AI forudsiger, hvordan CEO-personlighed påvirker virksomhedspræstation

Ord er ikke altid billige. I november 2021 mistede Tesla (TSLA ) anslået 21 milliarder dollar af sin markedsværdi efter grundlæggeren Elon Musk inviterede sine 70 millioner følgere til at deltage i en afstemning om, hvorvidt han skulle sælge 10% af sine egne aktier i virksomheden – kun et enkelt tilfælde i en lang række åbenbart uforsvarlige sociale medie-kommunikationer fra Musk, som menes at have bidraget til en nedgang i Teslas aktiepris på 175 milliarder dollar mod slutningen af 2021.

Det har længe været antaget på baggrund af anekdotiske observationer, at CEO-adfærd har en direkte sammenhæng med virksomhedspræstation, men det er svært at få milliardær-direktører til at deltage i standardiserede personlighedstests, hvilket har gjort personlighedsbaseret aktieprædiktionsanalyse til en slags pseudovidenskab.

Den analytiske forskningssektors indsats for at oprette prædiktionsmodeller på dette område har indtil nu koncentreret sig om de fem store personlighedstræk, hvor CEO-disposition vurderes ud fra åbenhed, samvittighedsfuldhed, ekstraversion, venlighed og neuroticisme.

Det er ikke let at udtrække alle disse træk på en empirisk velfunderet måde, kun baseret på tale og tekst. Et studie fra 2020 fra Academy of Management kunne kun analysere tre af de fem store træk (samvittighedsfuldhed, neuroticisme og ekstraversion), da åbenhed og venlighed er sværere at identificere, især fra tekst.

MBTI-vurdering

Et nyt samarbejde mellem universiteter i Tyskland og Italien har taget en ny tilgang til at oprette en prædiktionsramme af denne art, ved at bruge offentligt tilgængelige data til at kortlægge 32 højtstående CEO’er inden for Myers-Briggs Type Indicator-rammen (MBTI).

I er nok bekendt med MBTI, selvom du ikke kendte dets navn. Baseret på Carl Jungs arbejde klassificerer MBTI personligheder i 4-bogstavs-enheder som f.eks. ENTJ (‘ekstrovert’, ‘intuition’, ‘tænkning’, ‘dømmende’), og er blevet et populært værktøj til selv-analyse på sociale medier i det sidste årti eller så.

De fire akser, som træk kan vælges fra, er: ekstraversion vs. introversion (E-I); sanse vs. intuition (S-N); tænkning vs. følelse (T-F); og dømmende vs. opfattende (J-P).

Artiklens forfattere brugte crowdsourced-data til at oprette MBTI-profiler af CEO’er og oprettede derefter en separat dataset og arkitektur, der kunne forudsige indflydelsen af CEO-personlighed på aktiepræstation, med Elon Musk som centrale testemne.

Eksempler på, hvordan administrerende direktører passer ind i MBTI-aksen. Kilde: https://arxiv.org/pdf/2201.07670.pdf

Den nye forskning søger at oprette en objektiv metode til aktieprædiktionsanalyse baseret på de estimerede personligheder af administrerende direktører (og specifikt på, hvad de siger offentligt), i overensstemmelse med Upper Echelons Theory, der blev foreslået i 1984, som først foreslog en sammenhæng mellem CEO-personlighed og virksomhedspræstation.

Forfatterne skriver:

‘I en risikoregressionsopgave demonstrerer vi, at den estimerede CEO-personlighed i overensstemmelse med Upper Echelons Theory er signifikant associeret med finansielle risici i form af volatilitet i aktieafkast. Kvalitativt ser det ud til, at ekstroverte, intuitive og tænkende CEO’er indebærer færre finansielle risici.’

Den anden fase af projektet, der søger at korrelerer udtalelser med efterfølgende aktieprisvariationer, producerer en algoritme, der kan indikere tekstsegmenter, der sandsynligvis vil have en positiv eller negativ effekt.

Shapley Additive Explanations (SHAP) varmekort anvendt på tekst fra Elon Musks resultatkonference for første kvartal 2020. Rød og blå er henholdsvis negative og positive indtjeningsindikatorer. Resultaterne varierer på tværs af MBTI-akserne, og de mest relevante er dem, der stemmer med talerens estimerede kernepersonlighed, f.eks. ENTJ.

Artiklen hedder Top-Down Influence? Predicting CEO Personality and Risk Impact from Speech Transcripts og er skrevet af tre forskere på universiteterne i Mannheim og Bocconi i Milano.

Definering af personligheder

Forfatterne brugte tre kilder til at indsamle data til personlighedsprædiktionskomponenten af projektet. For at identificere og karakterisere CEO’erne brugte de 88.000 transskriptioner af resultatkonferencer fra Reuters’ Refinitiv EIKON-dataset; og Compustat Execucomp fra Wharton Research Data Services på University of Pennsylvania, som blev brugt til programmatisk at matche identificerede CEO’er med alder og køn.

For at få MBTI-personlighedslabels brugte forskerne Personality Database, en crowdsourced platform for brugerbidrag til vurdering af personlighed, hvor tilstrækkelige niveauer af data for 32 CEO’er (herunder Steve Jobs og Elon Musk) var tilgængelige.

I stedet for at definere hver CEO som en typisk MBTI-4-bogstavs-forkortelse repræsenterede forfatterne hver personlighedsprofil som en vektor af fire kontinuerte variable på en skala fra 0-1, i overensstemmelse med crowdsourced-estimater, hvilket giver en mere præcis kortlægning mellem de fem store og MBTI-skalaer.

For at validere crowdsourced-estimaterne oprettede forfatterne en korrelationsmatrix mellem crowd-baseret MBTI og de fem store stemmer for alle personligheder, der var identificeret i data. De to systemer blev fundet at være enige på brugerbidragene.

(Da meningerne er delte om, hvor subjektiv psykologisk vurdering er, betyder denne enighed mellem systemerne kun, at de to skalaer giver lignende resultater ud fra deres forskellige personlighedskriterier. Enighedens objektive værdi afhænger af, hvor meget man accepterer hvert af systemerne.)

Forfatterne testede BERT (base), RoBERTa (base) og Support Vector Machine (SVM) med trigram TF–IDF som potentielle modeller. Efter træning blev RoBERTa fundet at være den bedste på alle akser. I billedet nedenfor ser vi modellernes forskellige estimater af personlighed for Elon Musk:

Korrelerede resultater for en personlighedsregressionsopgave for Elon Musk. E–I = ekstraversion–introversion; T–F = tænkning–følelse; S–N = sansning–intuition; J–P = dømmende–opfattende. SVM blev trænet på TF–IDF-vektorer, mens de to andre modeller blev trænet på tekst.

Forfatterne bemærker, at de bedste indikatorer optræder for ekstraversion-introversion, og de dårligste for dømmende-opfattende, måske fordi sidstnævnte er svære at udlede fra tekst. De forudser, at fremtidig arbejde, der inkluderer taleindikatorer – såsom stemmeforandring og taleintervaller – kan tilføje nye fortolkelige dimensioner til data for disse indikatorer.

Personlighed og virksomhedspræstation

For at facilitere risikoregressionskomponenten af projektet slog forfatterne dataene fra resultatkonferencerne sammen med databaser fra IBES, CRSP og Compustat Execucomp.

For at udvikle nyttige indeks for variation i aktiepriser efter en erklæring fra en CEO, inkluderede de forskellige risikoproxyer fra tidligere arbejder og inkluderede også alder og køn for at vurdere mulige forstyrrende effekter.

Kriterier for risikovurdering.

Risikomålene blev beregnet ud fra volatilitetsindeks i ugen efter en meddelelse. Da RoBERTa havde bedst præstation i den tidligere modul, blev dette brugt eksklusivt til risikoregressionsstadiet.

Resultater

I kommentarer til resultaterne, der blev opnået ved at bruge en personlighedsmatrix som en metode til at forudsige aktievolatilitet, skriver forfatterne:

‘Vi finder, at de første tre MBTI-dimensioner er signifikant associeret med risiko efter opkaldet. Denne signifikans er [høj] for E–I og T–F. Retningen af denne association opfører sig, som forventet: en CEO, der kommunikerer på en introvert og følsom måde, er associeret med øget [risiko], mens en intuitiv kommunikation er associeret med reduceret [risiko]. ‘

‘Bemærkelsesværdigt er, at disse resultater er robuste over for alder- og kønsfikserede effekter.’

Resultater fra artiklens standardtest af risikoregression med 22.000 resultatkonferencer fra 1.700 administrerende direktører i 2002–2020. Regressionerne omfatter faste effekter for tid og branche.

Forskerne har til hensigt at udvikle modellen i fremtiden, så en enkelt regressor kan udgive alle fire MBTI-dimensioner, samt inkorporere ikke-tekstdata, såsom tale-signaler.

*Myers-Briggs’ stavning af dette ord er particulær til deres studie.

Offentliggjort første gang den 20. januar 2022.