TRACE: Temporal Rule-Anchored Chain-of-Evidence on Knowledge Graphs for Interpretable Stock Movement Prediction

Il paper presenta TRACE, un metodo interpretabile per la previsione dei movimenti azionari basato su grafi della conoscenza che unisce regole temporali, esplorazione dinamica e guida tramite LLM per generare verdeti auditabili con un'accuratezza superiore rispetto ai baselines esistenti.

L'essenziale

🕵️‍♂️ Il Detective Finanziario: Come TRACE "Legge" la Borsa

Immagina di dover prevedere se il prezzo di un'azione (come quella di Apple o Tesla) salirà o scenderà domani.
Fino a poco tempo fa, gli esperti usavano due metodi principali:

1. Il Matematico: Guardava solo i grafici dei prezzi passati (come guardare lo specchietto retrovisore di un'auto).
2. Il Giornalista: Leggeva le notizie e chiedeva a un'intelligenza artificiale (LLM) cosa ne pensava.

Il problema? Il Matematico ignora le cause reali (perché il prezzo cambia?), e il Giornalista a volte "allucina" (inventa fatti) o non capisce le connessioni complesse tra le aziende.

TRACE è come un investigatore privato super-intelligente che combina la logica di un detective con la capacità di lettura di un giornalista. Ecco come funziona, passo dopo passo.

---

1. La Mappa del Tesoro (Il Grafo della Conoscenza)

Immagina che il mercato finanziario non sia una lista di prezzi, ma una gigantesca mappa del tesoro (un "Knowledge Graph").

• Su questa mappa ci sono le aziende (i tesori), le persone (i capitani), i prodotti (le merci) e le notizie (i messaggi).
• Le linee che collegano questi punti sono le relazioni: "Microsoft ha acquisito Activision", "Tesla vende batterie a...", "Il CEO ha parlato con...".

Mentre altri modelli cercano di indovinare a caso saltando da un punto all'altro su questa mappa, TRACE ha una bussola speciale.

2. Le Regole del Gioco (Le "Regole Temporali")

Prima di iniziare a cercare, TRACE studia la storia per trovare dei pattern ricorrenti, come se stesse imparando le regole di un gioco da tavolo.

• Esempio di regola: "Se un'azienda A acquista un'azienda B nel settore AI, e le notizie su B sono positive, allora è probabile che il prezzo di A salga."
  Queste regole non sono rigide, ma sono come sentieri tracciati sulla mappa. Quando TRACE esplora, non cammina a caso: segue solo i sentieri che hanno funzionato in passato. Questo evita di perdersi in vicoli ciechi.

3. La Caccia alle Prove (Esplorazione Guidata)

Ora, TRACE deve prevedere cosa succederà a un'azione specifica oggi.

1. Inizia la ricerca: Parte dal punto "Azienda X" sulla mappa.
2. Segue le regole: Invece di saltare ovunque, segue solo i percorsi che corrispondono alle regole scoperte prima (es. cerca chi ha investito, chi è partner, chi è stato citato in giudizio).
3. Cerca le "Testimonianze": Ogni percorso deve finire con una prova concreta, come un articolo di giornale o un documento ufficiale pubblicato prima di quel momento.
   • Metafora: È come se TRACE dicesse: "Non mi fido solo di un'opinione. Voglio vedere l'articolo di Bloomberg che dice che Microsoft ha comprato Blizzard, e voglio vedere che il prezzo di Blizzard è salito dopo quella notizia".

4. Il Giudice (La Decisione Finale)

Una volta raccolti tutti i percorsi possibili (le "catene di prove"), TRACE le passa a un Giudice (un'Intelligenza Artificiale avanzata).

• Il Giudice controlla: "Questa catena di eventi ha senso? Le notizie supportano davvero la regola?"
• Se la prova è solida, il Giudice emette un verdetto: SALITA (UP) o DISCESA (DOWN).
• Il tocco magico: TRACE non ti dice solo "compra". Ti mostra il percorso esatto che ha portato a quella decisione. Puoi leggere: "Abbiamo previsto la salita perché Microsoft ha acquisito X, e le notizie confermano che il settore sta crescendo". È trasparente e controllabile.

---

🏆 Perché è così bravo? (I Risultati)

Il paper ha testato questo metodo su 500 delle più grandi aziende americane (S&P 500) e ha ottenuto risultati incredibili:

• Più preciso: Ha indovinato la direzione del mercato nel 55,1% dei casi, battendo i metodi tradizionali.
• Più sensibile: Ha individuato molte più opportunità di guadagno (ricordate il 71,5% di "recall"? Significa che non ha lasciato passare molte occasioni buone).
• Più sicuro: Nei test di "backtesting" (simulazione di investimenti reali), un portafoglio basato su TRACE avrebbe guadagnato il 41,7% in un anno, molto più della media di mercato.

💡 In sintesi

Immagina di dover navigare in un oceano in tempesta (il mercato finanziario).

• Gli altri metodi guardano solo le onde (prezzi passati) o ascoltano il vento (notizie) senza una mappa.
• TRACE ha una mappa dettagliata, conosce le correnti nascoste (le regole economiche) e cerca prove fisiche (le notizie) prima di decidere dove andare.

Non è magia, è logica + dati + intelligenza artificiale che lavorano insieme per rendere le previsioni finanziarie non solo più accurate, ma anche comprensibili per gli umani.

Sommario tecnico

1. Il Problema

La previsione dei movimenti azionari è una sfida centrale nella finanza computazionale. I metodi esistenti presentano due limitazioni fondamentali:

1. Mancanza di modellazione relazionale: I modelli tradizionali trattano le fonti di informazioni eterogenee (prezzi storici, indicatori macroeconomici, sentiment) in modo indipendente, ignorando le complesse dipendenze relazionali tra aziende, eventi e prodotti che si propagano attraverso i mercati.
2. Scarsa interpretabilità e allucinazioni: Gli approcci basati su Large Language Models (LLM), sebbene potenti nel comprendere il linguaggio naturale, tendono a "allucinare" fatti non supportati e mancano di trasparenza, un rischio inaccettabile in contesti finanziari ad alto rischio.

L'obiettivo è creare un sistema che non solo preveda con accuratezza se un'azione salirà o scenderà, ma che fornisca anche spiegazioni interpretabili e verificabili, colmando il divario tra dati testuali non strutturati (notizie) e relazioni strutturate (conoscenza aziendale).

2. Metodologia: Il Framework TRACE

Il paper propone TRACE (Temporal Rule-Anchored Chain-of-Evidence), un framework end-to-end che unifica priors relazionali simbolici, esplorazione dinamica su grafi e decisione guidata da LLM su un Grafo di Conoscenza Temporale (TKG) finanziario.

A. Costruzione del Grafo di Conoscenza Temporale

Il sistema utilizza un grafo dinamico che integra diverse fonti di dati (2022-2023, S&P 500):

• Entità: Aziende, Persone, Prodotti, Eventi, Fonti Testuali (News, Filings), Strumenti Finanziari.
• Relazioni: Tipizzate e temporali (es. INVESTED_IN, PARTNERED, CAUSED_INCREASE, EXTRACTED_FROM).
• Vincolo Temporale ("As-of"): Per evitare il look-ahead bias, quando si costruisce il grafo per il giorno $t$, sono accessibili solo fatti e documenti con timestamp $\le t$.

B. Estrazione Automatica delle Regole (Rule Mining)

Prima dell'esplorazione, il sistema estrae un archivio di regole dai dati storici del grafo.

• Le regole sono pattern relazionali (es. INVESTED_IN(X, Z) ∧ IN_SECTOR(Z, "AI") ⇒ UP) con un grado di confidenza calcolato statisticamente.
• Queste regole non sono vincoli statici rigidi, ma definiscono lo spazio di ricerca ammissibile, guidando l'esplorazione verso percorsi economicamente significativi e riducendo il rumore.

C. Esplorazione Guidata dal Grafo (Graph-Based Exploration)

Per ogni azione da prevedere, il sistema esegue una ricerca a fascio (beam search) sul grafo:

1. Inizializzazione: Parte dal nodo dell'azione e segue solo relazioni temporali valide.
2. Espansione Guidata dalle Regole: Durante l'esplorazione, i percorsi parziali vengono confrontati con le regole estratte. Un percorso è considerato valido solo se è un prefisso di una regola nota.
3. Selezione delle Relazioni (LLM): Un LLM (Qwen QwQ-32B) agisce come "selettore" per filtrare le relazioni candidate, valutando la coerenza semantica con le notizie e la validità temporale, riducendo la deriva semantica.
4. Ancoraggio al Testo: Ogni percorso di ragionamento deve terminare con un nodo TextSource (es. un articolo di Bloomberg), garantendo che l'evidenza sia ancorata a fatti reali.

D. Predizione del Verdetto e Interpretazione

• Aggregazione: I percorsi che completano regole ad alta confidenza generano "ipotesi" (UP o DOWN). Il verdetto finale è determinato aggregando la confidenza delle ipotesi migliori.
• Spiegabilità: Ogni previsione è accompagnata dai percorsi di ragionamento specifici che hanno portato alla decisione, mostrando il collegamento tra l'azione, l'evento intermedio e la fonte di notizie originale.

3. Contributi Chiave

1. Framework Unificato TRACE: Il primo approccio che integra grafi temporali, estrazione di regole simboliche e LLM per la previsione azionaria, superando la semplice fusione di embedding.
2. Ragionamento Guidato da Regole e Ancorato al Testo: Un procedimento che vincola i percorsi di ragionamento ai pattern relazionali appresi e li ancorano a notizie specifiche, garantendo rilevanza economica e validità temporale.
3. Dataset e Sperimentazione su Larga Scala: Costruzione di un grafo finanziario su larga scala (42k nodi, 174k archi) e dimostrazione empirica che il metodo supera i baselines più forti fornendo previsioni interpretabili.

4. Risultati Sperimentali

Il modello è stato testato su un benchmark S&P 500 (giornaliero, orizzonte 1 giorno) con validazione walk-forward.

Performance Predittive (1-Day Horizon):

• Accuratezza: 55.1% (vs 52.9% di XGBoost e 54.4% di FinMem).
• Precisione: 55.7%.
• Recall: 71.5% (miglioramento significativo rispetto ai baselines).
• F1-Score: 60.8%.
• Nota: Il metodo supera i baselines basati su GNN temporali (T-GNN), sentiment analysis e agenti autonomi.

Backtesting (Portafoglio Top-10 Buy & Hold, 2023-2024):

• Rendimento Totale: 41.7% (contro il 16.7% del benchmark equal-weight e il 27.0% di XGBoost).
• Sharpe Ratio: 2.00 (superiore a tutti gli altri metodi).
• Max Drawdown: -11.7% (il più basso tra i metodi performanti).

Analisi di Interpretabilità:

• L'85% delle previsioni è supportato da almeno un percorso completo.
• Il 72% dei percorsi corrisponde a pattern di regole estratte.
• Gli esperti finanziari hanno valutato il 73% dei percorsi come "economicamente significativi".

Analisi di Robustezza (Counterfactual):

• Rimuovendo le fonti testuali o le relazioni critiche dai percorsi, le prestazioni del modello crollano monotonicamente, dimostrando che le previsioni si basano effettivamente sull'evidenza estratta e non su correlazioni spurie.

5. Significato e Impatto

Il lavoro di TRACE rappresenta un passo avanti significativo verso l'IA finanziaria spiegabile (XAI).

• Bilanciamento Performance/Interpretabilità: Dimostra che è possibile ottenere guadagni predittivi senza sacrificare la trasparenza, risolvendo il compromesso storico tra accuratezza e spiegabilità.
• Affidabilità: L'uso di regole simboliche e l'ancoraggio a fonti testuali riduce drasticamente il rischio di allucinazioni tipico degli LLM puri.
• Utilità Pratica: I risultati di backtesting suggeriscono che le intuizioni estratte dal grafo si traducono in vantaggi economici reali, offrendo non solo una previsione, ma una "catena di prove" auditabile per i decisori finanziari.

In sintesi, TRACE trasforma la previsione azionaria da una "scatola nera" statistica in un processo di ragionamento strutturato, dove ogni decisione è giustificata da una catena logica di eventi, relazioni e notizie verificabili.