💬 NLP

Fast Numbers, Slow Language: Bridging Quantitative and Qualitative Earnings Signals

Este artículo presenta el corpus "EarningsInOne" para cerrar la brecha entre las comunidades de análisis de ganancias cuantitativo y cualitativo, revelando que, si bien las sorpresas numéricas impulsan reacciones inmediatas del mercado, el sentimiento cualitativo de las conferencias telefónicas ofrece una señal distintiva y negociable que alcanza su punto máximo en el día de negociación siguiente, pero que previamente había sido oscurecida por métricas de evaluación incompatibles.

Autores originales: Ding Yu, Zhuo Liu, Hao Zhang, Hangfeng He

Publicado 2026-06-30

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ding Yu, Zhuo Liu, Hao Zhang, Hangfeng He

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La visión general: Dos velocidades distintas de noticias

Imagina que una empresa publica su informe trimestral como un mago sacando un conejo de un sombrero. Este evento ocurre en realidad en dos etapas distintas, y el artículo sostiene que el mundo financiero ha estado intentando observar ambas etapas con el mismo par de gafas, lo cual no funciona.

Los "Números Rápidos" (El Conejo): Primero, la empresa lanza un comunicado de prensa con matemáticas puras: "Ganamos $1.52 por acción en lugar de los $1.44 esperados". Esto sucede instantáneamente. Los algoritmos computacionales (robots) leen estas matemáticas y operan con acciones en cuestión de minutos. Para cuando el mercado de valores abre a la mañana siguiente, el precio ya se ha ajustado a este número. El "alfa" (beneficio extra) de este número desaparece en un abrir y cerrar de ojos.
El "Lenguaje Lento" (El Truco de Magia): De 30 a 90 minutos después, el CEO entra en una llamada de conferencia para explicar los números. Dicen cosas como: "Somos cautelosamente optimistas, pero la economía es complicada". Esto es lenguaje cualitativo. Los humanos necesitan tiempo para escuchar, interpretar el tono y decidir si el CEO está siendo honesto o si está ocultando algo. Esta señal alcanza su punto máximo durante el siguiente día de negociación.

El Problema: Dos comunidades, dos manuales de reglas distintos

Durante décadas, dos grupos de expertos estudiaron este evento, pero nunca hablaron entre sí porque usaban manuales de reglas completamente diferentes:

Los Economistas Financieros (Los tipos de las matemáticas): Ellos estudiaron los "Números Rápidos" durante 50 años. Observan cómo los precios de las acciones se mueven a lo largo de días o semanas. Utilizan una estrategia llamada "Long Top, Short Bottom" (comprar las mejores noticias, vender las peores) y miden el éxito por cuánto dinero ganan en relación con el riesgo.
Los Investigadores de NLP (Los tipos del lenguaje): Durante los últimos 10 años, estudiaron el "Lenguaje Lento" (las llamadas de conferencia). Pero lo trataron como un examen escolar. Intentaron predecir el movimiento del precio de la acción de forma exacta para cada una de las empresas y midieron el éxito por qué tan cerca estaba su suposición del precio real (usando una métrica llamada MSE). No tenían una estrategia de trading real; solo querían ver si su IA podía adivinar el número correcto.

El Resultado: Los tipos de las matemáticas pensaban que los tipos del lenguaje eran inútiles porque sus "calificaciones de examen" (MSE) no mostraban un beneficio claro. Los tipos del lenguaje pensaban que los tipos de las matemáticas se perdían los matices del tono del CEO. Estaban hablando idiomas diferentes.

La Solución: Construyendo un puente

Los autores construyeron un puente llamado EARNINGSINONE. Es una nueva base de datos masiva que alinea el comunicado de prensa, la llamada de conferencia y los precios de las acciones para 1,500 empresas de EE. UU.

Crearon un Manual de Reglas Unificado:

Aplicaron la estrategia de trading "Long Top, Short Bottom" tanto a los números como al lenguaje.
Utilizaron la misma "tarjeta de puntuación" (métricas como el Ratio de Sharpe y el Coeficiente de Información) para juzgar tanto los números como el lenguaje.

El Descubrimiento: Números Rápidos, Lenguaje Lento

Cuando ejecutaron las pruebas utilizando las mismas reglas, surgió un patrón claro:

Los Números son Rápidos: Si intentas operar con los "Números Rápidos" (sorpresa de EPS) en la apertura del mercado de la mañana siguiente, no ganas casi nada de dinero. Los robots ya se comieron ese beneficio. Sin embargo, si operas intradía (dentro de los primeros 5 a 60 minutos tras la publicación de la noticia), aún puedes obtener beneficios. La ventana es diminuta, pero existe.
El Lenguaje es Lento: Si intentas operar con el "Lenguaje Lento" (el tono del CEO) inmediatamente, no funciona bien. Pero si esperas hasta el siguiente día de negociación, la señal del lenguaje se vuelve muy poderosa. El mercado tarda tiempo en digerir el tono del CEO, y para el día siguiente, el precio se mueve en la dirección que el lenguaje predijo.

La Analogía:
Piensa en el anuncio de resultados como un partido deportivo.

Los Números son el marcador final. Tan pronto como el árbitro toca el silbato, el marcador aparece en la cinta de noticias. Todo el mundo lo sabe instantáneamente. Apostar por el marcador después de que el juego ha comenzado es inútil.
El Lenguaje es la entrevista post-partido. El entrenador puede decir: "Jugamos bien, pero nuestro jugador estrella está lesionado". La multitud necesita tiempo para procesar eso. Para la mañana siguiente, la acción del equipo (o su reputación) se ha ajustado para reflejar esa noticia de la lesión.

Por qué esto importa

Para los tipos de las matemáticas: Perdieron la oportunidad de obtener beneficios a corto plazo porque esperaron demasiado para operar con los números. Necesitan observar los datos durante el día, no solo a la mañana siguiente.
Para los tipos del lenguaje: Estaban usando la prueba equivocada. Intentaban predecir el precio exacto para cada acción (como intentar adivinar la temperatura exacta). En su lugar, deberían haber estado clasificando las acciones (como adivinar qué equipo ganará). Cuando cambiaron al método de "clasificación", sus modelos de lenguaje resultaron ser muy rentables.

La Conclusión

El artículo demuestra que los números y el lenguaje cuentan dos historias diferentes a dos velocidades distintas.

Los Números son para los robots: Rápidos, inmediatos y desaparecen por la mañana.
El Lenguaje es para los humanos (y algoritmos pacientes): Lento, tarda en digerirse y se vuelve valioso al día siguiente.

Al corregir la forma en que miden el éxito, los autores demostraron que la parte del "lenguaje" en las llamadas de ganancias es en realidad un activo real y negociable que antes estaba oculto porque los investigadores estaban usando las herramientas equivocadas para encontrarlo.

Resumen Técnico: Números Rápidos, Lenguaje Lento: Uniendo las Señales de Ganancias Cuantitativas y Cualitativas

Planteamiento del Problema
Los economistas financieros y los investigadores de Procesamiento de Lenguaje Natural (NLP) han estudiado los anuncios de ganancias durante décadas utilizando marcos fundamentalmente incompatibles, lo que impide la comparación directa de sus respectivos indicadores.

Economía Financiera: Se centra en la sorpresa cuantitativa (desviaciones numéricas de EPS/ingresos respecto a las estimaciones de los analistas). Históricamente, esta comunidad evalúa las señales utilizando el horizonte del "próximo mercado abierto" mediante estrategias de largo/corto (décimo decil superior frente al décimo decil inferior) y métricas como el Coeficiente de Información (IC) y el ratio de Sharpe. La literatura reciente sugiere que, para acciones que no son microcaps, el alfa explotable de la sorpresa cuantitativa se ha comprimido hacia el momento mismo del anuncio, desapareciendo para la apertura siguiente.
NLP: Se centra en las señales cualitativas de las Transcripciones de las Conferencias Telefónicas de Ganancias (ECTs), tales como el tono de la gerencia, la orientación (guidance) y la credibilidad de las sesiones de preguntas y respuestas (Q&A). Estos estudios suelen evaluar las señales utilizando métricas puntuales como el Error Cuadrático Medio (MSE) sobre la volatilidad o objetivos agnósticos al signo, a menudo sin un marco de negociación práctico (por ejemplo, tratando todas las acciones como igualmente negociables en lugar de clasificarlas).

Esta divergencia metodológica deja dos brechas: los economistas financieros pierden el alfa de corto horizonte de las señales cuantitativas al esperar a la apertura siguiente, mientras que los investigadores de NLP no logran demostrar el valor económico real de las señales cualitativas porque sus métricas de evaluación (MSE) no se alinean con el rendimiento de negociación direccional.

Metodología
Los autores introducen EARNINGSINONE, un corpus y marco de evaluación unificado diseñado para cerrar la brecha entre estas comunidades.

Conjunto de Datos (EARNINGSINONE):
- Cubre el universo S&P 1500 (2022–2025), que comprende 5,428 eventos de ganancias en 701 tickers.
- Alinea tres modalidades de datos para los mismos eventos: noticias de ganancias (con marcas de tiempo precisas), transcripciones de ECT y datos de precios intradía/del día siguiente.
- Utiliza LLMs (GPT-5-mini) para extraer valores numéricos reales de los artículos de noticias y generar puntuaciones de sentimiento de las ECTs y las noticias.
Marco de Evaluación Unificado:
- Mecanismo de Negociación: Aplica una estrategia canónica de "largo en el decil superior, corto en el decil inferior" tanto para las señales cuantitativas como para las cualitativas, alejándose del enfoque de "negociar todo" de la comunidad de NLP.
- Anclajes de Entrada y Horizontes:
  - Rápido (Números): Entra en FirstActual (el primer artículo de noticias que confirma EPS/ingresos, típicamente 1–5 minutos después de la publicación) y mantiene la posición para horizontes intradía (5–60 minutos).
  - Lento (Lenguaje): Entra en NextOpen (la apertura del mercado del día siguiente) y mantiene la posición para horizontes del día siguiente (hasta 390 minutos).
- Métricas: Evalúa el rendimiento utilizando IC (correlación de rango de Spearman), Q5−Q1 (dispersión de quintiles) y el ratio de Sharpe, en lugar de MSE.
Construcción de la Señal:
- Cuantitativa: Sorpresas de EPS e ingresos derivadas de las noticias (extraídas por LLM) y datos de proveedores.
- Cualitativa: Puntuaciones de sentimiento escalares ([-1, 1]) derivadas de transcripciones completas de ECT, con estudios de ablación sobre el enmascaramiento de números o el anclaje con encabezados numéricos.

Resultados Clave
El marco unificado revela una "separación de velocidad limpia" entre los dos tipos de señales:

Números Rápidos: La sorpresa cuantitativa alcanza su pico inmediatamente en el anuncio (FirstActual).
- En FirstActual, la estrategia logra un IC de 0.03 y un ratio de Sharpe de 1.81.
- Para NextOpen, este alfa ha sido mayormente arbitrado, (IC cae a -0.02, Sharpe a -0.31), confirmando que la información numérica es procesada instantáneamente por los algoritmos.
- Incluir sorpresas de ingresos (señales conjuntas) y utilizar datos de alta calidad de proveedores mejora el rendimiento, pero la degradación hacia la apertura siguiente es consistente.
Lenguaje Lento: El sentimiento cualitativo de las ECT alcanza su pico en NextOpen.
- El sentimiento(ECT) evaluado en NextOpen produce un IC de 0.11 y un ratio de Sharpe de 2.28, superando a todas las variantes cuantitativas en ese horizonte.
- Esto confirma que las señales cualitativas requieren interpretación humana durante la noche y son negociables al día siguiente.
- Los estudios de ablación muestran que enmascarar los números en la ECT reduce el rendimiento (Sharpe 0.40), mientras que anclar el sentimiento con los éxitos/fallos numéricos conocidos mejora la concentración de la cola (Sharpe 2.65).
Ortogonalidad: Las dos señales son mayoritariamente ortogonales (Spearman $\rho$ = 0.21). El sentimiento de las ECT captura el encuadre y el tono de la gerencia más allá del cumplimiento/incumplimiento del titular, mientras que el sentimiento de las noticias correlaciona más fuertemente con el resultado numérico ( $\rho$ = 0.38).
Rendimiento de Referencia (Baseline): Los baselines ingenuos (Random L/S, Long-only, Ticker-Mean) y los baselines previos de NLP (MLP basado en embeddings) rinden significativamente por debajo de las estrategias basadas en señales unificadas.

Significancia y Reivindicaciones
El artículo afirma cerrar la brecha entre la economía financiera y el NLP al demostrar que:

La Separación de Velocidad es Real: La sorpresa cuantitativa es una señal "rápida" que se agota en minutos, mientras que el sentimiento cualitativo es una señal "lenta" que madura durante la noche.
La Alineación de la Evaluación Importa: Las señales de NLP poseen un valor económico real pero fueron previamente oscurecidas por métricas desalineadas (MSE) y la falta de un marco de negociación. Cuando se evalúan con métricas estándar de finanzas (IC, Sharpe) y un marco de largo/corto, el sentimiento de las ECT emerge como una fuente de alfa robusta y negociable.
Complementariedad: Ambas comunidades estaban estudiando fenómenos complementarios. Los economistas financieros pueden recuperar el alfa de corto horizonte evaluando en los tiempos de los anuncios, mientras que los investigadores de NLP pueden validar la negociabilidad de las señales de lenguaje adoptando herramientas de evaluación de gestión de activos cuantitativas.

Los autores concluyen que las señales de lenguaje pueden mostrar un mejor valor cuando se evalúan en su "velocidad natural", un hallazgo aplicable a otros dominios ricos en datos que mezclan señales estructuradas y textuales. Este trabajo se presenta como una contribución de investigación; los autores declaran explícitamente que las señales de negociación son para fines de investigación y no constituyen asesoramiento de inversión.