Quantifying Event Impacts on Time Series via Multiscale Contrastive Learning

I mercati non sono solo macchine che avanzano in avanti da sole; sono sistemi viventi che reagiscono al mondo circostante. Quando un'azienda è sana e l'economia è stabile, il prezzo delle sue azioni di solito si muove con ritmi prevedibili, salendo e scendendo con le stagioni del business e le abitudini degli investitori. Ma a volte, accade qualcosa di improvviso ed esterno — un rapporto giornalistico su una violazione dei dati, un documento normativo o uno scandalo pubblico — che frantuma quei ritmi. Questi eventi sono discreti, come un sasso gettato in uno stagno calmo, ma le loro conseguenze si propagano attraverso i dati finanziari continui, causando cali bruschi e inaspettati dei prezzi. La sfida per chiunque cerchi di comprendere questi mercati è che, sebbene l'evento in sé sia un singolo momento nel tempo, il danno che provoca si dispiega nell'arco di giorni o settimane, spesso mescolandosi al normale rumore di fondo del mercato. Capire esattamente quanto un evento specifico abbia danneggiato un'azienda, separandolo dalle fluttuazioni generali del mercato azionario, è un puzzle difficile che gli strumenti tradizionali spesso non riescono a risolvere.

Un team di ricercatori ha sviluppato un nuovo modo per misurare questo tipo specifico di danno, concentrandosi sul momento in cui un incidente di cybersicurezza viene reso pubblico. Hanno creato un sistema chiamato EventTime, progettato per esaminare la cronologia del prezzo delle azioni di un'azienda prima dell'annuncio di una violazione e combinarla con i dettagli della violazione stessa per prevedere la perdita finanziaria immediata che ne consegue. A differenza dei modelli più vecchi che cercano di indovinare l'intero percorso futuro del prezzo di un'azione, questo sistema pone una domanda più semplice e precisa: dato ciò che sappiamo del mercato che precede la notizia e la gravità della notizia stessa, quanto valore perderà l'azienda nel breve termine? I ricercatori hanno scoperto che trattando l'evento non solo come una nota a piè di pagina, ma come parte centrale della storia, e utilizzando un metodo di apprendimento che aiuta il computer a riconoscere schemi in situazioni rare, potevano prevedere queste perdite con molta più accuratezza rispetto ai metodi esistenti.

Il problema centrale è che gli strumenti di previsione standard sono eccellenti nel individuare i trend, come la crescita costante di un'azienda o i cicli stagionali delle vendite al dettaglio, ma faticano quando colpisce un evento raro e caotico. La maggior parte di questi strumenti assume che il futuro assomiglierà in qualche modo al passato, ma una grande violazione dei dati non è un evento di routine. È un valore anomalo che rompe le regole. I ricercatori hanno capito che per comprendere l'impatto di un tale evento, dovevano guardare il mercato attraverso molteplici lenti simultaneamente. Avevano bisogno di vedere la salute a lungo termine dell'azienda, i trend a medio termine e i movimenti molto recenti e nervosi subito prima che la notizia scoppiasse. Avevano anche bisogno di comprendere la natura specifica dell'evento: si trattava di una piccola fuga di indirizzi email o di un furto massiccio di numeri di previdenza sociale? L'impatto di questi due scenari è vastamente differente, eppure i modelli tradizionali spesso li trattano come un semplice punto dati.

Per risolvere questo, il team ha costruito un framework che agisce come un filtro multistrato. Per prima cosa, scompone la cronologia delle prestazioni di un'azione in diversi intervalli temporali, osservando contemporaneamente le fluttuazioni giornaliere, i trend settimanali e i pattern mensili. Questo fornisce al sistema un quadro completo dello stato dell'azienda prima dello shock. Poi, prende i dettagli dell'incidente di cybersicurezza — il tipo di dati rubati, il numero di persone colpite e la gravità della violazione — e li fonde con il quadro finanziario. Inveve di aggiungere semplicemente i dettagli dell'evento alla fine dei dati, il sistema utilizza un meccanismo di attenzione speciale per trovare i momenti specifici nel passato recente in cui il mercato era più sensibile al tipo di evento appena accaduto. Chiede: "Dato questo specifico tipo di violazione, quali parti della recente storia di mercato sono più rilevanti?". Ciò consente al modello di isolare il segnale dell'evento dal rumore di fondo dell'attività normale del mercato.

Poiché le grandi violazioni dei dati sono rare, non esiste una grande quantità di dati storici per insegnare a un computer come prevederle. Se un modello viene addestrato su troppi pochi dati, tende a memorizzare il rumore piuttosto che imparare il vero schema. Per superare questo ostacolo, i ricercatori hanno introdotto una tecnica chiamata apprendimento contrastivo (contrastive learning). Immaginate che il sistema venga mostrato due diverse aziende che hanno entrambe subito simili tipi di violazioni dei dati in condizioni di mercato simili. Il sistema viene addestrato a riconoscere che queste due situazioni sono simili e dovrebbero essere raggruppate nella sua comprensione, anche se l'esatto importo in dollari delle loro perdite varia leggermente. Al contrario, impara a separare situazioni che appaiono diverse, come una violazione minore durante un crollo del mercato rispetto a una violazione maggiore durante un periodo stabile. Questo metodo aiuta il modello a costruire una comprensione robusta di ciò che guida la perdita finanziaria in questi eventi rari, rendendolo più affidabile anche quando incontra un nuovo tipo di incidente o informazioni mancanti.

I ricercatori hanno testato il loro sistema su un enorme dataset del mondo reale che hanno creato, il quale collega migliaia di incidenti di cybersicurezza riportati dal Privacy Rights Clearinghouse con i prezzi azionari giornalieri di centinaia di aziende statunitensi. Hanno scoperto che il loro nuovo sistema superava costantemente i migliori modelli esistenti per la previsione dei movimenti azionari. Mentre altri strumenti spesso faticavano a distinguere tra un normale calo di mercato e un crash causato da un evento di notizie specifico, EventTime era in grado di individuare la perdita anomala con maggiore accuratezza. Il sistema si è dimostrato particolarmente efficace nel gestire informazioni incomplete; anche quando alcuni dettagli su una violazione erano mancanti, riusciva comunque a fare una previsione solida basandosi sui pattern appresi da eventi passati simili. Ciò suggerisce che il modello ha appreso la logica sottostante del modo in cui i mercati reagiscono ai fallimenti della sicurezza, piuttosto che limitarsi a memorizzare esempi specifici.

Per garantire che il loro approccio non fosse solo un colpo di fortuna del mondo finanziario, il team ha testato il sistema anche in un campo completamente diverso: l'idrologia. Hanno applicato la stessa logica per prevedere come i livelli dell'acqua nei fiumi avrebbero reagito a eventi di pioggia estrema. Proprio come il prezzo di un'azione reagisce a una notizia, il flusso di un fiume reagisce a un picco improvviso di pioggia. Il sistema ha previsto con successo l'immediato aumento dei livelli dell'acqua basandosi sulla storia del fiume e sui dettagli della pioggia. Questo successo trans-dominio indica che il metodo non è limitato alla finanza; è un modo generale per comprendere come un qualsiasi sistema continuo reagisca a uno shock discreto e improvviso.

Le scoperte suggeriscono che il modo in cui analizziamo gli shock di mercato debba cambiare. Non possiamo fare affidamento su modelli che guardano solo il comportamento passato dei prezzi per prevedere l'impatto futuro di una crisi. Invece, dobbiamo costruire sistemi che possano leggere l'evento stesso e comprendere come quell'evento interagisca con lo stato attuale del mercato. Combinando un'analisi profonda del passato con una lettura attenta delle notizie presenti, e utilizzando tecniche di apprendimento che aiutano il computer a riconoscere schemi rari, possiamo ottenere un quadro più chiaro del vero costo di una crisi. Questo lavoro non offre solo uno strumento migliore per gli investitori; fornisce un nuovo modo per quantificare il danno invisibile che si diffonde nei nostri sistemi digitali ed economici quando la sicurezza fallisce.