💰 quantitative finance

Predicting Stock Price Direction on Earnings Announcement Days using Multi-modal Deep Learning

Deze studie toont aan dat een op Transformer gebaseerd multimodaal deep learning-model, dat bedrijfsfundamenten, technische indicatoren en uit FinBERT afgeleide nieuwsgevoeligheden integreert, beter presteert dan zowel logistische regressie- als LSTM-basismodellen bij het voorspellen van de koersrichting op dagen van kwartaalcijferpublicaties door superieure gevoeligheid voor volatiele bewegingen te bereiken.

Oorspronkelijke auteurs: Manuel Noseda, Nathan Soldati, Marco Paina

Gepubliceerd 2026-05-26

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Manuel Noseda, Nathan Soldati, Marco Paina

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert te raden of de koers van een aandeel op de dag dat een bedrijf zijn kwartaalcijfers bekendmaakt, Omhoog, Omlaag of Neutraal blijft. Dit is een berucht lastig spel, omdat de markt luidruchtig is en koersen in een oogwenk wild kunnen schommelen.

De onderzoekers van ETH Zurich benaderden dit als een detectiveverhaal. Ze bouwden een "super-detective"-systeem met behulp van Kunstmatige Intelligentie om het mysterie op te lossen. Hier is hoe ze dat deden, uitgelegd in alledaagse termen:

1. De Drie Aanwijzingen (De Data)

Om hun voorspelling te doen, keek de AI niet naar slechts één ding. Het verzamelde drie verschillende soorten aanwijzingen, net als een detective die vingerafdrukken, getuigenverklaringen en motieven combineert:

Het Gezondheidsrapport van het Bedrijf (Fundamenten): Ze keken naar 15 harde cijfers, zoals hoeveel winst het bedrijf maakt of hoeveel schuld het heeft. Dit is de "officiële" data.
De Huidige Sfeer van de Markt (Prijsdynamiek): Ze keken naar de aandelenkoers van de afgelopen 30 dagen en gebruikten eenvoudige wiskunde om te zien of de prijs versnelde of vertraagde.
Het Nieuwsfluisteraar (Sentiment): Ze gebruikten een speciale AI-lezer genaamd FinBERT om duizenden financiële nieuwsartikelen te lezen. Deze AI leest niet alleen woorden; het begrijpt de toon. Is het nieuws blij, verdrietig of onverschillig?

2. De Drie Detectives (De Modellen)

Het team trainde drie verschillende "detectives" om de zaak op te lossen en vergeleek wie het beste was:

De Oude-Schoolse Detective (Logistische Regressie): Dit is een simpele, lineaire denker. Het kijkt naar de aanwijzingen en trekt een rechte lijn naar een conclusie. Het is snel, maar mist vaak de nuance.
De Voorzichtige Waarnemer (LSTM): Dit is een deep learning-model dat het verhaal dag voor dag leest, zoals een boek pagina voor pagina. Het is zeer voorzichtig. Als het niet 100% zeker is, speelt het op safe.
De Grootschalige Visionair (Transformer): Dit is een geavanceerder model dat het hele 30-dagen verhaal in één keer kan bekijken. Het gebruikt "aandacht" om te bepalen welke specifieke dagen in het verleden het belangrijkst waren, in plaats van ze gewoon in volgorde te lezen.

3. Het Lastige Deel: De "Neutraal"-Valstrik

De grootste uitdaging was dat de meeste van de tijd aandelen niets dramatisch doen op de dag van de cijferpublicatie; ze blijven Neutraal.

Stel je een klaslokaal voor waarin 67% van de studenten rustig zit, en slechts een paar springen op en neer.
Als een detective gewoon gokt "Iedereen zit", heeft hij het meestal bij het rechte eind, maar dan mist hij alle spannende sprongen.
De onderzoekers moesten hun AI leren om net zo veel om de zeldzame, wilde sprongen (Omhoog of Omlaag) te geven als om de saaie rustige dagen. Ze gebruikten een speciaal scoresysteem dat de AI zwaar strafte als het de verkeerde richting gokte (bijvoorbeeld "Omhoog" zeggen terwijl het eigenlijk "Omlaag" ging).

4. De Resultaten: Wie Won?

Het paper concludeerde dat er geen enkele "perfecte" detective is; het hangt af van wat je meer waardeert: Veiligheid of Gevoeligheid.

De Voorzichtige Waarnemer (LSTM) was de "Veilige Wager":
- Het was zeer conservatief. Het voorspelde meestal "Neutraal" om dure fouten te vermijden.
- Resultaat: Het maakte de minste kostbare fouten. Als je risicomijdend bent (bang om geld te verliezen), is dit het model dat je wilt. Het is als een bestuurder die pas het stuur draait als hij absoluut zeker is.
De Grootschalige Visionair (Transformer) was de "Gevoelige Jager":
- Het was veel beter in het opsporen van wilde koerssprongen. Het ving meer van de "Omhoog"- en "Omlaag"-bewegingen.
- Resultaat: Het had de hoogste algehele succes-score (Macro F1) voor het vinden van deze bewegingen. Echter, omdat het probeerde alles te vangen, maakte het meer fouten over welke richting het aandeel zou gaan. Het is als een bestuurder die elke kuil opmerkt, maar misschien te vaak uitwijkt.
De Oude-Schoolse Detective (Logistische Regressie) had het moeilijk:
- Het was te simpel om de complexe mix van nieuws, prijzen en geschiedenis het hoofd te bieden. Het maakte frequente, dure richtingsfouten.

5. De "Geheime Saus" (Nieuws-Sentiment)

De onderzoekers testten wat er gebeurde als ze de "Nieuwsfluisteraar" (sentiment) uit de aanwijzingen haalden.

Het Oordeel: Elke detective werd slechter zonder het nieuws.
Waarom? Het nieuws bood extra informatie die de cijfers en koersgrafieken alleen niet konden zien. Het fungeerde als een stabilisator, waardoor de AI betrouwbaardere gokken kon doen.

De Conclusie

Het paper concludeert dat het voorspellen van aandelenbewegingen op de dag van de cijferpublicatie een afweging is.

Als je risico wilt minimaliseren en grote fouten wilt vermijden, is de LSTM (het voorzichtige model) beter.
Als je vluchtige bewegingen wilt vangen en bereid bent meer risico te nemen, is de Transformer (het gevoelige model) beter.

Cruciaal is dat de studie bewijst dat je niet kunt vertrouwen op alleen de cijfers; je moet de "sfeer" van het nieuws opnemen om de beste resultaten te krijgen.

Technische Samenvatting: Voorspellen van de Koersrichting van Aandelen op Dag van Kwartaalcijfers met Multi-modale Deep Learning

Probleemformulering
Deze studie adresseert de uitdaging om de richtingsbeweging van aandelenkoersen specifiek op Dag van Kwartaalcijfers (EA-dagen) te voorspellen. De auteurs formuleren dit als een taak voor gebeurtenisgedreven koersbewegingsvoorspelling. Gegeven een multi-modale temporele sequentie die de 30 dagen voorafgaand aan een EA vertegenwoordigt, is het doel om de koersrichting na de aankondiging te classificeren in een van drie klassen: STIJGEND ( $R \geq 3\%$ ), DALEND ( $R \leq -3\%$ ), of NEUTRAAL (anders). Het probleem wordt gekenmerkt door significante marktruis, prijsdiscontinuïteiten met hoge impact en een ernstige class-ongelijkheid waarbij de NEUTRALE klasse ongeveer 67% van de observaties uitmaakt.

Methodologie
Het onderzoek maakt gebruik van een multi-modale deep learning-aanpak, waarbij drie verschillende datamodaliteiten worden geïntegreerd in een verenigde feature-ruimte met dimensie $d=21$ :

Bedrijfsfundamenten ( $d_f=15$ ): Kwartale en jaarlijkse metrieken (bijv. Netto marge, ROE, Schuld-vermogen-ratio) die dienen als proxies voor financiële gezondheid.
Marktdynamiek ( $d_m=3$ ): Gecorrigeerde slotkoersen en korte-termijn momentum-indicatoren (3-daagse en 6-daagse simpele voortschrijdende gemiddelden).
Nieuwsgevoel (Sentiment) ( $d_n=3$ ): Sentimentscores afgeleid van financiële nieuwsartikelen verwerkt via FinBERT, een taalmodel dat is fijngefineerd voor het financiële domein. Voor dagen met meerdere artikelen worden de sentimentvectoren gemiddeld.

Dataverwerking en Modellering
De dataset omvat de top 500 Amerikaanse bedrijven op basis van marktwaarde over een periode van tien maanden. Preprocessing omvat temporele imputatie (forward-fill voor niet-handelsdagen), cross-sectionele gemiddelde imputatie voor schaarse fundamenten en z-score standaardisatie. Om de class-ongelijkheid aan te pakken, gebruiken de auteurs een gewogen cross-entropy verliesfunctie die richtingsfouten (STIJGEND vs. DALEND) zwaarder bestraft dan misclassificaties van neutrale klassen.

Drie modelarchitecturen worden geëvalueerd:

Logistische Regressie (Basislijn): Een niet-temporele multinomiale classifier getraind op afgevlakte 30-dagen vensters.
LSTM: Een gestapelde recurrente netwerk van 2 lagen (verborgen dimensie 64) ontworpen om sequentiële afhankelijkheden te vangen.
Transformer: Een encoder-architectuur gebaseerd op self-attention (2 lagen, 4 heads) die sinusoidale positionele encoding gebruikt om globale temporele patronen over het 30-dagen venster te vangen zonder strikte sequentiële inductieve bias.

De modellen worden getraind en geëvalueerd met metrics die zijn afgestemd op financiële besluitvorming: Precisie voor actieerbare signalen, Macro-gemiddelde F1-score (om prestaties over de ongelijke klassen in evenwicht te brengen) en een aangepaste kostenmetric die hogere straffen toekent aan STIJGEND↔DALEND misclassificaties.

Belangrijkste Resultaten
De experimentele resultaten onthullen een duidelijk trade-off tussen sensitiviteit en risicobeheersing:

LSTM-prestaties: De LSTM hanteert een conservatieve strategie en voorspelt frequent de NEUTRALE klasse. Dit resulteert in de laagste aangepaste financiële kosten en hoge precisie voor richtingsignalen, maar levert een lagere Macro-F1-score op vanwege gemiste volatiele gebeurtenissen.
Transformer-prestaties: Het Transformer-model toont superieure sensitiviteit en identificeert meer STIJGEND en DALEND gebeurtenissen dan de LSTM. Bijgevolg bereikt het de hoogste Macro-F1-score (0,390), maar loopt het hogere aangepaste kosten op door toegenomen richtingsfouten.
Basislijnprestaties: De logistische regressie-basislijn vertoont een onstabiel beslissingsprofiel met een bias naar het voorspellen van STIJGEND bewegingen, wat leidt tot de hoogste financiële kosten en frequente kostbare richtingswisselingen.
Invloed van Sentiment: Een ablatiestudie bevestigt dat het verwijderen van nieuws-sentimentfeatures de prestaties van alle modellen verslechtert. Het effect is het meest uitgesproken bij de LSTM, wat suggereert dat sentimentdata een cruciale stabiliserende rol speelt in diepe sequentiële modellen.

Betekenis en Beweringen
Het artikel claimt bij te dragen aan het relatief onderzochte gebied van EA-specifieke aandelenvoorspelling door de waarde aan te tonen van het combineren van "harde" informatie (fundamenten, prijzen) met "zachte" informatie (nieuwsgevoel) in een multi-modaal kader. De auteurs stellen dat terwijl lineaire modellen ontoereikend zijn om de complexe temporele en cross-modale interacties in EA-data te vangen, deep learning-architecturen specifieke voordelen bieden afhankelijk van de investeringsstrategie. Specifiek benadrukt de studie dat de keuze van het model afhangt van de doeltoepassing: risicoforende strategieën kunnen de stabiliteit van de LSTM prefereren, terwijl strategieën die gericht zijn op volatiliteit kunnen profiteren van de hogere sensitiviteit van de Transformer. Het werk onderstreept dat het integreren van nieuwsgevoel complementaire voorspellende signalen biedt die stabiliteit en prestaties verbeteren boven wat fundamenten en marktdynamiek alleen kunnen bieden.