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

O estudo demonstra que o uso do modelo FinBERT para atribuir pesos empíricos às falas de diferentes participantes (analistas, CFOs e executivos) em chamadas de resultados gera um sinal de sentimento superior aos métodos tradicionais, explicando retornos anormais pós-resultado e superando o desempenho do modelo Loughran-McDonald.

O essencial

Imagine que você está em uma sala de reuniões gigante onde uma empresa importante (como a Apple ou a Microsoft) está explicando como foi o seu último trimestre de negócios. Nessa sala, há quatro tipos de pessoas falando:

1. O CEO e a Diretoria: Eles estão no palco, lendo um roteiro preparado. É como se fossem atores em uma peça de teatro, tentando parecer confiantes e otimistas.
2. O Diretor Financeiro (CFO): Ele traz os números, mas também segue o roteiro da empresa.
3. Os Analistas de Investimento: Eles estão na plateia, fazendo perguntas difíceis, desconfiados e tentando encontrar falhas na história. Eles não têm interesse em fazer a empresa parecer bonita; eles querem a verdade para ganhar dinheiro.
4. Outros: Operadores de telefone, etc.

O grande segredo que este estudo descobriu é que nem todas as vozes têm o mesmo peso quando se trata de prever se o preço das ações vai subir ou cair.

O Problema: Ouvir tudo igual

Antes deste estudo, os investidores e cientistas tratavam a reunião inteira como se fosse um único bloco de texto. Eles pegavam tudo o que foi dito, somavam as palavras "boas" e as palavras "ruins" e diziam: "A reunião foi positiva!".

Isso é como tentar entender o clima de uma cidade ouvindo apenas o boletim meteorológico oficial (que pode ser otimista) e ignorando o que os vizinhos estão dizendo na varanda (que pode estar chovendo de verdade). O estudo mostra que essa abordagem "média" perde informações cruciais.

A Solução: O "Sistema de Peso" Inteligente

Os autores do estudo usaram uma inteligência artificial super avançada chamada FinBERT (um "cérebro" treinado especificamente para ler textos financeiros) para ler 6,5 milhões de frases dessas reuniões.

Eles descobriram que, para prever o futuro das ações, você precisa dar pesos diferentes para quem está falando:

• Analistas (49% do peso): A voz deles é a mais importante! Quando um analista faz uma pergunta difícil ou expressa dúvida, o mercado tende a reagir mais a isso do que a qualquer discurso do CEO. É como se o analista fosse o "detetive" que revela a verdade.
• Diretor Financeiro (30% do peso): Importante, mas menos que o detetive.
• Executivos/CEO (16% do peso): Eles falam muito, mas como estão seguindo um roteiro, suas palavras têm menos impacto real no preço da ação do que se pensava.
• Outros (5% do peso): Quase não contam.

A Analogia do "Juiz de Futebol"

Pense na reunião de resultados como uma partida de futebol:

• O CEO é o técnico que dá a entrevista pós-jogo dizendo: "Foi um jogo incrível, jogamos muito bem!" (mesmo que tenham perdido).
• O Analista é o árbitro ou o comentarista esportivo que diz: "O time jogou mal no segundo tempo e o goleiro cometeu um erro".

O estudo descobriu que o mercado (o público) acaba reagindo mais à opinião do comentarista/árbitro (o analista) do que às palavras bonitas do técnico. Se você ignorar o comentarista e só ouvir o técnico, você vai perder dinheiro.

O "Superpoder" da Inteligência Artificial

O estudo também comparou a Inteligência Artificial (FinBERT) com um método antigo que usava apenas um "dicionário de palavras" (como procurar a palavra "lucro" ou "prejuízo").

• O Método Antigo (Dicionário): É como um tradutor burro. Se o CEO diz: "Não estamos sem lucro", o dicionário pode ficar confuso ou achar que é positivo porque viu a palavra "lucro".
• A Inteligência Artificial (FinBERT): Ela entende o contexto. Ela sabe que "não estamos sem lucro" é uma forma de dizer "estamos com lucro", mas se o CEO diz "O lucro foi bom, mas...", ela entende que o "mas" muda tudo.

O resultado? A Inteligência Artificial "engoliu" o método antigo. Quando os dois foram testados juntos, a IA venceu de lavada, provando que entender o contexto e a sarcasmo ou a dúvida nas palavras é muito mais importante do que apenas contar palavras.

O Resultado Prático: Dinheiro no Bolso

Ao criar uma estratégia que ouve mais os analistas e usa a Inteligência Artificial para entender o que eles dizem, os autores conseguiram:

1. Prever melhor: O sinal de "compra" ou "venda" ficou muito mais preciso do que os métodos antigos.
2. Ganhar mais: Eles criaram uma carteira de investimentos que, ao comprar as ações com "sentimento positivo" (baseado nos analistas) e vender as "negativas", gerou um lucro extra de 2,03% por mês (o que é um valor gigantesco no mundo das finanças) mesmo depois de descontar os riscos normais do mercado.
3. Funciona no futuro: O mais impressionante é que, ao testar essa estratégia com dados de 2023 a 2025 (dados que a IA nunca viu antes), ela funcionou ainda melhor do que no passado. Isso prova que não foi apenas "sorte" ou um truque matemático, mas sim que eles descobriram uma regra real de como o mercado funciona.

Resumo em uma frase

Este estudo ensina que, para ganhar dinheiro na bolsa ouvindo reuniões de empresas, você não deve prestar atenção no que o CEO diz no palco, mas sim no que os analistas desconfiados dizem na plateia, e usar uma inteligência inteligente para entender o que eles realmente querem dizer.

Resumo técnico

Resumo Técnico: Quem Move os Mercados? Identidade do Falante e Retornos Pós-Lucros

Autores: Karmanpartap Singh Sidhu, Junyi Fan, Maryam Pishgar (USC Viterbi School of Engineering)
Período de Dados: Abril de 2015 a Dezembro de 2025 (Transcrições de 16.428 chamadas de resultados do S&P 500).

1. O Problema e a Lacuna na Literatura

As chamadas de resultados (earnings calls) são os eventos de divulgação mais ricos em informações nos mercados de ações dos EUA. No entanto, a literatura existente de análise textual trata as transcrições como documentos monolíticos, calculando pontuações de sentimento agregadas que dão o mesmo peso a todas as falas, independentemente de quem as pronunciou (CEO, CFO, Analista, etc.).

O artigo identifica que essa abordagem ignora uma dimensão fundamental: a identidade e o papel informacional do falante. Uma declaração otimista de um CEO (geralmente roteirizada e estrategicamente gerenciada) carrega um conteúdo informacional diferente de uma pergunta cética de um analista de Wall Street (espontânea, baseada em julgamento especializado e sem incentivo para gerenciar o tom). O objetivo do estudo é preencher essa lacuna, demonstrando que nem todas as vozes em uma conferência impactam os retornos das ações da mesma forma.

2. Metodologia

• Dados: O estudo utiliza 6,5 milhões de frases extraídas de 16.428 transcrições de chamadas trimestrais de empresas do S&P 500.
• Modelo de NLP (Processamento de Linguagem Natural): Utilização do FinBERT, um modelo transformer pré-treinado especificamente em texto financeiro. Diferente de dicionários baseados em palavras-chave, o FinBERT avalia o contexto completo da frase, capturando nuances como negação, hedging (proteção) e comparações.
• Classificação de Falantes: As frases são categorizadas em quatro grupos principais:
  1. Analistas (perguntas e seguimentos).
  2. CFOs (Diretores Financeiros).
  3. Executivos (CEOs, COOs, CTOs, Presidentes).
  4. Outros (Operadores, etc.).
• Método de Agregação Proposto (Pesos Derivados do IC):
  • Em vez de uma média simples, os autores propõem um esquema de peso ponderado por seção.
  • Os pesos são derivados empiricamente a partir do Coeficiente de Informação (IC) de Spearman entre o sentimento médio de cada categoria de falante e os retornos de um dia após o anúncio, calculados em uma amostra de treinamento (até Dez/2022).
  • Pesos Ótimos Encontrados: Analistas (49%), CFOs (30%), Executivos (16%), Outros (5%).
• Validação: O estudo emprega uma divisão temporal explícita (temporal split):
  • Treinamento: 2015–2022.
  • Teste (Out-of-Sample): 2023–2025.
  • Os pesos são congelados após o treinamento para evitar viés de look-ahead.

3. Principais Contribuições

1. Decomposição por Falante: Demonstra que a heterogeneidade do falante é um preditor de primeira ordem. A estratégia de ponderação por seção supera significativamente a média simples e métodos baseados apenas em confiança do modelo.
2. Subsunção do Método de Dicionário: Prova que o FinBERT (aprendizado profundo contextual) subsume completamente a abordagem baseada no dicionário de Loughran-McDonald (LM). Em regressões conjuntas, o FinBERT mantém significância estatística, enquanto o LM torna-se insignificante.
3. Validação Robusta Out-of-Sample: Apresenta um padrão raro onde o desempenho out-of-sample melhora em relação ao in-sample, indicando que os pesos capturam estruturas de longo prazo do ambiente informacional, e não apenas ruído de sobreajuste (overfitting).
4. Ortogonalidade ao Surpresa de Lucros: Mostra que o sinal de sentimento captura informações "soft" (confiança gerencial, ceticismo) que são complementares e não absorvidas pela Surpresa Padronizada de Lucros (SUE).

4. Resultados Empíricos Chave

• Poder Preditivo (Coeficiente de Informação - IC):

  • A estratégia de sentimento ponderado por seção alcança um IC out-of-sample de 0,142, superando o IC in-sample de 0,115 (melhoria de 23%).
  • Comparado à média simples (IC = 0,081), há uma melhoria de 46% no poder preditivo.
  • O sentimento apenas de analistas (M5) apresenta o IC mais alto (0,141), validando a alta ponderação atribuída a eles.

• Retornos Anormais (Alpha de Fama-French):

  • Portfólios de longo-curto (comprar quintil 5 de sentimento positivo, vender quintil 1 de negativo) geram um Alpha mensal de 2,03% (t = 6,49) não explicado pelo modelo de 5 fatores de Fama-French.
  • No período de teste (out-of-sample), o alpha aumenta para 2,77% ao mês, confirmando a robustez do sinal.
  • A análise de quintis mostra retornos monotônicos: o quintil mais negativo tem retornos negativos significativos, enquanto o mais positivo tem retornos positivos.

• Análise de Sobrevivência e Decaimento:

  • O sinal decai exponencialmente, com meia-vida de 6-7 dias de negociação, consistente com a assimilação lenta de informações "soft" pelos preços (fenômeno de Post-Earnings Announcement Drift - PEAD).
  • A análise de double-sort (por SUE e Sentimento) confirma que o sentimento gera spreads de retorno significativos em todos os terciles de surpresa de lucros, especialmente quando os lucros são decepcionantes (SUE baixo), sugerindo que um tom positivo em um trimestre ruim sinaliza confiança gerencial subvalorizada pelo mercado.

• Comparação FinBERT vs. Loughran-McDonald (LM):

  • Em uma "corrida de cavalos" (regressão conjunta), o coeficiente do FinBERT permanece altamente significativo (t = 5,90), enquanto o coeficiente do LM torna-se estatisticamente zero (t = 0,86).
  • O FinBERT captura contextos que o LM perde (ex: "crescimento de 15%" é positivo no FinBERT, mas neutro no LM se a palavra "crescimento" não estiver no dicionário; ou frases como "queda de 24% de um desempenho forte", onde o LM classifica "forte" como positivo, ignorando o contexto negativo).

5. Significado e Implicações

• Para Praticantes (Investidores): Identifica uma fonte de alpha específica e implementável: estratégias de negociação baseadas em chamadas de resultados devem dar peso desproporcional aos comentários dos analistas em vez de tratar a transcrição como um todo homogêneo.
• Para Acadêmicos: Estabelece um novo padrão metodológico para análise de texto corporativo, sugerindo que a desagregação por falante é crucial para a precisão preditiva.
• Para a Teoria de Mercado: Reforça a ideia de que os mercados são lentos para incorporar informações sutis e contextuais contidas nas interações ao vivo, e que modelos de aprendizado profundo (transformers) são superiores a métodos baseados em dicionários para capturar essa complexidade linguística.

Conclusão: O artigo prova que "quem fala" é tão importante quanto "o que é dito". A identidade do falante, ponderada empiricamente, revela um sinal de sentimento robusto, economicamente significativo e superior às metodologias tradicionais, gerando retornos anormais consistentes mesmo após o controle de fatores de risco e surpresas de lucros.