FinTexTS: Financial Text-Paired Time-Series Dataset via Semantic-Based and Multi-Level Pairing

Each language version is independently generated for its own context, not a direct translation.

¡Hola! Imagina que el mercado de valores es como un gigantesco océano donde flotan miles de barcos (las empresas). Para predecir hacia dónde se moverá un barco específico, los expertos tradicionalmente solo miraban el agua que toca ese barco directamente (el precio histórico). Pero, como nos dice este paper, eso es como intentar navegar solo mirando la proa de tu barco, ignorando el viento, las corrientes lejanas y los otros barcos cerca.

Los autores de este trabajo, FinTexTS, han creado un nuevo "mapa de navegación" mucho más inteligente. Aquí te explico cómo funciona, usando analogías sencillas:

1. El Problema: El "Búsqueda por Palabra Clave" es como un Detective Torpe

Antes, para saber qué noticias afectaban a una empresa (digamos, NVIDIA), los ordenadores buscaban noticias que tuvieran la palabra "NVIDIA" escrita en ellas.

El fallo: Imagina que hay una noticia sobre "la escasez de chips de computadora" o "una nueva ley que afecta a los semiconductores". Si la noticia no menciona explícitamente a NVIDIA, el sistema antiguo la ignoraba. Pero, ¡esa noticia es vital para NVIDIA!
La analogía: Es como si un detective solo arrestara a alguien porque llevaba una camiseta con su nombre, ignorando que el vecino le había robado el coche. Se pierden pistas importantes.

2. La Solución: El "Detective Inteligente" (FinTexTS)

Los autores crearon un sistema que no solo busca palabras, sino que entiende el significado. Lo llaman un marco de "apareamiento semántico y multinivel".

A. El Contexto (La Ficha de la Empresa)

Primero, el sistema lee los documentos oficiales y aburridos de las empresas (los "SEC filings", que son como los informes médicos anuales de una empresa). De ahí, extrae la "personalidad" de la empresa: qué hace, sus riesgos, sus productos.

Analogía: Es como leer el currículum y la historia clínica de un paciente antes de diagnosticarlo.

B. La Búsqueda Semántica (Entender, no solo buscar)

Con esa "personalidad" en la mano, el sistema busca noticias que encajen con la empresa, aunque no digan su nombre.

Analogía: Si la empresa fabrica chips para inteligencia artificial, el sistema buscará noticias sobre "avances en IA" o "fábricas de chips", aunque la noticia hable de la competencia. Entiende que si a la competencia le va mal, a ti también te puede afectar.

C. El Nivel Multidimensional (La Tormenta Perfecta)

Aquí está la magia. El sistema no solo busca noticias sobre la empresa, sino que organiza la información en 4 niveles, como si fuera una torre de bloques:

Nivel Macro (El Clima Global): Noticias sobre la economía del país, tasas de interés o guerras. (Ej: "El Banco Central subió los intereses").
Nivel Sectorial (El Viento del Sector): Noticias sobre toda la industria. (Ej: "La industria de semiconductores tiene un año récord").
Nivel de Empresas Relacionadas (Los Vecinos): Noticias sobre competidores o socios. (Ej: "Intel lanzó un nuevo chip").
Nivel de la Empresa Objetivo (El Barco Propio): Noticias específicas sobre la empresa. (Ej: "NVIDIA anunció nuevas ganancias").

La analogía final: Imagina que quieres predecir si tu barco se hundirá.

El método viejo solo miraba si tu barco tenía una grieta.
FinTexTS mira: ¿Hay una tormenta global? (Macro). ¿El viento es fuerte para todos los barcos de madera? (Sector). ¿El barco de al lado se está hundiendo y te va a golpear? (Relacionado). Y sí, ¿tienes una grieta? (Propio).

3. El Resultado: Un "Super-Mapa" para Predecir el Futuro

Construyeron una base de datos gigante llamada FinTexTS con 100 empresas y un millón de noticias. Cuando probaron sus modelos de predicción de precios de acciones:

Con el método viejo (palabras clave): Se equivocaban más, porque les faltaban pistas.
Con FinTexTS (semántico y multinivel): ¡Acertaron mucho más! Al tener toda la información contextual (el clima, los vecinos, el sector), el modelo de inteligencia artificial pudo predecir el precio de la acción con mucha más precisión.

En resumen

Este paper nos dice que para entender el dinero y las acciones, no basta con mirar los números fríos ni buscar palabras sueltas en las noticias. Necesitas un sistema que entienda el contexto completo, como un capitán experto que lee el cielo, el mar y a los otros barcos para saber a dónde va el suyo.

Han creado el mapa más detallado hasta la fecha para ayudar a las máquinas a "leer" el mercado financiero como lo haría un humano experto. ¡Y lo mejor es que han hecho público este mapa para que todos puedan usarlo!

Each language version is independently generated for its own context, not a direct translation.

Resumen Técnico: FinTexTS

1. Planteamiento del Problema

El dominio financiero se caracteriza por interdependencias complejas donde el precio de las acciones de una empresa no solo depende de sus eventos internos, sino también de factores macroeconómicos, tendencias del sector y noticias sobre empresas relacionadas (socios, competidores).

El problema central identificado por los autores es la limitación de los enfoques existentes para construir conjuntos de datos de series temporales emparejadas con texto (text-TS). Los métodos actuales dependen principalmente de la búsqueda por palabras clave (keyword matching), lo que genera dos fallas críticas:

Falta de relevancia semántica: No capturan noticias relevantes si la empresa no se menciona explícitamente (ej. noticias sobre la construcción de centros de datos de GPU son relevantes para NVIDIA, aunque no se mencione su nombre).
Ignorancia de la dinámica multinivel: No distinguen entre impactos macroeconómicos, del sector o de empresas relacionadas, tratando todo el texto de manera homogénea.

Esto resulta en datos ruidosos, incompletos y con alineaciones incorrectas entre el texto y las series temporales financieras.

2. Metodología Propuesta

Los autores proponen un marco de trabajo basado en emparejamiento semántico y multinivel para construir el conjunto de datos FinTexTS. El proceso se divide en cuatro componentes principales:

A. Extracción de Contexto (Parsing de Documentos SEC):
- Se utilizan documentos de la Comisión de Bolsa y Valores de EE. UU. (SEC) como fuente de contexto específico de la empresa.
- Se emplea un LLM (Modelo de Lenguaje Grande) para analizar y extraer información estructurada en cinco categorías clave: Visión General & Productos, Estrategia, Gobernanza & Riesgos, Información Financiera y Eventos Recientes.
- Esta información se utiliza como "consulta" (query) para buscar noticias relevantes.
B. Clasificación de Noticias (Nivel Macro, Sector y Empresa):
- Un LLM clasifica las noticias en tres niveles jerárquicos:
  1. Nivel Macro: Políticas fiscales, acciones de bancos centrales, relaciones internacionales.
  2. Nivel Sectorial: Eventos que afectan a un sector industrial completo (basado en la clasificación GICS).
  3. Nivel de Empresa: Noticias específicas de una compañía o un grupo pequeño.
C. Emparejamiento Semántico Basado en Embeddings:
- En lugar de usar palabras clave, se utiliza un modelo de embeddings finamente ajustado (fine-tuned).
- El modelo se entrena mediante aprendizaje contrastivo para que las noticias del mismo sector tengan mayor similitud semántica.
- Se utiliza el contexto extraído de los documentos SEC como consulta para recuperar las $N$ noticias más relevantes semánticamente para la empresa objetivo, incluso si no mencionan su nombre.
- Posteriormente, un LLM refina estos resultados clasificándolos en: Empresa Objetivo, Empresa Relacionada (competidores, proveedores) o Irrelevante.
D. Resumen de Noticias:
- Para evitar redundancia y ruido, un LLM resume las noticias recuperadas en categorías de eventos clave, creando una representación compacta e informativa para cada nivel.

3. Contribuciones Clave

Identificación de Limitaciones: Demostración de que los métodos basados en palabras clave son insuficientes para capturar la complejidad del mercado financiero.
Nuevo Marco de Trabajo: Propuesta de un sistema de emparejamiento semántico y multinivel que integra LLMs y modelos de embeddings.
Conjunto de Datos FinTexTS: Creación de un dataset a gran escala que cubre 100 empresas cotizadas durante 5 años (2019-2023). Incluye aproximadamente 1 millón de noticias emparejadas con precios de acciones, estructuradas en cuatro niveles de información.
Validación Experimental: Demostración de que este enfoque supera a los baselines tradicionales en tareas de predicción de precios de acciones.
Disponibilidad: El dataset, el modelo de embeddings ajustado y el código fuente están disponibles públicamente en Hugging Face y GitHub.

4. Resultados Experimentales

Los autores realizaron un estudio piloto utilizando 12 modelos de pronóstico de series temporales (como Autoformer, Transformer, PatchTST, etc.) para predecir precios de acciones.

Emparejamiento Semántico vs. Palabras Clave: El enfoque semántico superó consistentemente al método basado en palabras clave en todas las métricas (MSE y MAE) y modelos. El método de palabras clave introdujo ruido y omisiones significativas.
Impacto del Emparejamiento Multinivel: Se observó que la precisión de la predicción mejora progresivamente a medida que se incorporan niveles de texto adicionales (desde Macro $\rightarrow$ Sector $\rightarrow$ Empresa Relacionada $\rightarrow$ Empresa Objetivo). Esto confirma que los datos complementarios de diferentes niveles aportan señales valiosas.
Análisis de Sensibilidad: Se determinó que recuperar 10 noticias ( $N=10$ ) ofrece el mejor equilibrio entre rendimiento y costo computacional.
Modelo de Embeddings Ajustado: El ajuste fino del modelo de embeddings mejoró la tasa de aciertos (hit-rate) en la recuperación de noticias relevantes en comparación con el modelo base.
Datos Propietarios: Al aplicar el marco a fuentes de noticias propietarias (LSEG MRN) en lugar de datos públicos, se observaron mejoras adicionales en el rendimiento, sugiriendo que la calidad de la fuente de texto es tan crítica como la estrategia de emparejamiento.

5. Significado e Impacto

El trabajo de FinTexTS es significativo por varias razones:

Avance en Multimodalidad Financiera: Establece un nuevo estándar para la alineación de texto y series temporales, moviéndose más allá de la coincidencia superficial de palabras clave hacia una comprensión semántica profunda.
Calidad de Datos: Proporciona un recurso de datos de alta calidad que refleja la realidad interconectada de los mercados financieros (efectos de red, sectoriales y macroeconómicos).
Habilitador de Investigación: Permite entrenar y evaluar modelos multimodales en escenarios más realistas, facilitando el desarrollo de futuros sistemas de IA financiera más robustos y precisos.
Reproducibilidad: Al liberar el dataset y las herramientas, democratiza el acceso a datos financieros estructurados de alta calidad para la comunidad de investigación.

En conclusión, FinTexTS demuestra que la integración inteligente de contexto semántico y la estructuración multinivel de la información textual son fundamentales para mejorar la precisión en la predicción de series temporales financieras.