Sintesi Tecnica: Valore dell'Aggregazione tra Testo Integrale e Sentiment dei Fattori di Rischio nei Documenti 10-K

Definizione del Problema

L'estrazione del sentiment finanziario si è storicamente basata su testi di notizie e sull'estrazione supervisionata rispetto esclusivamente ai rendimenti (return). Di conseguenza, i documenti normativi — nello specifico il modulo 10-K della U.S. Securities and Exchange Commission (SEC) — e l'obiettivo della volatilità, che è probabilmente il target più adatto per informare il linguaggio di esposizione dei rischi, sono rimasti comparativamente inesplorati. Sebbene lavori precedenti abbiano applicato il punteggio basato su dizionari o il deep learning ai documenti normativi, esiste una lacuna nell'applicazione dell'apprendimento lessicale supervisionato al testo normativo e, crucialmente, nell'uso della volatilità come target di supervisione. Inoltre, resta da chiarire se le sezioni mirate sull'esposizione dei rischi (Item 1A) o il testo completo del documento forniscano segnali di sentiment più predittivi, e come questa relazione cambi attraverso diversi livelli di aggregazione (settore, portafoglio e singola azienda).

Metodologia

Dati ed Estrazione

Lo studio utilizza 1.383 moduli 10-K di 94 costituenti del settore tecnologico del Nasdaq-100 (2006–2023), recuperati dal sistema SEC EDGAR. La pipeline di estrazione isola due varianti di documento per ogni modulo:

1. Documento Integrale (Full Filing): Il testo HTML completo del 10-K.
2. Item 1A: La specifica sezione dei fattori di rischio, estratta tramite euristiche strutturali (rimozione dei piè di pagina, identificazione delle intestazioni e localizzazione della sezione tra "Item 1A" e la successiva intestazione principale).

Nonostante costituisca solo il 10–15% della lunghezza del modulo, la sezione Item 1A conserva circa il 57% del conteggio delle parole del modulo dopo il pre-processing, indicando un'alta densità di vocabolario rilevante per il sentiment.

Architettura del Modello

Il documento estende il framework di apprendimento lessicale supervisionato di Ke et al. [2020], originariamente progettato per gli articoli di notizie, ai documenti normativi. Il modello opera su tre assunti fondamentali:

1. Decomposizione del Vocabolario: Il vocabolario $V$ si divide in parole cariche di sentiment $S$ e parole neutre $N$. Il tono di un modulo è determinato unicamente dai conteggi delle parole in $S$.
2. Distribuzione di Miscela: I conteggi delle parole cariche di sentiment seguono una distribuzione multinomiale di miscela governata da un punteggio di sentiment non osservato $p_i \in [0, 1]$, dove $p_i=1$ rappresenta un sentiment puramente positivo e $p_i=0$ rappresenta un sentiment puramente negativo.
3. Sufficienza: Il punteggio di sentiment $p_i$ è sufficiente per la relazione tra il contenuto del modulo e l'etichetta osservata $y_i$ (rendimento o volatilità).

Addestramento e Scoring:

• Scoring delle Parole: Le parole vengono valutate in base alla frazione delle loro occorrenze nei moduli con etichette positive (Eq. 2). Le parole sono mantenute come cariche di sentiment se il loro punteggio devia significativamente da 0,5 (governato dalle soglie $\alpha_+$ e $\alpha_-$) e soddisfa un conteggio di frequenza $k$.
• Stima dei Topic: Poiché i veri punteggi di sentiment non sono osservabili, viene costruito un proxy $\check{p}_i$ dai label. I vettori di distribuzione dei topic $\hat{O}$ (che rappresentano i topic di sentiment positivo e negativo) sono stimati tramite una proiezione lineare delle frequenze relative delle parole di sentiment rispetto alla matrice proxy (Eq. 4).
• Predizione del Sentiment: Per i nuovi moduli, il punteggio di sentiment $\hat{p}$ è il massimizzatore di una funzione di log-verosimiglianza penalizzata (Eq. 5), che contrae il punteggio verso lo 0,5 per i moduli con poche parole di sentiment per evitare l'overconfidence.

Etichettatura e Aggregazione

Il modello è addestrato contro due target distinti:

• Rendimento (Return): Il ranking percentile dei log-rendimenti realizzati dall'apertura alla chiusura.
• Volatilità: Un proxy normalizzato basato sul range di prezzo intra-day in scala logaritmica (Corsi [2009]), mediato su una finestra di tre giorni.

La valutazione è condotta a tre livelli di aggregazione:

1. Settore: L'intero settore tecnologico QQQ (Nasdaq-100).
2. Portafoglio: Un portafoglio composto dai 10 migliori costituenti.
3. Azienda: Singola azienda (specificamente Nvidia).

Le serie a livello di settore e di portafoglio sono regolarizzate utilizzando un filtro di Kalman a livello locale per gestire l'arrivo irregolare dei moduli e ridurre il rumore. I punteggi a livello aziendale sono analizzati senza filtri per preservare la variazione specifica del modulo.

Contributi Chiave

1. Estensione Metodologica: La prima applicazione di un approccio di apprendimento lessicale supervisionato ai moduli 10-K e alle loro sezioni di fattori di rischio (Item 1A), andando oltre i testi delle notizie.
2. Espansione del Target: La prima applicazione di questo framework per supervisionare l'estrazione del sentiment rispetto a un target di volatilità, oltre ai rendimenti.
3. Studio di Ablazione: Un confronto sistematico tra il testo del modulo integrale e la sezione Item 1A attraverso tre livelli di aggregazione, isolando il valore predittivo della sezione mirata sui rischi rispetto al testo completo.
4. Valutazione Multi-Asse: Una valutazione completa di dodici metriche di sentiment risultanti (2 tipi di documento $\times$ 2 target $\times$ 3 livelli) tramite accuratezza di classificazione, correlazione con gli esiti di mercato e analisi lessicale qualitativa.

Risultati

Accuratezza e Perdita (Loss)

• Livelli di Settore e Portafoglio: Il testo integrale del 10-K supera la sezione solo Item 1A per entrambi i target (rendimento e volatilità), ottenendo margini di accuratezza del 2–5%.
• Livello Aziendale Singolo: La tendenza si inverte. La sezione Item 1A supera il modulo integrale di 1 punto percentuale per il rendimento e di 6 punti percentuali per la volatilità.
• Interpretazione: Ciò è attribuito a un effetto di aggregazione. A livello di settore/portafoglio, il vocabolario più ampio e eterogeneo del modulo integrale fornisce materiale sufficiente per isolare i termini carichi di sentiment tra molte aziende. A livello di singola azienda ($n=1$), il linguaggio "boilerplate" e i bilanci del modulo integrale diluiscono il segnale, mentre il vocabolario più ristretto e concentrato di Item 1A si adatta meglio al limitato segnale di addestramento disponibile.

Analisi di Correlazione

• Baseline del Dizionario: La baseline del dizionario Loughran-McDonald (LM) è costantemente e fortemente correlata negativamente con il prezzo in tutti i livelli (ad esempio, $r = -0,91$ a livello di settore). Ciò sottolinea la natura conservativa e avversa al rischio del linguaggio normativo e i limiti dei dizionari statici per questo dominio.
• Punteggi Supervisionati:
  • Al livello di settore, i punteggi supervisionati rispetto a rendimento e volatilità sono correlati negativamente ($r = -0,245$).
  • Al livello aziendale, i punteggi supervisionati rispetto a rendimento e volatilità sono correlati positivamente ($r = 0,612$ per il 10-K integrale), contrastando con la relazione a livello di settore.
  • Il sentiment supervisionato rispetto al rendimento correla generalmente positivamente con il prezzo, mentre la baseline LM correla negativamente.

Analisi Lessicale Qualitativa

I modelli hanno appreso temi distinti:

• Full 10-K: Ha catturato temi ampi come "Innovazione e Sviluppo" (es. musk, torque) e "Salute Finanziaria".
• Item 1A: Ha fatto emergere narrazioni specifiche di rischio orientate al futuro spesso diluite nel testo completo, come il "Rischio della Catena di Approvvigionamento" (es. subcontractor, dependence) a livello di portafoglio, e temi di "Biotecnologia" o esplicita "Cybersecurity" a livello di settore.

Significato e Assertions

Il documento stabilisce che il valore della fonte testuale (modulo integrale vs. sezione fattori di rischio) è dipendente dall'aggregazione. Si sostiene che, mentre il testo del modulo integrale fornisce segnali di sentiment superiori per l'analisi aggregata del mercato grazie al potere statistico, le sezioni mirate sui rischi sono superiori per l'analisi delle singole aziende dove i dati di addestramento sono scarsi.

Lo studio afferma che l'apprendimento lessicale supervisionato è essenziale per il testo della divulgazione normativa, come dimostrato dalla forte correlazione negativa del dizionario statico LM con il prezzo, che i modelli supervisionati riescono a invertire o adattare. Questi risultati e scelte di design non sono presentati come un prodotto finale, ma come la metodologia fondamentale per un successivo sistema su scala maggiore e multi-fonte. Gli autori rimangono modesti, citando limitazioni come la rappresentazione bag-of-words (ignorando le frasi multi-parola) e la mancanza di ponderazione degli indici negli aggregati, inquadrando il lavoro come un passo necessario verso un'analisi del sentiment finanziario più robusta.