💰 quantitative finance

Zero-Copy Semantic Contagion: An In-Memory Streaming Architecture for Evolving Attention Graphs

Dieses Paper präsentiert eine Zero-Copy, heterogene Rust-Python-Streaming-Architektur, die einen dynamischen Neural Hawkes Process auf evolvierenden Attention-Graphen nutzt, um eine Latenz von unter 13 ms zu erreichen und Single-Asset- sowie Sektor-Baseline-Modelle bei der Prognose von Aktienrenditen für den nächsten Tag signifikant zu übertreffen, indem sie die semantische Kontagion zwischen Unternehmen aus Nachrichten erfasst.

Ursprüngliche Autoren: Kabir Murjani

Veröffentlicht 2026-06-05

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Kabir Murjani

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich den Aktienmarkt nicht als eine Sammlung isolierter Inseln vor, sondern als eine riesige, geschäftige Stadt, in der sich Nachrichten wie ein Virus verbreiten. Normalerweise, wenn eine schlechte Nachricht ein Unternehmen trifft (wie etwa die Schließung einer Fabrik in Taiwan), betrachten traditionelle Computermodelle nur die spezifische Kursgeschichte dieses einen Unternehmens. Sie sind „blind“ für die Tatsache, dass die Nachricht auch auf andere mit ihm verbundene Unternehmen übergreifen könnte, wie etwa einen Lieferanten oder einen Kunden, bis diese anderen Unternehmen bereits begonnen haben, sich preislich zu bewegen. Bis dahin ist es zu spät.

Dieses Paper stellt ein neues System vor, das darauf ausgelegt ist, diese „Ansteckung“ (Contagion) in dem Moment zu erfassen, in dem die Nachricht eintrifft, indem es vorhersagt, welche anderen Unternehmen als Nächstes betroffen sein werden. So funktioniert es, unterteilt in einfache Teile:

1. Der superschnelle Scanner (Die Rust-Kante)

Betrachten Sie den Newsfeed als ein massives, Hochgeschwindigkeits-Fließband von Textnachrichten.

Das Problem: Die meisten Computer sind zu langsam, um diese Nachrichten schnell genug zu lesen. Bis ein Standardcomputer die Schlagzeile fertig gelesen hat, hat der Markt bereits reagert.
Die Lösung: Die Autoren haben einen „Scanner“ unter Verwendung der Programmiersprache Rust gebaut. Es ist wie ein spezialisierter Roboter, der den Text liest, ohne jemals anzuhalten, um seine Gedanken zu ordnen oder Dinge auf einen Notizblock zu schreiben (dies wird als „Zero-Copy“ bezeichnet).
Die Geschwindigkeit: Er liest einen News-Datensatz in etwa 100 Nanosekunden (einer Milliardstel Sekunde). Um das in Perspektive zu setzen: Ein menschliches Blinzeln dauert etwa 300 Millionen Mal länger. Er kann eine Liste von 47 verschiedenen Unternehmen in der Zeit scannen, die man braucht, um mit den Fingern zu schnippen.

2. Der „Infektions“-Tracker (Der Neural Hawkes Process)

Sob-ald der Scanner die Nachricht gelesen hat, leitet er sie an ein „Gehirn“ weiter, das mit Python gebaut wurde. Dieses Gehirn schaut nicht nur auf die Wörter; es schaut auf die Verbindungen zwischen den Unternehmen.

Die Metapher: Stellen Sie sich einen Graphen vor, in dem jedes Unternehmen ein Knoten (ein Punkt) ist und die Linien dazwischen darstellen, wie sehr sie aufeinander achten.
Wie es lernt: Das System nutzt eine spezielle Art von Mathematik, die man Neural Hawkes Process nennt. Betrachten Sie dies als ein „Ansteckungsmodell“. Wenn Unternehmen A einen Schock erleidet (wie etwa einen Skandal), berechnet das Modell, wie stark dieser Schock Unternehmen B, Unternehmen C und so weiter „erregt“ oder „infiziert“.
Der Clou: Im Gegensatz zu älteren Modellen, die alle Verbindungen als gleich behandeln, lernt dieses Modell, dass die Verbindung einseitig ist. Ein Ereignis bei einem Chiphersteller kann einen Telefonhersteller stark beeinflussen, aber der umgekehrte Fall ist nicht immer der Fall. Das System erfasst diese Richtungsgebundenheit.

3. Der „Pruning“-Mechanismus (Um Ordnung zu halten)

In einem Echtzeit-Stream könnten die Verbindungen theoretisch ewig wachsen, was den Computer verlangsamen würde.

Die Lösung: Das System besitzt einen automatischen „Gärtner“. Wenn eine Verbindung zwischen zwei Unternehmen zu schwach wird (die „Infektion“ stirbt aus), kappt das System die Leitung. Dies stellt sicher, dass der Computer niemals überlastet wird, egal wie viele Nachrichten eingehen.

4. Die Ergebnisse: Die Welle abfangen

Das Team testete dieses System mit einem Monat echter Finanznachrichten, die 47 große Unternehmen (wie Apple, NVIDIA und Microsoft) betrafen.

Der Test: Sie fragten: „Wenn ein News-Ereignis Unternehmen A trifft, kann das System vorhersagen, welches andere Unternehmen am nächsten Tag eine große Kursbewegung erleben wird?“
Das Ergebnis:
- Zufälliges Raten: Wenn Sie einfach Unternehmen zufällig auswählen würden, lägen Sie in 8,9 % der Fälle richtig.
- Branchen-Raten: Wenn Sie einfach Unternehmen aus derselben Branche raten (z. B. ein Tech-Unternehmen raten, wenn ein anderes Tech-Unternehmen Nachrichten hatte), lägen Sie in 4,5 % der Fälle richtig.
- Dieses System: Es war in 15,1 % der Fälle richtig.
- Die Erkenntnis: Dies ist 1,7-mal besser als zufälliges Raten und 3,3-mal besser als das bloße Raten innerhalb derselben Branche.

5. Der „Aha!“-Moment

Die wichtigste Erkenntnis war ein „Kontrollexperiment“. Die Forscher schalteten die „Verbindungskarte“ (den Graphen) aus und ließen das System auf einzelnen Unternehmen laufen.

Das Ergebnis: Die Genauigkeit des Systems sank auf Null.
Die Bedeutung: Dies beweist, dass der Erfolg des Systems nicht auf dem Lesen der Nachrichten oder der Mathematik allein beruhte; es war vollständig darauf zurückzuführen, dass es verstand, wie die Unternehmen miteinander verbunden sind. Die „Ansteckung“ ist das einzige, was das Signal treibt.

Zusammenfassung

Das Paper beschreibt ein System, das wie ein Hochgeschwindigkeits-Radar für Finanznachrichten fungiert. Es liert Text sofort, bildet ab, wie Unternehmen miteinander verknüpft sind, und sagt voraus, wie ein Schock für ein Unternehmen durch das Netzwerk auf andere übergreifen wird. Obwohl es derzeit auf einem Standard-Computerchip läuft, zeigen die Autoren, dass es mit schnellerer Hardware in der Lage wäre, schnell genug zu operieren, um für den Hochfrequenzhandel nützlich zu sein, um Marktbewegungen zu erkennen, bevor sie vollzogen sind.

Wichtige Einschränkung: Das Paper merkt an, dass das System zwar unglaublich schnell beim Verarbeiten der Nachrichten ist (Millisekunden), die tatsächlichen Testdaten jedoch nur tägliche Preisaktualisierungen enthielten. Daher kann der Nachweis seiner Fähigkeit, Bewegungen innerhalb desselben Tages vorherzusagen, zwar theoretisch möglich sein, der Beweis dafür ist jedoch Gegenstand zukünftiger Arbeiten.

Technisches Resümee: Zero-Copy Semantische Kontagion

Problemstellung

Finanzprognosemodelle operieren derzeit in Silos und behandeln jeden Ticker als eine isolierte Zeitreihe. Während numerische Signale (Preisticks, Volumen) in Mikrosekunden arbitriert werden, erfordern qualitative Informationen (Nachrichten) ein semantisches Parsing, bevor sie die Preise beeinflussen, was sich über einen Horizont von 20–60 Minuten entfaltet. Bestehende Ansätze scheitern daran, diese unternehmensübergreifende Propagation zu erfassen: Eine Lieferkettenstörung (z. B. ein Problem bei einer Foundry in Taiwan) registriert sich in einem Single-Asset-Modell erst dann, wenn der entsprechende Vermögenswert sich bewegt oder der Vermögenswert explizit im Text genannt wird.

Zwei technische Barrieren verhindern die Lösung dieses Problems bei Mikrosekunden-Latenzen:

Latenz: Standardmäßige semantische Extraktoren führen Latenzen von hunderten Millisekunden ein, was den prädiktiven Horizont überschreitet.
Repräsentation: Statische Graphen bilden die Aufmerksamkeit schlecht ab, da diese zwischen Ereignissen schnell abnimmt und explizite kontinuierliche Zeitdynamiken erfordert.

Methodik

Die Autoren schlagen eine heterogene Rust-Python-Streaming-Architektur vor, die unternehmensübergreifende Aufmerksamkeit als einen kontinuierlichen Zeitgraphen abbildet, der direkt aus Texten gespeist wird. Das System ist entkoppelt in einen Mikrosekunden-skalierenden Ingestion-Edge und eine Millisekunden-skalierende Inference-Engine.

1. Systemarchitektur

Ingestion Edge (Rust): Ein Zero-Copy-Parser verarbeitet CSV/FIX-Datensätze ohne Heap-Allokation, indem er Byte-Slice-Referenzen auf den Eingabepuffer zurückgibt. Er erzwingen monotone Zeitstempel und führt ein semantisches Clustering-Gate durch, um redundante Schlagzeilen basierend auf der Kosinus-Ähnlichkeit zu filtern.
- Performance: Der Parser verarbeitet Datensätze in ~100 ns und scannt ein Universum von 47 Tickern in ~1,2 µs.
Inference Engine (PyTorch): Ein Multivariater Neural Hawkes Process, der einen in-memory kontinuierlichen Zeit-Aufmerksamkeitsgraphen über $N=47$ $N = 47$ Equity-Knoten aktualisiert.
- Continuous-Time LSTM (c-LSTM): Jeder Knoten unterhält einen Hidden State, der zwischen Ereignissen exponentiell abklingt und bei Eintreffen eines Ereignisses via Standard-LSTM-Gates aktualisiert wird, konditioniert auf projektierte Text-Embeddings.
- Bilineare Latente Projektion: Die gerichtete Erregung ( $\alpha_{ij}$ ) wird über einen bilinearen Aufmerksamkeitsmechanismus berechnet. Dies ermöglicht eine asymmetrische Kantengewichtung ( $\alpha_{ij} \neq \alpha_{ji}$ ), um gerichtete Kontagion (z. B. Lieferant zu Kunde) statt symmetischer Korrelation zu erfassen.
- Adaptive Edge Pruning: Eine algorithmische Regel entfernt Kanten, wenn deren instantane Erregung unter einen Schwellenwert fällt, was eine begrenzte Graphdichte garantiert ( $O(1)$ amortisierte Kosten pro Knoten), unabhängig von der Stream-Länge.

2. Graphkonstruktion

Die initiale Adjazenzmatrix ist eine lernbare konvexe Kombination aus drei datengesteuerten Quellen:

Co-Mention ( $A_{cm}$ ): Häufigkeit gemeinsamer Nennungen in Artikeln.
Semantische Ähnlichkeit ( $A_{sem}$ ): Kosinus-Ähnlichkeit gemittelter Artikel-Embeddings.
Rendite-Korrelation ( $A_{corr}$ ): Pearson-Korrelation der täglichen Log-Renditen.
Diese Gewichte werden gemeinsam mit den Modellparametern während des Maximum-Likelihood-Trainings optimiert.

3. Trainingsziel

Parameter werden durch Maximierung der Log-Likelihood der beobachteten Ereignissequenz optimiert. Die Verlustfunktion belohnt hohe Intensität bei beobachteten Ereignissen, während sie Hintergrundaktivierung während ruhiger Phasen bestraft, um eine triviale Erhöhung der Intensität zu verhindern.

Zentrale Beiträge

Zero-Copy Rust Ingestion: Ein Parser, der eine ~100 ns Parsing-Zeit und einen ~1,2 µs Ticker-Scan auf Commodity-Hardware (Apple M2) erreicht, mit Potenzial zur weiteren Reduktion auf x86-64 via RDTSC und Kernel-Bypass-Networking.
Asymmetrischer Neuraler Hawkes-Prozess: Ein kontinuierlicher Zeitmodell mit pro-Knoten c-LSTM-States und bilinearen latenten Projektionen, die gerichtete, kontextsensitive Kantengewichtung ermöglichen – eine Fähigkeit, die symmetrischen Konstruktionen fehlt.
Begrenzte Rechenkosten: Eine adaptive Pruning-Regel (Proposition 1), die eine begrenzte Graphdichte garantiert und sicherstellt, dass das System unabhängig von der Stream-Länge skalierbar bleibt.
Kontagion-Detektionsprotokoll: Ein Evaluierungs-Framework, das sich von der per-Ticker-Preisprognose unterscheidet und darauf fokussiert, welche anderen Unternehmen nach einem News-Event abnormale Renditen erfahren werden.

Experimentelle Ergebnisse

Das System wurde auf einem einen Monat umfassenden temporalen Holdout des FNSPID-Korpus (638 Artikel, 47 Ticker, Juli 2022) evaluiert.

Precision-Lift: Bei der 90. Perzentile der nächsten Tagesrendite erreichte das vollständige Modell eine Präzision von 15,1 %.
- Dies entspricht einem 1,70× Lift gegenüber der uniformen Zufallsauswahl (8,9 %).
- Dies entspricht einem 3,36× Lift gegenüber einer branchenbezogenen Heuristik (4,5 %).
Ablationsstudien:
- Graph-Topologie: Das Entfernen des Graphen (Setzen der Adjazenz auf Null) ließ die Präzision auf 0,000 über alle Schwellenwerte kollabieren, was bestätigt, dass der Graph der alleinige Treiber des unternehmensübergreifenden Signals ist.
- Bilineare Projektion: In diesem spezifischen Korpus verbesserten die bilinearen Gewichte die Präzision nicht messbar gegenüber einer statischen Adjazenz, lieferten jedoch die notwendige strukturelle Richtungscharakteristik.
- Pruning: Bei diesem natürlich spärlichen Korpus hatte das Pruning keinen empirischen Effekt auf die Präzision, bleibt jedoch kritisch für die Rechengarantien im Worst-Case.
Latenz: Die End-to-End-Verarbeitungs-Latenz beträgt ~13 ms pro Datensatz auf einer einzelnen CPU. Die Rust-Ingestion-Schicht trägt weniger als 0,02 % dieser Gesamtlatenz bei.
Portfolio-Signal: Eine intensitätsgewichtete Long/Short-Strategie (Long Top-10, Short Bottom-10 nach Intensität) lieferte eine positive annualisierte Rendite mit einer täglichen Gewinnrate von 57,1 % während des Holdout-Zeitraums.

Signifikanz und Ansprüche

Das Paper behauptet, eine komplementäre Aufgabe zur traditionellen per-Ticker-Prognose zu adressieren: Gegeben einen Schock für ein Unternehmen, vorherzusagen, welche anderen Unternehmen sich bewegen werden und wann.

Architektonische Invarianz: Das mathematische Modell ist invariant gegenüber dem Deployment-Ziel; nur die Ingestion-Schicht erfordert eine Neukompilierung für unterschiedliche Hardware (z. B. Wechsel von ARM zu x86-64 mit Kernel-Bypass-Networking).
Signalquelle: Die Ergebnisse bestätreben, dass das dynamische Attention-Netzwerk der exklusive Treiber des unternehmensübergreifenden Signals in dieser Architektur ist; ohne die Graph-Topologie tragen die c-LSTM-Dynamiken und Baseline-Raten keinen Cross-Ticker-Diskriminierungseffekt bei.
Skalierbarkeit: Das System projiziert, über 400.000 Datensätze pro Sekunde auf einem einzelnen ARM-Kern zu verarbeiten, mit potenziellem Sub-10-ms-Inference-Potenzial für größere Universen mittels Batch-Berechnung.

Die Autoren merken an, dass die absolute Präzision (15,1 %) aufgrund der Komplexität der Tagesrenditen moderat ist, der systematische Lift gegenüber den Baselines jedoch zeigt, dass die Architektur erfolgreich strukturelle Kontagion erfasst, die isolierte Modelle übersehen. Zukünftige Arbeiten bezüglich der Intraday-Evaluierung und höherwertiger Propagationsmodellierung bleiben vorerst offen.