💰 quantitative finance

Zero-Copy Semantic Contagion: An In-Memory Streaming Architecture for Evolving Attention Graphs

Dit artikel presenteert een zero-copy, heterogene Rust-Python streaming architectuur die een dynamisch Neural Hawkes Process op evoluerende attention-grafen benut om een latentie van minder dan 13 ms te bereiken en single-asset en sector-baseline modellen aanzienlijk te overtreffen in het voorspellen van de volgende dagelijkse aandelenrendementen door cross-company semantische besmetting uit nieuws vast te leggen.

Oorspronkelijke auteurs: Kabir Murjani

Gepubliceerd 2026-06-05

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Kabir Murjani

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 de aandelenmarkt niet voor als een verzameling geïsoleerde eilanden, maar als een enorme, bruisende stad waar nieuws zich verspreidt als een virus. Normaal gesproken, wanneer een stuk slecht nieuws een bedrijf raakt (zoals een fabriek die sluit in Taiwan), kijken traditionele computermodellen alleen naar de specifieke koersgeschiedenis van dat ene bedrijf. Ze zijn "blind" voor het feit dat het nieuws zich naar andere verbonden bedrijven kan verspreiden, zoals een leverancier of een klant, totdat de prijzen van die andere bedrijven al begonnen zijn te bewegen. Tegen die tijd is het te laat.

Dit artikel introduceert een nieuw systeem dat ontworpen is om die "besmetting" op te vangen op het moment dat het nieuws naar buiten komt, door te voorspellen welke andere bedrijven als volgende geraakt zullen worden. Dit is hoe het werkt, onderverdeeld in eenvoudige delen:

1. De Super-snelle Scanner (De Rust Edge)

Beschouw de nieuwsfeed als een enorme, razendsnelle lopende band van tekstberichten.

Het Probleem: De meeste computers zijn te traag om deze berichten snel genoeg te lezen. Tegen de tijd dat een standaardcomputer een koptekst heeft gelezen, heeft de markt er al op gereageerd.
De Oplossing: De auteurs hebben een "scanner" gebouwd met behulp van een programmeertaal genaamd Rust. Het is als een gespecialiseerde robot die de tekst leest zonder ooit te stoppen om zijn gedachten te ordenen of dingen op een kladblok op te schrijven (dit wordt "zero-copy" genoemd).
De Snelheid: Het leest een nieuwsrecord in ongeveer 100 nanoseconden (een miljardste van een seconde). Om dit in perspectief te plaatsen: een menselijke knipper van het oog duurt ongeveer 300 miljoen keer langer. Het kan een lijst van 47 verschillende bedrijven scannen in de tijd die nodig is om met de vingers te knippen.

2. De "Besmettings"-tracker (De Neural Hawkes Process)

Zodra de scanner het nieuws leest, geeft het door aan een "brein" gebouwd met Python. Dit brein kijkt niet alleen naar de woorden; het kijkt naar de verbindingen tussen bedrijven.

De Metafoor: Stel je een grafiek voor waarbij elk bedrijf een knoop (een stip) is en de lijnen tussen hen de mate vertegenwoordigen waarin ze op elkaar letten.
Hoe het leert: Het systeem gebruikt een speciaal type wiskunde genaamd een Neural Hawkes Process. Zie dit als een "besmettingsmodel". Als Bedrijf A een schok krijgt (zoals een schandaal), berekent het model hoe groot die schok Bedrijf B, Bedrijf C, enzovoort "opwindt" of "infecteert".
De Twist: In tegen tegenstelling tot oudere modellen die alle verbindingen als gelijk behandelen, leert dit model dat de verbinding éénrichtingsverkeer is. Een nieuwsgebeurtenis over een chipfabrikant kan een telefoonmaker zwaar beïnvloeden, maar het omgekeerde is niet altijd waar. Het systeem legt deze directionaliteit vast.

3. Het "Snoeien"-mechanisme (Het netjes houden)

In een real-time stroom kunnen verbindingen theoretisch eeuwig groeien, waardoor de computer vertraagt.

De Oplossing: Het systeem heeft een automatische "tuinman". Als een verbinding tussen twee bedrijven te zwak wordt (de "besmetting" sterft uit), knipt het systeem de lijn door. Dit zorgt ervoor dat de computer nooit traag wordt, ongeacht hoeveel nieuws er binnenkomt.

4. De Resultaten: De golf opvangen

Het team heeft dit systeem getest op één maand aan echt financieel nieuws met betrekking tot 47 grote bedrijven (zoals Apple, NVIDIA en Microsoft).

De Test: Ze vroegen zich af: "Wanneer een nieuwsgebeurtenis Bedrijf A raakt, kan het systeem voorspellen welk ander bedrijf de volgende dag een grote koersbeweging zal hebben?"
De Uitkomst:
- Willekeurige gok: Als je willekeurig bedrijven zou kiezen, zou je in 8,9% van de gevallen gelijk hebben.
- Gokken binnen dezelfde sector: Als je simpelweg gokt op bedrijven in dezelfde industrie (bijv. een technologiebedrijf raden wanneer een ander technologiebedrijf nieuws heeft), zou je in 4,5% van de gevallen gelijk hebben.
- Dit Systeem: Het was 15,1% van de tijd correct.
- De Conclusie: Dit is 1,7 keer beter dan willekeurig gokken en 3,3 keer beter dan alleen gokken binnen dezelfde sector.

5. Het "Aha!"-moment

De belangrijkste bevinding was een "controlexperiment". De onderzoekers zetten de "verbindingenkaart" (de grafiek) uit en lieten het systeem op individuele bedrijven draaien.

Het Resultaat: De nauwkeurigheid van het systeem daalde naar nul.
De Betekenis: Dit bewijst dat het succes van het systeem niet kwam door het lezen van het nieuws of de wiskunde alleen; het kwam volledig doordat het begreep hoe bedrijven met elkaar verbonden zijn. De "besmetting" is de enige factor die het signaal drijft.

Samenvatting

Het artikel beschrijft een systeem dat fungeert als een hogesnelheidsradar voor financieel nieuws. Het leest tekst direct, brengt in kaart hoe bedrijven met elkaar verbonden zijn en voorspelt hoe een schok bij één bedrijf zal uitwerken op andere bedrijven via het netwerk. Hoewel het momenteel op een standaard computerchip draait, laten de auteurs zien dat het met snellere hardware snel genoeg zou kunnen werken om nuttig te zijn voor high-frequency trading, om marktbewegingen op te merken voordat ze volledig plaatsvinden.

Belangrijke beperking: Het artikel merkt op dat hoewel het systeem extreem snel is in het verwerken van het nieuws (milliseconden), de werkelijke testdata slechts dagelijkse koersupdates bevatten. Dus hoewel het systeem theoretisch in real-time zou kunnen werken, is het bewijs van zijn vermogen om bewegingen binnen dezelfde dag te voorspellen, voor toekomstig werk gereserveerd.

Technische Samenvatting: Zero-Copy Semantische Besmetting

Probleemstelling

Financiële prognosemodellen opereren momenteel in silo's, waarbij elke ticker wordt behandeld als een geïsoleerde tijdreeks. Terwijl numerieke signalen (prijs-ticks, volume) in microseconden worden gearbitreerd, vereist kwalitatieve informatie (nieuws) semantische parsing voordat dit de prijzen beïnvloedt, een proces dat zich ontvouwt over een horizon van 20–60 minuten. Bestaande benaderingen falen in het vastleggen van cross-company propagatie: een verstoring in de toeleveringsketen (bijv. een probleem bij een foundry in Taiwan) registreert niet in een enkel-asset model totdat die asset zich beweegt of de asset expliciet in de tekst wordt genoemd.

Twee engineering-barrières verhinderen het oplossen hiervan bij microseconde-latenties:

Latentie: Kant-en-klare semantische extractoren introduceren honderden milliseconden aan latentie, wat de voorspellende horizon overschrijdt.
Representatie: Statische grafen representeren aandacht slecht, aangezien deze snel vervalt tussen gebeurtenissen en expliciete continu-tijd dynamiek vereist.

Methodologie

De auteurs stellen een heterogene Rust-Python streaming architectuur voor die cross-company aandacht in kaart brengt als een continu-tijd grafiek, direct gedreven vanuit tekst. Het systeem is ontkoppeld in een microseconde-schaal ingestie-edge en een milliseconde-schaal inferentie-engine.

1. Systeemarchitectuur

Ingestie Edge (Rust): Een zero-copy parser verwerkt CSV/FIX-records zonder heap-allocatie, waarbij byte-slice referenties naar de inputbuffer worden geretourneerd. Het handhaaft monotone tijdstempels en voert een semantische clustering-gate uit om redundante koppen te filteren op basis van cosinus-gelijkenis.
- Prestaties: Parseert records in ~100 ns en scant een universum van 47 tickers in ~1,2 µs.
Inferentie Engine (PyTorch): Een Multivariate Neural Hawkes Process die een in-memory continu-tijd aandachtsgrafiek bijwerkt over $N=47$ $N = 47$ equity-nodes.
- Continuous-Time LSTM (c-LSTM): Elke node behoudt een verborgen staat die exponentieel vervalt tussen gebeurtenissen en wordt bijgewerkt via standaard LSTM-gates bij aankomst van een gebeurtenis, geconditioneerd op geprojecteerde tekst-embeddings.
- Bilineaire Latente Projectie: Geleide excitatie ( $\alpha_{ij}$ ) wordt berekend via een bilineair aandachtmechanisme. Dit maakt asymmetrische edge-weging ( $\alpha_{ij} \neq \alpha_{ji}$ ) mogelijk, wat directionele besmetting (bijv. leverancier naar klant) vastlegt in plaats van symmetrische correlatie.
- Adaptieve Edge Pruning: Een algoritmische regel verwijdert edges wanneer hun instantane excitatie onder een drempelwaarde valt, wat een begrensde grafendichtheid garandeert ( $O(1)$ geamortiseerde kosten per node), ongeacht de stream-lengte.

2. Grafische Constructie

De initiële adjacency matrix is een leerbaar convexe combinatie van drie datagedreven bronnen:

Co-Mention ( $A_{cm}$ ): Frequentie van gezamenlijke vermeldingen in artikelen.
Semantische Gelijkenis ( $A_{sem}$ ): Cosinus-gelijkenis van gemiddelde artikel-embeddings.
Return Correlatie ( $A_{corr}$ ): Pearson-correlatie van dagelijkse log-returns.
Deze gewichten worden gezamenlijk met de modelparameters geoptimaliseerd tijdens maximum likelihood training.

3. Trainingsdoelstelling

Parameters worden geoptimaliseerd door de log-likelihood van de geobserveerde gebeurtenissequentie te maximaliseren. De verliesfunctie beloont hoge intensiteit bij geobserveerde gebeurtenissen, terwijl het achtergrondactivatie tijdens rustige perioden bestraft om triviale intensiteitsverhoging te voorkomen.

Belangrijkste Bijdragen

Zero-Copy Rust Ingestie: Een parser die ~100 ns parsing en ~1,2 µs ticker scanning bereikt op commodity hardware (Apple M2), met potentieel voor verdere reductie op x86-64 via RDTSC en kernel-bypass networking.
Asymmetrische Neural Hawkes Process: Een continu-tijd model met per-node c-LSTM staten en bilineaire latente projecties die directionele, context-bewuste edge-weging mogelijk maken, een capaciteit die symmetrische constructies missen.
Begrensde Computationele Kosten: Een adaptieve pruning-regel (Propositie 1) die een begrensde grafendichtheid garandeert, waardoor het systeem schaalbaar blijft voor perpetuele streaming.
Contagion Detectie Protocol: Een evaluatiekader dat afwijkt van per-ticker prijsvoorspelling, gericht op het identificeren van welke andere bedrijven abnormale rendementen zullen ervaren volgend op een nieuwsgebeurtenis.

Experimentele Resultaten

Het systeem werd geëvalueerd op een één maand durende temporele holdout van de FNSPID corpus (638 artikelen, 47 tickers, juli 2022).

Precisie Lift: Bij de 90e percentiel volgende-dag return drempelwaarde bereikte het volledige model een precisie van 15,1%.
- Dit vertegenwoordigt een 1,70× lift over uniforme willekeurige selectie (8,9%).
- Dit vertegenwoordigt een 3,36× lift over eenzelfde-sector heuristiek (4,5%).
Ablatie Studies:
- Grafische Topologie: Het verwijderen van de grafiek (het instellen van de adjacency op nul) deed de precisie instorten naar 0,000 over alle drempelwaarden, wat bevestigt dat de grafiek de enige drijver is van cross-company signalen.
- Bilineaire Projectie: Op dit specifieke corpus verbeterden de bilineaire gewichten de precisie niet meetbaar ten opzien van een statische adjacency, hoewel ze noodzakelijke structurele directionaliteit boden.
- Pruning: Op deze natuurlijk ijle corpus had pruning geen empirisch effect op de precisie, maar blijft het cruciaal voor computationele garanties in het slechtste geval.
Latentie: De end-to-end verwerkingslatentie is ~13 ms per record op een enkele CPU. De Rust-ingestielaag draagt minder dan 0,02% bij aan dit totaal.
Portfolio Signaal: Een intensiteit-gewogen long/short strategie (long top-10, short bottom-10 op basis van intensiteit) leverde een positief geannualiseerd rendement op met een dagelijkse winrate van 57,1% tijdens de holdout-periode.

Betekenis en Claims

Het paper claimt een complementaire taak aan traditionele per-ticker forecasting aan te pakken: gegeven een schok aan één bedrijf, voorspellen welke andere bedrijven zullen bewegen en wanneer.

Architecturale Invariantie: Het wiskundige model is invariant voor de deployment target; alleen de ingestielaag vereist hercompilatie voor verschillende hardware (bijv. verplaatsen van ARM naar x86-64 met kernel-bypass networking).
Signaalbron: De resultaten bevestigen dat het dynamische aandachtnetwerk de exclusieve drijver is van cross-company signalen in deze architectuur; zonder de grafische topologie dragen de c-LSTM dynamiek en baseline rates geen cross-ticker discriminatie bij.
Schaalbaarheid: Het systeem projecteert meer dan 400.000 records per seconde te kunnen verwerken op een enkele ARM-core, met potentieel voor sub-10 ms inferentie op grotere universums middels gebatchte computation.

De auteurs merken op dat de absolute precisie (15,1%) bescheiden is vanwege de complexiteit van volgende-dag rendementen, maar dat de systematische lift over baselines aantoont dat de architectuur succesvol de structurele besmetting vangt die geïsoleerde modellen missen. Toekomstig werk wordt uitgesteld naar intraday evaluatie en hogere-orde propagatie modellering.