Ein Earnings Call ist einer der wenigen Momente, in denen sich das Management ausführlich, unter einem gewissen Druck und protokolliert äußert. Das Transkript hält die Guidance fest, die vorsichtigen Formulierungen, die Themen, bei denen man verweilt, und jene, über die man schnell hinweggeht. Earnings-Call-Analyse mit einem Sprachmodell ist deshalb reizvoll, weil das Modell jedes Transkript mit derselben Gründlichkeit liest, Quartal für Quartal, ohne auf Seite vierzig eines Q&A-Teils zu ermüden.
Transkript-Analyse ist nichts Neues. Marktdaten mit NLP zu verbinden, um aus der Sprache des Managements Ton- und Themensignale herauszuarbeiten, ist ein etablierter Ansatz, und Anbieter wie LSEG MarketPsych haben genau darauf ihre Produkte aufgebaut. Jüngere Forschung hat LLMs eingesetzt, um ESG- und andere Trends über Call-Transkripte hinweg zu erkennen. Die Frage ist also nicht, ob es überhaupt Signal gibt. Sie lautet, ob Sie es so extrahieren können, dass es den Kontakt mit einem Backtest und einem skeptischen Reviewer übersteht.
Strukturierte Signale extrahieren und das Zitat dranlassen
Der nützliche Output von Financial NLP auf einem Call ist kein Sentiment-Score, der frei von seiner Quelle im Raum schwebt. Es ist eine Reihe strukturierter Felder, jedes davon an die exakten Worte gebunden, aus denen es entstanden ist. Wir ziehen üblicherweise drei Arten von Informationen heraus:
- Guidance-Änderungen: angehoben, gesenkt, bestätigt oder zurückgezogen, jeweils mit Kennzahl und Richtung sowie dem Satz, in dem es gesagt wurde
- Tonverschiebungen: wie das Management über Nachfrage, Margen oder ein konkretes Segment spricht, im Vergleich zur Sprache des Vorquartals, nicht im luftleeren Raum
- Themengewichtung: welche Themen mehr oder weniger Redezeit bekommen haben und ob ein Thema in den vorbereiteten Statements auftauchte oder erst, als ein Analyst nachhakte
Jedes davon trägt einen Verweis zurück ins Transkript: Sprecher, Zeitstempel, das wörtliche Zitat. Ohne diese Herkunft haben Sie eine Meinung, die das Modell nicht verteidigen kann. Mit ihr kann ein Reviewer den Satz lesen, zustimmen oder widersprechen, und der Widerspruch dreht sich um den Text statt um die Stimmung des Modells. Genau dieser Prüfpfad erlaubt es Ihnen später auch, eine fehlerhafte Extraktion zu debuggen, denn Sie sehen, ob das Modell die Worte falsch gelesen hat oder ob es sie korrekt gelesen und daraus einen seltsamen Schluss gezogen hat.
Die Erzählfalle
Der eigentliche Schwachpunkt in der Transkript-Analyse ist nicht ein verrauschter Klassifikator. Es ist das Overfitting auf eine Geschichte. Sie betrachten ein Quartal, in dem die Aktie gefallen ist, gehen zurück zum Call, und das Modell findet bereitwillig die vorsichtigen Formulierungen und das Thema, das der CEO gemieden hat. Es sieht so aus, als hätte der Call die Bewegung vorhergesagt. Hat er nicht. Sie kannten das Ergebnis und sind auf die Suche nach der Ursache gegangen, und ein LLM ist sehr gut darin, auf Anfrage eine plausible zu liefern.
Das ist Lookahead-Leakage im Erzählkostüm. Wappnen Sie sich dagegen genauso wie gegen jedes andere Leakage. Bauen Sie das Signal zeitpunktbezogen auf: Das Modell sieht nur, was am Tag des Calls bekannt sein konnte, und die Extraktion wird gegen das bewertet, was danach passiert ist, niemals umgekehrt. Lassen Sie es über viele Calls laufen, auch über die ereignislosen Quartale, in denen sich nichts bewegt hat, damit Sie eine Beziehung messen und nicht Anekdoten kuratieren. Ein Signal, das nur auf den Calls gut aussieht, an die Sie sich erinnern, ist kein Signal.
Backtesting bedeutet hier mehr Sorgfalt als üblich im Umgang mit Zeitstempeln. Das Transkript selbst hat einen Veröffentlichungszeitpunkt, und der ist selten der Moment, in dem die Worte gesprochen wurden. Wenn Ihre Fundamental- oder Kursdaten im Nachhinein korrigiert werden, gilt dieselbe Quartalsenddisziplin wie überall sonst: Vintages, keine zuletzt bekannten Werte. Ein Tonsignal, das sich klammheimlich die Revision der nächsten Woche borgt, sieht hervorragend aus und handelt miserabel.
Einen Analysten im Loop behalten
Signalextraktion aus Sprache ist gut genug, um nützlich zu sein, und nicht gut genug, um sie sich selbst zu überlassen. Ein Modell wird Sarkasmus als Optimismus lesen, übersehen, dass eine bestätigte Zahl in Wahrheit eine stille Kürzung ist, sobald man ein abgespaltenes Segment berücksichtigt, oder eine Tonverschiebung melden, die in Wirklichkeit nur ein neuer CFO mit einem anderen Sprechstil ist. Ein Analyst fängt das ab, weil er Kontext mitbringt, den das Transkript nicht enthält.
Deshalb behandeln wir das Modell als ersten Durchgang, der nie schläft, und den Analysten als den Leser, der entscheidet, was real ist. Das Modell schlägt die Guidance-Änderung vor und zeigt sein Zitat. Der Analyst bestätigt, verwirft oder kommentiert, und dieses Urteil fließt zurück in das Eval-Set. Mit der Zeit sind die Meinungsverschiedenheiten die wertvollste Aufzeichnung, die Sie haben, denn sie zeigen Ihnen, wo Financial NLP bei Ihren konkreten Titeln und Sektoren schwach ist.
Nichts davon liefert eine magische Zahl, und wir würden jedem misstrauen, der das behauptet. Was sorgfältige Earnings-Call-Analyse Ihnen gibt, ist ein schnelleres, konsistenteres Lesen, bei dem jede Schlussfolgerung bis zu dem Satz nachvollziehbar bleibt, aus dem sie stammt. Das Modell übernimmt das Lesen. Die Disziplin drum herum ist das, was das Lesen vertrauenswürdig macht.