Las expectativas desempeñan un papel central en las fluctuaciones económicas. El ciclo reciente de incremento de tasas llevado a cabo por la Reserva Federal tiene como objetivo principal enfriar la demanda agregada mediante el aumento del costo de la financiación externa en forma de tasas de préstamos más altas (D'Acunto et al., 2022b).
Las encuestas empresariales son una herramienta estándar utilizada para comprender cómo las empresas planean cambiar sus inversiones, pero la dificultad de llegar a los tomadores de decisiones reales en una muestra representativa de empresas hace que las encuestas sean prohibitivamente costosas. En este artículo, argumentamos que tanto los académicos como los encargados de formular políticas pueden obtener las creencias y planes de las empresas utilizando los avances recientes en la inteligencia artificial (IA), y en particular en ChatGPT, en las revelaciones corporativas y en las llamadas con analistas.
Los encargados de formular políticas deben comprender las políticas corporativas para tomar decisiones informadas. Las políticas de inversión, en particular, son fundamentales para el crecimiento corporativo y las fluctuaciones agregadas, siendo la inversión agregada el componente más volátil del PIB. La teoría neoclásica del "q" sugiere que el "q" de Tobin puede servir como una estadística suficiente para describir las oportunidades y políticas de inversión de las empresas (Hayashi, 1982). Sin embargo, debido a las fricciones en la información y los mercados de capitales, otras variables además del "q", como la información privada de los gerentes, podrían tener poder predictivo para la inversión futura.
Desafortunadamente, la información de los gerentes generalmente no está disponible para todas las empresas, a pesar de la disponibilidad y utilidad de la información para un subconjunto de empresas proporcionada a través de diversas encuestas, como las encuestas de directores financieros de la Reserva Federal y de la Universidad de Duke, y las encuestas de directores ejecutivos de The Conference Board.
Para abordar este problema, en un artículo reciente (Jha et al., 2023) aprovechamos el poder de ChatGPT, un modelo de IA avanzado desarrollado por OpenAI capaz de procesar preguntas largas y complejas y proporcionar respuestas detalladas a nivel de experto. Utilizando ChatGPT, extraemos las expectativas corporativas a nivel de empresa sobre las futuras políticas de inversión y respondemos a las siguientes preguntas: ¿Puede ChatGPT ayudar a comprender las políticas corporativas? ¿Proporciona la política de inversión extraída por ChatGPT información adicional sobre la inversión futura más allá de medidas existentes como el "q" de Tobin o los flujos de efectivo? ¿Cómo afecta esta información a los precios de los activos y los rendimientos?
Nuestra muestra comprende 74,586 transcripciones de llamadas de conferencias de 3,878 empresas únicas entre 2006 y 2020. Estas transcripciones contienen información valiosa, incluidas las creencias y expectativas de los administradores corporativos sobre los futuros gastos de capital de sus empresas. Utilizando ChatGPT, extraemos evaluaciones cuantitativas de los aumentos y reducciones futuras en la inversión y construimos una puntuación de inversión ChatGPT a nivel de empresa.
Validamos esta medida de varias maneras. Primero, comparamos nuestra puntuación de inversión con las respuestas de las encuestas de directores financieros de Duke, que obtienen directamente el gasto de capital esperado de una empresa para un subconjunto de nuestra muestra. Las empresas con una alta puntuación de inversión ChatGPT también informan en las encuestas su intención de aumentar la inversión en los próximos 12 meses. Segundo, observamos tendencias similares entre la puntuación promedio de inversión en nuestra muestra y los cambios futuros en el gasto de capital a lo largo del tiempo (Figura 1).
Figura 1 Puntuación de inversión ChatGPT vs. inversión realizada
Notas: Esta figura muestra la serie temporal de la puntuación trimestral promedio de inversión ChatGPT y el cambio promedio del gasto de capital en los próximos cuatro trimestres. Tercero, las puntuaciones de inversión promedio a nivel de industria muestran patrones consistentes con cambios importantes en la economía. Por ejemplo, las empresas en las industrias de software/biotecnología esperan un aumento de la inversión durante la pandemia de COVID-19, mientras que muchas otras industrias esperan disminuciones (Figura 2).
Figura 2 Puntuación de inversión ChatGPT por industrias
Finalmente, pedimos a ChatGPT que proporcione extractos de las transcripciones de las llamadas de conferencia que respalden su asignación de puntuaciones de inversión, revelando frases y oraciones interpretables. Por ejemplo, la Figura 3 muestra que los bigramas más frecuentes asociados con puntuaciones de inversión altas y bajas son consistentes con los planes de los gerentes para aumentar o disminuir las inversiones.
Figura 3 Interpretación de la puntuación de inversión ChatGPT
Luego estudiamos el poder predictivo de nuestra nueva puntuación de inversión basada en IA para la inversión realizada futura a nivel de empresa. Descubrimos que la puntuación de inversión ChatGPT proporciona un poder predictivo adicional para la inversión futura cuando controlamos el "q" de Tobin y otros predictores a nivel de empresa de la inversión.
Un aumento de una desviación estándar en la puntuación de inversión se asocia con un aumento de 0.034 desviaciones estándar en el gasto de capital en el trimestre posterior a la llamada de conferencia, aproximadamente dos tercios de la sensibilidad correspondiente del gasto de capital a "q" total, el cual es una medida ampliada del "q" de Tobin que incorpora capital intangible (Peters y Taylor, 2017). Esta relación es una característica robusta de los datos y también se mantiene después de mantener constante el gasto de capital rezagado y agregar efectos fijos de empresa y tiempo, lo que sugiere que la puntuación de inversión contiene información nueva e incremental derivada de la información privada y las expectativas gerenciales.
El poder predictivo significativo de la puntuación de inversión persiste hasta nueve trimestres, lo que enfatiza la naturaleza a largo plazo de las expectativas de los gerentes. Además, la puntuación de inversión ChatGPT no solo predice la inversión física futura, sino que también pronostica otras formas de inversión, incluida la inversión intangible, la investigación y el desarrollo, y la inversión total a corto y largo plazo.
Además, exploramos la relación entre la puntuación de inversión de ChatGPT y los retornos esperados de las acciones. La teoría de fijación de precios basada en la inversión (Liu et al. 2009) predice que las empresas con menores retornos esperados invierten más, porque aplican una tasa de descuento más baja, lo que resulta en más proyectos de inversión con un valor presente neto positivo. Por lo tanto, esperamos que las acciones con altas inversiones esperadas experimenten menores retornos futuros de las acciones. Nuestras pruebas confirman esta hipótesis: la puntuación de inversión de ChatGPT está significativamente y negativamente asociada con los retornos brutos y los retornos anormales ajustados según el factor en el trimestre siguiente. Similar a la inversión, la predictibilidad de los retornos también persiste hasta nueve trimestres.
Además de las políticas de inversión, investigamos si nuestra metodología se puede aplicar a otras políticas corporativas, como el pago de dividendos y las políticas de empleo. Encontramos fuertes correlaciones entre las políticas corporativas esperadas basadas en ChatGPT y las políticas esperadas obtenidas de las respuestas de la Encuesta Duke CFO (Graham y Harvey 2001, Graham et al. 2016) para el mismo conjunto de empresas, lo que sugiere que nuestro enfoque se puede aplicar a una amplia gama de políticas corporativas.
En general, nuestro documento realiza varias contribuciones clave. En primer lugar, nuestro documento está relacionado con la literatura sobre la relación inversión-q. A pesar de las teorías que establecen fuertes vínculos entre el q de Tobin y la inversión (Hayashi 1982), su relación empírica había sido débil. Nuestra puntuación de inversión basada en IA proporciona nueva información sobre las futuras oportunidades de inversión de las empresas que complementa el q de Tobin y el q total, lo que puede ayudar a investigadores y reguladores a comprender mejor la inversión corporativa y sus consecuencias para la economía.
En segundo lugar, nuestro documento se refiere a la literatura de retroalimentación, según la cual los gerentes aprenden a tomar decisiones de inversión y otras decisiones corporativas (Chen et al. 2007). Nuestros hallazgos sugieren que la dirección opuesta del vínculo también es importante: el mercado también puede aprender de los gerentes.
En tercer lugar, nuestro estudio se relaciona con la literatura de encuestas y expectativas. Las encuestas son una herramienta poderosa para que los investigadores accedan a información que no está disponible en conjuntos de datos estándar (D'Acunto et al. 2022b, Coibion et al. 2022). Nuestro enfoque puede complementar las encuestas existentes y generar medidas basadas en los planes y discusiones de los ejecutivos para una gran muestra de empresas y proporcionar un nuevo conjunto de herramientas y datos para los investigadores.
Finalmente, nuestro enfoque proporciona un avance para el análisis de texto. Los investigadores han utilizado el análisis de texto para analizar información de texto no estructurado, como los niveles y la extensión del sentimiento (Hanley y Hoberg 2010, Loughran y McDonald 2011). Muy recientemente, los investigadores han comenzado a utilizar ChatGPT (Lopez-Lira y Tang 2023, Kim et al. 2023). Mostramos que ChatGPT puede ayudar a extraer información sobre conceptos complejos como las políticas corporativas futuras. Además, esta información es interpretable, ya que los humanos pueden leer y comprender los argumentos presentados por ChatGPT al tomar decisiones.
En conclusión, nuestro documento demuestra el valor de utilizar modelos de IA avanzados como ChatGPT para extraer las creencias y planes de las empresas para las políticas corporativas futuras, especialmente las decisiones de inversión. La puntuación de inversión de ChatGPT proporciona información más allá de las medidas tradicionales, ofreciendo un poder predictivo incremental para la inversión futura y su impacto en los precios de los activos y los retornos. Este enfoque se puede extender a otras políticas corporativas, proporcionando una herramienta versátil para investigadores y responsables de políticas. A medida que la tecnología de IA continúa avanzando, su integración con la investigación económica promete ofrecer perspectivas más profundas y mejores procesos de toma de decisiones.
Referencias
Chen, Q, I Goldstein, y W Jiang (2007), "Información sobre los precios y la sensibilidad de la inversión al precio de las acciones", Revisión de Estudios Financieros 20: 619-50.Coibion, O, Y Gorodnichenko y M Weber (2022), "Comunicaciones de política monetaria y sus efectos en las expectativas de inflación de los hogares", Revista de Economía Política 130: 1537-84.
D'Acunto, F, D Hoang y M Weber (2022a), "Gestión de las expectativas de los hogares con políticas no convencionales", Revisión de Estudios Financieros 35: 1597-642.
D'Acunto, F, U Malmendier y M Weber (2022b), "¿Qué nos dicen los datos sobre las expectativas de inflación?", Documento de Discusión CEPR 17094.
Graham, J R, y C R Harvey (2001), "La teoría y la práctica de las finanzas corporativas: evidencia del campo", Revista de Economía Financiera 60: 187-243.
Graham, J, C Harvey y I Ben-David (2016), "Los gerentes están mal calibrados", VoxEU.org, 20 de agosto.
Hanley, K. W. y G. Hoberg (2010), "El contenido informativo de los prospectos de IPO", Revisión de Estudios Financieros 23: 2821-64.
Hayashi, F. (1982), "El q marginal de Tobin y el q promedio: una interpretación neoclásica", Econometrica 50: 213-24.
Jha, M., J. Qian, M. Weber y B. Yang (2023), "ChatGPT y las políticas corporativas", documento de trabajo.
Kim, A. G., M. Muhn y V. V. Nikolaev (2023), "Revelaciones exageradas: ¿puede ChatGPT ayudar a los inversores a procesar información?", documento de trabajo.
Liu, L. X., T. M. Whited y L. Zhang (2009), "Rentabilidades esperadas basadas en inversiones", Journal of Political Economy 117: 1105-39.
López-Lira, A., y Y. Tang (2023), "¿Puede ChatGPT predecir los movimientos de precios de las acciones? Previsibilidad de los rendimientos y modelos de lenguaje grandes", documento de trabajo.
Loughran, T., y B. McDonald (2011), "¿Cuándo una obligación no es una obligación? Análisis textual, diccionarios y 10-ks", Journal of Finance 66: 35-65.
Peters, R. H., y L. A. Taylor (2017), "Capital intangible y la relación inversión-q", Journal of Financial Economics 123: 251-72.
