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

Deze studie toont aan dat het toewijzen van empirisch afgeleide gewichten aan verschillende sprekers in winstberichten, verwerkt met FinBERT, een significant voorspellend vermogen voor post-earnings-aandelenrendementen biedt dat de traditionele Loughran-McDonald-dictionary benadering overtreft en niet wordt verklaard door bestaande factormodellen.

De kern

Stel je voor dat een kwartaalresultatenvergadering van een groot bedrijf (zoals Apple of Microsoft) een groot orkest is. In deze vergadering spelen verschillende musici: de CEO (de dirigent), de CFO (de muziekleider voor de financiën) en een groep critici (de analisten van de beurs).

Deze paper, getiteld "Welke stemmen bewegen de markt?", onderzoekt een heel simpel maar krachtig idee: Niet alle musici in dit orkest zijn even belangrijk voor de toekomstige koers van het bedrijf.

Hier is de uitleg in gewone taal, met wat creatieve vergelijkingen:

1. Het oude probleem: "Alles is even belangrijk"

Vroeger keken onderzoekers naar de tekst van deze vergaderingen alsof het één groot, ononderscheidbaar blok was. Ze telden alle positieve en negatieve woorden en maakten een gemiddelde.

• De analogie: Dit is alsof je een gerecht proeft en zegt: "Het smaakt lekker," zonder te weten of de smaak komt van de chef-kok (die misschien probeert zijn gerecht te prijzen) of van een kritische foodcriticus (die eerlijk is).
• Het probleem: De CEO zegt vaak dingen die klinken als "We doen het super!" (want dat is hun werk om optimistisch te zijn). Een analist vraagt echter: "Waarom daalt de winst?" (want dat is hun werk om kritisch te zijn). Als je deze twee stemmen even zwaar weegt, mis je de echte waarheid.

2. De oplossing: De "Gewogen Stem"

De auteurs van dit onderzoek gebruikten een slimme computer (een AI genaamd FinBERT) om 6,5 miljoen zinnen uit 16.000 vergaderingen te lezen. Maar ze deden iets slim: ze keken niet alleen wat er gezegd werd, maar wie het zei.

Ze ontdekten dat je de stemmen moet wegen op basis van wie ze hebben:

• De Analisten (49% van de gewicht): Dit is de belangrijkste stem! Hun vragen en twijfels zijn het meest waardevol voor de beurs. Ze hebben geen reden om te liegen; ze willen hun klanten eerlijk advies geven.
• De CFO (30%): De financiële leider. Belangrijk, maar minder dan de analisten.
• De CEO en andere leidinggevenden (16%): Ze zijn vaak te optimistisch of te voorzichtig in hun taalgebruik.
• Andere sprekers (5%): Minder invloed.

De les: Als je wilt weten waar de aandelenkoers naartoe gaat, moet je luisteren naar wat de analisten vragen, niet alleen naar wat de CEO zegt.

3. De resultaten: Een winnende strategie

Toen de onderzoekers deze "gewichtige" methode gebruikten, gebeurde er iets magisch:

• Het voorspelde beter: Hun methode voorspelde de beurskoers veel beter dan de oude methoden.
• Het verdiende geld: Als je een strategie zou volgen waarbij je aandelen koopt van bedrijven waar de analisten positief over zijn, en verkoopt die waar ze negatief over zijn, zou je maandelijks een extra winst (alpha) van ongeveer 2% maken. Dat is veel meer dan de gemiddelde marktrendementen.
• Het is echt nieuws: Deze winst kwam niet alleen omdat bedrijven meer winst maakten dan verwacht (dat is "harde" data). Het kwam door de "zachte" informatie: de toon, het vertrouwen en de twijfel in de gesprekken.

4. De AI vs. Het Woordenboek

Een ander groot punt is de strijd tussen twee manieren om taal te lezen:

• Het oude woordenboek (Loughran-McDonald): Dit is als een woordenboek dat zoekt naar woorden als "goed" of "slecht". Het ziet niet dat "niet slecht" eigenlijk "goed" is, of dat "we hopen te groeien" eigenlijk twijfel betekent.
• De nieuwe AI (FinBERT): Dit is een slimme lezer die de context begrijpt. Hij snapt nuance, sarcasme en twijfel.

De uitslag: De AI won de strijd volledig. In een test waarbij beide methoden samen werden gebruikt, bleek dat de AI alles deed wat het woordenboek deed, maar dan veel beter. Het woordenboek voegde niets toe; de AI nam het volledig over.

5. Waarom werkt dit?

De markt is niet perfect. Soms duurt het even voordat de beurs de subtiele signalen uit een vergadering begrijpt.

• De analogie: Stel je voor dat een analist zegt: "De CEO klinkt optimistisch, maar hij kijkt erg ongerust als hij over de kosten praat." De beurs ziet eerst alleen de optimistische CEO. Maar na een paar dagen begint de beurs te begrijpen dat de ongerustheid van de analist het echte signaal is. De prijs van het aandeel beweegt dan langzaam in die richting.

Conclusie

Deze paper leert ons dat in de wereld van geld, wie er spreekt net zo belangrijk is als wat er gezegd wordt.

Als je wilt weten of een bedrijf het goed gaat doen, moet je niet luisteren naar de gepolijste speech van de CEO, maar naar de scherpe, eerlijke vragen van de analisten. Door de stemmen van de analisten zwaarder te wegen in je analyse, kun je de markt een stap voor zijn. Het is alsof je in een orkest niet luistert naar de dirigent die de muziek aanwijst, maar naar de criticus die echt weet of de muziek goed klinkt.

Technische samenvatting

Titel: Welke Stemmen Bewegen de Markt? Sprekeridentiteit en de Cross-Section van Rendementen na Kwartaalcijfers

Auteurs: Karmanpartap Singh Sidhu, Junyi Fan, Maryam Pishgar (University of Southern California)

---

1. Probleemstelling en Onderzoeksvraag

Corporate earnings conference calls (kwartaalcijferconferenties) zijn de meest informatieve herhalende gebeurtenissen in de Amerikaanse aandelenmarkt. Echter, bestaande literatuur op het gebied van tekstuele analyse behandelt transcripten vaak als één monolithisch document. Hierbij worden alle sprekers en secties (zoals het voorbereide statement versus het vraag-en-antwoord-gedeelte) gelijk gewogen.

De auteurs stellen dat deze aanpak een fundamentele dimensie van de data negeert: de identiteit en de informatieve rol van de spreker. Een optimistische opmerking van een CEO (vaak strategisch en vooraf geschreven) draagt een andere informatieve waarde dan een kritische vraag van een analist (spontaan en onbevooroordeeld). De centrale vraag is of het onderscheid maken tussen sprekers leidt tot betere voorspellende kracht voor aandelenrendementen na de aankondiging.

2. Methodologie

Data:

• Bron: 16.428 kwartaaltranscripten van S&P 500-bedrijven (april 2015 – december 2025).
• Omvang: 6,5 miljoen zinnen.
• Data-structuur: Elke zin is gelabeld naar de spreker: Analist, CFO, Executive (CEO, COO, etc.), of Overige. Operator-zinnen worden verwijderd.

NLP-Model:

• FinBERT: Een op BERT gebaseerd transformer-model dat is voorgeïnd op financiële tekst (in plaats van algemene taal). Dit model analyseert zinnen in context, in tegenstelling tot traditionele woordenlijsten die woorden isoleren.
• Sentiment Score: Per zin wordt een netto-sentimentscore ($S_i$) berekend als $P(positief) - P(negatief)$, variërend van -1 tot +1.

Aggregatiestrategieën:
De auteurs vergelijken vijf methoden om zinsniveau-scores te aggregeren tot een call-niveau signaal:

1. Simple Mean (M1): Gelijk gewogen gemiddelde van alle zinnen (de huidige standaard).
2. Confidence-Weighted (M2): Gewogen naar de zekerheid van het model.
3. Extreme Fractions (M3): Focus op zinnen met extreem positieve of negatieve sentiment.
4. Section-Weighted (M4) - Kerninnovatie: Gewichten worden empirisch afgeleid op basis van de voorspellende kracht (Information Coefficient - IC) van elke sprekercategorie in de trainingsset.
5. Analyst-Only (M5): Gebruikt uitsluitend de sentiment van analisten.

Statistische Validatie:

• In- vs. Out-of-Sample: Een strikte temporale split wordt gebruikt. Trainingsperiode: april 2015 – december 2022. Testperiode: januari 2023 – december 2025. De gewichten worden gefixeerd op basis van de trainingsdata en toegepast op de testdata om look-ahead bias te voorkomen.
• Controles: Vergelijking met Standardized Unexpected Earnings (SUE) en het Loughran-McDonald (LM) woordenlijst-benadering.
• Modellen: Fama-MacBeth cross-sectionele regressies en Fama-French 5-factor tijdreeksregressies.

3. Belangrijkste Bijdragen

1. Spreker-Heterogeniteit: Het paper bewijst dat niet alle stemmen even waardevol zijn. Een data-gedreven wegingsschema, gebaseerd op de empirische voorspellende kracht van elke spreker, overtreft aanzienlijk de traditionele gelijk-gewogen methoden.
2. FinBERT vs. Woordenlijst: Het paper toont aan dat contextbewuste deep learning (FinBERT) de traditionele Loughran-Mcwoordenlijst volledig "opslokt" (subsumeert). FinBERT vangt nuances zoals ontkenning, hedging en vergelijkingen die woordenlijsten missen.
3. Nieuwe Alpha-bron: De sectie-gewogen sentiment levert een economisch significante, niet-verklarende alpha op die niet correleert met bekende risicofactoren of kwantitatieve verrassingen (SUE).

4. Resultaten

Voorspellende Kracht (Information Coefficient - IC):

• De Section-Weighted (M4) methode bereikt een Spearman rank IC van 0,119 in de volledige steekproef, een verbetering van 46% ten opzichte van de simpele gemiddelde methode (IC = 0,081).
• Out-of-Sample (OOS) Verbazing: In plaats van afname, neemt de voorspellende kracht toe in de testperiode (2023+). De IC stijgt van 0,115 (in-sample) naar 0,142 (out-of-sample). Dit suggereert dat de gevonden patronen structureel zijn en niet het gevolg van overfitting.

Optimale Gewichten (Afgeleid uit Trainingsdata):
De empirisch afgeleide gewichten voor de Section-Weighted methode zijn:

• Analist: 49% (Hoogste voorspellende kracht, ondanks slechts 20% van de zinnen).
• CFO: 30%.
• Executive (CEO/COO): 16%.
• Overig: 5%.

Portefeuille Rendementen:

• Een long-short portefeuille (kopen van Q5, meest positief sentiment; verkopen van Q1, meest negatief) genereert een maandelijks Fama-French 5-factor alpha van 2,03% (t-stat = 6,49).
• In de out-of-sample periode (2023+) loopt deze alpha op tot 2,77% per maand.
• De alpha is monotoon over de kwintielen: de negatieve kant (Q1) levert negatieve abnormal returns op, de positieve kant (Q5) positieve.

Orthogonaliteit en Subsumptie:

• SUE: Het sentiment-signaal blijft significant in regressies die ook SUE bevatten. Dit bewijst dat sentiment "zachte informatie" (managementvertrouwen, strategie) bevat die losstaat van harde cijfers.
• FinBERT vs. LM: In een "horse-race" regressie blijft FinBERT zeer significant (t = 5,90), terwijl de LM-woordenscore statistisch niet significant wordt (t = 0,86). FinBERT bevat dus alle informatie van LM, plus extra contextuele informatie.

Robuustheid:

• XGBoost Validatie: Een machine learning model (XGBoost) met SHAP-waarden bevestigt de hiërarchie: Analisten hebben de grootste impact (59,6% van de feature importance), wat overeenkomt met de IC-gewichten.
• Tijdsverloop: Het signaal heeft een halfwaardetijd van ongeveer 6-7 handelsdagen, wat wijst op een geleidelijke prijsassimilatie (trage integratie van zachte informatie).

5. Significantie en Implicaties

• Voor Beleggers: Er bestaat een implementeerbare alpha-bron door te focussen op de sentiment van analisten tijdens earnings calls, in plaats van het hele transcript gelijk te wegen.
• Voor Academie: Dit paper biedt een methodologisch kader voor het wegen van multi-spreker communicatie. Het bewijst dat contextbewuste NLP-modellen superieur zijn aan bag-of-words benaderingen in de financiële tekstanalyse.
• Voor Marktefficiëntie: De bevinding dat prijzen langzaam reageren op de nuances in earnings calls (vooral het verschil tussen management en analisten), draagt bij aan het begrip van hoe "zachte informatie" wordt geprijsd en waarom post-earnings announcement drift (PEAD) optreedt.

Conclusie:
De identiteit van de spreker is minstens zo belangrijk als de inhoud van wat er wordt gezegd. Door FinBERT te combineren met een empirisch afgeleide wegingsschema (waarbij analisten zwaar wegen), kunnen beleggers een robuust, out-of-sample sterk signaal genereren dat marktinefficiënties exploiteert die door traditionele methoden worden gemist.