Deploying Narrative Economics to Understand Financial Market Dynamics: An Analysis of Activist Short Sellers' Rhetoric*
Notice bibliographique
Résumé
ABSTRACT We investigate how activist short sellers (AShSs) expose publicly listed firms in an increasingly popular form of “research reports” openly denouncing alleged frauds, flawed business models, accounting irregularities, and wrongdoings. We focus on six AShSs that issued research reports that often led to a strong negative market reaction. Our empirical analysis exploits both qualitative and quantitative methods for a comprehensive data set of 383 research reports targeting 171 unique firms, and 3 firsthand interviews with AShSs. Drawing on Aristotle's rhetoric, we first examine how AShSs use narratives in striving to convince other investors that the target firms are overvalued. Specifically, we search the documents produced by AShSs for stylized narratives related to credibility‐based (ethos), emotions‐based (pathos), and logic‐based (logos) rhetorical strategies. To assess the impact of these strategies, we examine the extent to which the AShSs' rhetorical strategies resonate in 3,665 press articles. As expected, the press often refers to logos‐based arguments. Interestingly, the press also frequently brings up pathos‐based and ethos‐based statements. Considering the importance of the press in shaping investors' opinions, our study points to AShSs' narratives playing a major role in policing financial markets. Theoretically, we show that AShSs, as dissenting market participants, produce narratives that go beyond the language of formal rationality—as they strive to reveal new information and frame it persuasively, in order to destabilize the extent of trustworthiness surrounding target firms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».