Das Fachmagazin für institutionelle Investoren

Geben Sie Ihren Benutzernamen und Ihr Passwort ein, um sich an der Website anzumelden:

Artikel Filter

Erweiterte Suche

2/2021 | Theorie & Praxis
twitterlinkedInXING

Big Brother hört auch zu

Wie verhält sich ein CEO, wenn der Analystenkonferenz auch Computer lauschen? Eine aktuelle Studie untersucht Veränderungen in der Kommunikation.

1622126287_kommunikation.jpg

Wie wirkt es sich auf das Kommunikationsverhalten von Topmanagern aus, wenn sie wissen, dass ihre Aussagen anlässlich von Analystenkonferenzen auch von KI-Systemen verfolgt und ­ausgewertet werden? In den USA ist derlei bei Telefonkonferenzen großer börsennotierter Unternehmen längst nicht mehr unüblich.

© Georgia State University, metamorworks | stock.a

Das automatisierte Auslesen des gesprochenen Wortes mithilfe künstlicher Intelligenz (KI) ist längst kein Novum mehr, sondern heute in den USA etwa bei Telefonkonferenzen großer börsennotierter Unternehmen mit Analysten schon die Regel. Aber auch die Analyse der Quartals- und Geschäftsberichte geschieht vielerorts bereits automatisiert. Grundsätzlich gilt: Pflichtveröffentlichungen sind eine gute Gelegenheit, neben dem tabellarischen Zahlenwerk mit seinen Stakeholdern zu kommunizieren, etwa die finanzielle Stabilität der Firma zu betonen, die Firmenkultur heraus­zustreichen oder auch die eigene Marke zu promoten. Wie die Leser die Informationsflut verarbeiten und wie diese schlussendlich aufgenommen wird, beeinflusst die geschäftlichen Aktivitäten und die Reputation des Unternehmens beträchtlich. Das prominenteste Beispiel dafür sind wohl die „Annual Letters to Shareholders“ von Warren Buffett: Die besten Zitate daraus werden zu stehenden Sätzen der Geldanlage. So schrieb der Investment-Altmeister ­etwa 2007: „Seien Sie ängstlich, wenn andere gierig sind, und seien Sie gierig, wenn andere ängstlich sind!“ Oder 2009: „Große Chancen bieten sich selten. Wenn es Gold regnet, sollte man nach einem Eimer greifen und nicht nach einem Fingerhut!“ Der Neid für solche Aussprüche ist Buffett gewiss, doch damit bleibt er allein auf weiter Flur.

Einer der Gründe, warum sich niemand anderer für launige Sager findet, ist laut den Autoren einer Studie zum veränderten Kommunikationsverhalten in KI-Zeiten, dass als potenzielle Leser immer öfter KI-Programme in Betracht kommen. Eine steigende Zahl von Firmen realisiert nämlich, dass sowohl Pflicht- als auch freiwillige ­Publikationen nicht mehr ausschließlich von Analysten und Investoren gelesen werden. Ein substanzieller Anteil der Aktientrans­aktionen wird heute von Empfehlungen ausgelöst, die von Computeralgorithmen generiert werden, die zuvor mithilfe von Tools für Machine Learning und Natural Language Processing (Sprachverarbeitungsprogrammen) Texte mit Hochgeschwindigkeit auch im Hinblick auf das darin unterschwellig enthaltene Sentiment ausgewertet haben. Der technische Fortschritt, gekoppelt mit den gestiegenen Volumina von Offen­legungen, macht diese Entwicklung wohl unaufhaltsam. Firmen, die die gewünschte Reaktion ihrer Stakeholder infolge der ­Unternehmensverlautbarungen sicherstellen wollen, lernen, sich an diesen Trend anzupassen. Sie unterziehen die Art und Weise, wie sie zum Beispiel Finanzkennzahlen, Prognosen und Ausblicke kommunizieren, einer Überprüfung und nehmen gegebenenfalls die eine oder andere Adaptierung vor. Damit wollen sie sicherstellen, dass die künstliche Intelligenz keine ungewünschten negativen Schlüsse aus dem Gesagten oder Geschriebenen zieht. So können die Programme beispielsweise positive, negative oder neutrale unterschwellige Zwischentöne in Textblöcken identifizieren, die das menschliche Gehirn nicht aufspüren kann. Obwohl es viele Studien dazu gibt, wie man gehaltvolle Information aus Veröffent­lichungen gewinnen kann, gab es bis vor Kurzem keine wissenschaftliche Arbeit, die sich mit dem Feedback-Effekt beschäftigt hat – also damit, wie sich Firmen als Reaktion auf das Zuhören von Maschinen in ­ihrem Sprachverhalten ändern.

Hier springen Sean Cao, Baozhang Yang und Alan L. Zhang vom J. Mack Robinson College of Business an der Georgia State University sowie Wei Jiang von der Columbia Business School in die Bresche, die den Feedback-Effekt umfangreich analysieren.

Cleveres Set-up

Dabei beginnt das Quartett mit einem Test, der das erwartete Ausmaß des KI-­Lesegrades der SEC-Einreichungen aus dem EDGAR-(Electronic Data Gathering, Analysis, and Retrieval)-System, gemessen an den maschinellen Downloads, damit verbindet, wie maschinenlesefreundlich das Unternehmen seine Veröffentlichungen gestaltet. Man spricht hier von maschineller Lesbarkeit. Die erste Variable der maschinellen Downloads wird konstruiert, indem man historische Informationen darüber verwendet, wie viele IP-Adressen Downloads in großen Blöcken durchführen. Maschinelle Downloads werden stellvertretend für die KI-Leserschaft eingesetzt. Das ist plausibel, weil solche Datenmengen nicht vom Menschen allein mehr verarbeitet werden können und dieses Downloads eine Voraussetzung für das maschinelle Lesen darstellen. Die Autoren gehen davon aus, dass maschinelle Downloads eher von Hedgefonds und Bankkonglomeraten durchgeführt werden, die über entsprechende Big-Data- und KI-Technologien verfügen. Tatsächlich verläuft der Trend zu maschinellen Downloads von Jahresberichten (10-K) und Quartalsberichten (10-Q) seit 2003 exponentiell nach oben (siehe Grafik „Ungebrochener Trend zu maschinellen Downloads“). Waren es im Kalenderjahr 2003 noch 360.861 maschinelle Downloads, so betrug diese Zahl 2016 bereits 165,318 Millionen. In diesem Zeitabschnitt stieg der Anteil der automatisierten Abfragen aus dem EDGAR-System von 39 Prozent im Jahr 2003 auf 78 2016.

Die zweite Variable der maschinellen Lesbarkeit baut auf fünf Elementen auf, die sich aus der bestehenden wissenschaftlichen Literatur ergeben und Parsing (Textzerlegung), Scripting (Erstellung von Scripts) und Synthesizing (Zusammensetzung) erleichtern. Wie sich die maschinelle Lesbarkeit von Quartals- und Geschäftsberichten von an der Börse gelisteten US-Firmen ­beschleunigt hat, visualisiert die Grafik „Trend zur maschinellen Lesbarkeit“.

Ergebnisse

Den Autoren gelingt es nachzuweisen, dass einerseits eine Änderung in den maschinellen Downloads von einer Standardabweichung mit einem Anstieg der maschinellen Lesbarkeit eines bei der SEC ein­gereichten Dokuments von 0,24 Standardabweichungen einhergeht. Andererseits ­gelingt es zu zeigen, dass andere, nichtmaschinelle Downloads von SEC-Dokumenten keine bedeutende Korrelation zur maschinellen Lesbarkeit aufweisen. Des Weiteren können Cao, Jiang, Yang und Zhang be­legen, dass maschinelle Downloads und maschinelle Lesbarkeit gute Platzhalter (Proxies) für die Existenz von maschineller ­Leserschaft und maschineller Sprachver­arbeitung sind, denn Kauf- und Verkaufs­orders folgen schneller auf eine Veröf­fentlichung, wenn die Anzahl der maschinellen Downloads höher ist – und insbesondere dann, wenn interaktive Effekte in Bezug auf die maschinelle Lesbarkeit bestehen.

Nachdem es den Autoren gelungen ist, eine positive Verbindung zwischen einer hohen Anzahl von maschinellen Textlesern und einer maschinenfreundlicheren Berichterstattung herzustellen, untersuchen sie, wie Firmen das Problem des Sentiments und des Tonfalls, die beide von den Maschinen aus den Dokumenten entnommen und ausgewertet werden, managen. Es ist gut dokumentiert, dass in den Pflichtmitteilungen versucht wird, die richtige Stimmung und den rich­tigen Ton für den menschlichen Leser zu treffen, ohne dabei explizit unehrlich oder offenkundig nichtkonform zu sein. Die Auto­ren erwarten, dass bezüglich der maschinellen Leser mit einer ähnlichen Strategie vorgegangen wird. Während Wissenschaftler und Praktiker sich in der Vergangenheit lang auf das psychosoziale Lexikon von Harvard verlassen haben, um ein Sentiment zu konstruieren, wie es von den meisten menschlichen Lesern wahrgenommen wird, indem man positive und negative Wörter zählt und miteinander vergleicht, bieten Loughran und McDonald (LM) eine (instrumental-event-)Methode an, mit der der Ton eingefangen wird. Mithilfe der LM-Methode testen die Autoren ihre ­Hypothese der ähnlichen Vorgangsweise bei maschinellen Lesern. Diese Methode stellt auf das spezielle Finanzvokabular positiver beziehungsweise negativer Wörter ab sowie auf Wörter, die informativ in Bezug auf Zukunftsaussichten und Unsicherheit sind. Dazu bieten LM Listen von Wörtern und Phrasen an, die als führendes Lexikon für Algorithmen von der Finanzindustrie und von der Wissenschaft verwendet werden, um die Stimmungslage eines Textes zu ermitteln. Die Unterschiede in Verlauf und Kontext dieses neuen Verzeichnisses gestatten es dem Quartett, die Auswirkungen der Leserschaft mit künstlicher Intelligenz auf das Management des Sentiments der berichtenden Unternehmen nachzuzeichnen.

In einem ersten Schritt gehen Cao, Jiang, Yang und Zhang davon aus, dass Firmen, die eine hohe KI-Leserdichte und daher ­viele automatisierte Downloads erwarten, in ihren Veröffentlichungen negative Wörter aus dem LM-Verzeichnis vermeiden; dies jedoch erst nach dem Jahr 2011, in dem Loughran und McDonald ihr LM-Verzeichnis publiziert haben. Solch einen strukturellen Wechsel findet man nicht im Hinblick auf jene Wörter, die schon das Harvard-­Lexikon negativ eingestuft hat. Die Differenz „LM minus Harvard Sentiment“ folgt demselben Pfad wie das LM-Sentiment selbst. Die Autoren finden eine Bestätigung dafür, dass bis 2010 ein paralleler Trend bezüglich „LM ­minus Harvard Sentiment“ zwischen Firmen mit hoher Zahl (erstes Terzil) und ­geringer Anzahl (drittes Terzil) von maschinellen Downloads besteht. Nach 2011 wird eine klare Divergenz sichtbar: Die Gruppe mit hohen maschinellen Downloads ver­ringert nämlich signifikant die Anzahl der negativen Wörter aus dem LM-Verzeichnis, die sich von jenen aus dem Harvard-Verzeichnis unterscheiden, im Verhältnis zu der Gruppe mit geringen maschinellen Downloads (siehe Grafik „Sentiment-Trend und maschinelle Downloads“). Der Unterschied im Ausdruck des Sentiments kann – unter Zuhilfenahme des Differenz-von-Differenzen-Ansatzes – mit höherer Wahrscheinlichkeit der Sorge der Firmen bezüglich ihrer KI-­Leserschaft zugeordnet werden.

Loughran und McDonald haben 2011 verschiedene zusätzliche Verzeichnisse entwickelt, mit deren Hilfe ein reichhaltigeres Set von Bemerkungen in Finanzdokumenten auf Untertöne analysiert werden kann. Dazu zählen beispielsweise schwache und starke Modalwörter wie „schlechterdings, vielleicht, möglicherweise, glücklicherweise, leider, zweifellos, sicherlich, kaum, bestimmt, hoffentlich, vermutlich“. Loughran und McDonald gelang es zu zeigen, dass das Vorherrschen von Wörtern aus den einzelnen Kategorien ­negative Ergebnisse etwa in Bezug auf rechtliche Problemstellungen oder Reaktionen des Aktienkurses vorhersagen kann. Cao, Jiang, Yang und Zhang finden Hinweise darauf, dass Firmen mit erwarteter höherer maschineller Leserschaft eine höhere Aver­sion gegenüber jenen Wörtern zeigen, die sich in diesen Verzeichnissen wiederfinden.

Aus alldem lässt sich ableiten, dass Manager ihre Veröffentlichungen im Hinblick auf deren multidimensionale Effekte für die KI-Leserschaft anpassen.

Der Ton macht die Musik

Nun ist es ja nicht damit getan, nur Texte zu analysieren, sondern es hängt auch viel vom Tonfall und der Stimmlage ab, also wie letztlich von Managern vorgetragen wird. Damit beschäftigt sich das Autorenquartett in einem weiteren Abschnitt ihrer Arbeit. Mayew und Ventakachalam wiesen 2021 nach, dass der vokale Ausdruck von Managern in den klassischen Conference Calls inkrementelle Information transportieren kann, die für Analysten wertvoll ist. Dank der exponentiell steigenden Rechnerkapazität ist es heute möglich, Stimmanalysen durch Machine-Learning-Software durchführen zu lassen, um auch nur den kleinsten Unterton wahrnehmen zu können. Ein vortragender Manager muss heute also immer öfter in Betracht ziehen, dass er sowohl Analysten als auch Bots überzeugen können muss. Eine entsprechend trainierte Machine-Learning-Software ist in der Lage, vor allem zwei wichtige emotionale Features, die aus der Psychologie bekannt sind, aus Conference Calls herauszuarbeiten: Valenz (Wertigkeit) und Erregung, wobei Erstere für ­Positivität und zweitere für Aufge­regtheit der Stimme steht. Mit Valenz bezeichnet die Sprachwissenschaft die Eigenschaft eines Wortes oder einer Wortgruppe, andere ­Wörter oder Satzglieder an sich zu binden, Ergänzungen zu „fordern“ oder „Leerstellen zu eröffnen und die Besetzung dieser Leerstellen zu regeln“. Es zeigt sich, dass ­Manager von Firmen mit höherer erwarteter KI-Leserschaft mit ihrer Stimme mehr ­Positivität und Begeisterung vermitteln. Das lässt auf spezielle Medientrainings mithilfe von Rhetorikexperten schließen, damit Topmanager ihre vokale Performance im Hinblick auf die quantifizierbaren und damit maschinell auslesbaren Kenngrößen verbessern.

Resümee

Die Studie von Cao, Jiang, Yang und Zhang befasst sich als eine der Ersten mit dem Feedback-Effekt von Machine Learning. Solange die Regeln, nach denen die künstliche Intelligenz das geschriebene und gesprochene Wort decodiert, nicht gänzlich im Dunkeln bleiben – und das sind sie beileibe nicht, da diese Regeln meist transparent und beobachtbar sind oder sich in ­einem gewissen Ausmaß rekonstruieren lassen –, werden jene, die von den Auswir­kungen der KI-Analyseergebnisse betroffen sind, einen Anreiz dazu verspüren, die ­Inputs für Machine Learning zu manipulieren, um zu einem für sie möglichst günstigen Ergebnis zu gelangen. Gefordert sind hier die Investor-Relations-Abteilungen, die sich schon an den einen oder anderen Schöpfer algorithmischer Systeme gewandt haben sollen, um vorweg mehrere Text­entwürfe für Pflichtveröffentlichungen auf ihre Wirkung den maschinellen Lesern ­gegenüber testen lassen. Ähnliches ist denkbar mit Tonkonserven, um CEOs und CFOs optimal auf Analysten-Conference-Calls vorzubereiten. Damit soll künftig ein optimaler Effekt erzielt werden. Adaptives Verhalten, etwa einen offenzulegenden Text maschinenfreundlicher zu gestalten, ist grundsätzlich unbedenklich oder sogar willkommen zu heißen. Anders verhält es sich mit den Algorithmen geschuldeten Änderungen wie etwa dem Ausdruck von ­Begeisterung oder den Untertönen, die die Maschine bei ihrer Auswertung manipulieren sollen. Das erhöht den Druck auf die Algorithmen, in dem Sinne „manipulationssicher“ zu werden, als sie lernen müssen, das strategische Verhalten der zu Meldungen verpflichteten Firmen zu antizipieren.

Wie es aussieht, stehen wir hier am ­Anfang eines Wettrennens zwischen selbstlernenden Algorithmen und dem Menschen, wo der Vorteil des einen durch die Strategie des anderen für eine Zeitlang wettgemacht werden kann, ehe der andere wiederum ­
auf- und überholt. Kritiker sehen hierin ­die Gefahr einer Robotisierung des Menschen, wodurch jede Spontanität und Individualität im (maschinell auslesbaren) Conference Call oder bei der Formulierung von Geschäfts- und Quartalsberichten verloren geht. Ob man sich das wünschen soll? Die Frage ist wohl obsolet, denn die KI-Technik schreitet ungebremst voran.

Dr. Kurt Becker


Anhang:

twitterlinkedInXING
 Schliessen

Mit der Nutzung dieser Website stimmen Sie der Verwendung von Cookies und unserer Datenschutzerklärung zu. Mehr erfahren