🤖 machine learning

How Much of a 10-K Matters? Aggregation-Dependent Value of Full-Text versus Risk-Factor Sentiment

Cet article démontre que si les dépôts complets de formulaires 10-K produisent des mesures de sentiment supérieures pour les prédictions de rendements et de volatilité au niveau des secteurs et des portefeuilles, les sections plus étroites des facteurs de risque de l'Item 1A sont plus performantes au niveau des entreprises individuelles en raison de l'interaction entre le volume du document et le signal d'entraînement disponible, établissant ainsi qu'une approche d'apprentissage de lexique supervisé est plus efficace que les dictionnaires traditionnels pour l'analyse des divulgations réglementaires.

Auteurs originaux : Sanggyu Sean Choi

Publié 2026-07-17

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Sanggyu Sean Choi

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez le marché boursier comme un océan géant et bruyant où les vagues sont les prix et les courants sont les sentiments des investisseurs. Depuis des décennies, les scientifiques qui tentent de prédire ces vagues se sont principalement concentrés sur le bavardage des actualités — des histoires courtes et percutantes sur ce que font les entreprises en ce moment. Mais il existe une autre source d'information, bien plus profonde, qui a été largement ignorée : les rapports annuels massifs et arides que les entreprises sont légalement tenues de déposer. Considérez ces rapports comme le journal officiel de l'entreprise, un livre épais rempli de chaque détail de leur année passée et, surtout, d'un chapitre spécifique où elles doivent admettre toutes les choses effrayantes qui pourraient mal tourner à l'avenir.

La grande question que cette recherche aborde est la suivante : comment transformer ces documents juridiques ennuyeux en un « thermomètre de l'humeur » pour le marché ? Habituellement, les ordinateurs se contentent de scanner ces textes avec une liste préétablie de mots « bons » ou « mauvais », comme un enseignant corrigeant une copie avec une grille d'évaluation fixe. Mais cette étude suggère qu'une approche plus intelligente consiste à laisser l'ordinateur apprendre sa propre liste de mots en observant comment le marché réagit réellement. L'objectif est de voir si la lecture de l'intégralité du rapport annuel nous en dit plus sur les changements de prix futurs et sur la façon dont ces prix peuvent être instables (la volatilité) que la simple lecture de la section spécifique où les entreprises énumèrent leurs craintes.

L'expérience du grand bulletin de notes

Dans cette étude, les chercheurs ont agi comme des détectives essayant de découvrir quelle partie du rapport annuel d'une entreprise détient le plus de secrets sur son avenir. Ils se sont concentrés sur 1 383 rapports provenant de 94 grandes entreprises technologiques (le genre de sociétés que l'on pourrait trouver dans un fonds d'investissement axé sur la technologie) couvrant la période de 2006 à 2023.

Ils ont mis en place un jeu ingénieux avec deux règles principales :

Le Texte : Ils ont comparé la lecture de l'intégralité du rapport annuel (le « Full 10-K ») à la lecture d'une seule section spécifique appelée « Item 1A », qui est entièrement dédiée à l'énumération des risques et des incertitudes.
La Cible : Ils ont entraîné leurs modèles informatiques pour prédire deux choses différentes : la direction suivante du prix de l'action (les rendements) et l'ampleur des oscillations ou des secousses du prix (la volatilité).

Ils ont testé cela de trois manières différentes : en regardant l'ensemble du secteur technologique comme un grand groupe, en regardant un petit portefeuille des 10 meilleures entreprises, et en regardant une seule entreprise (Nvidia) de manière isolée.

Le rebondissement : La taille compte, mais seulement parfois

Les résultats ont été un peu comme un tour de magie où la réponse change selon la façon dont on regarde les choses.

En regardant la vue d'ensemble (tout le secteur ou un groupe de 10 entreprises) :
La lecture de l'intégralité du rapport annuel a été la gagnante. L'ordinateur a mieux appris grâce au volume massif de texte du document complet. C'était comme essayer de deviner la météo en écoutant une foule entière de personnes ; même si certaines personnes parlent de choses non pertinentes, le nombre impressionnant de voix aide à percevoir la véritable tendance. Le rapport complet a fourni à l'ordinateur plus de « matériel d'entraînement » pour déterminer quels mots comptaient réellement.

En zoomant sur une seule entreprise :
La magie s'est inversée ! Soudain, lire uniquement la section des risques (Item 1A) est devenu le meilleur choix. Pourquoi ? Parce que lorsque vous n'avez que l'historique d'une seule entreprise pour apprendre, le reste du rapport annuel est rempli de contenu « boilerplate » — ce jargon juridique standard et ces chiffres financiers qui ne changent pas beaucoup d'une année sur l'autre. C'est comme essayer de deviner l'humeur d'une seule personne en lisant l'intégralité de son journal intime, y compris les pages sur ce qu'elle a mangé au petit-déjeuner chaque jour pendant dix ans. Ce bruit supplémentaire étouffe les indices importants. Mais la section des risques est courte, percutante et pleine des inquiétudes spécifiques qui font réellement bouger les lignes pour cette entreprise précise.

Ce que les mots disaient réellement

Les chercheurs ne se sont pas contentés de regarder des scores ; ils ont jeté un coup d'œil aux mots que l'ordinateur a jugés importants.

Pour l'ensemble du secteur : Les « bons » mots concernaient l'innovation et la santé (comme « muscle » ou « couple »), tandis que les « mauvais » mots concernaient les difficultés technologiques.
Pour les sections de risques : Celles-ci étaient étonnamment spécifiques. Le modèle axé sur les risques a repéré des thèmes que le rapport complet avait manqués, comme le « Risque de la chaîne d'approvisionnement » (mots comme « sous-traitant » et « dépendance ») et même des mentions spécifiques de « Biotechnologie » ou de « Cybersécurité ». Il semble que la section des risques soit l'endroit où les entreprises chuchotent les dangers spécifiques dont elles ont le plus peur, tandis que le reste du rapport ne fait que crier des généralités.

Le problème du « vieux dictionnaire »

L'étude a également testé une ancienne méthode populaire qui utilise une liste fixe de mots « négatifs » (comme le dictionnaire Loughran-McDonald). Le résultat a été un peu amusant : cette ancienne méthode était systématiquement fausse d'une manière très prévisible. Elle était si négative qu'elle se déplaçait en fait dans la direction opposée du prix de l'action. Les chercheurs expliquent que ce n'est pas parce que le dictionnaire est défectueux, mais parce qu'il a été conçu pour être extrêmement prudent. Comme les rapports 10-K sont légalement tenus d'être prudents, le dictionnaire voit du « risque » partout, même quand le marché se sent bien. Cela prouve qu'un ordinateur qui apprend à partir des données (l'approche supervisée utilisée ici) est bien plus performant qu'un ordinateur qui utilise simplement une liste statique de mots.

L'essentiel à retenir

L'article conclut qu'il n'existe pas de méthode unique pour lire un rapport 10-K. Si vous voulez comprendre l'humeur de toute l'industrie technologique, lisez le livre entier. Mais si vous voulez comprendre les craintes spécifiques d'une entreprise, sautez directement au chapitre des risques. La clé est que la quantité d'informations dont vous avez besoin dépend entièrement du nombre de sociétés que vous observez. Plus vous regroupez de sociétés, plus vous avez besoin de texte pour trouver le signal ; moins vous regardez de sociétés, plus vous devez éliminer le bruit et vous concentrer sur les risques spécifiques.

Cette recherche ne prétend pas avoir résolu les mystères de la bourse, mais elle fournit une boîte à outils plus intelligente pour transformer les documents juridiques en signaux utiles, nous montrant exactement où chercher la vérité selon la taille de la foule que nous essayons de comprendre.

Résumé Technique : Valeur de l'agrégation du texte intégral par rapport au sentiment des facteurs de risque dans les rapports 10-K

Énoncé du Problème

L'extraction du sentiment financier s'est historiquement appuyée sur les textes d'actualité et sur l'extraction supervisée uniquement contre des étiquettes de rendement. Par conséquent, les documents réglementaires — spécifiquement le formulaire 10-K de la SEC (U.S. Securities and Exchange Commission) — et la cible de la volatilité, que le langage de divulgation des risques est sans doute le mieux à même d'informer, restent comparativement inexplorés. Bien que des travaux antérieurs aient appliqué des scores basés sur des dictionnaires ou l'apprentissage profond aux documents réglementaires, il existe une lacune dans l'application de l'apprentissage de lexiques supervisés au texte réglementaire et, de manière cruciale, dans l'utilisation de la volatilité comme cible de supervision. De plus, il reste incertain si les sections ciblées de divulgation des risques (Item 1A) ou le texte complet du document produisent des signaux de sentiment plus prédictifs, et comment cette relation change selon différents niveaux d'agrégation (secteur, portefeuille et entreprise individuelle).

Méthodologie

Données et Extraction

L'étude utilise 1 383 rapports de formulaire 10-K provenant de 94 constituants technologiques du Nasdaq-100 (2006–2023), récupérés via le système SEC EDGAR. Le pipeline d'extraction isole deux variantes de documents pour chaque rapport :

Document Intégral (Full Filing) : Le texte HTML complet du 10-K.
Item 1A : La section spécifique des facteurs de risque, extraite via des heuristiques structurelles (suppression des pieds de page, identification des titres et localisation de la section située entre « Item 1A » et le titre majeur suivant).

Bien qu'elle ne constitue que 10 à 15 % de la longueur du document, la section Item 1A conserve environ 57 % du nombre de mots du document intégral après prétraitement, ce qui indique une haute densité de vocabulaire pertinent pour le sentiment.

Architecture du Modèle

Le papier étend le cadre d'apprentissage de lexique supervisé de Ke et al. [2020], conçu à l'origine pour les articles de presse, aux rapports réglementaires. Le modèle repose sur trois hypothèses fondamentales :

Décomposition du Vocabulaire : Le vocabulaire $V$ se divise en mots chargés de sentiment $S$ et en mots neutres $N$ . Le ton d'un document est déterminé uniquement par les comptes des mots appartenant à $S$ .
Distribution de Mélange : Les comptes de mots chargés de sentiment suivent une distribution multinomiale de mélange régie par un score de sentiment non observé $p_i \in [0, 1]$ , où $p_i=1$ représente un sentiment purement positif et $p_i=0$ un sentiment purement négatif.
Suffisance : Le score de sentiment $p_i$ est suffisant pour la relation entre le contenu du document et l'étiquette observée $y_i$ (rendement ou volatilité).

Entraînement et Notation :

Score des Mots : Les mots sont scorés sur la base de la fraction de leurs occurrences dans les documents avec des étiquettes positives (Éq. 2). Les mots sont conservés comme étant chargés de sentiment si leur score s'écarte significativement de 0,5 (régis par les seuils $\alpha_+$ et $\alpha_-$ ) et respectent un compte de fréquence $k$ .
Estimation de Sujet (Topic Estimation) : Puisque les scores de sentiment réels ne sont pas observés, un proxy $\check{p}_i$ est construit à partir des étiquettes. Les vecteurs de distribution de sujets $\hat{O}$ (représentant les sujets de sentiment positif et négatif) sont estimés à l'aide d'une projection linéaire des fréquences relatives des mots de sentiment contre la matrice proxy (Éq. 4).
Prédiction du Sentiment : Pour les nouveaux documents, le score de sentiment $\hat{p}$ est le maximisateur d'une fonction de log-vraisemblance pénalisée (Éq. 5), qui réduit le score vers 0,5 pour les documents contenant peu de mots de sentiment afin d'éviter le surapprentissage (overconfidence).

Étiquetage et Agrégation

Le modèle est entraîné contre deux cibles distinctes :

Rendement (Return) : Le rang percentile des rendements logarithmiques réalisés de l'ouverture à la clôture.
Volatilité : Un proxy normalisé basé sur la plage de prix logarithmique intra-journalière (Corsi [2009]), moyennée sur une fenêtre de trois jours.

L'évaluation est menée à trois niveaux d'agrégation :

Secteur : L'ensemble du secteur technologique du QQQ (Nasdaq-100).
Portefeuille : Un portefeuille composé des 10 meilleurs constituants.
Entreprise : Entreprise individuelle (spécifiquement Nvidia).

Les séries de niveau secteur et portefeuille sont lissées à l'aide d'un filtre de Kalman à niveau local pour gérer les arrivées irrégulières de rapports et réduire le bruit. Les scores de niveau entreprise sont analysés sans filtre pour préserver la variation spécifique aux rapports.

Principales Contributions

Extension Méthodologique : La première application d'une approche d'apprentissage de lexique supervisé aux rapports 10-K et à leurs sections de facteurs de risque (Item 1A), dépassant le cadre des textes de presse.
Expansion de la Cible : La première application de ce cadre pour superviser l'extraction de sentiment contre une cible de volatilité, en plus des rendements.
Étude d'Ablation : Une comparaison systématique du texte intégral du rapport par rapport à la section Item 1A à travers trois niveaux d'agrégation, isolant la valeur prédictive de la divulgation ciblée des risques par rapport au texte complet.
Évaluation Multi-Axes : Une évaluation complète de douze métriques de sentiment résultantes (2 types de documents $\times$ 2 cibles $\times$ 3 niveaux) via la précision de classification, la corrélation avec les résultats du marché et l'analyse lexicale qualitative.

Résultats

Précision et Perte

Niveaux Secteur et Portefeuille : Le texte intégral du 10-K surpasse la section composée uniquement de l'Item 1A pour les cibles de rendement et de volatilité, atteignant des marges de précision de 2 à 5 points de pourcentage.
Niveau Entreprise Individuelle : La tendance s'inverse. La section Item 1A surpasse le document intégral de 1 point de pourcentage sur le rendement et de 6 points de pourcentage sur la volatilité.
Interprétation : Ceci est attribué à un effet d'agrégation. Au niveau du secteur/portefeuille, le vocabulaire plus large et hétérogène du document intégral fournit suffisamment de matière pour isoler les termes chargés de sentiment à travers de nombreuses entreprises. Au niveau de l'entreprise unique ( $n=1$ ), le langage "boilerplate" (standardisé) et les états financiers du document intégral diluent le signal, tandis que le vocabulaire plus étroit et concentré de l'Item 1A correspond mieux au signal d'entraînement limité disponible.

Analyse de Corrélation

Référence du Dictionnaire : Le dictionnaire de base Loughran-McDonald (LM) est systématiquement et fortement corrélé négativement avec les prix à tous les niveaux (ex: $r = -0,91$ au niveau du secteur). Cela souligne la nature conservatrice et averse au risque du langage réglementaire ainsi que les limites des dictionnaires statiques pour ce domaine.
Scores Supervisés :
- Au niveau du secteur, les scores supervisés par le rendement et la volatilité sont négativement corrélés ( $r = -0,245$ ).
- Au niveau de l'entreprise, les scores supervisés par le rendement et la volatilité sont positivement corrélés ( $r = 0,612$ pour le 10-K intégral), contrastant avec la relation au niveau du secteur.
- Le sentiment supervisé par le rendement est généralement corrélé positivement avec le prix, tandis que la base LM est corrélée négativement.

Analyse Lexicale Qualitative

Les modèles ont appris des thèmes distincts :

10-K Intégral : A capturé des thèmes larges comme « Innovation et Développement » (ex: musk, torque) et « Santé Financière ».
Item 1A : A fait émerger des récits de risques prospectifs spécifiques souvent dilués dans le texte intégral, tels que le « Risque de la Chaîne d'Approvisionnement » (ex: sous-traitant, dépendance) au niveau du portefeuille, et des thèmes de « Biotechnologie » ou de « Cybersécurité » explicites au niveau du secteur.

Signification et Revendications

Le papier établit que la valeur de la source textuelle (document intégral vs section des facteurs de risque) est dépendante de l'agrégation. Il soutient que si le texte intégral du 10-K fournit des signaux de sentiment supérieurs pour l'analyse de marché agrégée en raison de la puissance statistique, les sections de risques ciblées sont supérieures pour l'analyse d'une entreprise individuelle où les données d'entraînement sont rares.

L'étude affirme que l'apprentissage de lexique supervisé est essentiel pour le texte de divulgation réglementaire, comme en témoigne la forte corrélation négative du dictionnaire statique LM avec le prix, que les modèles supervisés parviennent à inverser ou à adapter avec succès. Ces conclusions et choix de conception ne sont pas présentés comme un produit final, mais comme la méthodologie fondamentale pour un système ultérieur plus vaste et multi-sources. Les auteurs restent modestes, notant les limites telles que la représentation "bag-of-words" (ignorant les expressions multi-mots) et l'absence de pondération par indice dans les agrégats, présentant ce travail comme une étape nécessaire vers une analyse de sentiment financier plus robuste.