一台已经会算市盈率、动量、市值的机器，再让它“读懂”财报里的文字——
这多出来的一点，到底值不值？我们较真地量了一量。
上一篇我们证明了：让 AI 读业绩预告的文字、判断盈利质量，能预测股价。但有个更难、更诚实的问题没回答——
一个正经的量化模型，本来就吃了一堆数字因子（市值、估值、动量、换手、超预期幅度……）。很多文本信号其实和这些数字是重复的。那么：把 AI 读出来的文字特征，叠加到这台已经很强的数字机器上，还能不能再榨出新东西？
在 46,944 条业绩预告事件上，每条配齐两类特征：
用 LightGBM 预测公告后的超额收益，做一个干净的消融实验：只喂数字 vs 数字+文本，比样本外的预测力。规矩很严——只用过去训练、预测未来，训练和测试之间留缓冲带，杜绝“偷看答案”。
加上 AI 文本后，样本外预测力（IC）实打实地上了一个台阶：
| 特征集 | IC(20日) | IC(60日) |
|---|---|---|
| 仅数字 | 0.0399 | 0.0856 |
| 数字+文本 | 0.0528 | 0.0932 |
| 仅文本 | 0.0007 | 0.0094 |
分组消融(60日)：去掉估值 IC 从 0.093 跌到 0.041（估值是骨架）；去掉文本 0.093→0.086（这就是文本的增量 +0.0076）。
最有意思的反差：上面那张图里，“仅文本”的 IC 几乎是 0。也就是说，光凭 AI 的文字判断去选股，基本不灵。可它叠加到数字上又确实有用。怎么回事？
答案是交互：同一句“经营改善”，在大盘价值股和小盘成长股里，含义完全不同。文本不是独立信号，而是一个“看数字情境下菜碟”的调节变量。SHAP 把每个文本特征的贡献拆开，49%–68% 都来自和数字特征的交互——最强的搭档正是市值和价值。
文本不是“替代”数字的新 alpha，而是“精修”数字的调味料——它告诉模型：这条数字信号，在这种公司身上要信几分。
把模型预测拿去真刀真枪建仓（持有60天、扣交易成本），多空组合的夏普从纯数字的 1.60 提到 1.85，多头组合也从 1.01 升到 1.09，双双远超沪深300。
| 组合(60日,扣成本) | 年化 | 夏普 | 回撤 |
|---|---|---|---|
| 全模型 多空 | 22.2% | 1.85 | −13.4% |
| 纯数字 多空 | 18.5% | 1.60 | −15.3% |
| 全模型 顶组 | 27.1% | 1.09 | −36.4% |
全模型多空对 CH-4 因子的 alpha 为 19.1%/年(t=5.24)——但这主要是数字基座。张成回归(全模型~纯数字)显示，文本的纯增量收益 +4.9%/年，t=1.74（不显著）。这是最该诚实的一点。
把文本特征打乱重跑5次，增量消失：真文本 IC 高于全部 5 次打乱。增量来自真实文字信息，不是“多塞几列”的假象。
7 个样本外年份里，文本增量 5 年为正。
对主模型 LightGBM 两个尺度都正；但随机森林(60日)、线性模型(20日)上没增量。它依赖模型能否吃下“交互”，不是放之四海皆准。
剥离数字后，文本的独立收益 +4.9%/年但 t=1.74，统计上还不够硬。
这篇研究最大的价值，是它的诚实和深度：它没有兜售一条暴利曲线，而是干净地量出了"AI 文本到底加了多少"——一个真实、温和、且靠交互起作用的增量。比起"AI 能不能读财报"，更值得问的是：在什么样的数字情境下，软信息才真正变得重要。