{"id":7567,"date":"2022-01-04T17:59:45","date_gmt":"2022-01-04T17:59:45","guid":{"rendered":"https:\/\/miranda-partners.com\/?p=7567"},"modified":"2022-01-04T18:12:32","modified_gmt":"2022-01-04T18:12:32","slug":"analisis-de-sentimiento-y-las-llamadas-de-resultados-del-3t21-en-mexico","status":"publish","type":"post","link":"https:\/\/miranda-partners.com\/es\/sentiment-analysis-in-ir-and-mexicos-3q21-earnings-calls\/","title":{"rendered":"An\u00e1lisis de sentimiento en IR y las llamadas de resultados del 3T21 en M\u00e9xico"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

El p\u00fablico de las llamadas e informes de resultados ya no es s\u00f3lo humana. Los programas de procesamiento del lenguaje natural (PLN) tambi\u00e9n est\u00e1n escuchando y emitiendo juicios importantes sobre el rendimiento percibido de las empresas, e incluso detonando \u00f3rdenes de compras y ventas en tiempo real. En respuesta a esto, muchas empresas han cambiado su forma de comunicarse en un intento de obtener los resultados deseados de los PLN. En el post<\/em> de esta semana, examinaremos esta tecnolog\u00eda, analizando herramientas actuales, y discutiremos los resultados del an\u00e1lisis de texto de GBM<\/a> de las conferencias de resultados del 3T21 en M\u00e9xico.<\/p>

\u00a0<\/p>

Sobre el an\u00e1lisis de texto\/voz de IA en IR<\/strong><\/p>

En primer lugar, definamos algunos de los t\u00e9rminos que se utilizan en este \u00e1mbito. La inteligencia artificial (IA) se refiere en general a la disciplina de las m\u00e1quinas inteligentes, mientras que el machine learning<\/em> (ML) se refiere m\u00e1s espec\u00edficamente a los sistemas que pueden aprender emp\u00edricamente. El procesamiento del lenguaje natural (PLN), es un subconjunto de la IA que utiliza el ML; un grupo de sistemas que pueden entender el lenguaje y mejorar su aprendizaje mediante el uso de una combinaci\u00f3n de herramientas de ling\u00fc\u00edstica, neurociencia, matem\u00e1ticas e inform\u00e1tica. Los recientes avances en ML, junto con el aumento del poder de procesamiento de las computadoras, han hecho que el PLN sea m\u00e1s confiable y escalable.<\/a><\/p>

Un ejemplo del uso de PLN en un contexto m\u00e1s com\u00fan es Sonix,<\/a> una empresa que convierte el audio en texto. Primero, procesa el audio con reconocimiento de voz automatizado (un tipo de machine learning<\/em>) y luego, una vez que est\u00e1 en formato de texto, utiliza PLN para entender el significado del texto (que puede ser bastante complicado dadas las abreviaturas y modismos). En finanzas, el PLN se utiliza para el an\u00e1lisis de sentimiento, la respuesta a preguntas (chatbots<\/em>), las auditor\u00edas financieras, la clasificaci\u00f3n de documentos y, en general, para reducir la cantidad de trabajo manual. Este blog se centrar\u00e1 en el an\u00e1lisis de sentimiento, ya que es la aplicaci\u00f3n m\u00e1s relevante para las finanzas.<\/p>

El an\u00e1lisis de sentimiento financiero con PLN se est\u00e1 utilizando para examinar todo tipo de informaci\u00f3n escrita o de audio que pueda aportar informaci\u00f3n sobre una empresa. Esto incluye la informaci\u00f3n b\u00e1sica de divulgaci\u00f3n como las conferencias de resultados, las presentaciones corporativas y los reportes trimestrales, pero tambi\u00e9n va m\u00e1s all\u00e1 con cosas como las redes sociales y el an\u00e1lisis de sentimiento con PLN de noticias relevantes que se usan para hacer trading <\/em>en tiempo real. Los programas de PLN suelen buscar la frecuencia de uso de ciertos t\u00e9rminos y los sentimientos positivos, neutrales o negativos asociados. Incluso, puede ser capaz de detectar el tono de voz del orador, por ejemplo, para obtener una lectura sobre la positividad y el entusiasmo en una conferencia de resultados.<\/p>

Tradicionalmente, la comunicaci\u00f3n de las empresas ha tratado de transmitir el sentimiento y el tono deseados por las personas que escuchan o leen. Sin embargo, un informe reciente elaborado por Stevens,<\/a> revel\u00f3 que muchas empresas grandes han cambiado su forma de redactar los reportes y guiones; los ejecutivos incluso est\u00e1n recibiendo ayuda profesional de entrenadores de voz para alcanzar el tono de voz adecuado para los programas de PLN. Las empresas tambi\u00e9n est\u00e1n utilizando programas algor\u00edtmicos para probar los borradores de sus publicaciones y calibrar su puntuaci\u00f3n de sentimiento esperado.<\/p>

\u00a0<\/p>

Programas\/servicios que examinan el lenguaje financiero<\/strong><\/p>

En el \u00e1mbito del an\u00e1lisis de sentimiento, y en general, las cuatro principales herramientas financieras son Bloomberg, S&P Capital IQ, FactSet y Refinitiv Eikon. Tambi\u00e9n hemos incluido informaci\u00f3n sobre Dataminr, FinBERT y Wordstat.<\/p>

\u00a0<\/p>

Bloomberg <\/strong><\/p>

Bloomberg (BBG) es capaz de identificar si una noticia o un tuit<\/a> se refieren a una empresa espec\u00edfica y asignarle una puntuaci\u00f3n de sentimiento. La herramienta de an\u00e1lisis del sentimiento<\/a> de las noticias de BBG {TREN <GO>} permite a los inversionistas o analistas utilizar fragmentos de noticias para construir modelos de previsi\u00f3n estad\u00edstica que ajusten din\u00e1micamente los objetivos de precios.<\/p>

Adem\u00e1s de ser l\u00edder en el espacio de procesamiento del lenguaje financiero, BBG est\u00e1 considerada como la principal herramienta de datos financieros con la mayor participaci\u00f3n de mercado (33%).<\/a> Se utiliza sobre todo para renta fija (conjuntos de datos m\u00e1s completos), buy side<\/em>, ventas, trading<\/em> y gesti\u00f3n de activos. Una terminal Bloomberg cuesta aproximadamente 25,000 d\u00f3lares al a\u00f1o.<\/p>

\u00a0<\/strong><\/p>

Refinitiv<\/strong><\/p>

Refinitiv (20% de participaci\u00f3n de mercado, aproximadamente 22,000 d\u00f3lares al a\u00f1o por la versi\u00f3n completa), es el competidor m\u00e1s directo de BBG. Se centra en la investigaci\u00f3n del sell side.<\/em> Pero en general, se considera una versi\u00f3n menos robusta de BBG, seg\u00fan Wall Street Prep.<\/a><\/p>

Refinitiv News Analytics, el motor de procesamiento del lenguaje natural de Refinitiv, utiliza machine learning<\/em> con el an\u00e1lisis de sentimiento de las noticias. V\u00e9ase este art\u00edculo<\/a> sobre su uso en la previsi\u00f3n intrad\u00eda de un importante \u00edndice burs\u00e1til y en la negociaci\u00f3n diaria de los 100 valores m\u00e1s l\u00edquidos del S&P 500.<\/p>

\u00a0<\/p>

S&P Global Market Intelligence (Capital IQ + SNL)<\/strong><\/p>

S&P (6.2% de participaci\u00f3n de mercado, aproximadamente 13,000 d\u00f3lares por usuario al a\u00f1o, con un m\u00ednimo de tres usuarios) dispone de una flota de depuradores de datos, que buscan en las notas al pie de p\u00e1gina y en los anexos de los reportes de resultados las cifras que necesitan los banqueros de inversi\u00f3n. Su plug-in<\/em> de Excel se considera de alta calidad, pero no tan robusto como el de FactSet. Un buen detalle es que te env\u00edan 50 d\u00f3lares si detectas un error en su base de datos, seg\u00fan Wall Street Prep.<\/a><\/p>

\u00a0<\/p>

FactSet<\/strong><\/p>

FactSet, otra de las principales herramientas de datos financieros (4.5% de la participaci\u00f3n de mercado y un costo aproximado de 12,000 d\u00f3lares al a\u00f1o), ofrece un an\u00e1lisis de sentimiento para todas las llamadas de resultados que cubren, dando calificaciones por orador, por secci\u00f3n, en general, y un an\u00e1lisis de frecuencia de palabras. Tambi\u00e9n disponen de una herramienta de b\u00fasqueda de documentos que permite buscar varias empresas simult\u00e1neamente. Por ejemplo, en este estudio<\/a>, FactSet analiz\u00f3 las menciones a la inflaci\u00f3n en todas las conferencias de resultados del S&P 500 y descubri\u00f3 que en el 2T21 se produjo el mayor n\u00famero de menciones de \u00e9sta desde 2010, as\u00ed como el mayor incremento interanual.<\/p>

Aparte del an\u00e1lisis ling\u00fc\u00edstico, FactSet tiende a ser m\u00e1s popular entre los banqueros de inversi\u00f3n, debido a capacidades espec\u00edficas como la facilidad de ver los datos en los documentos fuente, los plug-ins <\/em>de Excel, las macros de pitchbook<\/em> con Powerpoint y las herramientas de selecci\u00f3n de transacciones. Sin embargo, no se considera que tenga el equity research<\/em> m\u00e1s s\u00f3lido y las capacidades de depuraci\u00f3n de datos son buenas, pero no est\u00e1n al nivel de S&P, seg\u00fan Wall Street Prep.<\/a><\/p>

\u00a0<\/p>

DataMinr<\/strong><\/p>

DataMinr<\/a> es una plataforma de IA en tiempo real que utiliza datos p\u00fablicos para detectar se\u00f1ales de eventos de gran impacto. Por ejemplo, DataMinr proporciona datos de Twitter en tiempo real que pueden analizarse para apoyar las operaciones, conocer el mercado, asesorar a los clientes y generar tesis de inversi\u00f3n.<\/p>

\u00a0<\/p>

FinBERT<\/strong><\/p>

FinBERT se basa en un modelo de representaci\u00f3n del lenguaje que se desarroll\u00f3 originalmente para la miner\u00eda de textos biom\u00e9dicos, y se ha desarrollado para el sector de los servicios financieros. FinBERT opera con un conjunto de datos que contiene noticias financieras de Reuters y asigna el sentimiento utilizando un banco de frases. Aparte del costo de utilizar Reuters, es gratuito, pero requiere conocimientos de lenguaje de programaci\u00f3n para su uso. Para m\u00e1s informaci\u00f3n, consulte esta p\u00e1gina de Github.<\/a><\/p>

\u00a0<\/p>

Wordstat<\/strong><\/p>

Provalis Research tiene una herramienta de miner\u00eda de texto llamada Wordstat.<\/a> No es necesariamente para datos financieros, pero puede usarse para eso. Tiene integraciones en python para b\u00fasquedas a\u00fan m\u00e1s espec\u00edficas, incluyendo la construcci\u00f3n de diccionarios, mapas, etc.<\/p>

\u00a0<\/p>

Resultados de GBM M\u00e9xico<\/strong><\/p>

GBM utiliz\u00f3 herramientas de ciencia de datos (no especificadas) para analizar texto como datos en su reciente informe Top of Mind: Text Analysis from 3Q21 Earning Calls in Mexico and the World.<\/a> Examinaron las conferencias de resultados trimestrales de M\u00e9xico (m\u00e1s de 400) y de empresas mundiales (m\u00e1s de 22,700) para identificar temas comunes seg\u00fan la frecuencia de uso palabras o frases.\u00a0<\/p>

En M\u00e9xico, hubo una tendencia positiva en el vocabulario de las empresas. Las menciones a la “cadena de suministro”, al igual que a las “materias primas”, tuvieron los mayores incrementos y fueron dominantes en las llamadas de resultados, lo que tambi\u00e9n se observ\u00f3 con las empresas globales. El crecimiento tambi\u00e9n fue ampliamente mencionado, lo que es una se\u00f1al positiva en las empresas mexicanas.<\/p>

En cuanto al sentimiento en M\u00e9xico, la proporci\u00f3n de pares de palabras negativas ha seguido disminuyendo desde el 1T20, mientras que la lista de palabras positivas se ha mantenido estable. En el 3T21, el 2.7% de las palabras monitoreadas fueron positivas y el 1.6% fueron negativas, en comparaci\u00f3n con el 1T20 (1.7% positivas, 7.0% negativas). Arca Continental (AC) tuvo el mayor n\u00famero de menciones positivas en su llamada de resultados del 3T21.<\/p>

Otras conclusiones interesantes del informe fueron:<\/p>