TRACE: Temporal Rule-Anchored Chain-of-Evidence on Knowledge Graphs for Interpretable Stock Movement Prediction

Het paper introduceert TRACE, een interpreteerbaar systeem voor het voorspellen van aandelenbewegingen dat symbolische regels, dynamische graafexploratie en LLM-gestuurde besluitvorming combineert om op nieuws gebaseerde, auditabele redeneringsketens te genereren die de prestaties van bestaande methoden op de S&P 500 verbeteren.

De kern

Stel je voor dat je een detective bent die probeert te voorspellen of de prijs van een aandeel morgen omhoog of omlaag gaat.

Meestal kijken traditionele systemen alleen naar de cijfers van het bedrijf zelf (zoals de winst van afgelopen jaar) of naar de stemming in het nieuws. Het is alsof je probeert het weer te voorspellen door alleen naar je eigen thermometer te kijken, zonder te kijken of er een storm op komst is in de buurt.

De auteurs van dit paper hebben een slimme nieuwe methode bedacht, genaamd TRACE. Ze noemen het een "Tijdsgebonden Regel-Verankerde Bewijsketen". Dat klinkt ingewikkeld, maar laten we het uitleggen met een paar simpele vergelijkingen.

1. Het Grote Netwerk (De Kennisgrafiek)

Stel je een gigantisch, dynamisch spinnenweb voor.

• In het midden zitten de bedrijven (zoals Microsoft of Apple).
• Maar dit web is niet statisch. Het bevat ook nieuwsartikelen, producten, mensen (zoals CEO's), en gebeurtenissen (zoals een overname of een rechtszaak).
• Allemaal verbonden door lijntjes: "Microsoft koopt Activision", "CEO werkt voor Apple", "Nieuwsartikel schrijft over een nieuwe chip".

Het probleem is dat dit web miljoenen lijntjes heeft. Als je er blind doorheen loopt, vind je misschien wel iets, maar het is vaak ruis.

2. De Regels (De Schatkaart)

TRACE gebruikt geen willekeurige zoektocht. In plaats daarvan hebben de onderzoekers eerst gekeken naar de geschiedenis om regels te vinden.

• Voorbeeld van een regel: "Als bedrijf A een ander bedrijf koopt (Overname) én dat bedrijf werkt in de AI-sector, dan gaat het aandeel van A waarschijnlijk omhoog."
• Dit is als een schatkaart voor de detective. In plaats van overal te graven, weet hij precies welke paden de meeste kans van slagen hebben.

3. De Detective (De Zoektocht)

Wanneer TRACE een voorspelling moet doen voor een specifiek aandeel, doet het het volgende:

1. Kijken naar het verleden (maar niet te ver): Het systeem kijkt alleen naar informatie die op dat moment beschikbaar was. Het gebruikt geen "toekomstkennis" (dat zou valsspelen zijn).
2. Volgen van de regels: Het volgt de lijntjes in het spinnenweb, maar alleen die lijntjes die passen bij de schatkaart (de regels).
3. Het bewijs vinden: Het loopt door het web tot het een nieuwsartikel of een officieel document vindt dat de reden voor de voorspelling bevestigt.

4. De "LLM" (De Slimme Assistent)

Hier komt de kunstmatige intelligentie (LLM) om de hoek kijken. Stel dat de detective een pad heeft gevonden: Microsoft -> Koopt -> Activision -> Nieuwsartikel.
De AI-assistent leest het nieuwsartikel en zegt: "Ja, dit artikel bevestigt echt dat de overname positief wordt ontvangen. Dit is een sterk bewijs."
Als het nieuwsartikel juist zegt dat de overname slecht loopt, zegt de AI: "Nee, dit bewijs is zwak, we gaan dit pad niet gebruiken."

Waarom is dit zo speciaal?

1. Geen "Gokken": Veel AI-systemen in de financiële wereld "hallucineren" (verzonnen feiten). TRACE doet dit niet, omdat elke voorspelling geankerd is in een echt nieuwsartikel en een logische regel. Het is alsof je in een rechtbank staat: je moet je bewijs kunnen tonen.
2. Verklaringen: Als TRACE zegt "Koop dit aandeel", kan het direct laten zien waarom: "Omdat Microsoft een partner heeft die een nieuw product lanceert, en er is gisteren een positief artikel over verschenen." Je kunt de hele denkstap volgen.
3. Resultaten: In tests met de 500 grootste Amerikaanse bedrijven (S&P 500) deed TRACE het beter dan de beste bestaande methoden. Het kon meer stijgende aandelen vinden (hoge 'recall') zonder te veel fouten te maken.

Samenvattend in één zin:

TRACE is als een slimme, eerlijke detective die in een gigantisch archief van nieuws en bedrijfsrelaties zoekt, maar die alleen de paden volgt die in het verleden bewezen hebben te werken, en die voor elke voorspelling een stevig bewijsstuk (een nieuwsartikel) kan tonen.

Het is een manier om de chaos van de beurs te ordenen met logica, regels en echte feiten, zodat je niet blindelings op een gok moet vertrouwen.

Technische samenvatting

Probleemstelling

Het voorspellen van aandelenbewegingen is een centraal probleem in de computationele financiën. Bestaande methoden hebben echter twee belangrijke beperkingen:

1. Isolatie van informatiebronnen: Traditionele modellen behandelen heterogene bronnen (zoals historische prijzen, macro-economische indicatoren en nieuws) vaak onafhankelijk van elkaar. Ze modelleren zelden de complexe relationele afhankelijkheden tussen bedrijven, gebeurtenissen en producten.
2. Gebrek aan interpretatie en hallucinaties: Methoden die gebruikmaken van Large Language Models (LLM's) zijn krachtig in taalbegrip, maar neigen tot het hallucineren van feiten en missen vaak transparante, interpreteerbare redeneerpaden. Dit is riskant in hoog-risico financiële domeinen.

Financiële markten zijn inherent relationeel; het gedrag van een aandeel wordt vaak bepaald door een web van interacties (fusies, toeleveringsketens, regelgeving) die zich over sectoren verspreiden. Er is behoefte aan een raamwerk dat ongestructureerde tekst (nieuws) koppelt aan gestructureerde relaties in een eenheidsvormig, interpreteerbaar systeem.

Methodologie: TRACE

TRACE (Temporal Rule-Anchored Chain-of-Evidence) is een end-to-end pijplijn die symbolische relationele priors, dynamische graafexploratie en LLM-gestuurde besluitvorming unificeert binnen een temporale kennisgraf (Knowledge Graph - KG).

1. Constructie van de Financiële Temporale Kennisgraf
De auteurs bouwen een dynamische KG op basis van S&P 500-data (2022-2023) met:

• Entiteiten: Bedrijven, Personen, Producten, Gebeurtenissen, Financiële instrumenten en Tekstbronnen (nieuws, rapporten).
• Relaties: Geclassificeerde relaties zoals INVESTED_IN, PARTNERED, CAUSED_INCREASE, en EXTRACTED_FROM (die entiteiten koppelt aan de nieuwsbron).
• Temporale geldigheid: Alle feiten en randen hebben tijdstempels. Bij het voorspellen op dag $t$ zijn alleen feiten met een tijdstempel $\le t$ toegankelijk om "look-ahead bias" te voorkomen.

2. Geautomatiseerde Regelmining (Rule Mining)
Voordat de voorspelling plaatsvindt, worden recurrente relationele patronen gemined uit de historische KG:

• Er worden paden van 2 tot 4 hops geënumereerd.
• Deze patronen worden omgezet in regels met een "body" (bijv. INVESTED_IN(X,Z) ∧ IN_SECTOR(Z, "AI")) en een "head" (bijv. predict_direction(X, UP)).
• Alleen regels met voldoende steun (support) en een hoge betrouwbaarheid (confidence > 0.60) worden opgeslagen in een regelbank ($R^*$). Deze regels fungeren als priors die de zoekruimte beperken tot economisch zinvolle patronen.

3. Graafgebaseerde Exploratie met LLM-ondersteuning
Voor elke aandeel op dag $t$ wordt een zoektocht uitgevoerd in de KG:

• Beam Search: Het systeem start bij het aandeel en verkent de graf via een beam search (top-$K$ paden).
• Regel-gesteunde expansie: Een pad wordt alleen uitgebreid als de reeks relaties een prefix is van een geldige regel uit $R^*$. Dit voorkomt willekeurige wandelingen.
• LLM-Selectie: Een LLM fungeert als "Relation Selector" om kandidaat-relaties te filteren op basis van semantische relevantie en context, waardoor "hub-bias" (populaire maar onzinnige knooppunten) wordt verminderd.
• Vroegtijdige stop: De zoektocht stopt zodra een pad een TextSource (nieuwsartikel) bereikt dat een complete, hoog-betrouwbare regel bevestigt.

4. Verdictvoorspelling en Interpretatie

• Aggregatie: De gevonden paden worden geaggregeerd tot een binair verdict (UP of DOWN). De voorspelling wordt bepaald door de hoogste geaggregeerde betrouwbaarheidsscore van de ondersteunde regels.
• Interpretatie: Elke voorspelling wordt vergezeld van de top-$M$ redeneerpaden die het verdict ondersteunen. Deze paden verbinden het aandeel expliciet met de onderliggende regel en de tekstuele bewijslast (nieuws), wat volledige auditbaarheid biedt.

Belangrijkste Bijdragen

1. Unificatie van Symboliek en LLM's: TRACE is het eerste raamwerk dat symbolische padmining, dynamische graafexploratie en LLM-gestuurde besluitvorming combineert voor aandelenvoorspelling.
2. Regel-gesteunde en tekst-gegronde redenering: Door geminede relationele motieven te gebruiken om toegestane paden te beperken en deze te verankeren in nieuwsartikelen, wordt zowel economische relevantie als temporale geldigheid gewaarborgd.
3. Schaalbaar Dataset en Experimenten: De auteurs hebben een grote financiële KG opgebouwd (42.000 knooppunten, 174.000 randen) en uitgebreide experimenten uitgevoerd die aantonen dat TRACE beter presteert dan sterke baselines, terwijl het interpreteerbare voorspellingen levert.

Resultaten

De methode is getest op de S&P 500 voor een voorspellingshorizon van 1 dag (2023-2024).

• Prestatie: TRACE bereikte een nauwkeurigheid (Accuracy) van 55,1%, een precisie van 55,7%, een recall van 71,5% en een F1-score van 60,8%.
• Vergelijking: Dit presteert beter dan sterke baselines zoals XGBoost (52,9% accuraatheid), T-GNN (52,8%), en diverse Agent-frameworks. De verbetering in recall en F1 is vooral opvallend ten opzichte van graaf-baselines.
• Backtesting: In een "Top-10 buy-and-hold" strategie (zonder herbalancering) behaalde TRACE een totale rendement van 41,7% met een Sharpe-ratio van 2,00. Dit is aanzienlijk hoger dan de gelijkgewogen benchmark (16,7%) en andere methoden (bijv. XGBoost: 27,0%).
• Ablatie-studies: De resultaten tonen aan dat meervoudige hops (multi-hop reasoning), temporele beperkingen en regelmining de grootste bijdrage leveren aan de prestaties.
• Interpretatie: 85% van de voorspellingen wordt ondersteund door minstens één compleet pad naar een tekstbron, en 72% van deze paden komt overeen met een geminede regel.

Betekenis en Conclusie

TRACE lost het klassieke compromis op tussen voorspellende kracht en transparantie in financiële forecasting. Door de zoekruimte te beperken tot economisch zinvolle patronen (via regels) en deze te verankeren in expliciete tekstuele bewijslast, reduceert het model ruis en hallucinaties.

De methode levert niet alleen een hogere voorspellende nauwkeurigheid op, maar biedt ook auditabele, mens-leesbare verklaringen voor elke voorspelling. Dit maakt het systeem bijzonder geschikt voor toepassingen waar verantwoording en naleving cruciaal zijn. De auteurs concluderen dat hun aanpak een nieuwe standaard zet voor interpreteerbare AI in de financiële sector, met potentie voor uitbreiding naar meerdere voorspellingshorizonten en cross-markt validatie.