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

Lo studio dimostra che l'uso di FinBERT per pesare il sentiment in base all'identità dei relatori nelle chiamate sugli utili (con analisti e CFO come voci predominanti) genera un alfa mensile significativo e supera i metodi lessicali tradizionali, rivelando che l'assimilazione graduale di queste informazioni "soft" guida i rendimenti azionari post-earnings.

L'essenziale

Immagina di essere in una grande sala conferenze dove i CEO delle più grandi aziende americane (quelle dell'indice S&P 500) stanno parlando con gli analisti finanziari. È il momento delle "chiamate sugli utili", un evento che si ripete ogni trimestre e che è pieno di informazioni cruciali.

Fino a poco tempo fa, gli studiosi e gli investitori trattavano queste chiamate come un unico, grande blocco di testo. Pensavano: "Se l'azienda parla in modo positivo, il titolo salirà; se parla in modo negativo, scenderà". Era come ascoltare una canzone e dire "è una bella canzone" senza distinguere chi sta cantando la parte solista e chi sta facendo il coro di sottofondo.

Il problema: Non tutte le voci hanno lo stesso peso.
Un CEO che legge un discorso preparato (scritto da qualcuno) potrebbe essere ottimista per strategia, anche se le cose non vanno bene. Un analista, invece, fa domande dirette e critiche. La sua voce è quella di un osservatore esterno che non ha incentivi a mentire.

La scoperta di questo studio:
I ricercatori dell'Università della California del Sud (USC) hanno usato un'intelligenza artificiale avanzata chiamata FinBERT (un "cervello digitale" addestrato specificamente sui testi finanziari) per analizzare 6,5 milioni di frasi da 16.000 chiamate.

Hanno scoperto che non tutte le voci sono uguali. Per prevedere se un'azione salirà o scenderà dopo la chiamata, bisogna dare un peso diverso a chi parla.

L'Analogia della "Squadra di Calcio"

Immagina che la chiamata agli utili sia una partita di calcio e che tu voglia scommettere sul risultato finale.

• Il metodo vecchio (Media Semplice): Ascolti tutti i commenti della partita allo stesso modo. Dai lo stesso peso al commentatore che parla del meteo, al giocatore che si lamenta dell'arbitro e all'allenatore che fa il discorso di fine partita. Il risultato è confuso e poco utile.
• Il metodo nuovo (Pesi Basati sull'Intelligenza): Il loro studio dice: "Ascolta di più l'allenatore (il CFO) quando parla di strategia, ma ascolta ancora di più gli analisti (i giornalisti sportivi) quando fanno domande difficili".

Ecco come hanno diviso il "voto" (il peso) per capire chi influenza davvero il mercato:

1. Analisti (49%): La loro voce vale quasi la metà di tutto il resto! Sono i più importanti perché le loro domande rivelano dubbi o conferme reali.
2. CFO (Direttore Finanziario) (30%): Molto importante, parla dei numeri.
3. CEO e altri dirigenti (16%): Meno influenti di quanto si pensasse, perché spesso usano un linguaggio "pulito" e strategico.
4. Altri (5%): Quasi irrilevanti.

I Risultati: "Il Segreto che funziona"

Hanno testato questo metodo su un periodo di anni e poi su un periodo futuro (come un esame a sorpresa).

• Il risultato: Questo sistema "intelligente" ha previsto i movimenti del mercato molto meglio dei metodi tradizionali.
• Il guadagno: Se avessi investito seguendo questo segnale (comprando azioni con sentiment positivo degli analisti e vendendo quelle negative), avresti guadagnato circa il 2% al mese in più rispetto alla media del mercato, un risultato enorme e stabile.
• La sorpresa: Più il tempo passava, più il metodo funzionava bene. Di solito, quando si crea un modello, dopo un po' smette di funzionare perché il mercato cambia. Qui è successo il contrario: il modello è diventato ancora più preciso nel tempo, il che significa che ha catturato una verità fondamentale su come funzionano le aziende, non solo una coincidenza temporanea.

FinBERT contro il "Dizionario Vecchio"

C'è un'altra grande scoperta. Prima, per analizzare il testo, si usavano dei "dizionari" (come quello di Loughran-McDonald) che contavano le parole positive e negative.

• L'analogia: È come cercare di capire se una frase è triste contando solo la parola "triste". Se la frase è "Non sono triste, sono felice", il vecchio metodo potrebbe sbagliare perché vede "triste" e non capisce il "non".
• La novità: FinBERT è come un essere umano che legge la frase intera e capisce il contesto. Lo studio ha dimostrato che il vecchio metodo è diventato inutile quando messo a confronto con l'IA. L'IA ha "mangiato" tutto il valore del vecchio metodo e ha aggiunto molto di più, capendo sfumature, ironie e negazioni che il dizionario non vedeva.

In sintesi

Questo studio ci insegna che nel mondo degli investimenti, chi parla è importante quanto ciò che dice.
Se vuoi capire il futuro di un'azienda, non ascoltare ciecamente il CEO che fa il discorso di rito. Ascolta le domande degli analisti, perché sono loro che, con il loro scetticismo e la loro esperienza, rivelano la verità nascosta dietro le parole. E ora, grazie all'intelligenza artificiale, possiamo ascoltare queste voci in modo molto più intelligente di prima.

Sommario tecnico

1. Il Problema di Ricerca

La letteratura esistente sull'analisi testuale dei mercati finanziari tende a trattare i trascritti delle conferenze chiamate sugli utili (earnings calls) come documenti monolitici, calcolando un punteggio di sentiment aggregato che assegna lo stesso peso a tutte le frasi e a tutti i parlanti.
Gli autori identificano una lacuna fondamentale: questa approccio ignora l'identità del parlante e il suo ruolo informativo. Una dichiarazione ottimistica del CEO durante le osservazioni preparate ha un contenuto informativo diverso rispetto a una domanda critica di un analista durante la sessione Q&A (domande e risposte). Le affermazioni del management sono spesso strategiche e "gestite", mentre le domande degli analisti riflettono valutazioni in tempo reale di partecipanti sofisticati al mercato senza incentivi a manipolare il tono. Il paper si pone l'obiettivo di determinare se e come la decomposizione del sentiment per ruolo del parlante possa migliorare la previsione dei rendimenti azionari post-annuncio.

2. Metodologia e Dati

Dataset:

• Fonte: 16.428 trascritti di chiamate trimestrali degli utili di aziende dell'S&P 500.
• Periodo: Aprile 2015 – Dicembre 2025 (con una divisione temporale rigorosa per la validazione out-of-sample).
• Volume: 6,5 milioni di frasi analizzate.
• Classificazione dei Parlanti: Ogni frase è categorizzata in base al ruolo del parlante:
  1. Analisti (sell-side).
  2. CFO (Direttori Finanziari).
  3. Executive (CEO, COO, CTO, ecc.).
  4. Altri.
     Le frasi degli operatori sono escluse.

Modelli di NLP:

• FinBERT: Un modello transformer pre-addestrato su testi finanziari, utilizzato per calcolare il sentiment a livello di frase (punteggio netto da -1 a +1).
• Loughran-McDonald (LM): Il dizionario standard basato su parole chiave, utilizzato come baseline per il confronto.

Metodologia di Aggregazione:
Gli autori confrontano cinque strategie di aggregazione del sentiment:

1. Media Semplice (M1): Media aritmetica di tutte le frasi (baseline).
2. Media Ponderata per Confidenza (M2): Pesi basati sulla certezza del modello.
3. Frazione Estrema (M3): Proporzione di frasi fortemente positive vs negative.
4. Media Ponderata per Sezione (M4 - Metodo Chiave): Assegna pesi differenziati alle categorie di parlanti basandosi sul loro Coefficiente Informativo (IC) empirico calcolato sul campione di training.
5. Solo Analisti (M5): Utilizza esclusivamente il sentiment degli analisti.

Validazione:

• Split Temporale: Training (2015-2022) e Test (2023-2025). I pesi derivati dal training sono "congelati" e applicati al periodo di test per evitare look-ahead bias.
• Metriche: Coefficiente di Correlazione di Spearman (IC), Regressioni Fama-MacBeth, Regressioni Fama-French a 5 fattori, Analisi a doppio ordinamento (con SUE - Sorprese negli Utimi Standardizzate).

3. Contributi Chiave

1. Decomposizione per Ruolo del Parlante: Dimostrazione che il sentiment non è omogeneo; il ruolo di chi parla è un determinante critico del potere predittivo.
2. Ponderazione Basata sui Dati (IC-Derived Weights): Proposta di un metodo di aggregazione dove i pesi non sono arbitrari ma derivati empiricamente dalla capacità predittiva passata di ogni categoria di parlante.
3. Superiorità dei Modelli Deep Learning: Confronto diretto ("horse race") che dimostra come FinBERT subsumi completamente l'approccio basato su dizionari (LM), catturando contesto, negazioni e sfumature che i dizionari perdono.
4. Validazione Out-of-Sample Robusta: Dimostrazione che il segnale migliora, anziché degradare, in un periodo di test futuro, suggerendo che i pesi catturano strutture informative stabili e non overfitting.

4. Risultati Principali

Ponderazione Ottimale (Training Sample):
L'analisi IC ha rivelato che gli Analisti hanno il potere predittivo più alto, ricevendo il 49% del peso totale, nonostante rappresentino solo il 20% delle frasi.

• Analisti: 49%
• CFO: 30%
• Executive: 16%
• Altri: 5%

Performance Predittiva (IC):

• La strategia Section-Weighted (M4) raggiunge un IC di 0.119 (in-sample) e 0.142 (out-of-sample), un miglioramento del 46% rispetto alla media semplice (IC 0.081).
• La strategia "Solo Analisti" (M5) ottiene l'IC più alto (0.141 in-sample, 0.171 out-of-sample).
• Fenomeno Inverso: L'IC aumenta nel periodo di test (da 0.115 a 0.142), indicando che il segnale si rafforza nel tempo e non è un artefatto statistico.

Rendimenti Anomali (Alpha):

• Portafogli Long-Short (Q5 positivo vs Q1 negativo) generano un Alpha di Fama-French a 5 fattori di 2.03% mensile (t-stat = 6.49) nel campione completo.
• Nel periodo di test (2023+), l'alpha sale a 2.77% mensile.
• L'analisi a doppio ordinamento mostra che il sentiment predice i rendimenti indipendentemente dalle Sorprese negli Utimi (SUE), confermando che cattura "informazioni soft" (fiducia, outlook strategico) non contenute nei numeri contabili.

Confronto FinBERT vs. Loughran-McDonald:

• In una regressione congiunta, FinBERT rimane altamente significativo (t = 5.90), mentre il coefficiente del dizionario LM diventa statisticamente insignificante (t = 0.86).
• FinBERT subsume completamente LM, dimostrando che il contesto linguistico è cruciale per interpretare correttamente termini finanziari (es. distinguere "crescita" in un contesto negativo).

Decadimento del Segnale:
Il segnale ha una "mezza vita" di circa 6-7 giorni di trading, con un decadimento quasi esponenziale dell'IC dopo 21 giorni, coerente con una lenta assimilazione delle informazioni "soft" da parte del mercato.

5. Significato e Implicazioni

• Per la Pratica (Investitori): Identifica una fonte di alpha specifica e implementabile: costruire strategie di trading basate sul sentiment delle chiamate agli utili, ma con un'allocazione dei pesi fortemente sbilanciata verso i commenti degli analisti piuttosto che su quelli del management.
• Per la Ricerca Accademica: Fornisce un framework metodologico rigoroso per l'analisi del sentiment in contesti multi-parlante, spostando il focus dalla semplice aggregazione testuale alla decomposizione strutturale delle fonti informative.
• Per la Microstruttura di Mercato: Conferma che i mercati azionari assimilano le informazioni "soft" (tono, sfumature, scetticismo) in modo lento e graduale, creando opportunità di arbitraggio temporaneo.
• Evoluzione NLP: Dimostra che i modelli transformer basati sul contesto (FinBERT) hanno superato definitivamente i metodi basati su dizionari statici nell'analisi finanziaria, rendendo obsoleti gli approcci "bag-of-words" per compiti di previsione sofisticati.

In sintesi, il paper dimostra che "chi parla" è tanto importante quanto "cosa viene detto", e che un approccio di ponderazione empirica basato sul ruolo del parlante, combinato con modelli di deep learning contestuali, offre un potere predittivo superiore e robusto per i rendimenti azionari post-annuncio.