This thesis explores the impact of announcements related to large language models (LLMs) on stock returns, analyzing 35 significant AI-related events. Using the event study methodology and the Fama-French Three-Factor Model, the research evaluates whether these announcements generate cumulative abnormal returns (CARs) over short-term (weekly) and medium-term (monthly) event windows. The study aims to determine the extent to which AI-related events influence stock performance, contributing to a deeper understanding of market reactions to technological advancements. The findings highlight distinct patterns across the two event windows. In the medium-term analysis, the mean CAR increased significantly from 3.9252 (pre-event) to 3.9800 (post-event), with a p-value of 0.008966, indicating a statistically significant market response to LLM-related announcements. Conversely, the short-term analysis revealed a smaller increase in mean CAR, from 3.9252 to 3.9363, with a p-value of 0.2604, suggesting no significant immediate impact. Furthermore, the analysis showed that 6 out of 35 events in the monthly window and 14 events in the weekly window lacked statistical significance, reflecting variability in market responses to individual announcements. These results suggest that while LLM-related announcements generate meaningful medium-term market reactions, their short-term effects are less pronounced. This highlights the complexity of investor behavior and the role of time in assimilating information about technological innovations. The research provides valuable insights for investors, companies, and policymakers, emphasizing the importance of strategic communication and market monitoring in response to advancements in artificial intelligence

Questa tesi analizza l'impatto degli annunci relativi ai modelli di linguaggio di grandi dimensioni (LLM) sui rendimenti azionari, esaminando 35 eventi significativi legati all'intelligenza artificiale. Utilizzando la metodologia dell'event study e il Modello a Tre Fattori di Fama-French, la ricerca valuta se tali annunci generino rendimenti anomali cumulativi (CAR) durante finestre temporali di breve termine (settimanali) e medio termine (mensili). L'obiettivo dello studio è determinare in che misura gli eventi legati all'intelligenza artificiale influenzino le performance azionarie, contribuendo a una comprensione più profonda delle reazioni di mercato ai progressi tecnologici. I risultati evidenziano schemi distinti nelle due finestre temporali analizzate. Nell'analisi a medio termine, il CAR medio è aumentato significativamente da 3,9252 (pre-evento) a 3,9800 (post-evento), con un valore p di 0,008966, indicando una risposta di mercato statisticamente significativa agli annunci relativi agli LLM. Al contrario, l'analisi a breve termine ha mostrato un aumento più contenuto del CAR medio, da 3,9252 a 3,9363, con un valore p di 0,2604, suggerendo un impatto immediato non significativo. Inoltre, l'analisi ha evidenziato che 6 dei 35 eventi nella finestra mensile e 14 eventi nella finestra settimanale non hanno mostrato significatività statistica, riflettendo una variabilità nelle reazioni di mercato ai singoli annunci. Questi risultati suggeriscono che, sebbene gli annunci relativi agli LLM generino reazioni significative del mercato nel medio termine, i loro effetti a breve termine sono meno pronunciati. Questo mette in evidenza la complessità del comportamento degli investitori e il ruolo del tempo nell'assimilazione delle informazioni sulle innovazioni tecnologiche. La ricerca offre approfondimenti preziosi per investitori, aziende e policymaker, sottolineando l'importanza di una comunicazione strategica e di un monitoraggio del mercato in risposta ai progressi dell'intelligenza artificiale.

L'IMPATTO DEGLI EVENTI RELATIVI AI MODELLI DI LINGUAGGIO DI GRANDI DIMENSIONI (LLM) SUI RENDIMENTI AZIONARI: UNO STUDIO EVENTO UTILIZZANDO IL MODELLO A TRE FATTORI DI FAMA-FRENCH

ATAEI HOSSEINZADEH, JAVAD
2023/2024

Abstract

This thesis explores the impact of announcements related to large language models (LLMs) on stock returns, analyzing 35 significant AI-related events. Using the event study methodology and the Fama-French Three-Factor Model, the research evaluates whether these announcements generate cumulative abnormal returns (CARs) over short-term (weekly) and medium-term (monthly) event windows. The study aims to determine the extent to which AI-related events influence stock performance, contributing to a deeper understanding of market reactions to technological advancements. The findings highlight distinct patterns across the two event windows. In the medium-term analysis, the mean CAR increased significantly from 3.9252 (pre-event) to 3.9800 (post-event), with a p-value of 0.008966, indicating a statistically significant market response to LLM-related announcements. Conversely, the short-term analysis revealed a smaller increase in mean CAR, from 3.9252 to 3.9363, with a p-value of 0.2604, suggesting no significant immediate impact. Furthermore, the analysis showed that 6 out of 35 events in the monthly window and 14 events in the weekly window lacked statistical significance, reflecting variability in market responses to individual announcements. These results suggest that while LLM-related announcements generate meaningful medium-term market reactions, their short-term effects are less pronounced. This highlights the complexity of investor behavior and the role of time in assimilating information about technological innovations. The research provides valuable insights for investors, companies, and policymakers, emphasizing the importance of strategic communication and market monitoring in response to advancements in artificial intelligence
2023
THE IMPACT OF AI-LARGE LANGUAGE MODELS (LLM) EVENTS ON STOCK RETURNS: AN EVENT STUDY USING THE FAMA-FRENCH THREE-FACTOR MODEL
Questa tesi analizza l'impatto degli annunci relativi ai modelli di linguaggio di grandi dimensioni (LLM) sui rendimenti azionari, esaminando 35 eventi significativi legati all'intelligenza artificiale. Utilizzando la metodologia dell'event study e il Modello a Tre Fattori di Fama-French, la ricerca valuta se tali annunci generino rendimenti anomali cumulativi (CAR) durante finestre temporali di breve termine (settimanali) e medio termine (mensili). L'obiettivo dello studio è determinare in che misura gli eventi legati all'intelligenza artificiale influenzino le performance azionarie, contribuendo a una comprensione più profonda delle reazioni di mercato ai progressi tecnologici. I risultati evidenziano schemi distinti nelle due finestre temporali analizzate. Nell'analisi a medio termine, il CAR medio è aumentato significativamente da 3,9252 (pre-evento) a 3,9800 (post-evento), con un valore p di 0,008966, indicando una risposta di mercato statisticamente significativa agli annunci relativi agli LLM. Al contrario, l'analisi a breve termine ha mostrato un aumento più contenuto del CAR medio, da 3,9252 a 3,9363, con un valore p di 0,2604, suggerendo un impatto immediato non significativo. Inoltre, l'analisi ha evidenziato che 6 dei 35 eventi nella finestra mensile e 14 eventi nella finestra settimanale non hanno mostrato significatività statistica, riflettendo una variabilità nelle reazioni di mercato ai singoli annunci. Questi risultati suggeriscono che, sebbene gli annunci relativi agli LLM generino reazioni significative del mercato nel medio termine, i loro effetti a breve termine sono meno pronunciati. Questo mette in evidenza la complessità del comportamento degli investitori e il ruolo del tempo nell'assimilazione delle informazioni sulle innovazioni tecnologiche. La ricerca offre approfondimenti preziosi per investitori, aziende e policymaker, sottolineando l'importanza di una comunicazione strategica e di un monitoraggio del mercato in risposta ai progressi dell'intelligenza artificiale.
File in questo prodotto:
File Dimensione Formato  
JAVAD_ATAEIHOSSEINZADEH_MEFI_2025_02 (2).pdf

accesso aperto

Dimensione 772.64 kB
Formato Adobe PDF
772.64 kB Adobe PDF Visualizza/Apri

È consentito all'utente scaricare e condividere i documenti disponibili a testo pieno in UNITESI UNIPV nel rispetto della licenza Creative Commons del tipo CC BY NC ND.
Per maggiori informazioni e per verifiche sull'eventuale disponibilità del file scrivere a: unitesi@unipv.it.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14239/27881