华盛顿大学的杰瑞德·詹宁斯和其他三名研究人员对企业高管们说过的数千个词进行了分析，他们创造了一种新方法，帮助贷款人做出更好的贷款决定。
他们的研究使用定性信息来评估企业的信用风险。“一切都基于语言，”奥林商学院(Olin Business School)会计学副教授詹宁斯(Jennings)表示。“我们的衡量标准捕捉到了信用风险的独特属性，而现有的衡量标准很难识别这些属性。”
事实证明，公司高管在与投资者和分析师召开的季度业绩电话会议上使用的措辞，很能说明问题。
詹宁斯詹宁斯表示:“我们的结果表明，我们的措施提高了预测未来破产、未来利差和信用评级下调的能力。”
也有证据表明，与其他方法相比，它们更一致地反映了借款人的信用风险。
他们称之为“基于文本的信用评分”或“TCR评分”。詹宁斯说，当没有其他基于市场的衡量企业信用风险的指标时，TCR评分可能特别有用。“我们的分析表明，只有大约22%的长期债务公司得到了领先评级机构的信用评级。”
他们的工作论文“使用定性披露来衡量信用风险”正在为会计研究的审查而修改。
紧密联系的
传统的信用风险度量方法大多使用数值或定量数据。
詹宁斯和他的合著者开始测量人们说的话。他们使用三种机器学习方法，根据2003年至2016年期间132060次电话会议记录中披露的信息，创建了一个信用风险衡量指标。
詹宁斯和圣母大学的约翰·多诺万合著;普渡大学的Kevin Koharki;佐治亚大学的Joshua Lee将他们的机器学习方法识别出的数百个顶级词汇、短语和主题进行了分类。
一种方法确定了与流动性、债务和业绩相关的语言。另外两个确定的短语与绩效、行业和会计相关。
研究人员写道:“通过将机器学习方法识别出的语言与经济直觉联系起来，我们能够在信用风险的构成与我们的代理之间建立更紧密的联系。”
越来越多的研究使用机器学习方法从电话会议和10- k中收集信息，以解释应计利润、未来现金流、欺诈和其他结果。
它还有助于研究从电话会议中提取的其他有用信号，如声音和视频信号，以及音调。(参见“当乐观的语言掩盖了悲观的结果”，这是欧林商学院会计学教授马丁和金融学教授周国富的研究。)
詹宁斯和其他研究人员写道:“我们希望从业人员和学者能够利用我们的方法来补充现有的信用风险模型，从而获得更全面、更独立的信用风险评估。”
新闻旨在传播有益信息，英文原版地址：https://source.wustl.edu/2019/10/words-matter-earnings-call-language-foreshadows-credit-risk-study-finds/