Resumen Técnico: Dependencia de la Agregación del Valor del Texto Completo frente al Sentimiento de los Factores de Riesgo en los Informes 10-K

Planteamiento del Problema

La extracción de sentimiento financiero se ha basado históricamente en textos de noticias y en la supervisión de la extracción únicamente contra etiquetas de retorno. En consecuencia, los informes regulatorios —específicamente el Formulario 10-K de la Comisión de Bolsa y Valores de EE. UU. (SEC)— y el objetivo de la volatilidad, que es posiblemente el más adecuado para informar el lenguaje de divulgación de riesgos, han permanecido comparativamente inexplorados. Si bien trabajos previos han aplicado puntuación basada en diccionarios o aprendizaje profundo a los informes, existe una brecha en la aplicación del aprendizaje de léxico supervisado al texto regulatorio y, crucialmente, en el uso de la volatilidad como un objetivo de supervisión. Además, no está claro si las secciones de divulgación de riesgos específicas (Item 1A) o el texto completo del informe generan señales de sentimiento más predictivas, y cómo cambia esta relación a través de diferentes niveles de agregación (sector, cartera e firma individual).

Metodología

Datos y Extracción

El estudio utiliza 1,383 informes Formulario 10-K de 94 constituyentes tecnológicos del Nasdaq-100 (2006–2023), recuperados del sistema SEC EDGAR. El proceso de extracción aísla dos variantes de documento para cada informe:

1. Informe Completo (Full Filing): El texto HTML completo del 10-K.
2. Item 1A: La sección específica de factores de riesgo, extraída mediante heurísticas estructurales (eliminando pies de página, identificando encabezados y localizando la sección entre el "Item 1A" y el siguiente encabezado principal).

A pesar de constituir solo el 10–15% de la longitud del informe, la sección Item 1A retiene aproximadamente el 57% del recuento de palabras del informe completo tras el preprocesamiento, lo que indica una alta densidad de vocabulario relevante para el sentimiento.

Arquitectura del Modelo

El artículo extiende el marco de aprendizaje de léxico supervisado de Ke et al. [2020], diseñado originalmente para artículos de noticias, a los informes regulatorios. El modelo opera sobre tres supuestos centrales:

1. Descomposición del Vocabulario: El vocabulario $V$ se divide en palabras con carga de sentimiento $S$ y palabras neutrales $N$. El tono de un informe está determinado únicamente por los recuentos de palabras en $S$.
2. Distribución de Mezcla: Los recuentos de palabras con carga de sentimiento siguen una distribución multinomial de mezcla gobernada por un puntaje de sentimiento no observado $p_i \in [0, 1]$, donde $p_i=1$ representa un sentimiento puramente positivo y $p_i=0$ representa un sentimiento puramente negativo.
3. Suficiencia: El puntaje de sentimiento $p_i$ es suficiente para la relación entre el contenido del informe y la etiqueta observada $y_i$ (retorno o volatilidad).

Entrenamiento y Calificación:

• Calificación de Palabras: Las palabras se califican según la fracción de sus ocurrencias en informes con etiquetas positivas (Ec. 2). Las palabras se retienen como con carga de sentimiento si su puntaje se desvía significativamente de 0.5 (gobernado por los umbrales $\alpha_+$ y $\alpha_-$) y cumplen con un recuento de frecuencia $k$.
• Estimación de Temas: Dado que los puntajes de sentimiento reales no son observados, se construye un proxy $\check{p}_i$ a partir de las etiquetas. Los vectores de distribución de temas $\hat{O}$ (que representan los temas de sentimiento positivo y negativo) se estiman mediante una proyección lineal de las frecuencias relativas de palabras de sentimiento contra la matriz de proxy (Ec. 4).
• Predicción de Sentimiento: Para nuevos informes, el puntaje de sentimiento $\hat{p}$ es el maximizador de una función de log-verosimilitud penalizada (Ec. 5), que contrae el puntaje hacia 0.5 para informes con pocas palabras de sentimiento para evitar el exceso de confianza.

Etiquetado y Agregación

El modelo se entrena contra dos objetivos distintos:

• Retorno: El rango percentil de los retornos logarítmicos realizados de apertura a cierre.
• Volatilidad: Un proxy normalizado basado en el rango de precio logarítmico intradía (Corsi [2009]), promediado sobre una ventana de tres días.

La evaluación se realiza en tres niveles de agregación:

1. Sector: Todo el sector tecnológico del QQQ (Nasdaq-100).
2. Cartera (Portfolio): Una cartera de los 10 mejores constituyentes.
3. Firma (Firm): Firma individual (específicamente Nvidia).

Las series a nivel de sector y cartera se suavizan utilizando un filtro de Kalman de nivel local para manejar las llegadas irregulares de los informes y reducir el ruido. Los puntajes a nivel de firma se analizan sin filtrar para preservar la variación específica de cada informe.

Contribuciones Clave

1. Extensión Metodológica: La primera aplicación de un enfoque de aprendizaje de léxico supervisado a los informes 10-K y a sus secciones de factores de riesgo Item 1A, yendo más allá del texto de noticias.
2. Expansión de Objetivos: La primera aplicación de este marco para supervisar la extracción de sentimiento contra un objetivo de volatilidad, además de los retornos.
3. Estudio de Ablación: Una comparación sistemática del texto del informe completo frente a la sección Item 1A a través de tres niveles de agregación, aislando el valor predictivo de la divulgación de riesgos dirigida frente al texto integral.
4. Evaluación Multieje: Una evaluación exhaustiva de doce métricas de sentimiento resultantes (2 tipos de documento $\times$ 2 objetivos $\times$ 3 niveles) a través de precisión de clasificación, correlación con resultados de mercado y análisis léxico cualitativo.

Resultados

Precisión y Pérdida

• Niveles de Sector y Cartera: El texto completo del 10-K supera a la sección exclusiva de Item 1A tanto para los objetivos de retorno como de volatilidad, logrando márgenes de precisión de 2 a 5 puntos porcentuales.
• Nivel de Firma Individual: La tendencia se invierte. La sección Item 1A supera al informe completo por 1 punto porcentual en retornos y por 6 puntos porcentuales en volatilidad.
• Interpretación: Esto se atribuye a un efecto de agregación. Al nivel de sector/cartera, el vocabulario más grande y heterogéneo del informe completo proporciona material suficiente para aislar términos con carga de sentimiento a través de muchas firmas. Al nivel de una sola firma ($n=1$), el lenguaje de "boilerplate" y de estados financieros del informe completo diluye la señal, mientras que el vocabulario más estrecho y concentrado de Item 1A se ajusta mejor al limitado signo de entrenamiento disponible.

Análisis de Correlación

• Línea Base del Diccionario: El diccionario base de Loughran-McDonald (LM) está consistentemente y fuertemente correlacionado negativamente con el precio en todos los niveles (por ejemplo, $r = -0.91$ a nivel de sector). Esto subraya la naturaleza conservadora y adversa al riesgo del lenguaje regulatorio y las limitaciones de los diccionarios estáticos para este dominio.
• Puntajes Supervisados:
  • Al nivel de sector, los puntajes supervisados por retorno y volatilidad están correlacionados negativamente ($r = -0.245$).
  • Al nivel de firma, los puntajes supervisados por retorno y volatilidad están correlacionados positivamente ($r = 0.612$ para el 10-K completo), contrastando con la relación a nivel de sector.
  • El sentimiento supervisado por retorno generalmente se correlaciona positivamente con el precio, mientras que el baseline LM se correlaciona negativamente.

Análisis Léxico Cualitativo

Los modelos aprendieron temas distintos:

• 10-K Completo: Capturó temas amplios como "Innovación y Desarrollo" (ej. musk, torque) y "Salud Financiera".
• Item 1A: Mostró un aumento en narrativas de riesgo prospectivas específicas que suelen diluirse en el texto completo, tales como "Riesgo de Cadena de Suministro" (ej. subcontratista, dependencia) a nivel de cartera, y temas de "Biotecnología" o de "Ciberseguridad" explícitos a nivel de sector.

Significado y Reivindicaciones

El artículo establece que el valor de la fuente de texto (informe completo frente a la sección de factores de riesgo) es dependiente de la agregación. Argumenta que, si bien el texto del informe completo proporciona señales de sentimiento superiores para el análisis de mercado agregado debido al poder estadístico, las secciones de riesgo dirigidas son superiores para el análisis de firmas individuales donde los datos de entrenamiento son escasos.

El estudio sostiene que el aprendizaje de léxico supervisado es esencial para el texto de divulgación regulatoria, como lo demuestra la fuerte correlación negativa del diccionario estático LM con el precio, la cual los modelos supervisados logran invertir o adaptar con éxito. Estos hallazgos y decisiones de diseño no se presentan como un producto final, sino como la metodología fundacional para un sistema posterior, de mayor escala y de múltiples fuentes. Los autores mantienen la modestia, señalando limitaciones como la representación de "bolsa de palabras" (ignorando frases de varias palabras) y la falta de ponderación por índice en los agregados, enmarcando este trabajo como un paso necesario hacia un análisis de sentimiento financiero más robusto.