你拿一场完整的财报电话会训练模型，让它预测“电话会之后”的股价变化。听起来很合理。可如果收益从电话会刚开始时就计算，模型却读到了后来才出现的问答，它就像拿着整场比赛录像去预测下半场：日期没有错，信息顺序却穿越了。
Xiaoyu Ma、Kelvin J. L. Koa、Yuncong Liu 和 Ke-Wei Huang 的论文追问的正是这件事：金融 NLP——用自然语言处理技术分析财务文本——所说的“会后”，究竟从什么时候开始？论文没有主张所有数据都要等电话会结束后才能用。它提出的原则更准确：预测目标的起点，不能早于模型实际使用的输入变得可用的时间。
以下数字均来自这篇论文的内部审计，尚无独立信源交叉验证；其中多个时间点是代理值，不是直接观测到的统一发布时间。
一场电话会，不是一个时间点
财报电话会通常分阶段展开。公司可能先发布财报，管理层再宣读准备稿，随后回答分析师提问。公告、发言和问答并非同一瞬间出现。
这会带来“前视偏差”（look-ahead bias）：模型在回测中使用了预测当时尚不可获得的信息，于是成绩显得过好。常见的时间顺序切分，即用较早样本训练、较晚样本测试，只能阻止模型拿未来事件训练过去。它挡不住单场事件内部的泄漏：目标窗口已经开始，模型所需的完整输入却还在继续产生。
论文因此提出 Availability Contract，可译作“可用性契约”。它要求基准明确交代几件事：模型输入到哪里为止；有什么证据证明这些输入何时可用；预留了多少处理时间；如何把这个时点映射到市场价格；收益从哪里开始、到哪里结束；这些证据最终允许研究者提出多强的结论。
这里的关键不是强制所有研究使用同一个窗口，而是让结论和证据匹配。如果研究的是市场对整场事件的反应，收益覆盖电话会过程并无不可。但这只能说明“事件窗口内存在关联”，不能直接称为“读完整场电话会后的预测”。若要支持真正的部署结论，还要知道模型准备、下单、成交和成本等时钟；本文没有观测这些环节。
把“会后”拆成三只钟
作者审计了 24 家公司的 552 场电话会，使用相同样本和相同收益终点，只改变收益起点。
第一只钟从前一交易日收盘开始，覆盖较宽的事件窗口。第二只钟使用资料页面记载的电话会起始时间，但作者强调，这只是 documentary call-start proxy——来自文档的开场代理时间，多数并非经过核实的真实开场时刻。第三只钟先重建录音结束时间，再加上预设的 15 分钟处理余量，形成 completion proxy，也就是“输入完成”的代理时钟。
价格也不是恰好取自代理时间那一秒。作者选择严格晚于相应代理时点的第一个常规交易时段五分钟价格柱，并以该价格柱的收盘价作为收益起点。换句话说，这套设计追求的是可复现的对齐规则，不是假装掌握了精确到秒的真实可用时间。
结果显示，从开场代理时钟移到完成代理时钟后，9.4% 的电话会样本出现收益方向翻转：原本为正的标签可能变负，反之亦然。若固定使用完成时钟划出的五分位门槛——把收益由低到高分成五档——28.3% 的样本会换档；若两套时钟各自重新划分门槛，比例是 30.1%。
这些变化并非证明较晚时钟天然正确。它们说明，只改“从何时开始计算”，同一场电话会就可能得到不同的方向标签和分类标签。论文还测试了 0 至 120 分钟的处理余量：收益符号翻转率在 6.5% 至 15.0% 之间，固定门槛下的换档率在 21.0% 至 35.9% 之间。这也反过来说明，15 分钟不是被直接观测到的事实，而是一项会影响结果的设定。
排名没变，不代表问题很小
论文还分析了公开的 Dense Earnings Call（DEC）基准。作者冻结四组预测结果，也就是不重新训练或调整模型，只把盘前事件的目标窗口向后移动一个交易日，再重新计算误差。
在 1,710 个共同事件中，三日预测的均方误差（MSE——预测值与真实值之差平方后的平均数）上升了 18.1% 至 21.4%。但四组预测流的点排名没有变化。
这组结果很容易被误读。排行榜顺序稳定，只说明模型之间的相对次序在这次调整中没变；它不代表标签和损失稳定。好比四名选手仍按原顺序到达终点，但计时尺整体换了一把，每个人的成绩都可能明显改变。论文据此提醒：只看谁排第一，会漏掉基准任务本身已经发生变化。
影响还会随预测期拉长而减弱。三日窗口的 MSE 增幅为 18.1% 至 21.4%，十五日窗口降至 3.8% 至 6.2%。这些数字来自 DEC 的特定释放时段分析，不能外推为所有电话会任务、模型和指标的普遍规律。
为什么这值得关注
金融 NLP 基准经常把注意力放在模型、数据切分和排行榜上。但这篇论文指出，标签的时钟本身也是基准定义的一部分。即使模型代码、输入和训练测试划分完全相同，只要输入完成时间或价格锚点不同，标签与误差就可能变化。
更实际的做法，是先声明模型究竟看了什么。若只使用已发布的公告、准备稿，或截至某一时点的部分内容，可用边界可能早于整场电话会结束。若输入包含完整问答，则起点需要与完整问答的可用时间匹配。不同输入可以有不同的合理时钟，但不能共用一句含糊的“post-call”掩盖差别。
Availability Contract 的价值正在这里：它没有替研究者决定唯一正确的时间窗口，而是要求他们把时钟摆到台面上。读者由此可以分辨，一项研究测量的是事件期间的关联、完成代理时点之后的关联，还是足以支持实际部署的预测。
局限与未知
- 552 场电话会来自完整数据可得的子样本，仅占最初 2,094 场面板的 26.4%，而且样本筛选偏向较晚年份和较大公司。
- 完成时钟由重建的录音结束时间加预设处理余量构成；文字稿上线和模型推理完成时间并未观测，因此结果只能支持基于代理时钟的解释。
- DEC 的误差变化是论文内部的另一项分析，“independent”不表示获得外部独立复核；模型排名稳定也不等于具体模型间差距具有统计上的稳健性。