Which Voices Move Markets? Speaker Identity and the Cross-Section of Post-Earnings Returns

Este estudio demuestra que el sentimiento de las llamadas de ganancias ponderado por la identidad del hablante (analistas, directores financieros y ejecutivos) utilizando FinBERT predice con mayor precisión los rendimientos posteriores a los resultados que los métodos tradicionales, generando alfas significativos y evidenciando una asimilación gradual de la información blanda por parte del mercado.

Lo esencial

Imagina que las llamadas de resultados de una empresa (donde los ejecutivos hablan con los analistas) son como un programa de radio en vivo muy importante. En este programa, hay muchos participantes: el CEO (el capitán del barco), el CFO (el contador), y varios analistas (los periodistas que hacen preguntas difíciles).

El estudio que acabas de leer se hace una pregunta muy interesante: ¿De quién depende realmente el precio de la acción después de la llamada?

Aquí tienes la explicación sencilla, usando analogías:

1. El Problema: "Todos hablan, pero no todos importan igual"

Antes de este estudio, los inversores y los ordenadores trataban la llamada como si fuera un batido de frutas. Mezclaban todas las palabras (de todos los hablantes) en una sola taza y decían: "El sentimiento general es positivo".

• La analogía: Imagina que estás en una cena. Si el anfitrión (el CEO) dice "¡Todo va genial!" pero un invitado experto (el analista) susurra "Oye, creo que están mintiendo", ¿qué deberías creer?
• El error antiguo: El método antiguo tomaba el promedio. Si el anfitrión habla mucho y el invitado habla poco, el promedio diría "¡Todo genial!", ignorando la advertencia del experto.

2. La Solución: "Escuchar al experto, no al que más habla"

Los autores de este estudio usaron una inteligencia artificial muy avanzada llamada FinBERT (piensa en ella como un traductor superinteligente que entiende el lenguaje financiero) para escuchar a cada persona por separado.

Descubrieron algo fascinante: La voz que más importa no es la del CEO, sino la de los analistas.

• La analogía: Imagina que estás comprando un coche usado.
  • El vendedor (CEO) te dice: "¡Es el mejor coche del mundo, nunca se ha averiado!".
  • El mecánico experto (Analista) que revisa el coche dice: "El motor tiene un ruido extraño".
  • La conclusión del estudio: Debes darle un 49% de peso a lo que dice el mecánico, solo un 30% al contador y un 16% al vendedor. Aunque el vendedor hable el 50% del tiempo, sus palabras están "maquilladas" para vender. Las palabras del mecánico son la verdad cruda.

3. El Resultado: "Dinero en la mesa"

Cuando los autores crearon una estrategia de inversión que escuchaba más a los analistas y menos a los ejecutivos, los resultados fueron increíbles:

• Ganancias extra: Consiguieron un rendimiento mensual extra del 2% (¡mucho dinero en el mundo de las inversiones!) que ningún otro modelo podía explicar.
• No es suerte: Funcionó incluso cuando probaron sus reglas con datos de un futuro que no habían visto antes (como si hubieran adivinado el clima de la próxima semana basándose en patrones del pasado).
• Inteligencia vs. Diccionario: Compararon su IA con un diccionario antiguo de palabras (que solo busca palabras como "bueno" o "malo"). La IA ganó por goleada.
  • Ejemplo: Si alguien dice "No es rentable", el diccionario antiguo ve la palabra "rentable" y piensa "¡Positivo!". La IA entiende que el "No" cambia todo y lo marca como "Negativo".

4. ¿Por qué funciona? (La analogía del "Rumor")

El estudio sugiere que el mercado es un poco lento. Cuando sale la información "suave" (como el tono de voz o la duda en una pregunta), el precio de la acción no cambia de golpe. Se mueve poco a poco, como si el mercado estuviera procesando un rumor.

• La analogía: Es como cuando sale una noticia en una fiesta. Al principio, la gente sigue bailando. Pero poco a poco, la gente empieza a mirar a quien dijo la noticia y a cambiar de opinión. Quien escucha a los analistas (los que detectan el rumor real) puede entrar en la fiesta antes que todos los demás y ganar.

En resumen:

Este paper nos dice que no todos los que hablan en una llamada de resultados tienen la misma credibilidad.

• El CEO suele estar ensayando y vendiendo.
• El Analista suele estar investigando y cuestionando.

Si quieres predecir si una acción subirá o bajará, debes sopesar más las preguntas difíciles de los analistas que las respuestas ensayadas de los ejecutivos. Es como escuchar al mecánico en lugar del vendedor de coches: te ahorrará dinero y te hará ganar más.

Resumen técnico

Resumen Técnico: ¿Qué Voz Mueve los Mercados? Identidad del Hablante y Retornos Post-Informe de Resultados

1. Planteamiento del Problema

El análisis textual de las llamadas de resultados (earnings calls) en los mercados de valores ha estado tradicionalmente limitado por un enfoque de "documento monolítico". La literatura existente suele tratar toda la transcripción como un bloque único, calculando puntuaciones de sentimiento agregadas donde todas las voces (CEO, CFO, analistas) y secciones (presentación, preguntas y respuestas) tienen el mismo peso.

La brecha identificada: Esta aproximación ignora una dimensión fundamental: la identidad y el rol informativo del hablante. Una declaración optimista de un CEO (a menudo guionizada y estratégica) tiene un contenido informativo diferente al de una pregunta escéptica de un analista de Goldman Sachs (spontánea y sin incentivos para gestionar el tono). El problema central es que los métodos actuales no distinguen quién habla, lo que diluye la señal predictiva y reduce la capacidad de explicar los retornos anómalos post-resultados.

2. Metodología

Los autores emplean un enfoque riguroso que combina Procesamiento de Lenguaje Natural (NLP) avanzado con econometría financiera.

• Datos:

  • Fuente: 16,428 transcripciones de llamadas trimestrales de empresas del S&P 500 (abril 2015 – diciembre 2025).
  • Volumen: 6.5 millones de oraciones analizadas.
  • Clasificación: Cada oración se categoriza según el hablante: Analista, CFO, Ejecutivo (CEO, COO, etc.) y Otros. Se eliminan las oraciones de los operadores.

• Modelo de Sentimiento:

  • Se utiliza FinBERT, un modelo transformer pre-entrenado específicamente en texto financiero. A diferencia de los diccionarios basados en palabras (como Loughran-McDonald), FinBERT captura el contexto, la negación y el matiz.
  • Puntuación: Se calcula una puntuación neta de sentimiento ($S_i = P(positivo) - P(negativo)$) a nivel de oración.

• Estrategias de Agregación (Comparadas):

  1. Media Simple (M1): Promedio aritmético de todas las oraciones.
  2. Media Ponderada por Confianza (M2): Ponderada por la certeza del modelo.
  3. Fracción Extrema (M3): Proporción de oraciones fuertemente positivas vs. negativas.
  4. Media Ponderada por Sección (M4 - Propuesta Clave): Asigna pesos a cada categoría de hablante basándose en su Coeficiente de Información (IC) empírico en la muestra de entrenamiento.
  5. Solo Analistas (M5): Utiliza exclusivamente el sentimiento de los analistas.

• Validación:

  • División Temporal: Entrenamiento (2015-2022) y Prueba (2023-2025) con pesos congelados para evitar look-ahead bias.
  • Métricas: Coeficiente de Información (IC) de Spearman, Regresiones de Fama-MacBeth, Regresiones de series temporales con el modelo de 5 factores de Fama-French, y análisis de doble clasificación (Sentimiento vs. Sorpresa de Beneficios).

3. Contribuciones Clave

1. Decomposición por Nivel de Hablante: Se demuestra que la heterogeneidad del hablante es un factor determinante. No todas las voces tienen el mismo poder predictivo.
2. Metodología de Ponderación Basada en Datos: Se propone un esquema de ponderación donde los pesos se derivan del poder predictivo histórico (IC) de cada grupo, en lugar de usar promedios simples o ponderaciones arbitrarias.
3. Superioridad del Aprendizaje Profundo: Se establece una "carrera de caballos" (horse race) controlada que demuestra que FinBERT subsume completamente a los métodos basados en diccionarios (Loughran-McDonald), capturando información contextual que los diccionarios ignoran.
4. Validación Fuera de Muestra (Out-of-Sample): Los resultados muestran una mejora en el poder predictivo fuera de la muestra, lo que sugiere que la estructura de pesos captura aspectos estructurales del entorno de información y no es un sobreajuste (overfitting).

4. Resultados Principales

• Poder Predictivo (IC):

  • La estrategia Ponderada por Sección (M4) logra un IC de 0.119 (muestra completa), una mejora del 46% frente a la media simple (IC = 0.081).
  • La estrategia Solo Analistas (M5) obtiene el IC más alto (0.141), confirmando que el sentimiento de los analistas es el componente más informativo.
  • Validación OOS: El IC mejora de 0.115 (in-sample) a 0.142 (out-of-sample), una rareza estadística que indica robustez estructural.

• Rentabilidad Anómala (Alpha):

  • Portafolios de compra/venta (Long-Short) basados en el sentimiento ponderado generan un Alpha mensual de 2.03% (t = 6.49) tras ajustar por los 5 factores de Fama-French.
  • En el periodo de prueba (2023+), este alpha aumenta a 2.77% mensual.
  • La relación es monótona: los quintiles con mayor sentimiento positivo tienen retornos significativamente mayores, y los negativos, menores.

• Ortogonalidad a la Sorpresa de Beneficios (SUE):

  • En regresiones de Fama-MacBeth conjuntas, tanto el sentimiento ponderado como la Sorpresa de Beneficios Estándar (SUE) permanecen significativos.
  • El análisis de doble clasificación muestra que el sentimiento predice retornos dentro de todos los terciles de SUE, confirmando que captura "información blanda" (confianza, escepticismo) distinta de los números duros.

• Subsumción de FinBERT sobre Diccionarios:

  • En una regresión conjunta, el coeficiente de FinBERT permanece altamente significativo (t = 5.90), mientras que el coeficiente del diccionario Loughran-McDonald cae a cero estadístico (t = 0.86).
  • FinBERT captura matices como la negación ("no rentable") y la comparación que los diccionarios fallan al interpretar.

• Decaimiento de la Señal:

  • La señal tiene una vida media de aproximadamente 6-7 días de negociación, decayendo exponencialmente, lo que es consistente con la asimilación gradual de información blanda en los precios.

5. Significado e Implicaciones

• Para la Práctica (Inversores): Identifica una fuente de alfa implementable: construir estrategias de trading que ponderen desproporcionadamente las opiniones de los analistas sobre las declaraciones de la gerencia durante las llamadas de resultados.
• Para la Academia: Proporciona un marco metodológico para descomponer la información en comunicaciones corporativas multi-hablante. Demuestra que los modelos de lenguaje contextuales (Transformers) son superiores a los métodos de "bolsa de palabras" en finanzas.
• Para la Estructura de Mercado: Refuerza la teoría de que los mercados son lentos para incorporar información sutil y matizada (escepticismo vs. optimismo estratégico), contribuyendo a la comprensión de la deriva post-anuncio de ganancias (PEAD).

Conclusión Final:
El artículo concluye que quién habla es tan importante como lo que se dice. Ignorar la identidad del hablante en el análisis de sentimientos de las llamadas de resultados conduce a una pérdida significativa de poder predictivo. La combinación de FinBERT con una ponderación empírica basada en el rol del hablante ofrece una herramienta superior para predecir retornos de acciones y entender la dinámica de precios en el mercado de capitales.