Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Speech emotion recognition and text sentiment analysis for financial distress prediction
Rok: 2023
Druh publikace: článek v odborném periodiku
Název zdroje: Neural Computing and Applications
Název nakladatele: Springer
Místo vydání: New York
Strana od-do: 21463-21477
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Rozpoznávání emocí v řeči a analýza sentimentu v textu ro predikci finančních potíží V posledních letech roste zájem o analýzu nálad v textu a rozpoznávání emocí v řeči v oblasti financí díky jejich potenciálu zachytit záměry a názory zainteresovaných stran, jako jsou manažeři a investoři. Zohledněním textového sentimentu bylo dosaženo výrazného zlepšení výkonnosti při předpovídání finanční výkonnosti firem. Málo pozornosti však bylo věnováno manažerským emočním stavům a jejich potenciálnímu přínosu k předpovídání finančních potíží. Tato studie se snaží tento problém řešit návrhem architektury hlubokého učení, která jedinečným způsobem kombinuje manažerské emoční stavy extrahované pomocí rozpoznávání řečových emocí s analýzou sentimentu na základě FinBERT přepisů konferenčních hovorů o výnosech. Získané informace jsou tak sloučeny s tradičními finančními ukazateli, aby bylo dosaženo přesnější predikce finančních potíží. Navržený model je ověřen na 1278 konferenčních hovorech o výnosech 40 největších amerických společností. Výsledky této studie poskytují důkazy o zásadní roli manažerských emocí při předpovídání finančních potíží, a to i ve srovnání s ukazateli sentimentu získanými z textu. Experimentální výsledky rovněž prokazují vysokou přesnost navrhovaného modelu ve srovnání s nejmodernějšími predikčními modely. Analýza sentimentu; Rozpoznávání emocí; FinBERT; Hluboké učení; Finanční potíže; Konferenční hovory
eng Speech emotion recognition and text sentiment analysis for financial distress prediction In recent years, there has been an increasing interest in text sentiment analysis and speech emotion recognition in finance due to their potential to capture the intentions and opinions of corporate stakeholders, such as managers and investors. A considerable performance improvement in forecasting company financial performance was achieved by taking textual sentiment into account. However, far too little attention has been paid to managerial emotional states and their potential contribution to financial distress prediction. This study seeks to address this problem by proposing a deep learning architecture that uniquely combines managerial emotional states extracted using speech emotion recognition with FinBERT-based sentiment analysis of earnings conference call transcripts. Thus, the obtained information is fused with traditional financial indicators to achieve a more accurate prediction of financial distress. The proposed model is validated using 1278 earnings conference calls of the 40 largest US companies. The findings of this study provide evidence on the essential role of managerial emotions in predicting financial distress, even when compared with sentiment indicators obtained from text. The experimental results also demonstrate the high accuracy of the proposed model compared with state-of-the-art prediction models. Sentiment analysis; Speech emotion recognition; FinBERT; Deep learning; Financial distress; Earnings conference calls