💻 computer science

From Text to Alpha: Can LLMs Track Evolving Signals in Corporate Disclosures?

यह शोधपत्र एक नवीन ढांचे का प्रस्ताव करता है जो कॉर्पोरेट प्रकटीकरणों से संदर्भ-जागरूक अर्थ संबंधी संकेतों (semantic signals) को निकालने के लिए लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है, यह प्रदर्शित करते हुए कि एम्बेडिंग-आधारित समानता के माध्यम से मीट्रिक बदलावों को ट्रैक करना वित्तीय अल्फा की भविष्यवाणी करने में पारंपरिक एनईआर (NER) आधारित विधियों की तुलना में काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Chanyeol Choi, Yoon Kim, Yu Yu, Young Cha, V. Zach Golkhou, Igor Halperin, Georgios Papaioannou, Minkyu Kim, Zhangyang Wang, Jihoon Kwon, Minjae Kim, Alejandro Lopez-Lira, Yongjae Lee

प्रकाशित 2026-03-12

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Chanyeol Choi, Yoon Kim, Yu Yu, Young Cha, V. Zach Golkhou, Igor Halperin, Georgios Papaioannou, Minkyu Kim, Zhangyang Wang, Jihoon Kwon, Minjae Kim, Alejandro Lopez-Lira, Yongjae Lee

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप भविष्यवाणी करने की कोशिश कर रहे हैं कि अगली दौड़ कौन से घोड़े जीतेंगे। आपके पास घोड़ों के पिछले प्रदर्शन की रिपोर्टों से भरी एक नोटबुक है।

पुराना तरीका (द "कीवर्ड हंटर"):
अतीत में, वित्तीय विश्लेषक एक ऐसी विधि का उपयोग करते थे जो कीवर्ड हंटर (शब्द खोजने वाले) की तरह थी। वे इन रिपोर्टों को "राजस्व" (revenue), "लाभ" (profit), या "विकास" (growth) जैसे विशिष्ट शब्दों को खोजने के लिए स्कैन करते थे।

समस्या: यह तरीका थोड़ा अनाड़ी है। यदि कोई कंपनी कहती है, "हमने उत्तरी अमेरिका में अपनी क्लाउड सेवाओं से बहुत पैसा कमाया," तो कीवर्ड हंटर शायद केवल "पैसा" देख पाएगा या अगर शब्दावली थोड़ी भी अलग हुई, तो वह इसे पूरी तरह से मिस कर देगा।
"मूविंग द गोलपोस्ट्स" (लक्ष्य बदलना) का तरीका: कभी-कभी, जब कोई कंपनी एक क्षेत्र (जैसे बिक्री) में खराब प्रदर्शन कर रही होती है, तो उसके प्रबंधक बिक्री के बारे में बात करना बंद कर देते हैं और किसी और चीज़ (जैसे "लागत बचत" या "नई रणनीतियों") के बारे में शेखी बघारना शुरू कर देते हैं। इसे "मूविंग द गोलपोस्ट्स" कहा जाता है।
खामी: पुराना कीवर्ड हंटर इसमें भ्रमित हो जाता है। उसे लगता है कि कंपनी बस बेतरतीब ढंग से विषय बदल रही है, या वह इस सूक्ष्म बदलाव को मिस कर देता है क्योंकि उसका ध्यान केवल सटीक शब्द मिलान पर होता है। वह यह नहीं समझ पाता कि "सेल्स ग्रोथ" (बिक्री वृद्धि) और "रेवेन्यू इंक्रीज" (राजस्व वृद्धि) एक ही अवधारणा है।

नया तरीका (द "स्मार्ट लाइब्रेरियन"):
यह शोध लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग करके एक नया दृष्टिकोण पेश करता है, जो सुपर-स्मार्ट लाइब्रेरियन (पुस्तकालयाध्यक्षों) की तरह हैं जो केवल शब्दों को गिनते नहीं हैं, बल्कि वास्तव में कहानी को पढ़ते और समझते हैं।

यहाँ बताया गया है कि उनका नया सिस्टम दो सरल उपकरणों का उपयोग करके कैसे काम करता है:

1. द एक्सट्रैक्टर (द स्मार्ट लाइब्रेरियन)

केवल शब्द पकड़ने के बजाय, LLM पूरे वाक्य को पढ़ता है और उसका अर्थ निकालता है।

पुराना तरीका: केवल "राजस्व" देखता है।
नया तरीका: "उत्तरी अमेरिकी क्लाउड राजस्व" देखता है और समझता है कि यह एक विशिष्ट, महत्वपूर्ण मीट्रिक है। यह उस संदर्भ (qualifiers) को भी सुरक्षित रखता है जिसे पुराना तरीका फेंक देता था।

2. द रूलर (द सिमेंटिक टेप मेजर)

एक बार जब लाइब्रेरियन इस साल की रिपोर्ट और पिछले साल की रिपोर्ट से मीट्रिक्स निकाल लेता है, तो उन्हें तुलना करने की आवश्यकता होती है।

पुराना तरीका: यह जाँचता है कि क्या शब्द वर्तनी में समान हैं। यदि पिछले साल उन्होंने "सेल्स" कहा था और इस साल उन्होंने "रेवेन्यू" कहा, तो पुराना रूलर कहता है, "ये अलग हैं! हमने एक मीट्रिक खो दिया!"
नया तरीका: LLM एक सिमेंटिक रूलर (अर्थ संबंधी पैमाना) का उपयोग करता है। वह जानता है कि "सेल्स" और "रेवेन्यू" एक ही बात हैं, भले ही शब्द अलग हों। यह माप सकता है कि कंपनी ने वास्तव में अपना ध्यान कितना बदला है, न कि केवल यह कि शब्द कैसे बदले।

बड़ी खोज

शोधकर्ताओं ने इसका परीक्षण 100 बड़ी कंपनियों (जैसे S&P 100 में) पर 14 वर्षों तक किया। उन्होंने उन कंपनियों को देखा जिन्होंने अपने "गोलपोस्ट्स" को लगातार बदला (यानी अपनी कमियों को छिपाने के लिए अपने मेट्रिक्स को बदला) बनाम वे जो सुसंगत रहीं।

परिणाम: पुराने तरीके (कीवर्ड हंटर) से वास्तव में कुछ भी भविष्यवाणी नहीं की जा सकती थी। यह टूटे हुए थर्मामीटर से मौसम का अनुमान लगाने जैसा था।
नया परिणाम: नए LLM तरीके ने एक स्पष्ट पैटर्न पाया। जो कंपनियाँ "गोलपोस्ट्स को बदलती" रहीं (यानी बुरी खबरों को छिपाने या समस्याओं से ध्यान भटकाने के लिए अपने फोकस को बदला), उनका स्टॉक मार्केट में बाद में प्रदर्शन खराब रहा।
फायदा: नए तरीके ने पुराने तरीके की तुलना में स्टॉक रिटर्न की दोगुनी बेहतर भविष्यवाणी की। इसने वह "अल्फा" (अतिरिक्त लाभ) खोज निकाला जिसे पुराना तरीका पूरी तरह से मिस कर गया था।

यह क्यों मायने रखता है?

इसे इस तरह सोचें:

पुराना तरीका एक सुरक्षा गार्ड की तरह है जो केवल लाल टोपी पहनने वाले लोगों को रोकता है। यदि कोई लाल स्कार्फ पहनता है, तो वह निकल जाता है।
नया तरीका एक ऐसे सुरक्षा गार्ड की तरह है जो इरादे को समझता है। वह जानता है कि लाल स्कार्फ लाल टोपी के छलावे के रूप में हो सकता है, और वह असली कहानी को पकड़ लेता है।

संक्षेप में: जो कंपनियाँ अपनी रिपोर्ट में विषय बदलती रहती हैं, वे अक्सर कुछ छिपाने की कोशिश कर रही होती हैं। पुराने कंप्यूटर इस छलावे के पार नहीं देख सके, लेकिन नया AI "स्मार्ट लाइब्रेरियन" देख सकता है। इन सूक्ष्म बदलावों को पहचानकर, निवेशक खराब शेयरों से बच सकते हैं और बेहतर पैसा बना सकते हैं।

यहाँ शोध पत्र "From Text to Alpha: Can LLMs Track Evolving Signals in Corporate Disclosures?" का विस्तृत तकनीकी सारांश दिया गया है:

1. समस्या विवरण (Problem Statement)

क्वांटिटेटिव फाइनेंस में पारंपरिक नेचुरल लैंग्वेज प्रोसेसिंग (NLP) विधियाँ, जो मुख्य रूप से नेमड एंटिटी रिकग्निशन (NER) और कीवर्ड मिलान (keyword matching) पर निर्भर करती हैं, कॉर्पोरेट खुलासाओं (corporate disclosures) के समृद्ध और सूक्ष्म अर्थों को पकड़ने में संघर्ष करती हैं। विशेष रूप से, वे "मूविंग टारगेट्स" (Moving Targets) को ट्रैक करने में विफल रहती हैं—एक ऐसी घटना जहाँ प्रबंधन रणनीतिक रूप से उन प्रदर्शन मेट्रिक्स को बदल देता है जिन पर वे लगातार होने वाली अर्निंग कॉल्स (earnings calls) में जोर देते हैं (जैसे, जब विकास धीमा हो जाता है, तो "राजस्व वृद्धि" (revenue growth) से "लागत बचत" (cost savings) की ओर मुड़ जाना)।

मौजूदा NER-आधारित दृष्टिकोण अक्सर:

संदर्भगत रूप से भिन्न मेट्रिक्स को जेनेरिक लेबल में समेट देते हैं (जैसे, "नॉर्थ अमेरिका क्लाउड रेवेन्यू" और "कुल राजस्व" को समान मान लेना)।
जटिल वाक्यांशों या विभिन्न सिमेंटिक रूपों में व्यक्त मेट्रिक्स को छोड़ देते हैं (जैसे, "बिक्री वृद्धि" बनाम "राजस्व में वृद्धि")।
गैर-मैट्रिक शब्दों को निकाल लेते हैं (जैसे, "the %", "the range") जो शोर (noise) उत्पन्न करते हैं।

मुख्य शोध प्रश्न यह है: क्या लार्ज लैंग्वेज मॉडल्स (LLMs) पारंपरिक NER-आधारित तरीकों की तुलना में कॉर्पोरेट खुलासाओं से ऐसे सिमेंटिक सिग्नल निकाल सकते हैं जो असामान्य रिटर्न (अल्फा) की भविष्यवाणी अधिक प्रभावी ढंग से कर सकें?

2. कार्यप्रणाली (Methodology)

लेखक एक ढांचा प्रस्तावित करते हैं जिसका शीर्षक है "LLM as extractor, embedding as ruler" ताकि समय के साथ प्रदर्शन मेट्रिक्स में होने वाले सिमेंटिक परिवर्तनों को मापने के लिए।

A. ढांचा (The Framework)

LLM एक एक्सट्रैक्टर के रूप में (LLM as Extractor):
- नियम-आधारित निष्कर्षण के बजाय, एक प्री-ट्रेन्ड LLM ( $F_\theta$ ) अर्निंग कॉल ट्रांसक्रिप्ट को प्रोसेस करता है।
- यह प्रदर्शन मेट्रिक्स को निकालते समय संदर्भगत क्वालीफायर्स (contextual qualifiers) को सुरक्षित रखता है (जैसे, केवल "कैश फ्लो" निकालने के बजाय "ऑपरेटिंग कैश फ्लो" निकालना)।
- यह NER की उस सीमा को संबोधित करता है, जो अक्सर विशिष्ट, संदर्भ-निर्भर मेट्रिक्स को मिस कर देती है।
एम्बेडिंग एक रूलर के रूप में (Embedding as Ruler):
- वर्तमान अवधि ( $i$ ) और पिछली अवधि ( $j = i-4$ ) से निकाले गए मेट्रिक्स को एक प्री-ट्रेन्ड टेक्स्ट एनकोडर ( $G_\phi$ ) का उपयोग करके एक साझा वेक्टर स्पेस में एनकोड किया जाता है।
- सिमेंटिक समानता स्कोरिंग (Semantic Similarity Scoring): पिछली अवधि के प्रत्येक मेट्रिक के लिए, सिस्टम वर्तमान अवधि के सभी मेट्रिक्स के विरुद्ध अधिकतम कोसाइन सिमिलरिटी (cosine similarity) की गणना करता है।
- थ्रेशोल्डिंग (Thresholding): शोर को फ़िल्टर करने के लिए रॉ सिमिलरिटी स्कोर पर एक पीसवाइज-लीनियर ट्रांसफॉर्मेशन ( $h(\cdot)$ $h (\cdot)$ ) लागू किया जाता है:
  - $\alpha$ थ्रेशोल्ड से नीचे के स्कोर को 0 माना जाता है (मेट्रिक हट गया)।
  - $\beta$ थ्रेशोल्ड से ऊपर के स्कोर को 1 माना जाता है (मेट्रिक बना रहा)।
  - इनके बीच के स्कोर को लीनियरली स्केल किया जाता है।
- मूविंग टारगेट्स (MT) स्कोर: अंतिम स्कोर इस रूप में निकाला जाता है कि पहले चर्चा किए गए मेट्रिक्स में से कितने अब जोर नहीं दिए जा रहे हैं (अर्थात $1 - \text{औसत समानता}$ )।

B. प्रयोगात्मक सेटअप (Experimental Setup)

डेटासेट: जनवरी 2010 से दिसंबर 2024 तक S&P 100 फर्मों के अर्निंग कॉल ट्रांसक्रिप्ट (5,615 फर्म-क्वार्टर अवलोकन)।
बेसलाइन: कोहेन और नगुयेन (2024) द्वारा प्रस्तावित NER-आधारित मूविंग टारगेट्स विधि के विरुद्ध तुलना।
मॉडेल्स:
- एक्सट्रैक्टर: Gemini-2.5-Pro।
- एनकोडर: text-embedding-3-large।
मूल्यांकन प्रोटोकॉल:
1. पोर्टफोलियो रणनीति: MT स्कोर द्वारा सॉर्ट किए गए लॉन्ग-शॉर्ट पोर्टफोलियो (Long: कम बदलाव; Short: उच्च बदलाव)। प्रदर्शन को Fama-French 3-फैक्टर और 5-फैक्टर अल्फा के माध्यम से मापा गया।
2. क्रॉस-सेक्शनल रिग्रेशन: मानक कारकों (Size, Book-to-Market, Momentum) को नियंत्रित करते हुए अगले महीने के स्टॉक रिटर्न की भविष्यवाणी करने के लिए Fama-MacBeth रिग्रेशन।

3. मुख्य योगदान (Key Contributions)

नया ढांचा: एक सामान्यीकरण योग्य "एक्सट्रैक्टर-रुलर" पाइपलाइन का परिचय जो संदर्भ-जागरूक निष्कर्षण के लिए LLMs और सिमेंटिक तुलना के लिए एम्बेडिंग मॉडल्स को जोड़ता है।
सिमेंटिक सटीकता: यह प्रदर्शित करना कि LLMs अलग-अलग तरीके से व्यक्त किए गए सिमेंटिक रूप से समान मेट्रिक्स की पहचान कर सकते हैं (जैसे, "राजस्व में वृद्धि" बनाम "बिक्री वृद्धि"), जो कि NER की एक क्षमता है।
शोर में कमी (Noise Reduction): गुणात्मक विश्लेषण दिखाता है कि LLMs उस गैर-मैट्रिक शोर को फ़िल्टर करते हैं (जैसे, "the %") जो कीवर्ड-आधारित दृष्टिकोणों में समस्या पैदा करता है।
अल्फा जनरेशन: इस बात का अनुभवजन्य प्रमाण कि मेट्रिक शिफ्टिंग के सिमेंटिक ट्रैकिंग से महत्वपूर्ण जोखिम-समायोजित रिटर्न प्राप्त होता है, जबकि पारंपरिक विधियाँ ऐसा नहीं करती हैं।

4. परिणाम (Results)

मात्रात्मक प्रदर्शन (Quantitative Performance)

पोर्टफोलियो रिटर्न्स:
- NER-आधारित विधि: इसने उच्च और निम्न शिफ्टिंग पोर्टफोलियो के बीच एक नकारात्मक लेकिन सांख्यिकीय रूप से महत्वहीन स्प्रेड उत्पन्न किया ( $Q5-Q1$ अल्फा $\approx -0.14\%$ से $-0.18\%$ , t-stat $< 1.0$ )।
- LLM-आधारित विधि: इसने एक महत्वपूर्ण नकारात्मक स्प्रेड उत्पन्न किया ( $Q5-Q1$ 5-फैक्टर अल्फा $-0.52\%$ , t-stat $-2.55$)। यह बेसलाइन के जोखिम-समायोजित अल्फा से दोगुने से अधिक है।
क्रॉस-सेक्शनल रिग्रेशन:
- NER-आधारित: MT स्कोर पर गुणांक (coefficient) सकारात्मक और महत्वहीन ($0.0107$) था, जो कोई भविष्य कहनेवाला प्रभाव नहीं दर्शाता।
- LLM-आधारित: गुणांक नकारात्मक और महत्वपूर्ण ($-0.0370$) था, जो पुष्टि करता है कि उच्च मेट्रिक शिफ्टिंग भविष्य के कम रिटर्न की भविष्यवाणी करती है।

गुणात्मक अंतर्दृष्टि (Qualitative Insights)

निष्कर्षण की गुणवत्ता (Extraction Quality): टेबल 2 और चित्र 3 दर्शाते हैं कि NER जेनेरिक पैटर्न ("the %", "a % increase") निकालता है, जबकि LLM ठोस व्यावसायिक मेट्रिक्स ("मार्केट शेयर", "फ्री कैश फ्लो", "प्राइसिंग") निकालता है।
संदर्भ संरक्षण (Context Preservation): पेप्सिको (PepsiCo) के एक केस स्टडी में, NER ने "मैनेजमेंट" और "डिविडेंड्स" जैसे प्रमुख मेट्रिक्स को छोड़कर "ऑपरेटिंग कैश फ्लो" जैसे मुख्य मेट्रिक्स को मिस कर दिया। LLM ने कैश फ्लो के पूरे स्पेक्ट्रम को सही ढंग से पहचाना।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र प्रदर्शित करता है कि LLMs कॉर्पोरेट खुलासाओं में विकसित होते संकेतों को ट्रैक करने के लिए एक मजबूत तंत्र प्रदान करते हैं। सतह के स्तर पर कीवर्ड मिलान से आगे बढ़कर गहरे सिमेंटिक समझ तक पहुँचकर, प्रस्तावित विधि उन भविष्य कहनेवाला सूचनाओं को उजागर करती है जिन्हें पारंपरिक NLP पाइपलाइन मिस कर देती है।

निवेश निहितार्थ (Investment Implication): वे कंपनियाँ जो अपने द्वारा जोर दिए जाने वाले मेट्रिक्स को बार-बार बदलती हैं (उच्च "मूविंग टारगेट्स"), उनके प्रदर्शन में गिरावट आने की संभावना होती है, और यह सिग्नल केवल LLM-आधारित सिमेंटिक विश्लेषण के माध्यम से ही पता लगाया जा सकता है।
व्यापक प्रभाव: यह ढांचा अन्य कॉर्पोरेट खुलासाओं (वार्षिक रिपोर्ट, शेयरधारक पत्र) के लिए भी पोर्टेबल है और यह क्वांटिटेटिव फाइनेंस के लिए एक नया प्रतिमान (paradigm) सुझाता है: LLMs का उपयोग केवल सेंटीमेंट एनालिसिस के लिए ही नहीं, बल्कि रणनीतिक नैरेटिव के विकास को ट्रैक करने के लिए करना।

सीमाएँ (Limitations): कंप्यूटेशनल लागत के कारण यह अध्ययन S&P 100 फर्मों तक सीमित है, और विभिन्न LLM/एम्बेडिंग मॉडल के चयन के बीच इसकी मजबूती (robustness) की और अधिक जांच की आवश्यकता है। सिमेंटिक शिफ्टिंग रिटर्न की भविष्यवाणी क्यों करती है, इसके पीछे के आर्थिक तंत्र अभी भी भविष्य के शोध के लिए एक खुला प्रश्न है।