Publication detail

Speech Emotion Recognition from Earnings Conference Calls in Predicting Corporate Financial Distress

Authors: Hájek Petr

Year: 2022

Type of publication: článek ve sborníku

Name of source: IFIP Advances in Information and Communication Technology. Vol. 646

Publisher name: Springer Nature Switzerland AG

Place: Cham

Page from-to: 216-228

Titles:

Language	Name	Abstract	Keywords
cze	Rozpoznávání emocí z konferenčních hovorů při předpovídání finančních potíží podniků	Analýza sentimentu a emocí přitahuje značný zájem výzkumníků v oblasti financí, protože je schopna poskytnout další vhled do názorů a záměrů investorů a manažerů. Zohledněním textových sentimentů bylo dosaženo pozoruhodného zlepšení v předpovídání finanční výkonnosti podniků. Málo se však ví o tom, zda manažerské afektivní stavy ovlivňují změny celkové finanční výkonnosti podniků. K překonání tohoto problému navrhujeme architekturu hlubokého učení, která využívá hlasové signály extrahované z konferenčních hovorů o výnosech k detekci manažerských emocionálních stavů a využívá tyto stavy k identifikaci firem, které by mohly být ve finanční tísni. Naše zjištění poskytují důkazy o úloze manažerských emočních stavů při včasném odhalování finančních potíží firem. Ukazujeme také, že navrhovaný predikční model založený na hlubokém učení překonává nejmodernější modely predikce finančních potíží založené pouze na finančních ukazatelích.	rozpoznávání emocí; finanční tíseň; hluboké učení; konferenční hovory
eng	Speech Emotion Recognition from Earnings Conference Calls in Predicting Corporate Financial Distress	Sentiment and emotion analysis is attracting considerable interest from researchers in the field of finance due to its capacity to provide additional insight into opinions and intentions of investors and managers. A remarkable improvement in predicting corporate financial performance has been achieved by considering textual sentiments. However, little is known about whether managerial affective states influence changes in overall corporate financial performance. To overcome this problem, we propose a deep learning architecture that uses vocal cues extracted from earnings conference calls to detect managerial emotional states and exploits these states to identify firms that could be financially distressed. Our findings provide evidence on the role of managerial emotional states in the early detection of corporate financial distress. We also show that the proposed deep learning-based prediction model outperforms state-of-the-art financial distress prediction models based solely on financial indicators.	speech emotion recognition; financial distress; deep learning; earnings conference calls

Search

Login for students

Login for employees

Publication detail

Map

Services

Popular Links