Publication detail

Forecasting corporate financial performance using sentiment in annual reports for stakeholders’ decision-making

Authors: Hájek Petr | Olej Vladimír | Myšková Renáta

Year: 2014

Type of publication: článek v odborném periodiku

Name of source: Technological and Economic Development of Economy

Publisher name: Vilnius Gediminas Technical University

Place: Vilnius

Page from-to: 721-738

Titles:

Language	Name	Abstract	Keywords
cze	Predikce podnikové finanční výkonnosti pomocí sentimentu ve výročních zprávách pro rozhodování stakeholderů	Cílem článku je zkoumání úlohy sentimentu ve výročních zprávách při predikci finanční výkonnosti. Sentiment (tón, názor) je ohodnocen několika kategorizačními schématy s cílem určit různé aspekty jazyka použitého ve výročních zprávách amerických podniků. Dále používáme metody strojového učení a neuronové sítě k predikci finanční výkonnosti vyjádřenou Z-skóre bankrotním modelem. Používáme jedenáct kategorií sentimentu (od negativní a pozitivní až po aktivní a běžný) jako vstupy predikčních modelů. Podpůrné vektorové stroje poskytují nejvyšší přesnost predikce. Toto zjištění naznačuje, že mezi sentimentem a finanční výkonností existují nelineární vztahy. Výsledky ukazují, že informace o sentimentu je důležitým determinantem predikce finanční výkonnosti, a proto jí lze využít pro podporu rozhodovacího procesu podnikových stakeholderů.	finanční výkonnost; finanční tíseň; predikce bankrotu; výroční zpráva; analýza sentimentu; dolování názorů
eng	Forecasting corporate financial performance using sentiment in annual reports for stakeholders’ decision-making	This paper is aimed at examining the role of annual reports’ sentiment in forecasting financial performance. The sentiment (tone, opinion) is assessed using several categorization schemes in order to explore various aspects of language used in the annual reports of U.S. companies. Further, we employ machine learning methods and neural networks to predict financial performance expressed in terms of the Z-score bankruptcy model. Eleven categories of sentiment (ranging from negative and positive to active and common) are used as the inputs of the prediction models. Support vector machines provide the highest forecasting accuracy. This evidence suggests that there exist non-linear relationships between the sentiment and financial performance. The results indicate that the sentiment information is an important forecasting determinant of financial performance and, thus, can be used to support decision-making process of corporate stakeholders.	financial performance; financial distress; bankruptcy forecasting; annual reports; sentiment analysis; opinion mining

Search

Login for students

Login for employees

Publication detail

Map

Services

Popular Links