼政策等），讓模型更理解在地語境。等累積到一定規模，就能做跨期比較（例如同公司不同季的情緒變化）與交叉主題檢視（例如「AI 相關敘述的正向度」對後續股價波動的關聯），把「閱讀一篇篇逐字稿」變成「看得見、可回測」的儀表板。

最後強調：這是語氣與風險訊號的輔助工具，不是投資建議的自動販賣機。最有價值的，仍是把機器加速的資訊整理，轉化為自己的理解與判斷。若你也對這套流程有興趣，不妨先用我附的詞庫清單試跑一檔公司，感受一次「從字到勢」的分析體驗。

財金博士生 Yi-Ju Chien 的電子報〈台積電 2025Q3 法說會分析〉

https://reurl.cc/A3EynZ

不確定提示詞下載連結

https://mega.nz/file/oEI3zKyL#N5vlBdmKJNSCQqsCmr5pdBj3m3AHjrjwsBu0tpYTcuw

正向負向提示詞下載連結

https://mega.nz/file/oJ4VUBjR#73uvx0FSTAYyLiwrlY6VW-LJ4F9t0GPDNTUiB78LrvY

台灣上市櫃常見產業正負向提示詞下載連結

https://mega.nz/file/lEwAXR5Y#PeJXvhiDIcpJjZ9jGXAkppfehVZwe73M6t8AY2kynv4

Youtube短片示範