AI forutsier hvordan CEO-personlighet påvirker selskapsytelse

Snakk er ikke alltid billig. I november 2021 tapte Tesla (TSLA ) -aksjen en estimert 21 milliarder dollar fra sin verdi etter at grunnlegger Elon Musk inviterte sine 70 millioner følgere til å delta i en avstemning om han skulle selge 10 % av sine egne aksjer i selskapet – bare ett episod i en langvarig serie av åpenbart uansvarlige sosiale medier-kommunikasjoner fra Musk som antas å ha bidratt til en nedgang i aksjeprisen på 175 milliarder dollar for Tesla mot slutten av 2021.

Det har lenge vært anekdotisk betraktet at CEO-atferd har en direkte sammenheng med selskapsytelse, men umuligheten av å få milliardær-eksekutiver til å ta standardiserte personlighetstester har etterlatt personlighetsbasert aksjeprisforutsigelse som en pseudo-vitenskap.

Forskningssektorens innsats for å skape prediktive modeller i denne sammenhengen har til nå konsentrert seg om de fem store personlighetstrekkene, hvor CEO-disposisjon vurderes ut fra åpenhet, pliktoppfyllende, ekstraversjon*, enighet og nevroser.

Det er ikke lett å trekke ut alle disse trekkene på en empirisk gyldig måte, bare basert på tale og tekst. En studie fra 2020 fra Academy of Management kunne bare analysere tre av de fem store trekkene (pliktoppfyllende, nevroser og ekstraversjon), siden åpenhet og enighet er vanskeligere å identifisere, spesielt fra tekst.

MBTI-vurdering

Et nytt samarbeid mellom universiteter i Tyskland og Italia har tatt en ny tilnærming til å formulere en prediktiv ramme av denne typen, ved å bruke offentlig tilgjengelige data til å kartlegge 32 høynivå-CEO-er innenfor Myers-Briggs Type Indicator-rammen (MBTI).

Du kjenner sannsynligvis MBTI, selv om du ikke visste navnet. Basert på arbeidet til Carl Jung, klassifiserer MBTI personligheter inn i 4-tegn-enheter som ENTJ (‘ekstravert’, ‘sansning’, ‘tenkning’, ‘dømming’), og har blitt et populært verktøy for selv-analyse på sosiale medier de siste ti årene.

De fire aksene fra hvilke trekk kan velges, er: ekstraversjon vs. introversjon (E-I); sansning vs. intuisjon (S-N); tenkning vs. følelse (T-F); og dømming vs. oppfatting (J-P).

Artikkelforfatterne brukte crowdsourced-data til å lage MBTI-profiler av CEO-er, og deretter skapte en separat datasett og arkitektur som kunne forutsi innflytelsen av CEO-personlighet på aksjepris, med Elon Musk som en sentral testperson.

Hvordan noen CEO-er passer inn i MBTI-akse. Kilde: https://arxiv.org/pdf/2201.07670.pdf

Den nye forskningen søker å skape en objektiv metode for aksjeprisforutsigelse basert på estimerte personligheter av CEO-er (og spesielt på hva de sier offentlig), i samsvar med Upper Echelons Theory foreslått i 1984, som først foreslo en sammenheng mellom CEO-personlighet og selskapsytelse.

Forfatterne skriver:

‘I en risikoregressjonsoppgave demonstrerer vi at—i samsvar med upper echelons theory—den forutsagte CEO-personligheten er signifikant assosiert med finansiell risiko i form av aksjepris-volatilitet. Kvalitativt ser det ut til at ekstraverte, intuitive og tenkende CEO-er tar mindre finansiell risiko.’

Den andre fasen av prosjektet, som søker å korrelere uttalelser med påfølgende aksjepris-variasjoner, produserer en algoritme som kan indikere tekstsegmenter som sannsynligvis vil ha en positiv eller negativ effekt.

Shapley Additive Explanations (SHAP) varmebilder anvendt på tekstsegmenter fra Elon Musks Q1 2020-årsrapport. Rød og blå er negative og positive inntektsindikatorer, henholdsvis. Resultatene varierer over trekk-akser for MBTI-mappingene, og de mest pertinente resultatene vil være de som stemmer overens med talerens estimerte karakter (dvs. ‘ENTJ’).

Artikkelen er tittel Top-Down Influence? Predicting CEO Personality and Risk Impact from Speech Transcripts, og kommer fra tre forskere ved Universitetet i Mannheim og Bocconi Universitet i Milano.

Definering av personligheter

Forfatterne brukte tre kilder til å samle data for personlighetsforutsigelseskomponenten av prosjektet. For å identifisere og karakterisere CEO-ene, brukte de 88 000 årsrapport-transkripter fra Reuters’ Refinitiv EIKON-datasett; og Compustat Execucomp, fra Wharton Research Data Services ved Universitetet i Pennsylvania, som ble brukt til å programmatically matche identifiserte CEO-er med alder og kjønn-data.

For å få MBTI-personlighetsetiketter, brukte forskerne Personality Database, en crowdsourced-plattform for brukerbidrags- vurderinger av personlighet, hvor tilstrekkelige nivåer av data for 32 CEO-er (inkludert Steve Jobs og Elon Musk) var tilgjengelige.

I stedet for å definere hver CEO som en typisk MBTI 4-tegnsforkortelse, representerte forfatterne hver personlighetsprofil som en vektor av fire kontinuerlige variabler på en skala fra 0-1, i samsvar med crowdsourced-estimater, og tillot en mer nøyaktig mapping mellom de fem store og MBTI-skalaene.

For å validere crowdsourced-estimater, ble en korrelasjonsmatrise konstruert mellom crowd-basert MBTI og de fem store stemmer for alle personlighetene identifisert i dataene. De to systemene ble funnet å nå enighet på brukerbidrags-vurderingene.

(Ettersom meninger forskjeller på hvor mye psykologisk vurdering er subjektiv, betyr denne intra-system-konsensusen bare at de to kontrasterende skalaene konvergerer over sine forskjellige kriterier for personlighetsvurdering; den objektive verdien av denne enigheten avhenger av hvor mye du abonnerer på enten system.)

Forfatterne testet BERT (base), RoBERTa (base) og Support Vector Machine (SVM) med trigram TF–IDF som potensielle modeller. Etter trening, ble RoBERTa funnet å fungere best over alle akser. I bildet under ser vi modellenes forskjellige estimater av personlighet for Elon Musk:

Korrelerte resultater for en personlighetsregresjonoppgave for Elon Musk. E-I = ekstraversjon-introversjon; T-F = tenkning-følelse; S-I = sansning-intuisjon; og J-P = dømming-oppfatning. SVM ble trent på TF-IDF-vektorer, mens de andre to modellene ble trent på tekst.

Forfatterne bemerker at de beste indikatorene skjer for ekstraversjon-introversjon, og de dårligste for dømming-oppfatning, kanskje fordi de siste er vanskelige å dedusere fra tekst. De forutsier at fremtidig arbeid som inkluderer tale-indikatorer – som stemme-modulasjon og tale-intervaller – kunne legge til nye tolkbare dimensjoner til dataene for disse indikatorene.

Koble personlighet til selskapsytelse

For å muliggjøre risikoregressjonskomponenten av prosjektet, i samsvar med upper echelons theory, slo forfatterne deretter sammen årsrapport-dataene med databaser fra IBES, CRSP og Compustat Execucomp.

For å utvikle nyttige indekser for variasjoner i aksjepriser etter en erklæring fra en CEO, inkorporerte de forskjellige risiko-proksyer fra tidligere arbeid, og inkorporerte også alder og kjønn for å vurdere mulige forvrengende effekter.

Kriterier for risikovurdering.

Risikoreturn ble beregnet basert på volatilitetsindekser etter uken etter en annonsering. Ettersom RoBERTa fungerte best i den tidligere modulen, ble denne brukt eksklusivt for risikoregressjonsstadiet.

Resultater

Kommentarer til resultater fra bruk av en personlighetsmatrise som en aksjepris-volatilitetsforutsigelsemetode, skriver forfatterne:

‘Vi finner at de første tre MBTI-dimensjonene er signifikant assosiert med risiko etter oppkallet. Denne signifikansen er [høy] for E–I og T–F. Retningen av denne assosiasjonen oppfører seg som forventet: en CEO som kommuniserer på en introvert og følsom måte er assosiert med økt [risiko], mens en intuitiv kommunikasjon er assosiert med redusert [risiko].

‘Merkbart er disse resultater robuste til alder- og kjønn-fiksete effekter.’

Resultater fra papirets standard risikoregressjonstester, som omfatter 22 000 årsrapporter over 1 700 i årene 2002-2020. Regressjonene inkorporerer fiksete effekter for tid og industri.

Forskerne har til hensikt å utvikle modellen i fremtiden så enkelt en regressor kan utgi alle fire MBTI-dimensjoner, samt inkorporere ikke-tekstdata som tale-signaler.

*Myers-Briggs’ staving av dette ordet er spesiell for deres studie.

Først publisert 20. januar 2022.