Institutional Money, Ausgabe 2 | 2021
menschliche Gehirn nicht aufspüren kann. Obwohl es viele Studien dazu gibt, wie man gehaltvolle Information aus Veröffent- lichungen gewinnen kann, gab es bis vor Kurzem keine wissenschaftliche Arbeit, die sich mit dem Feedback-Effekt beschäftigt hat – also damit, wie sich Firmen als Reak- tion 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 Colum- bia 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 ver- bindet, wie maschinenlesefreundlich das Unternehmen seine Veröffentlichungen ge- staltet. Man spricht hier von maschineller Lesbarkeit. Die erste Variable der maschi- nellen Downloads wird konstruiert, indem man historische Informationen darüber ver- wendet, wie viele IP-Adressen Downloads in großen Blöcken durchführen. Maschinel- le Downloads werden stellvertretend für die KI-Leserschaft eingesetzt. Das ist plausibel, weil solche Datenmengen nicht vom Men- schen allein mehr verarbeitet werden kön- nen und dieses Downloads eine Vorausset- zung für das maschinelle Lesen darstellen. Die Autoren gehen davon aus, dass maschi- nelle 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 Quartalsberich- ten (10-Q) seit 2003 exponentiell nach oben (siehe Grafik „Ungebrochener Trend zu maschinellen Downloads“) . Waren es im Kalenderjahr 2003 noch 360.861 maschi- nelle Downloads, so betrug diese Zahl 2016 bereits 165,318 Millionen. In diesem Zeit- abschnitt stieg der Anteil der automatisier- ten 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 (Textzerle- gung), Scripting (Erstellung von Scripts) und Synthesizing (Zusammensetzung) er- leichtern. Wie sich die maschinelle Lesbar- keit 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 ma- schinellen Downloads von einer Standard- abweichung mit einem Anstieg der maschi- nellen Lesbarkeit eines bei der SEC ein- gereichten Dokuments von 0,24 Standard- abweichungen einhergeht. Andererseits gelingt es zu zeigen, dass andere, nichtma- schinelle Downloads von SEC-Dokumenten keine bedeutende Korrelation zur maschi- 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. N o. 2/2021 | www.institutional-money.com 107 T H E O R I E & P R A X I S | KOMMUN I KAT I ON
Made with FlippingBook
RkJQdWJsaXNoZXIy ODI5NTI=