最近在google搜Python在经管中的内容，意外发现专著： 在会计研究中使用Python进行文本分析，内容特别新，专著中含有Python代码，也有会计领域文本分析的应用成果。跟 视频专栏课| Python网络爬虫文本分析 结合起来，特别适合会计领域python初学者，将文本分析应用于会计研究中。

Vic Anand, Khrystyna Bochkay, Roman Chychyla and Andrew Leone (2020 isbn), “Using Python for Text Analysis in Accounting Research (forthcoming)”, Foundations and Trends ® in Accounting: Vol. xx, No. xx, pp 1–18. DOI: 10.1561/XXXXXXXXX.

http://dx.doi.org/10.1561/1400000062

摘要

会计研究中文本数据的重要性显着增加。为了帮助研究人员理解和使用文本数据，本专著定义和描述了文本数据的常用度量，然后演示了使用 Python 编程语言收集和处理文本数据。该专著充满了示例代码，这些代码复现了最近研究论文中的文本分析任务。

在专著的第一部分，我们提供了 Python 入门指南。我们首先描述 Anaconda，它是 Python 的一个发行版，它提供了文本分析所需的库及其安装。然后，我们介绍了 Jupyter notebook，这是一种改进研究工作流程并促进可复制研究的编程环境。接下来，我们将教授 Python 编程的基础知识，并演示使用 Pandas 包中的表格数据的基础知识。

专著的第二部分侧重于会计研究中常用的具体文本分析方法和技术。我们首先介绍正则表达式，这是一种用于在文本中查找模式的复杂语言。然后我们将展示如何使用正则表达式从文本中提取特定部分。接下来，我们介绍将文本数据（非结构化数据）转换为表示感兴趣变量（结构化数据）的数值度量的想法。具体来说，我们介绍了基于字典的方法

  1. 测量文档情绪，
  2. 计算文本复杂度，
  3. 识别前瞻性句子和风险披露，
  4. 收集文本中的信息量，以及
  5. 计算不同文本片段的相似度。

对于这些任务中的每一个，我们引用相关论文并提供代码片段来实现这些论文中的相关指标。

最后，专著的第三部分侧重于自动化文本数据的收集。我们介绍了网页抓取并提供了从 EDGAR 下载文件的代码。

关键词

文本分析，数据收集，Python，自然语言处理


Using Python for Text Analysis in Accounting Research (forthcoming)目录

1. 引言

2. 在电脑中配置Python

  • 2.1 Python包的作用
  • 2.2 Anaconda软件版本
  • 2.3 安装Anaconda
  • 2.4 Anaconda的使用

3. Jupyter Notebook

  • 3.1 案例
  • JupyterLab: Jupyter Notebook的开发版(最新版)
  • 如何启动JupyterLab
  • 在JupyterLab中写代码
  • Markdown标记语言与格式化文本代码块

4. Python编程语言简要介绍

  • 4.1 基础知识
  • 4.2 变量与数据类型
  • 4.3 操作
  • 4.4 print函数
  • 4.5 控制流
  • 4.6 函数
  • 4.7 集合类型数据-list、tuple、dictionaries
  • 4.8 处理字符串

5. 处理表数据： Pandas包

  • 5.1 Pandas使用场景
  • 5.2 导入import 声明
  • 5.3 加载数据、导出数据
  • 5.4 在pandas中查看数据
  • 5.5 筛选数据
  • 5.6 创建新列（字段）
  • 5.7 删除列（字段）、列（字段）名重命名
  • 5.8 对数据排序
  • 5.9 合并数据

6 正则表达式介绍

  • 6.1 查看文本中的模式
  • 6.2 字符与字符集
  • 6.3 Regex的定位与边界
  • 6.4 模式匹配次数限定
  • 6.5 分组
  • …

7. 基于字典法 的文本分析

  • 7.1 字典法文本分析的优势
  • 7.2 理解字典
  • 7.3 识别文本中的词语与句子
  • 7.4 词干化、词形还原
  • 7.5 词语权重
  • 7.6 基于词典法的词频统计函数

8. 量化文本复杂度

  • 8.1 理解文本复杂度
  • 8.2 计算文本字符长度
  • 8.3 使用Fog指数测量文本可读性
  • 8.4 使用BOG指数测量文本可读性

9. 句子结构与分类

  • 9.1 识别前瞻性陈述forward-looking sentences
  • 9.2 使用字典法做文本分类
  • 9.3 识别句子的主语与宾语
  • 9.4 识别命名实体
  • 9.5 词性标注与命名实体识别任务

10. 测量文本相似度

  • 10.1 使用相似度比较文本
  • 10.2 长文本使用cosine相似度计算相似度
  • 10.3 短文本使用Levenshtein距离计算相似度
  • 10.4 使用word2vec词嵌入计算语义相似度

11. 识别文本中的具体信息

  • 11.1 文本识别与抽取
  • 11.2 案例: 从10-k filing中提取出MD&A
  • 11.3 案例: 从10-k html网页文件中提取处MD&A
  • 11.4 从XBRL金融报告中抽取文本

12. 从网络中收集数据

  • 12.1 在互联网中采集数据
  • 12.2 证券交易委员会的EDGAR数据
  • 12.3 网络爬虫
  • 12.4 关于api接口

致谢


参考文献(部分)

Bentley, J. W., T. E. Christensen, K. H. Gee, and B. C. Whipple. 2018. “Disentangling managers’ and analysts’ non-GAAP reporting”. Journal of Accounting Research. 56(4): 1039–1081.

Blankespoor, E. 2019. “The impact of information processing costs on firm disclosure choice: Evidence from the XBRL mandate”. Journal of Accounting Research. 57(4): 919–967.

Bochkay, K., R. Chychyla, and D. Nanda. 2019. “Dynamics of CEO disclosure style”. The Accounting Review. 94(4): 103–140.

Bochkay, K., J. Hales, and S. Chava. 2020. “Hyperbole or reality? Investor response to extreme language in earnings conference calls”. The Accounting Review. 95(2): 31–60.

Bochkay, K. and C. B. Levine. 2019. “Using MD&A to improve earnings forecasts”. Journal of Accounting, Auditing & Finance. 34(3): 458482.

Bonsall, S. B., A. J. Leone, B. P. Miller, and K. Rennekamp. 2017. “A plain English measure of financial reporting readability”. Journal of Accounting and Economics. 63(2): 329–357.

Bozanic, Z., D. T. Roulstone, and A. Van Buskirk. 2018. “Management earnings forecasts and other forward-looking statements”. Journal of Accounting and Economics. 65(1): 1–20.

Chychyla, R., A. J. Leone, and M. Minutti-Meza. 2019. “Complexity of financial reporting standards and accounting expertise”. Journal of Accounting and Economics. 67(1): 226–253.

Gow, I. D., D. F. Larcker, and A. A. Zakolyukina. 2019. “Non-answers during conference calls”. Chicago Booth Research Paper. (19-01). Guay, W., D. Samuels, and D. Taylor. 2016. “Guiding through the Fog:Financial statement complexity and voluntary disclosure”. Journal of Accounting and Economics. 62(2): 234–269.

Heitmann, M., C. Siebert, J. Hartmann, and C. Schamp. 2020. “More Than a Feeling: Benchmarks for Sentiment Analysis Accuracy”. Working Paper, https://papers.ssrn.com/sol3/papers.cfm?abstract_ id=3489963.


本书下载

https://github.com/hiDaDeng/DaDengAndHisPython/blob/master/Using_Python_For_Text_Analysis_In_Accounting_Research.pdf


广而告之