TRACE: Temporal Rule-Anchored Chain-of-Evidence on Knowledge Graphs for Interpretable Stock Movement Prediction

El paper presenta TRACE, un enfoque interpretable para predecir movimientos bursátiles que unifica reglas simbólicas, exploración dinámica en grafos de conocimiento y razonamiento guiado por LLM para generar veredictos auditables respaldados por evidencia de noticias, logrando un rendimiento superior en el benchmark del S&P 500.

Lo esencial

¡Claro que sí! Imagina que predecir si una acción subirá o bajará mañana es como intentar adivinar el resultado de un partido de fútbol muy complicado.

La mayoría de los métodos tradicionales miran solo el historial de goles (el precio pasado) o leen las noticias del día (el clima). Pero el mercado es como una red gigante de relaciones: si un equipo cambia de entrenador, eso afecta no solo a ese equipo, sino también a los patrocinadores, a los rivales y a los vendedores de entradas.

El paper que nos ocupa presenta TRACE, una nueva herramienta que actúa como un detective financiero superinteligente. Aquí te explico cómo funciona usando analogías sencillas:

1. El Mapa del Tesoro (El Gráfico de Conocimiento)

Imagina que tienes un mapa gigante y dinámico de todo el mundo financiero. En este mapa, las empresas son ciudades, los productos son carreteras, y las noticias son faros que iluminan el camino.

• Lo que hace TRACE: No solo mira una ciudad (una empresa) aislada. Mira cómo las carreteras (relaciones) conectan esa ciudad con otras. Si una empresa compra a otra, el mapa dibuja una línea nueva. Si hay una noticia sobre una demanda, el mapa pone una señal de "peligro".

2. Las Reglas del Juego (Las "Reglas Temporales")

Antes de que el detective empiece a investigar, aprende de la historia.

• La analogía: Imagina que has observado el mercado durante años y notas un patrón: "Cada vez que una empresa de tecnología compra a una startup de Inteligencia Artificial y sale una noticia positiva, la acción de la empresa compradora sube".
• Lo que hace TRACE: Extrae miles de estos patrones (reglas) de la historia. No son adivinanzas; son patrones probados. Cuando empieza a investigar una empresa hoy, solo busca caminos que sigan estas reglas lógicas, ignorando rutas que no tienen sentido financiero.

3. La Búsqueda con Linterna (Exploración Guiada)

Aquí es donde entra la magia. El detective no camina al azar por el mapa (eso sería como perderse en un laberinto).

• La analogía: Imagina que tienes una linterna especial (un modelo de Inteligencia Artificial) que solo ilumina los caminos que tienen sentido según las reglas que aprendió antes.
• El proceso:
  1. El detective empieza en la empresa que quiere predecir.
  2. Salta a empresas relacionadas (socios, competidores).
  3. Sigue saltando hasta encontrar la fuente de la noticia (el faro) que inició todo.
  4. Lo crucial: Solo sigue caminos que estén respaldados por noticias reales y recientes. Si el camino no tiene una "piedra de prueba" (una noticia real), lo descarta.

4. El Veredicto con Evidencia (La Cadena de Pruebas)

Al final, el detective no solo te dice "Subirá" o "Bajará". Te entrega un expediente completo.

• La analogía: Es como un juez que no solo dicta sentencia, sino que muestra el video de la cámara de seguridad y explica exactamente por qué.
• El resultado: TRACE te dice: "La acción subirá porque la empresa A compró a la empresa B, y la noticia de ayer dice que esto es bueno, y el patrón histórico muestra que esto suele funcionar".
• Esto es lo que llaman interpretable: puedes ver el camino exacto que tomó la IA para llegar a la conclusión.

¿Por qué es mejor que los demás?

• Los viejos métodos: Miran solo el precio pasado (como mirar el retrovisor) o leen noticias sin contexto (como leer titulares sin entender la historia).
• Las IAs normales: A veces "alucinan" (inventan cosas que no existen) porque no tienen un mapa real.
• TRACE: Combina la lógica estricta de las reglas (no inventa) con la capacidad de entender el lenguaje humano de las noticias.

Los Resultados (En números simples)

En pruebas con las 500 empresas más grandes de EE. UU. (S&P 500):

• Acertó el movimiento de las acciones en un 55.1% de los casos (lo cual es muy bueno en finanzas, donde el azar es 50%).
• Pero lo más importante: No solo acertó, sino que supo explicar por qué.
• En una simulación de inversión (comprar las 10 mejores acciones que recomendó), la cartera creció un 41.7% en un año, superando a casi todos los otros métodos.

En resumen

TRACE es como tener un asesor financiero que es a la vez un historiador, un detective y un traductor.

1. Historiador: Conoce los patrones del pasado.
2. Detective: Sigue pistas en una red gigante de conexiones, no solo en una sola empresa.
3. Traductor: Convierte noticias complejas en una decisión clara y te muestra las pruebas de por qué tomó esa decisión.

Es una forma de usar la Inteligencia Artificial para tomar decisiones financieras que sean inteligentes, rápidas y, sobre todo, honestas y explicables.

Resumen técnico

Resumen Técnico: TRACE

1. Planteamiento del Problema

La predicción del movimiento de precios de las acciones es un desafío central en las finanzas computacionales. Los enfoques existentes presentan dos limitaciones críticas:

1. Falta de modelado relacional: La mayoría de los modelos tratan las fuentes de información (series temporales, noticias) de forma independiente, ignorando la compleja red de dependencias entre empresas, eventos, productos y regulaciones que propagan riesgos e información a través del mercado.
2. Falta de interpretabilidad y alucinaciones: Los enfoques basados en Grandes Modelos de Lenguaje (LLM) son potentes para entender el texto natural, pero a menudo generan "alucinaciones" (hechos no soportados) y carecen de trazabilidad, lo cual es inaceptable en dominios financieros de alto riesgo.

El objetivo es desarrollar un sistema que no solo prediga con precisión si una acción subirá o bajará, sino que también proporcione una explicación auditable y basada en evidencia textual, conectando la estructura del gráfico de conocimiento con noticias específicas.

2. Metodología: El Framework TRACE

TRACE (Temporal Rule-Anchored Chain-of-Evidence) es un pipeline end-to-end que unifica priores relacionales simbólicos, exploración dinámica de grafos y toma de decisiones guiada por LLMs sobre un Grafo de Conocimiento Temporal (TKG) financiero.

A. Construcción del Grafo de Conocimiento Temporal (TKG)

• Datos: Se construyó un grafo con datos del S&P 500 (2022-2023) que incluye 42,188 nodos y 174,415 aristas temporales.
• Entidades: Incluye TextSource (noticias, informes), Event (fusiones, demandas), Product, Financial, Company y Person.
• Relaciones: Tipos como EXTRACTED_FROM (anclaje a texto), INVESTED_IN, PARTNERED, CAUSED_INCREASE/DECLINE, etc.
• Restricción Temporal: Solo se consideran hechos y aristas con timestamps $\le t$ (fecha de predicción) para evitar fugas de información futura (look-ahead bias).

B. Minería de Reglas Automática
Antes de la predicción, el sistema extrae patrones relacionales recurrentes del grafo histórico para formar una biblioteca de reglas ($R^*$).

• Estructura: Una regla tiene un cuerpo (patrón de relaciones, ej. $A \to B \to C$) y una cabeza predictiva (ej. $\Rightarrow$ UP).
• Filtrado: Se mantienen solo las reglas con alta confianza (ej. > 0.60) y soporte estadístico suficiente. Estas reglas actúan como priors simbólicos que guían la búsqueda, restringiendo el espacio de exploración a secuencias de relaciones económicamente significativas.

C. Exploración Guiada por Reglas y LLMs
Para cada acción y día de predicción, el sistema realiza una búsqueda en el grafo:

1. Inicialización: Comienza desde el nodo de la empresa objetivo.
2. Búsqueda por Haz (Beam Search): Explora caminos de múltiples saltos (multi-hop) siguiendo solo relaciones temporales válidas.
3. Anclaje a Reglas: Durante la expansión, el sistema intenta emparejar el camino parcial con el cuerpo de las reglas minadas. Si un camino completa una regla de alta confianza, se genera una hipótesis.
4. Selección de Relaciones (LLM): Un LLM (Qwen QwQ-32B) actúa como selector para podar ramas irrelevantes, evaluando la coherencia semántica entre el contexto del camino y las noticias asociadas.
5. Puntuación: Los caminos se clasifican lexicográficamente priorizando: (1) completitud de reglas de alta confianza, (2) cobertura del cuerpo de la regla, (3) recencia temporal y (4) diversidad estructural (evitando nodos "hubs" genéricos).

D. Predicción de Veredicto y Agregación

• Consolidación: Las hipótesis validadas (cadenas de evidencia completas y ancladas a texto) se agregan. Se calcula la confianza máxima para "SUBIR" (UP) y "BAJAR" (DOWN).
• Decisión: El veredicto final es la etiqueta con mayor confianza agregada.
• Interpretabilidad: Cada predicción se acompaña de las rutas de razonamiento top-$M$ que la sustentan, mostrando explícitamente la conexión entre la acción, los eventos intermedios y la noticia fuente.

3. Contribuciones Clave

1. Framework Unificado TRACE: Primera integración de un grafo de conocimiento temporal enriquecido con LLMs para predicción de acciones, combinando minería de caminos simbólicos con razonamiento guiado por LLM.
2. Razonamiento Guiado por Reglas y Anclado en Texto: Un procedimiento donde los patrones minados restringen los caminos admisibles y las cadenas de razonamiento se anclan obligatoriamente en artículos de noticias, garantizando relevancia económica y validez temporal.
3. Base de Datos y Evaluación a Gran Escala: Construcción de un grafo financiero masivo (2022-2023) y demostración de superioridad sobre baselines fuertes, proporcionando predicciones binarias (UP/DOWN) con rutas de razonamiento explícitas.

4. Resultados Experimentales

El modelo se evaluó en un conjunto de datos del S&P 500 con validación walk-forward.

• Métricas de Clasificación (Predicción a 1 día):

  • Precisión: 55.7%
  • Recall: 71.5%
  • F1-Score: 60.8%
  • Exactitud (Accuracy): 55.1%
  • Comparativa: Superó a modelos potentes como XGBoost (52.9% acc), T-GNN (52.8% acc) y agentes de IA (FinMem, StockAgent). La mejora en Recall (+3.0 puntos sobre T-GNN) indica una mayor sensibilidad para detectar movimientos sin sacrificar selectividad.

• Análisis de Backtesting (Estrategia de Inversión):

  • Se simuló una cartera de "Top-10" acciones (compra y mantenimiento, sin rebalanceo) durante 2023.
  • Retorno Total: 41.7% (vs. 16.7% del benchmark igual ponderado).
  • Ratio de Sharpe: 2.00 (vs. 1.17 del benchmark).
  • Drawdown Máximo: -11.7% (menor riesgo que la mayoría de los baselines).

• Análisis de Interpretabilidad:

  • El 85% de las predicciones están soportadas por al menos un camino completo hasta una fuente textual.
  • El 72% de los caminos coinciden con patrones de reglas minadas.
  • Análisis Contrafactual: Al eliminar las noticias finales o las aristas críticas de las reglas, el rendimiento decae monótonamente, demostrando que las predicciones dependen de la evidencia real y no de correlaciones espurias.

5. Significado e Impacto

El trabajo TRACE aborda la compensación histórica entre precisión predictiva y transparencia en las finanzas.

• Fiabilidad: Al anclar las predicciones en reglas simbólicas y evidencias textuales explícitas, el sistema mitiga el riesgo de alucinaciones típico de los LLMs puros.
• Auditable: Proporciona a los analistas humanos una "cadena de evidencia" legible que explica por qué se tomó una decisión (ej. "La acción subirá porque la empresa invirtió en una startup de IA, lo cual históricamente ha impulsado acciones similares, según la noticia X").
• Aplicabilidad: El enfoque demuestra que integrar el razonamiento estructural (grafos) con la comprensión semántica (LLMs) y el rigor temporal (grafos temporales) es una vía prometedora para la próxima generación de sistemas de trading cuantitativo interpretables.