Large Language Model-Driven Small-Capitalization Trading: Integrating Financial News Sentiment, Macroeconomic Indicators, and Technical Signals

Resumen Técnico: Trading de Baja Capitalización Impulsado por Modelos de Lenguaje de Gran Escala (LLM)

Planteamiento del Problema
Si bien las noticias financieras impulsan los movimientos del mercado, el análisis de sentimiento tradicional utilizando léxicos fijos a menudo no logra capturar la negación, el contexto y el lenguaje financiero específico del dominio. Aunque los Modelos de Lenguaje de Gran Escala (LLM) abordan estas limitaciones lingüísticas, la literatura existente sufre de dos brechas principales:

1. Cobertura Redundante: La mayoría de los estudios califican los titulares como observaciones independientes, lo que permite que la cobertura sindicada de un solo evento sobrepondera artificialmente una señal basándose en la frecuencia en lugar del valor informativo.
2. Modelado de Riesgo Estático: El sentimiento se trata típicamente solo como un insumo para los retornos esperados, mientras que el riesgo de la cartera (covarianza) permanece como una estimación histórica independiente de la señal. Esto ignora la capacidad del modelo predictivo para proporcionar información respecto a la incertidumbre y la covarianza entre activos.

Además, el trading basado en LLM enfrenta desafíos de validación con respecto al "sesgo de mirada hacia el futuro" (look-ahead bias, donde los datos de entrenamiento del modelo se solapan con el periodo de evaluación) y los "efectos de distracción" (donde el conocimiento general de la empresa distorsiona los juicios de sentimiento).

Metodología
Los autores proponen un flujo de trabajo de extremo a extremo que integra el sentimiento de resúmenes de noticias, indicadores macroeconómicos y señales técnicas en un marco de construcción de carteras consciente de la incertidumbre.

• Datos y Selección de Acciones:

  • El universo consiste en acciones del Russell 2000.
  • El flujo de trabajo descompone el "disparador de macro-beta" en tres regímenes de selección distintos basados en umbrales de puntuación z para los retornos de las acciones ($SS$) y los retornos de los indicadores ($SI$):
    • Alpha Puro ($SS \setminus SI$): Aísla movimientos anormales específicos de la firma que no son explicados contemporáneamente por indicadores macroeconómicos.
    • Beta Puro ($SI \setminus SS$): Captura movimientos macro anticipatorios donde un indicador ha cambiado para una acción apalancada, pero la acción en sí aún no ha reaccionado.
    • Intersección de Beta ($SI \cap SS$): Requiere que ambos canales se activen simultáneamente.
  • Los candidatos se clasifican mediante eventos de COMPRA in-sample y se limitan a 50 nombres.

• Procesamiento de Sentimiento:

  • Clustering (Agrupamiento): Para evitar que la cobertura sindicada domine las señales, los artículos se incrustan y se agrupan mediante un agrupamiento jerárquico de enlace simple (single-linkage agglomerative clustering) con un umbral de distancia de coseno de 0.90 dentro de una ventana rodante de 30 días. Solo se retiene como historia representativa el artículo más cercano al centroide del grupo.
  • Calificación: Los artículos representativos son calificados mediante LLMs (principalmente GPT-4o mini, con verificaciones de robustez usando FinBERT, Mistral 7B y Llama 2). Los modelos utilizan cortes de conocimiento previos al periodo de prueba (por ejemplo, octubre de 2023 para GPT-4o mini) para mitigar el sesgo de mirada hacia el futuro.
  • Normalización: El sentimiento se transforma en una sorpresa normalizada mediante la corrección de prioridad de entidad y una media móvil estrictamente retrospectiva (trailing rolling demeaning).

• Predicción Conjunta de Retorno y Riesgo:

  • Una red multimodal procesa las características de los resúmenes de noticias y los indicadores técnicos derivados de OHLCV diario.
  • En lugar de tratar el riesgo como una cantidad histórica separada, el modelo predice la distribución completa de retorno condicional (media $\hat{\mu}_t$ y covarianza $\hat{\Sigma}_t$).
  • Descomposición de la Incertidumbre: El modelo distingue entre:
    • Incertidumbre Aleatoria: Aleatoriedad del mercado, capturada mediante una cabeza de covarianza de bajo rango más diagonal.
    • Incertidumbre Epistémica: Confianza del modelo, capturada mediante Monte Carlo dropout durante la inferencia. La dispersión a través de las pasadas estocásticas estima la incertidumbre del modelo.
  • Estos se combinan en una matriz de covarianza predictiva total: $\hat{\Sigma}_t = \hat{\Sigma}^A_t + \hat{\Sigma}^E_t$.

• Construcción de Cartera:

  • Los momentos predichos ($\mu_t, \Sigma_t$) se introducen directamente en un Optimizador de Media-Varianza (MVO) restringido con regularización de costos de transacción.
  • El optimizador se penaliza más fuertemente cuando el propio modelo es incierto (alta covarianza epistémica), no solo cuando los activos son históricamente volátiles.
  • Los benchmarks incluyen Peso Igual (Equal Weight), Paridad de Riesgo (Risk Parity), Paridad de Riesgo Jerárquica (Hierarchical Risk Parity) y variantes de Black-Litterman.

Resultados Clave
Evaluado en acciones del Russell 2000 (2025 fuera de muestra) a través de varios periodos de mantenimiento (1 a 60 días) y costos de transacción (hasta 100 bps):

1. Superioridad de Régimen: Separar el disparador de macro-beta en "Alpha Puro" y "Beta Puro" generalmente supera a la "Intersección de Beta" (que requiere ambos disparadores). La estrategia de intersección es a menudo más débil porque excluye los desbordamientos macro tempranos y los eventos idiosincrásicos de las acciones.
2. Dependencia del Horizonte:
   • Corto Plazo (1 día): El Beta Puro puede ser efectivo con costos bajos al capturar desbordamientos de rezago (lead-lag) inmediatos de indicadores macro líquidos hacia las pequeñas capitalizaciones, pero esta ventaja desaparece a los 100 bps debido a la rotación y el ruido de microestructura.
   • Mediano Plazo (5, 10, 60 días): El Alpha Puro domina. Esto sugiere que la información específica de la firma (ganancias, contratos, gobernanza) se difunde lentamente en las pequeñas capitalizaciones, permitiendo un reajuste de precios retrasado.
   • Mediano-Largo Plazo (20, 40 días): El Beta Puro domina nuevamente, sugiriendo un canal de reajuste macro más lento donde los choques agregados se mapean gradualmente en los fundamentos heterogéneos de las empresas.
3. Mejor Desempeño: La configuración conservadora más fuerte identificada fue Beta Puro utilizando el sentimiento de GPT-4o mini, una distribución objetivo de Student-t, un periodo de mantenimiento de 40 días y asignación de Paridad de Riesgo. Esto logró un Ratio de Sharpe de 2.33 a 100 bps de costos de transacción.
4. Robustez: La ventaja de Alpha Puro a 60 días se mantuvo robusta en todo el rango de costos de transacción (0 a 100 bps), lo que sugiere que no es un artefacto de supuestos de costos específicos.

Significancia y Reivindicaciones
El artículo afirma que el régimen de selección de acciones (cómo se define el conjunto negociable) y la elección del asignador importan tanto o más que el propio modelo de sentimiento.

• La Descomposición es Informativa: Separar los disparadores específicos de la firma (Alpha Puro) de los disparadores de exposición macro (Beta Puro) produce señales más accionables que requerir que ambos se activen simultáneamente.
• Integración de la Incertidumbre: Alimentar la matriz de covarianza de los asignadores de cartera con el riesgo predicho por el modelo (descompuesto en componentes aleatorios y epistémicos) es un avance crítico sobre el tratamiento del riesgo como una cantidad histórica fija.
• Sentimiento Contextual: Agrupar historias de noticias relacionadas antes de la calificación evita que la cobertura sindicada repetitiva distorsione las señales, asegurando que el sentimiento refleje la importancia de la historia en lugar de su frecuencia.

Los autores concluyen que el sentimiento de noticias de los LLM es más efectivo cuando se integra en una arquitectura más amplia que controla el conjunto de oportunidades, distingue entre canales macro e idiosincrásicos, y utiliza la incertidumbre predicha en la construcción de la cartera, en lugar de servir meramente como un recubrimiento (overlay) de retornos esperados.