在学术界，基于大模型的金融研究进展迅速。在语义分析与市场预测方面，Lopez-Lira和Tang（2023）率先证明ChatGPT新闻情感信号能预测股票收益；Siano（2025，Management Science）表明LLM能从财报电话会议中捕捉传统方法难以识别的细微语义信号；Jha等人（2024a，2024b）展示了ChatGPT从电话会议中提取资本支出和宏观展望信息的能力。在风险管理领域，Pele等人（2026）提出了LLM-VaR和LLM-ES方法，以零样本方式估计在险价值和期望损失。在企业网络构建方面，Breitung和Müller（2025）利用10-K年报构建了上市公司全球商业网络。

行业分类是金融实证研究的重要基础设施（McGahan和Porter, 1997），但A股现有的多套行业分类标准存在三大不足：一是更新滞后，对并购重组或业务转型通常存在1-2年的滞后期；二是细分赛道区分不足，组内公司同质性低；三是方法不透明、难复现。中国上市公司协会分类严格参照国标，首要目标是统计和行政监管而非金融研究；申万、万得分类虽更贴近市场，但编制方法不公开。Hoberg和Phillips（2016，JPE）利用美国10-K年报产品描述文本构建了动态TNIC行业分类，但这类数据驱动方法在中国市场一直处于空白状态。

本团队的核心思路是：两家公司在年报中描述的业务内容高度相似，则归为同一行业。这一分类体系追求三大目标——客观性（分类方法公开透明，可复现，可根据具体研究需要调整）、准确性（聚类准确，能够捕捉相似企业，组间差异大，组内差异小）和实时性（及时反映企业业务转型）。研究收集了2007至2023年间沪深两市全部A股上市公司的52702份年报“管理层讨论与分析”（MD&A）文本，采用“嵌入—聚类—命名—测试”四步骤方法构建分类体系。

第一步：嵌入。使用Qwen-text-embedding-v4文本嵌入模型将每份MD&A映射为2048维语义向量。考虑到模型输入长度限制，首先将每篇MD&A文本划分为若干段落，分别计算各段落的嵌入向量，再以段落嵌入向量的均值作为该篇文本的整体向量表示。为增强嵌入对行业语义的捕捉能力，研究在调用模型时加入任务指令（Prompt）以提升模型信息提取能力。最终对每个MD&A文本生成一个2048维语义嵌入向量，用于描述该公司的业务模式。

第二步：聚类。基于52702个嵌入向量，研究采用层次聚合聚类（Agglomerative Hierarchical Clustering）方法，配合平均链接（Average Linkage）准则和归一化欧氏距离，自底向上构建三级分类体系。这一方法完全由数据自下而上驱动，避免了预设行业定义可能带来的先验偏差。在归一化前提下，欧氏距离和余弦距离存在单调映射关系，归一化欧氏距离的平方根特性在聚合过程中能有效压缩极端样本对的惩罚权重，使聚类算法对MD&A文本中的局部噪声更加鲁棒。具体而言，三级分类的构建过程如下：三级分类层面，先将全部向量聚合为300类，再通过动态小簇合并机制将簇内少于5个点的微小簇并入最近的大簇，得到271个三级行业；二级分类层面，基于三级聚类结果构建簇间距离矩阵，继续聚合至150类后将少于30个点的小簇合并，得到102个二级行业；一级分类层面，在二级结果上继续聚合至50类后将少于300个点的小簇合并，得到26个一级行业。动态小簇合并机制的创新性引入，既解决了传统层次聚合聚类容易产生大量极小孤立簇的缺陷，同时也保证了分类体系的完全嵌套关系——若任意两家上市公司归属于同一三级行业，则它们必然也归属于同一个二级行业和一级行业。

第三步：命名。研究创新性地采用基于大语言模型的两阶段命名策略——“局部摘要-全局命名”，避免人工命名带来的偏好偏差。首先使用具备长上下文处理能力的Qwen-Long模型，对各行业抽样读取MD&A文本，生成详尽的行业业务画像总结；然后使用Qwen3-Max模型将所有行业的业务摘要整合为单一输入进行全局对比分析，赋予符合中国A股市场通用术语的行业名称（如“基础化工”“食品饮料”“高端装备”等），名称长度严格控制在2-6个中文字符，确保名称互斥。二级行业命名时还显式引入一级行业信息作为先验背景，使二级名称体现出对一级行业的从属或细分关系。

第四步：测试。构建分类体系后，研究从行业间差异性、行业内相似性和资产定价三个维度，将LLM分类与申万三级分类、万得四级分类及中国上市公司协会分类进行系统比较。评价指标选取了营业利润率（OpMargin）、资产回报率（ROA）、营业收入增长率（RevGrowth）和资本支出增长率（CapxGrowth）四个在相同业务公司间高度相似的财务特征指标。衡量逻辑是：一个好的分类标准应该把最相似的公司放入同一个类别中，使得类内差异最小、类间差异最大。

最终形成的“人大-新华”分类体系涵盖26个一级、102个二级和271个三级行业。26个一级行业包括：高端装备、食品饮料、医药生物、电子元件、软件服务、农林牧渔、基础化工、种子农业、交通运输、电力设备、公用事业、纺织服装、文化传媒、建筑材料、商业零售、房地产、综合转型、交运能源、金融服务、家电部件、旅游酒店、轨道交通、造纸包装、高速公路、石油化工和环保水务。聚类层次完全嵌套。数据显示，综合转型行业从2007年的294家骤降至2023年的3家，电子元件行业则从71家扩张至766家，生动反映了中国产业结构的动态演变——高新技术产业和先进制造业快速扩张，而部分传统行业则面临调整或增长瓶颈。

在行业间差异性方面，研究计算了各分类体系下不同行业在四个核心财务指标上的标准差，标准差越大表明行业间财务特征差异越显著。结果显示，在同等类别数量粒度下，LLM分类体系在多数指标上均优于同级别的申万、万得分类。以营业利润率为例，“人大-新华”三级分类的标准差为0.266，而申万三级仅为0.131——LLM行业区分度约为传统分类的两倍。在一级分类层面，LLM分类标准差（0.113）同样显著高于申万一级（0.064）、万得一级（0.097）和万得二级（0.079）。在二级分类层面，LLM二级（0.188）显著超过申万二级（0.102）与万得三级（0.098）。

在行业内相似性方面，研究采用行业哑变量回归的R²作为衡量指标，R²越高表明同一行业内公司在该指标上越趋同。结果显示，LLM分类在多数指标上均具有更高的R²解释力。以营业利润率为例，“人大-新华”三级分类的平均R²为0.144，高于申万三级的0.102和万得四级的0.095。更高的R²意味着同一行业内企业在关键特征上更相似，LLM分类能更好地实现“类内相似、类间差异”的分类目标。

在资产定价检验中，研究基于Hoberg和Phillips（2018）的行业“领先-滞后”效应，结合Du等人（2025）关于A股高价股动量更显著的发现，构造了对冲投资组合。具体方法为：每月末在收盘价不低于10元且流通市值位于市场前70%的股票池中，计算过去11个月（排除最近一个月）同行业公司平均累计收益率作为“领先-滞后”特征，采用双重独立排序——按收盘价（前10%与后10%）和领先-滞后特征（前20%与后20%）独立排序后取交集，做多“高价股+高领先-滞后”组，做空“高价股+低领先-滞后”组。结果表明，“人大-新华”二级和三级分类产生了统计显著的正收益（月均收益分别为1.29%和1.53%，T值分别为2.43和2.81），而其他分类体系的对应组合均未产生显著正收益。经Fama-French五因子模型调整后，LLM三级分类的等权Alpha为1.60%（T=3.00），经中国四因子模型调整后等权Alpha为1.80%（T=2.84），均高度显著；而申万和万得体系在多数设定下均未能产生统计显著的Alpha。Fama-MacBeth横截面回归进一步证实，“人大-新华”二级分类交乘项系数为0.0148（t=2.05），加入资产增长率、公司规模、账面市值比和毛利率等控制变量后仍在5%水平显著，其他分类体系均不显著。

“人大-新华”A股上市公司行业分类数据集已于2026年3月正式发布并在新华财经数据终端上线，可供金融从业者和研究人员使用。