Can Language Models Identify Shadow Trading Targets? An NLP Evaluation of SEC Enforcement Theory

Immaginate un mondo in cui la borsa è una gigantesca e frenetica biblioteca. All'interno, ogni azienda scrive un diario annuale chiamato "10-K", che dettaglia esattamente cosa vende, con chi compete e quali rischi affronta. Per decenni, i regolatori hanno creduto che, leggendo attentamente questi diari, si potesse individuare quali aziende siano "gemelle" o "cugine" solo dal modo in cui i loro racconti suonano simili. Questa idea è il fondamento di una nuova, controversa regola chiamata "shadow trading" (trading ombra).

La regola è questa: se un insider di un'azienda apprende un segreto sulla propria società (come una fusione a sorpresa), non deve solo evitare di scambiare il proprio titolo. Deve anche sapere, senza che gli venga detto, che anche le sue aziende "cugine" potrebbero esserne influenzate. Se scambia il titolo della sua cugina basandosi su quel segreto, è illegale. Il problema è che il modo attuale in cui il governo cattura questi trader è come installare una telecamera su ogni singola persona nella biblioteca e registrare ogni suo passo, sperando di trovare l'unica persona che ha guardato il libro sbagliato. Questa massiccia sorveglianza è costosa e solleva grandi interrogativi sulla privacy. La grande domanda che questo articolo pone è semplice: può un computer super intelligente (un'IA) leggere quei diari aziendali e capire quali aziende sono "cugine" prima che avvenga lo scambio? Se la risposta è "sì", potremmo non aver bisogno di spiare tutti. Se la risposta è "no", allora la massiccia sorveglianza del governo potrebbe essere l'unico modo per catturare questi trader, anche se sembra una violazione della privacy.

Questo articolo, intitolato "Can Language Models Identify Shadow Trading Targets?", mette alla prova questa idea utilizzando un'IA all'avanguardia. I ricercatori hanno costruito un detective robotico in due fasi. Per prima cosa, l'IA legge i "diari" (nello specifico la sezione "Management's Discussion and Analysis") di un'azienda che è stata appena acquisita. Poi cerca di elencare altre dieci aziende che suonano più simili, agendo come un insider che conosce il settore. In secondo luogo, l'IA assegna a queste aziende "cugine" un punteggio di somiglianza, classificandole da "famiglia molto stretta" a "conoscenti distanti".

I ricercatori hanno poi giocato a un gioco di "individuare il modello". Hanno esaminato 3otti acquisti di aziende reali avvenuti nell'ultimo decennio. Per ogni evento, hanno controllato: le aziende che l'IA considerava i "cugini" più stretti hanno visto effettivamente i loro prezzi azionari salire il giorno in cui la notizia è stata diffusa? Se la teoria dello "shadow trading" è vera, l'IA avrebbe dovuto essere in grado di prevedere esattamente quali titoli si sarebbero mossi.

I risultati sono stati un po' un fallimento per la teoria. Quando i ricercatori hanno esaminato l'intero gruppo di 30 eventi, le classifiche dell'IA avevano quasi nessuna connessione con il modo in cui i titoli si sono mossi effettivamente. Era come cercare di indovinare il vincitore di una corsa di cavalli guardando le scarpe dei cavalli; i "punteggi di somiglianza" dell'IA erano tanto probabili nel sbagliare quanto nel indovinare. Infatti, il legame statistico era così debole (+0,07) che i ricercatori hanno concluso che i dati sono incoerenti con qualsiasi relazione moderata. Hanno scoperto che in 14 casi, le ipotesi dell'IA sembravano corrispondere al mercato, ma in 12 casi contraddicevano completamente il mercato, e in 4 casi era solo un caos.

L'articolo non esclude definitivamente l'idea che i diari pubblici delle aziende contengano una mappa di quali titoli si muoveranno insieme; afferma invece che il loro test specifico non ha stabilito che una tale mappa esista e ha limitato la dimensione di qualsiasi possibile relazione, rendendola molto piccola. Gli autori suggeriscono che il "legame economico" su cui il governo si basa non è qualcosa che si può trovare in modo affidabile semplicemente leggendo un testo con gli strumenti che hanno utilizzato. Nel famoso caso che ha dato inizio a tutto questo dibattito (SEC v. Panuwat), l'IA è riuscita a trovare l'azienda specifica coinvolta (Incyte), ma l'ha classificata solo al terzo posto su dieci, mentre il titolo che si è mosso di più era un pari grado classificato al nono posto.

Gli autori sono cauti nel non dire che lo "shadow trading" non avvenga o che l'IA sia inutile. Affermano semplicemente che, con gli strumenti utilizzati, l'idea che un insider possa guardare un rapporto pubblico e sapere esattamente quali altri titoli siano fuori limite non è supportata dalle prove. La relazione tra "cugini" sembra troppo disordinata e imprevedibile per essere trovata leggendo solo il testo. Questa scoperta mette pressione sulla teoria legale: se non si possono identificare i "cugini" in anticipo utilizzando informazioni pubbliche, allora l'enorme sistema di sorveglianza che il governo usa per catturare questi trader potrebbe essere l'unica opzione rimasta, anche se sembra un "mandato generale digitale" che osserva tutti per trovare i pochi che infrangono le regole.