Predicting Stock Price Direction on Earnings Announcement Days using Multi-modal Deep Learning

Resumen Técnico: Predicción de la Dirección del Precio de las Acciones en Días de Anuncio de Resultados Utilizando Aprendizaje Profundo Multimodal

Formulación del Problema
Este estudio aborda el desafío de predecir el movimiento direccional de los precios de las acciones específicamente en los días de Anuncio de Resultados (EA). Los autores enmarcan esto como una tarea de Predicción de Movimiento de Precios Impulsada por Eventos. Dada una secuencia temporal multimodal que representa los 30 días previos a un EA, el objetivo es clasificar la dirección del precio posterior al anuncio en una de tres clases: ALTA ($R \geq 3\%$), BAJA ($R \leq -3\%$) o NEUTRA (en caso contrario). El problema se caracteriza por un ruido de mercado significativo, discontinuidades de precios de alto impacto y un desequilibrio de clases severo, donde la clase NEUTRA representa aproximadamente el 67% de las observaciones.

Metodología
La investigación emplea un enfoque de aprendizaje profundo multimodal, integrando tres modalidades de datos distintas en un espacio de características unificado de dimensión $d=21$:

1. Fundamentales de la Empresa ($d_f=15$): Métricas trimestrales y anuales (por ejemplo, Margen Neto, ROE, Deuda sobre Patrimonio) que sirven como proxies de la salud financiera.
2. Dinámicas de Mercado ($d_m=3$): Precios de cierre ajustados e indicadores de momentum a corto plazo (medias móviles simples de 3 y 6 días).
3. Sentimiento de Noticias ($d_n=3$): Puntuaciones de sentimiento derivadas de artículos de noticias financieras procesados mediante FinBERT, un modelo de lenguaje ajustado para el dominio financiero. Para los días con múltiples artículos, los vectores de sentimiento se promedian.

Procesamiento de Datos y Modelado
El conjunto de datos cubre a las 500 principales empresas de EE. UU. por capitalización de mercado durante una ventana de diez meses. El preprocesamiento implica imputación temporal (relleno hacia adelante para días no bursátiles), imputación de la media transversal para fundamentales dispersos y estandarización z-score. Para abordar el desequilibrio de clases, los autores utilizan una función de pérdida de entropía cruzada ponderada que penaliza los errores direccionales (ALTA vs. BAJA) más severamente que las clasificaciones erróneas neutras.

Se evalúan tres arquitecturas de modelos:

• Regresión Logística (Línea Base): Un clasificador multinomial no temporal entrenado sobre ventanas de 30 días aplanadas.
• LSTM: Una red recurrente apilada de 2 capas (dimensión oculta 64) diseñada para capturar dependencias secuenciales.
• Transformer: Una arquitectura de codificador basada en autoatención (2 capas, 4 cabezas) que utiliza codificaciones posicionales sinusoidales para capturar patrones temporales globales a través de la ventana de 30 días sin un sesgo inductivo secuencial estricto.

Los modelos se entrenan y evalúan utilizando métricas alineadas con la toma de decisiones financieras: Precisión para señales accionables, Puntuación F1 promediada macro (para equilibrar el rendimiento entre clases desequilibradas) y una métrica de costo personalizada que asigna penalizaciones más altas a las clasificaciones erróneas ALTA↔BAJA.

Resultados Clave
Los resultados experimentales revelan una compensación distinta entre la sensibilidad y el control de riesgos:

• Rendimiento de LSTM: El LSTM adopta una estrategia conservadora, prediciendo frecuentemente la clase NEUTRA. Esto resulta en el menor costo financiero personalizado y una alta precisión para señales direccionales, pero produce una puntuación Macro-F1 más baja debido a eventos volátiles no detectados.
• Rendimiento de Transformer: El modelo Transformer demuestra una sensibilidad superior, identificando más eventos ALTA y BAJA que el LSTM. En consecuencia, logra la puntuación Macro-F1 más alta (0.390), pero incurre en un costo personalizado más alto debido al aumento de errores direccionales.
• Rendimiento de la Línea Base: La línea base de regresión logística exhibe un perfil de decisión inestable con un sesgo hacia la predicción de movimientos ALTA, lo que conduce al mayor costo financiero y a intercambios direccionales costosos frecuentes.
• Impacto del Sentimiento: Un estudio de ablación confirma que eliminar las características de sentimiento de noticias degrada el rendimiento en todos los modelos. El efecto es más pronunciado en el LSTM, lo que sugiere que los datos de sentimiento juegan un papel estabilizador crucial en los modelos secuenciales profundos.

Significado y Afirmaciones
El artículo afirma contribuir al área relativamente poco investigada de la predicción de acciones específica para EA, demostrando el valor de combinar información "dura" (fundamentales, precios) con información "blanda" (sentimiento de noticias) en un marco multimodal. Los autores afirman que, si bien los modelos lineales son insuficientes para capturar las interacciones temporales y cruzadas complejas en los datos de EA, las arquitecturas de aprendizaje profundo ofrecen ventajas distintas dependiendo de la estrategia de inversión. Específicamente, el estudio destaca que la elección del modelo depende de la aplicación objetivo: las estrategias aversas al riesgo pueden favorecer la estabilidad del LSTM, mientras que las estrategias que buscan volatilidad pueden beneficiarse de la mayor sensibilidad del Transformer. El trabajo subraya que incorporar el sentimiento de noticias proporciona señales predictivas complementarias que mejoran la estabilidad y el rendimiento más allá de lo que los fundamentales y las dinámicas de precios por sí solos pueden ofrecer.