Predicting Stock Price Direction on Earnings Announcement Days using Multi-modal Deep Learning

Riepilogo Tecnico: Previsione della Direzione del Prezzo delle Azioni nei Giorni di Pubblicazione dei Risultati Finanziari mediante Apprendimento Profondo Multi-modale

Formulazione del Problema
Questo studio affronta la sfida di prevedere il movimento direzionale dei prezzi delle azioni specificamente nei giorni di Pubblicazione dei Risultati Finanziari (EA). Gli autori inquadrano questo compito come una Previsione del Movimento dei Prezzi Guidata da Eventi. Data una sequenza temporale multi-modale che rappresenta i 30 giorni precedenti un EA, l'obiettivo è classificare la direzione del prezzo post-pubblicazione in una delle tre classi: SU ($R \geq 3\%$), GIÙ ($R \leq -3\%$) o NEUTRALE (altrimenti). Il problema è caratterizzato da un significativo rumore di mercato, discontinuità dei prezzi ad alto impatto e uno squilibrio di classe severo, in cui la classe NEUTRALE rappresenta circa il 67% delle osservazioni.

Metodologia
La ricerca impiega un approccio di apprendimento profondo multi-modale, integrando tre distinte modalità di dati in uno spazio delle caratteristiche unificato di dimensione $d=21$:

1. Fondamentali Aziendali ($d_f=15$): Metriche trimestrali e annuali (ad esempio, Margine Netto, ROE, Debito/Patrimonio) che fungono da proxy per la salute finanziaria.
2. Dinamiche di Mercato ($d_m=3$): Prezzi di chiusura aggiustati e indicatori di momentum a breve termine (medie mobili semplici a 3 giorni e 6 giorni).
3. Sentiment delle Notizie ($d_n=3$): Punteggi di sentiment derivati da articoli di notizie finanziarie elaborati tramite FinBERT, un modello linguistico affinato per il dominio finanziario. Per i giorni con più articoli, i vettori di sentiment sono mediati.

Elaborazione dei Dati e Modellazione
Il dataset copre le prime 500 aziende statunitensi per capitalizzazione di mercato in una finestra temporale di dieci mesi. La pre-elaborazione include l'imputazione temporale (riempimento in avanti per i giorni non di negoziazione), l'imputazione della media trasversale per i fondamentali sparsi e la standardizzazione z-score. Per affrontare lo squilibrio di classe, gli autori utilizzano una funzione di perdita di entropia incrociata ponderata che penalizza gli errori direzionali (SU vs GIÙ) più severamente rispetto alle classificazioni errate della classe NEUTRALE.

Tre architetture di modello sono state valutate:

• Regressione Logistica (Baseline): Un classificatore multinomiale non temporale addestrato su finestre di 30 giorni appiattite.
• LSTM: Una rete ricorrente impilata a 2 livelli (dimensione nascosta 64) progettata per catturare le dipendenze sequenziali.
• Transformer: Un'architettura di encoder basata sull'attenzione self (2 livelli, 4 teste) che utilizza codificazioni posizionali sinusoidali per catturare pattern temporali globali attraverso la finestra di 30 giorni senza un pregiudizio induttivo sequenziale rigido.

I modelli sono stati addestrati e valutati utilizzando metriche allineate al processo decisionale finanziario: Precisione per i segnali azionabili, Punteggio F1 macro-medio (per bilanciare le prestazioni tra classi sbilanciate) e una metrica di costo personalizzata che assegna penalità più elevate alle classificazioni errate SU↔GIÙ.

Risultati Chiave
I risultati sperimentali rivelano un distinto compromesso tra sensibilità e controllo del rischio:

• Prestazioni LSTM: L'LSTM adotta una strategia conservativa, prevedendo frequentemente la classe NEUTRALE. Ciò comporta il costo finanziario personalizzato più basso e un'alta precisione per i segnali direzionali, ma produce un punteggio Macro-F1 più basso a causa dei eventi volatili mancati.
• Prestazioni Transformer: Il modello Transformer dimostra una sensibilità superiore, identificando più eventi SU e GIÙ rispetto all'LSTM. Di conseguenza, ottiene il punteggio Macro-F1 più alto (0,390) ma sostiene un costo personalizzato più elevato a causa dell'aumento degli errori direzionali.
• Prestazioni Baseline: La baseline di regressione logistica mostra un profilo decisionale instabile con un pregiudizio verso la previsione di movimenti SU, portando al costo finanziario più alto e a frequenti scambi direzionali costosi.
• Impatto del Sentiment: Uno studio di ablazione conferma che la rimozione delle caratteristiche di sentiment delle notizie degrada le prestazioni in tutti i modelli. L'effetto è più pronunciato nell'LSTM, suggerendo che i dati di sentiment svolgono un ruolo stabilizzante cruciale nei modelli sequenziali profondi.

Significato e Affermazioni
Il documento afferma di contribuire all'area relativamente poco studiata della previsione specifica per le EA, dimostrando il valore della combinazione di informazioni "dure" (fondamentali, prezzi) con informazioni "morbide" (sentiment delle notizie) in un quadro multi-modale. Gli autori affermano che, mentre i modelli lineari sono insufficienti per catturare le complesse interazioni temporali e cross-modali nei dati EA, le architetture di apprendimento profondo offrono vantaggi distinti a seconda della strategia di investimento. Nello specifico, lo studio evidenzia che la scelta del modello dipende dall'applicazione target: le strategie avverse al rischio possono favorire la stabilità dell'LSTM, mentre le strategie alla ricerca di volatilità possono beneficiare della maggiore sensibilità del Transformer. Il lavoro sottolinea che l'inclusione del sentiment delle notizie fornisce segnali predittivi complementari che migliorano stabilità e prestazioni oltre quanto offerto dai soli fondamentali e dalle dinamiche dei prezzi.