Resumen Técnico: Contagio Semántico de Copia Cero

Planteamiento del Problema

Los modelos de previsión financiera operan actualmente en silos, tratando cada ticker como una serie temporal aislada. Mientras que las señales numéricas (ticks de precios, volumen) se arbitran en microsegundos, la información cualitativa (noticias) requiere un procesamiento semántico antes de impactar en los precios, desarrollándose en un horizonte de 20 a 60 minutos. Los enfoques existentes no logran capturar la propagación entre empresas: una interrupción en la cadena de suministro (por ejemplo, un problema en una fundición en Taiwán) no se registra en un modelo de un solo activo hasta que el precio de ese activo se mueve o el activo es nombrado explícitamente en el texto.

Dos barreras de ingeniería impiden resolver esto con latencias de microsegundos:

1. Latencia: Los extractores semánticos convencionales introducen cientos de milisegundos de latencia, excediendo el horizonte predictivo.
2. Representación: Los grafos estáticos representan deficientemente la atención, la cual decae rápidamente entre eventos y requiere una dinámica explícita de tiempo continuo.

Metodología

Los autores proponen una arquitectura de streaming heterogénea Rust-Python que mapea la atención entre empresas como un grafo de tiempo continuo impulsado directamente desde el texto. El sistema está desacoplado en un borde de ingestión de microsegundos y un motor de inferencia de milisegundos.

1. Arquitectura del Sistema

• Borde de Ingestión (Rust): Un analizador de copia cero (zero-copy) procesa registros CSV/FIX sin asignación de memoria en el heap, devolviendo referencias de rebanadas de bytes (byte-slices) al búfer de entrada. Este impone marcas de tiempo monotónicas y realiza una puerta de agrupamiento semántico para filtrar titulares redundantes basados en similitud de coseno.
  • Rendimiento: Analiza registros en ~100 ns y escanea un universo de 47 tickers en ~1.2 µs.
• Motor de Inferencia (PyTorch): Un Proceso de Hawkes Multivariante Neural que actualiza un grafo de atención de tiempo continuo en memoria sobre $N=47$ nodos de renta variable.
  • LSTM de Tiempo Continuo (c-LSTM): Cada nodo mantiene un estado oculto que decae exponencialmente entre eventos y se actualiza mediante puertas LSTM estándar tras la llegada de un evento, condicionado por las incrustaciones (embeddings) de texto proyectadas.
  • Proyección Latente Bilineal: La excitación dirigida ($\alpha_{ij}$) se computa mediante un mecanismo de atención bilineal. Esto permite un pesaje de aristas asimétrico ($\alpha_{ij} \neq \alpha_{ji}$), capturando la contagión direccional (por ejemplo, de proveedor a cliente) en lugar de una correlación simétrica.
  • Poda de Aristas Adaptativa: Una regla algorítmica poda las aristas cuando su excitación instantánea cae por debajo de un umbral, garantizando una densidad de grafo acotada (coste amortizado $O(1)$ por nodo) independientemente de la longitud del flujo.

2. Construcción del Grafo

La matriz de adyacencia inicial es una combinación convexa aprendible de tres fuentes basadas en datos:

1. Co-mención ($A_{cm}$): Frecuencia de menciones conjuntas en artículos.
2. Similitud Semántica ($A_{sem}$): Similitud de coseno de los embeddings promedio de los artículos.
3. Correlación de Retornos ($A_{corr}$): Correlación de Pearson de los log-retornos diarios.
   Estos pesos se optimizan conjuntamente con los parámetros del modelo durante el entrenamiento de máxima verosimilitud.

3. Objetivo de Entrenamiento

Los parámetros se optimizan maximizando la log-verosimilitud de la secuencia de eventos observada. La función de pérdida recompensa la alta intensidad en los eventos observados mientras penaliza la activación de fondo durante períodos quiescentes para evitar una elevación trivial de la intensidad.

Contribuciones Clave

1. Ingestión en Rust de Copia Cero: Un analizador que logra un parsing de ~100 ns y un escaneo de tickers de ~1.2 µs en hardware comercial (Apple M2), con potencial de reducción adicional en x86-64 mediante RDTSC y redes de bypass de kernel.
2. Proceso de Hawkes Neural Asimétrico: Un modelo de tiempo continuo que presenta estados c-LSTM por nodo y proyecciones latentes bilineales que permiten un pesaje de aristas contextual y dirigido, una capacidad que las construcciones simétricas carecen.
3. Coste Computacional Acotado: Una regla de poda adaptativa (Proposición 1) que garantiza una densidad de grafo acotada, asegurando que el sistema siga siendo escalable para un streaming perpetuo.
4. Protocolo de Detección de Contagio: Un marco de evaluación distinto a la predicción de precios por ticker, centrado en identificar qué otras empresas experimentarán retornos anormales tras un evento de noticias.

Resultados Experimentales

El sistema fue evaluado en un holdout temporal de un mes del corpus FNSPID (638 artículos, 47 tickers, julio de 2022).

• Incremento de Precisión: En el umbral del percentil 90 de retorno al día siguiente, el modelo completo alcanzó una precisión del 15.1%.
  • Esto representa un incremento de 1.70× sobre la selección aleatoria uniforme (8.9%).
  • Esto representa un incremento de 3.36× sobre un heurístico del mismo sector (4.5%).
• Estudios de Ablación:
  • Topología del Grafo: Eliminar el grafo (estableciendo la adyacencia en cero) colapsó la precisión a 0.000 en todos los umbrales, confirmando que el grafo es el único motor de la señal entre empresas.
  • Proyección Bilineal: En este corpus específico, los pesos bilineales no mejoraron mensurablemente la precisión respecto a una adyacencia estática, aunque proporcionaron la direccionalidad estructural necesaria.
  • Poda: En este corpus naturalmente disperso, la poda no tuvo efecto empírico en la precisión, pero sigue siendo crítica para las garantías computacionales del peor de los casos.
• Latencia: La latencia de procesamiento de extremo a extremo es de ~13 ms por registro en un solo CPU. La capa de ingestión en Rust contribuye con menos del 0.02% de este total.
• Señal de Cartera: Una estrategia de largo/corto ponderada por intensidad (largo en los 10 superiores, corto en los 10 inferiores por intensidad) produjo un retorno anualizado positivo con una tasa de éxito diaria del 57.1% durante el periodo de holdout.

Significancia y Reivindicaciones

El artículo afirma abordar una tarea complementaria a la previsión tradicional por ticker: dado un choque en una empresa, predecir cuáles otras empresas se moverán y cuándo.

• Invarianza Arquitectónica: El modelo matemático es invariante al objetivo de despliegue; solo la capa de ingestión requiere recompilación para diferentes hardware (por ejemplo, pasar de ARM a x86-64 con redes de bypass de kernel).
• Fuente de Señal: Los resultados confirman que la red de atención dinámica es el motor exclusivo de la señal entre empresas en esta arquitectura; sin la topología del grafo, la dinámica c-LSTM y las tasas base no contribuyen a la discriminación entre tickers.
• Escalabilidad: El sistema proyecta poder manejar más de 400,000 registros por segundo en un solo núcleo ARM, con potencial para una inferencia de sub-10 ms en universos más grandes mediante computación por lotes (batching).

Los autores señalan que, si bien la precisión absoluta (15.1%) es modesta debido a la complejidad de los retornos al día siguiente, el incremento sistemático sobre las líneas base demuestra que la arquitectura captura con éxito la contagión estructural que los modelos aislados pasan por alto. El trabajo futuro se difiere hacia la evaluación intradía y el modelado de propagación de orden superior.