Sintesi Tecnica: Contagio Semantico Zero-Copy

Definizione del Problema

I modelli di previsione finanziaria operano attualmente in silos, trattando ogni ticker come una serie temporale isolata. Mentre i segnali numerici (tick di prezzo, volume) vengono arbitrati in microsecondi, le informazioni qualitative (notizie) richiedono l'estrazione semantica prima di impattare sui prezzi, sviluppandosi su un orizzonte di 20–60 minuti. Gli approcci esistenti non riescono a catturare la propagazione cross-company: una interruzione della catena di approvvigionamento (ad esempio, un problema di fonderia a Taiwan) non viene registrata in un modello di singolo asset finché l'asset stesso non subisce un movimento di prezzo o non viene esplicitamente menzionato nel testo.

Due barriere ingegneristiche impediscono la risoluzione di questo problema a latenze di microsecondi:

1. Latenza: Gli estrattori semantici standard introducono centinaia di millisecondi di latenza, superando l'orizzonte predittivo.
2. Rappresentazione: I grafi statici rappresentano scarsamente l'attenzione, che decade rapidamente tra gli eventi e richiede una dinamica esplicita nel tempo continuo.

Metodologia

Gli autori propongono un'architettura di streaming eterogenea Rust-Python che mappa l'attenzione cross-company come un grafo in tempo continuo guidato direttamente dal testo. Il sistema è scisso in un edge di ingestione a microsecondi e un motore di inferenza a millisecondi.

1. Architettura del Sistema

• Edge di Ingestione (Rust): Un parser zero-copy elabora i record CSV/FIX senza allocazione di memoria heap, restituendo riferimenti a slice di byte dal buffer di input. Esso impone timestamp monotoni ed esegue un gate di clustering semantico per filtrare titoli ridondanti basati sulla similarità del coseno.
  • Performance: Analizza i record in circa 100 ns e scansiona un universo di 47 ticker in circa 1,2 µs.
• Motore di Inferenza (PyTorch): Un Processo di Hawkes Multivariato che aggiorna un grafo di attenzione in tempo continuo in memoria su $N=47$ nodi azionari.
  • LSTM in Tempo Continuo (c-LSTM): Ogni nodo mantiene uno stato nascosto che decade esponenzialmente tra gli eventi e si aggiorna tramite gate LSTM standard all'arrivo di un evento, condizionato dalle proiezioni degli embedding testuali.
  • Proiezione Latente Bilineare: L'eccitazione diretta ($\alpha_{ij}$) è calcolata tramite un meccanismo di attenzione bilineare. Ciò consente un peso di eccitazione asimmetrico ($\alpha_{ij} \neq \alpha_{ji}$), catturando il contagio direzionale (es. da fornitore a cliente) piuttosto che la correlazione simmetrica.
  • Pruning Adattivo dei Bordi: Una regola algoritmica elimina i bordi quando la loro eccitazione istantanea scende sotto una soglia, garantendo una densità del grafo limitata (costo ammortizzato $O(1)$ per nodo) indipendentemente dalla lunghezza dello stream.

2. Costruzione del Grafo

La matrice di adiacenza iniziale è una combinazione convessa apprendibile di tre fonti basate sui dati:

1. Co-Menzione ($A_{cm}$): Frequenza di menzioni congiunte negli articoli.
2. Similarità Semantica ($A_{sem}$): Similarità del coseno degli embedding medi degli articoli.
3. Correlazione dei Rendimenti ($A_{corr}$): Correlazione di Pearson dei log-rendimenti giornalieri.
   Questi pesi sono ottimizzati congiuntamente con i parametri del modello durante l'addestramento di massima verosimiglianza.

3. Obiettivo di Addestramento

I parametri sono ottimizzati massimizzando la log-verosimiglianza della sequenza di eventi osservata. La funzione di perdita premia l'alta intensità agli eventi osservati, penalizzando al contempo l'attivazione di fondo durante i periodi quiescenti per evitare un innalzamento banale dell'intensità.

Contributi Chiave

1. Ingestione Rust Zero-Copy: Un parser che raggiunge circa 100 ns di parsing e 1,2 µs di scansione ticker su hardware comune (Apple M2), con potenziale di ulteriore riduzione su x86-64 tramite RDTSC e networking con bypass del kernel.
2. Processo di Hawkes Asimmetrico: Un modello in tempo continuo che presenta stati c-LSTM per nodo e proiezioni latenti bilineari che consentono un pesatura dei bordi direzionale e consapevole del contesto, una capacità che le costruzioni simmetriche non possiedono.
3. Costo Computazionale Limitato: Una regola di pruning adattivo (Proposizione 1) che garantisce una densità di grafo limitata, assicurando che il sistema rimanga scalabile per lo streaming perpetuo.
4. Protocollo di Rilevamento del Contagio: Un framework di valutazione distinto dalla previsione del prezzo per singolo ticker, focalizzato sull'identificare quali altre società subiranno rendimenti anomali a seguito di un evento di news.

Risultati Sperimentali

Il sistema è stato valutato su un holdout temporale di un mese del corpus FNSPID (638 articoli, 47 ticker, luglio 2022).

• Incremento della Precisione: Al 90° percentile della soglia di rendimento del giorno successivo, il modello completo ha raggiunto una precisione del 15,1%.
  • Rappresenta un incremento di 1,70× rispetto alla selezione casuale uniforme (8,9%).
  • Rappresenta un incremento di 3,36× rispetto a un'euristica dello stesso settore (4,5%).
• Studi di Ablazione:
  • Topologia del Grafo: Rimuovendo il grafo (impostando l'adiacenza a zero), la precisione è crollata a 0,000 in tutte le soglie, confermando che il grafo è l'unico driver del segnale cross-company.
  • Proiezione Bilineare: Su questo specifico corpus, i pesi bilineari non hanno migliorato misurabilmente la precisione rispetto a un'adiacenza statica, sebbene forniscano la necessaria direzionalità strutturale.
  • Pruning: Su questo corpus naturalmente sparso, il pruning non ha avuto effetti empirici sulla precisione, ma rimane critico per le garanzie computazionali nel caso peggiore.
• Latenza: La latenza di elaborazione end-to-end è di ~13 ms per record su una singola CPU. Lo strato di ingestione Rust contribuisce per meno dello 0,02% di questo totale.
• Segnale di Portafoglio: Una strategia long/short pesata per intensità (long sui top-10, short sui bottom-10 per intensità) ha prodotto un rendimento annualizzato positivo con un tasso di vittoria giornaliero del 57,1% durante il periodo di holdout.

Significato e Rivendicazioni

Il paper sostiene di affrontare un compito complementare alla tradizionale previsione per singolo ticker: dato uno shock a una società, prevedere quali altre società si muoveranno e quando.

• Invarianza Architetturale: Il modello matematico è invariante rispetto al target di deployment; solo lo strato di ingestione richiede la ricompilazione per hardware diversi (es. passare da ARM a x86-64 con networking con bypass del kernel).
• Fonte del Segnale: I risultati confermano che la rete di attenzione dinamica è l'unico driver del segnale cross-company in questa architettura; senza la topologia del grafo, la dinamica c-LSTM e i tassi di base non contribuiscono a alcuna discriminazione tra i ticker.
• Scalabilità: Il sistema prevede di gestire oltre 400.000 record al secondo su un singolo core ARM, con potenziale per inferenze sotto i 10 ms su universi più ampi utilizzando il calcolo batch.

Gli autori osservano che, sebbene la precisione assoluta (15,1%) sia modesta a causa della complessità dei rendimenti del giorno successivo, l'incremento sistematico rispetto ai baseline dimostra che l'architettura cattura con successo il contagio strutturale che i modelli isolati perdono. Il lavoro futuro è differito alla valutazione intraday e alla modellazione della propagazione di ordine superiore.