Janus-Q: End-to-End Event-Driven Trading via Hierarchical-Gated Reward Modeling

Janus-Q is een end-to-end handelsframework dat financiële nieuwsgebeurtenissen als primaire beslissingsunits gebruikt en middels een hiërarchisch-gesloten beloningsmodel (HGRM) de prestaties van bestaande strategieën aanzienlijk verbetert door de Sharpe-ratio met tot 102,0% te verhogen.

De kern

Stel je voor dat de beurs een enorme, drukke markt is, waar elke dag duizenden nieuwsberichten als krantenkoppen door de lucht vliegen. De meeste computers die handelen op deze markt, kijken alleen naar de cijfers: ze tellen hoe de prijs van een aandeel gisteren, vandaag en morgen is gegaan. Ze proberen patronen te vinden in die lijnen, net als iemand die probeert het weer te voorspellen door alleen naar de thermometer van de afgelopen week te kijken.

Maar het probleem is dat de beurs niet alleen door cijfers wordt bewogen. Het wordt bewogen door gebeurtenissen. Een CEO die ontslagen wordt, een bedrijf dat een nieuwe fabriek bouwt, of een regering die nieuwe regels invoert. Deze gebeurtenissen zijn als plotselinge stormen of zonneschijn die de prijs van een aandeel in een seconde kunnen laten springen of zakken.

De onderzoekers van dit papier, Janus-Q, hebben een slimme oplossing bedacht voor dit probleem. Ze hebben een nieuw systeem gebouwd dat niet alleen naar de cijfers kijkt, maar eerst de verhaal leest en begrijpt.

Hier is hoe het werkt, vertaald in een simpel verhaal:

1. Het Grote Nieuwsarchief (De Data)

Stel je voor dat je een enorme bibliotheek hebt met 62.400 krantenartikelen. De onderzoekers hebben elk artikel niet alleen gelezen, maar ook zorgvuldig ingedeeld. Ze hebben voor elk artikel gekeken:

• Wat voor soort nieuws is het? (Bijvoorbeeld: "Risico-waarschuwing" of "Dividend uitkering").
• Welk bedrijf gaat het raken?
• Hoe hebben de mensen erop gereageerd? (Is de prijs gestegen of gedaald?)
• Hoeveel geld heeft dit opgeleverd?

Ze hebben dit gedaan door samen te werken met echte financiële experts, zodat de computer niet alleen "positief" of "negatief" leest, maar echt begrijpt of het nieuws een grote of kleine impact heeft.

2. De Twee-Stage Training (Het Leren)

Het systeem, Janus-Q, wordt op twee manieren getraind, net als een jonge handelsman die eerst theorie leert en dan praktijkervaring opdoet.

• Fase 1: De Theorie (Supervised Fine-Tuning)
  De computer leert eerst de basisregels. Het krijgt een nieuwsartikel en moet zeggen: "Dit is een risico-waarschuwing, en historisch gezien dalen aandelen bij dit soort nieuws met ongeveer 2%." Het leert de link leggen tussen het verhaal en het cijfer.

• Fase 2: De Praktijk met een Slimme Coach (Reinforcement Learning met HGRM)
  Dit is het echte geheim. Stel je voor dat de computer nu begint te handelen. Maar hoe weet hij of hij goed handelt?
  Normaal gesproken krijgt een computer alleen een punt als hij geld wint. Maar dat kan gevaarlijk zijn; de computer zou dan misschien heel risicovol handelen of op de verkeerde momenten kopen.

  Daarom hebben de onderzoekers een Slimme Coach (de Hierarchical Gated Reward Model) bedacht. Deze coach kijkt niet alleen naar het winstcijfer, maar ook naar de reden waarom de computer handelde:

  • De Deurwachter (Hard Gate): Als de computer denkt dat het nieuws goed is, maar het nieuws was eigenlijk slecht, sluit de coach de deur. Geen punten, geen handel. Dit voorkomt dat de computer op de verkeerde paarden wedt.
  • De Consistentie-Check (Soft Gate): Als de computer zegt "Dit is een fusie-nieuws" maar het was eigenlijk een "boete-nieuws", krijgt hij een straf. Hij moet de gebeurtenis goed begrijpen voordat hij geld mag verdienen.
  • De Winst-Check: Als hij de gebeurtenis goed heeft begrepen én de juiste richting heeft ingeslagen, krijgt hij punten.

  Deze coach zorgt ervoor dat de computer niet alleen "geluk" heeft, maar dat hij slim en verantwoord handelt.

3. Het Resultaat: De Slimme Trader

Toen ze Janus-Q testten tegen andere systemen (zoals traditionele computers die alleen naar cijfers kijken, of andere AI-modellen die niet specifiek voor de beurs zijn getraind), gebeurde er iets opmerkelijks:

• Meer Winst: Janus-Q verdiende veel meer geld (de "Sharpe Ratio" verdubbelde bijna).
• Minder Fouten: Het maakte minder fouten in het voorspellen van de richting (stijgen of dalen).
• Stabiel: Het verloor minder geld tijdens moeilijke tijden dan de concurrenten.

Waarom is dit belangrijk?

Vroeger waren computers als blinden die voelden aan de muur (de cijfers) om te weten waar ze waren. Janus-Q is als iemand die een kaart heeft én de ogen openhoudt. Het begrijpt dat een nieuwsbericht over een brand in een fabriek (een gebeurtenis) directer invloed heeft op de prijs dan de gemiddelde prijsstijging van gisteren.

Kortom: Janus-Q is een AI-trader die eerst het verhaal leest, de gebeurtenis begrijpt, en dan pas een beslissing neemt, geholpen door een strenge coach die zorgt dat hij niet in de valkuilen trapt. Dit maakt het niet alleen winstgevender, maar ook veiliger en begrijpelijker voor mensen.

Technische samenvatting

Probleemstelling

Financiële markten worden vaak gedreven door discrete gebeurtenissen (zoals winstmededelingen, fusies of risico-informatie) die via nieuwsberichten worden gecommuniceerd. Bestaande handelsstrategieën hebben echter twee fundamentele beperkingen:

1. Gebrek aan granulariteit: Er ontbreken grote, gestructureerde datasets die nieuwssemantiek (gebeurtenistype, sentiment) koppelen aan statistisch onderbouwde marktereacties (zoals Cumulative Abnormal Returns - CAR). Bestaande datasets focussen vaak op brede domeinen of gebruiken te grove labels.
2. Misalignement tussen redenering en marktrealiteit: Taalmodellen (LLMs) kunnen nieuws goed interpreteren, maar hun semantische oordelen corresponderen niet noodzakelijk met gerealiseerde marktuitkomsten. Pure supervisie leidt vaak tot oppervlakkige correlaties, terwijl puur winstgerichte optimalisatie (Reinforcement Learning) kan leiden tot spurious strategieën die ruis exploiteren in plaats van economisch betekenisvolle patronen.

Traditionele tijdreeksmodellen behandelen tekst vaak als een secundaire input, terwijl de paper stelt dat gebeurtenissen de primaire beslissingseenheden moeten zijn.

Methodologie: Janus-Q Framework

Janus-Q is een end-to-end framework dat financiële nieuwsgebeurtenissen omzet in handelingsbeslissingen via een tweestapsparadigma:

Fase I: Gebeurtenisgerichte Dataconstructie

De auteurs construeren een groot dataset van 62.400 door experts geannoteerde nieuwsartikelen.

• Annotatie: Elke gebeurtenis wordt gelabeld met 10 fijnmazige gebeurtenistypen (bijv. risico, fusie, dividend), bijbehorende aandelen, semantische polariteit en de Cumulative Abnormal Return (CAR).
• CAR-berekening: De impact wordt gekwantificeerd door een marktmodel (Market Model) en een risicomodel (Risk Model, gebaseerd op CNE5-factoren) te gebruiken om de normale rendementen te neutraliseren. De overblijvende abnormale rendementen worden geaggregeerd over een gebeurtenisvenster om de CAR te bepalen.

Fase II: Beslissingsgerichte Fijnafstelling (Fine-tuning)

Het model ondergaat een multi-stap trainingsproces om redenering te koppelen aan handel:

1. Supervised Fine-Tuning (SFT): Het model leert een gestructureerde mapping van nieuwsbeschrijvingen naar verwachte CAR, richting en handelssterkte.
2. Reinforcement Fine-Tuning (RFT) met HGRM: Om de kloof tussen semantiek en marktresultaat te overbruggen, wordt Group Relative Policy Optimization (GRPO) gebruikt, geleid door een Hierarchical Gated Reward Model (HGRM).

De Hierarchical Gated Reward Model (HGRM):
Deze beloningsfunctie is ontworpen om economisch betekenisvolle trade-offs te modelleren:

• Hard Gate (Richting): Als de voorspelde richting (positief/negatief) onjuist is, wordt de beloning direct geblokkeerd (op 0 gezet) om foutieve handelsbeslissingen te straffen.
• Soft Gate (Gebeurtenistype): Een correct voorspeld gebeurtenistype verhoogt de beloning; een onjuist type leidt tot een korting (discount) op de winstbeloning.
• Handelsbeloning (PnL): Gebaseerd op de gerealiseerde CAR minus transactiekosten, alleen actief bij een sterke handelsaanbeveling.
• Magnitude & Proces: Extra beloningen voor nauwkeurige schatting van de grootte van de CAR en voor het genereren van een logische redeneerketen (Chain-of-Thought).

Belangrijkste Bijdragen

1. Groot Dataset: De creatie van een uniek, groot dataset van 62.400 nieuwsartikelen met fijnmazige gebeurtenistypen, sentimentlabels en CAR-metingen, wat een nieuwe benchmark vormt voor gebeurtenisgerichte marktimpactanalyse.
2. Janus-Q Framework: Het eerste end-to-end framework dat nieuwsgebeurtenissen direct mapt naar handelingsbeslissingen, waarbij semantische interpretatie en marktrespons worden geünificeerd via HGRM-gestuurde optimalisatie.
3. HGRM: Een innovatieve beloningsarchitectuur die semantische consistentie en economische winstgevendheid combineert, waardoor het model leert om winst te maken via onderbouwde redenering in plaats van toeval.

Resultaten

Uitgebreide experimenten tonen aan dat Janus-Q superieur presteert ten opzichte van marktfactoren, tijdreeksmodellen en diverse LLM-baselines (zowel algemene als financiële):

• Winstgevendheid: Janus-Q bereikt een Sharpe Ratio van 1.3088, wat een verbetering is van 102,0% ten opzichte van de sterkste concurrent (QwQ-32B).
• Nauwkeurigheid: De richtingnauwkeurigheid (Direction Accuracy) verbetert met 17,5% en de gebeurtenistype-nauwkeurigheid met 18,2% ten opzichte van de beste concurrenten.
• Risicobeheer: Het model behoudt een vergelijkbare maximale drawdown (MDD) als de baselines, maar levert aanzienlijk hogere returns op.
• Ablatie-studies: Het verwijderen van de SFT-fase of de HGRM-componenten leidt tot een drastische daling in prestaties, wat aantoont dat beide componenten essentieel zijn voor succes.
• Menselijke Alignering: In een case study met menselijke experts (analisten en CFA's) toont Janus-Q een hoge mate van overeenstemming in de interpretatie van gebeurtenissen, vaak zelfs beter dan het gemiddelde van de menselijke beoordelaars.

Betekenis

Deze paper markeert een verschuiving in kwantitatieve handel van puur numerieke tijdreeksvoorspelling naar gebeurtenisgedreven trading. Het demonstreert dat het expliciet modelleren van nieuwsgebeurtenissen als primaire beslissingseenheden, gecombineerd met een gestructureerde beloningsfunctie die semantische redenering koppelt aan economische uitkomsten, leidt tot robuustere, interpreteerbare en winstgevende handelsstrategieën. De voorgestelde dataset en het HGRM-framework bieden een nieuwe standaard voor het ontwikkelen van AI-systemen die de complexe dynamiek van financiële markten beter begrijpen.