中国A 股上市公司行业分类数据集构建——基于大语言模型的方法
作者: 吴轲、应镇焜、钱宗鑫、周德馨
2026-03摘要: 行业分类是金融经济学实证研究的基础性工具，但现有中国A 股市场多套行业分类标准普遍存在更新滞后、区分度不足等问题。本文基于2007 至2023 年52702 份A 股上市公司年报“管理层讨论与分析”（MD&A）文本，利用大语言模型的文本嵌入能力与层次聚合聚类算法，构建了一套涵盖26 个一级、102 个二级和271 个三级行业的中国A 股上市公司行业分类数据集。实证结果显示，该分类体系在行业间差异性和行业内相似性两个维度上均显著优于中上协、申万和万得等主流分类标准，表明其能够更有效地实现“类内相似、类间差异”的分类目标。拓展性分析表明，基于LLM 分类构造的领先-滞后对冲投资组合能够产生统计显著的月度平均收益，并且在Fama-French 五因子和中国四因子模型调整后仍然显著；Fama-MacBeth 回归进一步证实，LLM 分类在捕获高价股同行业动量效应方面具有最强的预测能力，为该分类体系的准确性提供了基于资产定价的证据。本文为中国A 股市场提供了一套分类精准、数据驱动、可动态更新的行业分类框架，为公司金融、资产定价等实证研究提供新的分析工具。