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

本論文は、FinBERT を用いて 16,428 社の決算説明会テキストを分析し、アナリストや CFO などの話者ごとに重み付けしたセンチメント指標が、従来の辞書ベース手法や標準化された予想外収益（SUE）を凌駕して、決算後の株式リターンを予測する上で極めて有効であることを示しています。

要約

この論文は、「企業の決算発表会（ earnings call）」というイベントにおいて、誰が何を言ったかが、その後の株価にどれくらい影響を与えるかを研究したものです。

従来の研究では、「発表会全体のトーン（雰囲気）」を平均して評価していましたが、この論文は**「誰が話しているか（スピーカーの正体）」によって、その言葉の重みは全く違う**ことを発見しました。

まるで**「裁判」や「ニュース番組」**を想像してみてください。

---

🎙️ 1. 従来の考え方 vs 新しい発見

【従来の考え方：「全員平等」】
これまでの研究は、決算発表会を「一つの大きな声」として扱っていました。

• CEO（社長）が「素晴らしい！」と言った。
• 投資家（アナリスト）が「本当にそう？」と疑問を投げかけた。
• これらをすべて足して平均すると、「まあまあ良いね」という評価になります。

【この論文の発見：「誰が言ったかが重要」】
しかし、この論文は**「誰が話しているか」**で重み付けを変えるべきだと主張します。

• CEO（社長）： 準備された原稿を読み、会社を良く見せようとする「PR 担当」。言葉は綺麗だが、本当のことは隠しているかもしれない。
• 投資家（アナリスト）： 会社の弱点を突く「プロの探偵」。隠し事を見抜こうとするため、彼らの言葉には**「真実」**が詰まっている。

🍳 料理の例え：
決算発表会を「スープ」だと想像してください。

• CEOは、見た目を良くするための「飾り付け（パセリ）」をたくさん入れます。
• アナリストは、中身が腐っていないか確認する「味見」をします。
• 従来の方法では、「パセリ」と「味見」を混ぜて「全体的な味」を測っていました。
• この論文は、**「味見（アナリストの声）の方が、スープが美味しいかどうかを判断する上で、パセリ（社長の言葉）よりも 10 倍も重要だ」**と指摘しています。

---

⚖️ 2. 具体的な実験結果：「誰に耳を傾けるべきか？」

研究チームは、AI（FinBERT という金融に特化した言語モデル）を使って、650 万文もの発言を分析しました。その結果、以下の「重み付け」が最も株価の動きを予測できました。

スピーカー	発言の重み（重要度）	役割のイメージ
🕵️‍♂️ 投資家（アナリスト）	49%	一番重要！ 彼らの疑問や懸念が、市場の真の反応を先取りする。
💼 CFO（財務責任者）	30%	数字の裏付けをする人。重要だが、CEO よりも正直。
👔 経営陣（CEO など）	16%	準備された発表。ポジティブだが、過信は禁物。
🗣️ その他	5%	司会者など。あまり関係ない。

📈 結果：
この「誰が言ったか」を考慮した分析を使うと、従来の「全員平等」の分析よりも、株価の予測精度が 46% も向上しました。

---

🤖 3. AI の勝利：「辞書」vs「文脈を理解する AI」

この研究では、2 つの言葉を比較しました。

1. 従来の辞書（Loughran-McDonald）： 「利益」という単語があれば「良い」、赤字なら「悪い」と単純に判断する機械。
2. 最新の AI（FinBERT）： 文脈を理解する賢い AI。

🧐 例え話：

• 文： 「昨年の素晴らしい成績から24% 減少しました」
• 辞書： 「素晴らしい」という単語があるから「良い」と判断。
• AI： 「素晴らしい成績から減った」だから「悪い」と判断。

結果：
AI は辞書よりもはるかに正確でした。さらに、AI と辞書を同時に使った実験では、AI の方がすべての情報をカバーし、辞書の存在価値はゼロになりました。つまり、「文脈を理解する AI」があれば、古い辞書は不要なのです。

---

💰 4. 投資家への教訓：「遅れて理解される情報」

この研究からわかる重要なことは、**「市場はアナリストの言葉にすぐに反応しない」**ということです。

• アナリストが「これは危ない」と指摘しても、株価はすぐに下がらない。
• しかし、数日〜数週間かけて、市場はゆっくりとその「真実」を理解し、株価が調整されます。

🐢 ウサギとカメの例え：

• ウサギ（速い反応）： 発表直後のニュース。
• カメ（遅い反応）： アナリストの深い分析。
• この論文は、**「カメ（アナリストの言葉）の動きを追いかけるのが、実は一番儲かる（アルファを生む）」**ことを示しています。

---

🎯 まとめ

この論文が伝えたいことはシンプルです。

「企業の発表会で、社長が何を言ったかよりも、プロの投資家（アナリスト）が何を『疑ったか』を聞く方が、未来の株価を予測する鍵になる。」

そして、その言葉を正しく理解するには、単なる単語の羅列ではなく、**「文脈を理解できる最新の AI」**を使うことが最強の武器である、という結論です。

これは、投資家にとって「誰の言葉に耳を傾けるべきか」という新しい指針を与え、学術的には「言葉の分析方法」を大きく進化させた画期的な研究と言えます。

技術概要

論文要約：「どの声が市場を動かすか？発言者アイデンティティと決算発表後のリターン横断分析」

著者: Karmanpartap Singh Sidhu, Junyi Fan, Maryam Pishgar (南カリフォルニア大学)
対象: S&P 500 企業の決算発表電話会議（2015 年〜2025 年）

1. 研究の背景と課題 (Problem)

企業の決算発表電話会議は、米国株式市場において最も情報密度の高い定期的な開示イベントです。しかし、従来のテキスト分析研究では、これらの会議録（トランスクリプト）を「単一のドキュメント」として扱い、発言者やセクション（準備された演説 vs 質疑応答）を区別せずに全体の感情スコアを算出する傾向がありました。

このアプローチの根本的な欠点は、発言者のアイデンティティと情報的役割の違いを無視している点です。

• 経営陣（CEO/CFO）: 準備された演説では戦略的にトーンを管理している可能性があります。
• アナリスト: 質疑応答（Q&A）での質問は、市場参加者のリアルタイムな懐疑や評価を反映しており、トーン操作のインセンティブがありません。

本研究は、従来の「全発言を均等に扱う」手法の粗さを克服し、「誰が何を言ったか」を区別することで、決算発表後の株価リターン予測精度を向上させることができるかを検証することを目的としています。

2. 手法とデータ (Methodology & Data)

データセット

• 対象: S&P 500 企業の 16,428 件の四半期決算電話会議（2015 年 4 月〜2025 年 12 月）。
• 規模: 約 650 万文のトランスクリプト。
• 分類: 発言者を 4 つのカテゴリに分類：
  1. アナリスト（売側）
  2. CFO（最高財務責任者）
  3. 経営陣（CEO, COO, CTO など）
  4. その他（オペレーター等は除外）

技術的アプローチ

1. FinBERT の活用:

   • 金融テキストに特化して事前学習されたトランスフォーマーモデル「FinBERT」を使用。
   • 従来の辞書ベース（Loughran-McDonald）と異なり、文脈（否定、遠回しな表現、比較）を考慮した文レベルのセンチメント分析を実施。
   • 各文に対して正・負・中立の確率を出力し、ネット感情スコア（$P(positive) - P(negative)$）を算出。

2. セクション重み付け（Section-Weighted Aggregation）:

   • 単なる平均化ではなく、各発言者カテゴリの**予測力（Information Coefficient: IC）**に基づいて重みを割り当てるデータ駆動型の手法を採用。
   • **トレーニング期間（2015-2022 年）**で各カテゴリの IC を算出し、その値に比例する重みを決定。
   • **テスト期間（2023-2025 年）**では、トレーニング期間で決定した重みを固定して適用（オーバーフィッティング防止）。

3. 比較対象:

   • 単純平均（全発言均等重み）
   • 信頼度重み付け
   • 極端な文の割合
   • Loughran-McDonald 辞書ベースのスコア
   • アナリスト発言のみ

3. 主要な貢献 (Key Contributions)

1. 発言者レベルの分解の重要性の証明:
   単純な平均化ではなく、発言者の役割に基づいた重み付け（特にアナリスト発言に高い重み）が、予測精度を劇的に向上させることを実証。
2. 深層学習モデルの優位性:
   文脈を考慮する FinBERT が、従来の辞書ベース手法（Loughran-McDonald）を完全に凌駕し、かつその情報を「包含（subsume）」することを示した。
3. 堅牢なアウトオブサンプル検証:
   明確な時間的分割（2023 年以降をテスト期間）を行い、モデルの過学習を排除。むしろテスト期間での予測力が向上するという珍しい結果を示した。

4. 主要な結果 (Results)

A. 予測精度（情報係数：IC）

• セクション重み付け（M4）: 1 日後のリターンに対する Spearman 相関係数（IC）は 0.119（トレーニング期間）で、単純平均（0.081）より 46% 改善。
• アウトオブサンプル（OOS）: テスト期間（2023 年以降）において、IC は 0.142 に上昇（トレーニング期間の 0.115 から）。これは過学習ではなく、構造的要因の捕捉を示唆。
• アナリストのみ（M5）: 最も高い IC（0.141）を記録。アナリスト発言が最も予測力が高いことを裏付け。

B. 異常リターン（アルファ）

• ファーマ・フレンチ 5 ファクターモデル: セクション重み付けのセンチメントに基づいたロング・ショートポートフォリオは、月次で 2.03%（t=6.49）のアルファを生成。
• OOS 期間: テスト期間では月次アルファが 2.77% に増加。
• SUE（標準化された予想外利益）との直交性: ファーマ・マクベス回帰において、SUE をコントロールしてもセンチメント係数は統計的に有意（t=5.57）であり、両者は異なる情報（ハード情報 vs ソフト情報）を捉えていることが確認された。

C. 手法間の比較（FinBERT vs 辞書）

• ホースレース回帰: FinBERT と Loughran-McDonald（LM）を同時に回帰させた際、FinBERT の係数は有意（t=5.90）だが、LM の係数は統計的にゼロと区別できない（t=0.86）となった。
• 結論: FinBERT は LM が捉える情報をすべて含み、さらに文脈理解による追加情報を捉えている。

D. 重み付けの内訳（トレーニング期間 IC に基づく）

• アナリスト: 49.0%（発言文数の 20.2% に対して高い重み）
• CFO: 30.0%
• 経営陣: 16.2%
• その他: 4.7%

5. 意義と結論 (Significance)

本研究は、決算電話会議における「誰が話しているか」が「何を話しているか」以上に重要であることを実証しました。

• 実務的意義: 投資家は、単なる全体のポジティブ/ネガティブ判断ではなく、アナリストの質疑応答に特に注目し、その感情を重み付けて取引戦略を構築することで、月次 2% 以上のアルファを獲得できる可能性があります。
• 学術的意義: 従来の「袋の言葉（Bag-of-Words）」アプローチから、文脈を考慮した深層学習モデルへのパラダイムシフトの必要性を強く示唆。また、多発話者データからのシグナル構築における、データ駆動型の重み付けフレームワークを提供しました。
• 市場の非効率性: 市場は、経営陣の準備された演説よりも、アナリストの懐疑的な質問やニュアンスに込められた「ソフトな情報」の吸収に時間がかかる（遅延した価格発見）ことが示されました。

結論として、FinBERT を用いた発言者別重み付けセンチメント分析は、従来の手法を凌駕する強力な予測ツールであり、特にアナリストの発言に重きを置くことが、市場の非効率性を捉える鍵となります。