💬 NLP

Fast Numbers, Slow Language: Bridging Quantitative and Qualitative Earnings Signals

Dit artikel introduceert de "EarningsInOne"-corpus om de kwantitatieve en kwalitatieve winstanalyse-gemeenschappen te overbruggen, waarbij wordt onthuld dat hoewel numerieke verrassingen directe marktreacties aanjagen, het sentiment uit kwalitatieve conference calls een onderscheidend, verhandelbaar signaal biedt dat piekt op de volgende handelsdag, maar voorheen werd vertroebeld door incompatibele evaluatiemetrieken.

Oorspronkelijke auteurs: Ding Yu, Zhuo Liu, Hao Zhang, Hangfeng He

Gepubliceerd 2026-06-30

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ding Yu, Zhuo Liu, Hao Zhang, Hangfeng He

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

Het Grote Plaatje: Twee Verschillende Snelheden van Nieuws

Stel je voor dat een bedrijf zijn kwartaalverslag publiceert als een goochelaar die een konijn uit een hoed tovert. Dit evenement vindt eigenlijk plaats in twee duidelijke fasen, en het artikel betoogt dat de financiële wereld heeft geprobeerd beide fasen te bekijken met dezelfde bril, wat niet werkt.

De "Snelle Cijfers" (Het Konijn): Eerst publiceert het bedrijf een persbericht met harde wiskunde: "We hebben $1,52 per aandeel verdiend in plaats van de verwachte $1,44." Dit gebeurt onmiddellijk. Computeralgoritmen (robots) lezen deze wiskunde en verhandelen aandelen binnen minuten. Tegen de tijd dat de aandelenmarkt de volgende ochtend opent, heeft de prijs zich al aangepast aan dit getal. De "alpha" (extra winst) van dit cijfer is in een oogwenk verdwenen.
De "Trage Taal" (De Goocheltruc): 30 tot 90 minuten later gaat de CEO een telefonische toelichting geven. Ze zeggen dingen als: "We zijn voorzichtig optimistisch, maar de economie is uitdagend." Dit is kwalitatieve taal. Mensen hebben tijd nodig om te luisteren, de toon te interpreteren en te beslissen of de CEO eerlijk is of iets probeert te verbergen. Dit signaal bereikt zijn piek pas op de volgende handelsdag.

Het Probleem: Twee Gemeenschappen, Twee Verschillende Regelboeken

Decennialang bestudeerden twee groepen experts dit evenement, maar ze praatten nooit met elkaar omdat ze volledig verschillende regelboeken gebruikten:

De Financiële Economen (De Wiskundigen): Zij bestudeerden de "Snelle Cijfers" gedurende 50 jaar. Ze kijken naar hoe aandelenkoersen bewegen over dagen of weken. Ze gebruiken een strategie genaamd "Long Top, Short Bottom" (kopen bij het beste nieuws, verkopen bij het slechtste nieuws) en meten succes aan de hand van hoeveel geld ze verdienen in verhouding tot het risico.
De NLP-onderzoekers (De Taalwetenschappers): De afgelopen 10 jaar bestudeerden zij de "Trage Taal" (de telefoongesprekken). Maar zij behandelden het als een schoolexamen. Ze probeerden de exacte koersbeweging van elk enkel bedrijf te voorspellen en maten succes door te kijken hoe dicht hun schatting bij de werkelijke prijs lag (met een metriek genaamd MSE). Ze hadden geen echte handelsstrategie; ze wilden alleen zien of hun AI het juiste getal kon raden.

Het Resultaat: De Wiskundigen vonden de Taalwetenschappers nutteloos omdat hun "exameresultaten" (MSE) geen duidelijke winst lieten zien. De Taalwetenschappers vonden dat de Wiskundigen de nuance van de toon van de CEO misten. Ze spraken verschillende talen.

De Oplossing: Een Brug Bouwen

De auteurs bouwden een brug genaamd EARNINGSINONE. Het is een enorme nieuwe database die het persbericht, het telefoongesprek en de aandelenkoersen van 1.500 Amerikaanse bedrijven op één lijn brengt.

Ze creëerden een Uniform Regelboek:

Ze pasten de "Long Top, Short Bottom"-handelsstrategie toe op zowel de cijfers als de taal.
Ze gebruikten dezelfde "scorekaart" (metrieken zoals de Sharpe Ratio en de Information Coefficient) om zowel de cijfers als de taal te beoordelen.

De Ontdekking: Snelle Cijfers, Trage Taal

Toen ze de tests uitvoerden met dezelfde regels, kwam er een duidelijk patofpatroon naar voren:

De Cijfers zijn Snel: Als je probeert te handelen op de "Snelle Cijfers" (EPS-verrassing) bij de opening van de markt de volgende ochtend, maak je bijna geen geld. De robots hebben die winst al opgegeten. Echter, als je intraday handelt (binnen 5–60 minuten nadat het nieuws naar buiten kwam), kun je nog steeds winst maken. Het venster is klein, maar het bestaat.
De Taal is Traag: Als je probeert te handelen op de "Trage Taal" (de toon van de CEO) direct na het gesprek, werkt dat niet goed. Maar als je wacht tot de volgende handelsdag, wordt het signaal van de taal zeer krachtig. De markt heeft tijd nodig om de toon van de CEO te verwerken, en tegen de volgende dag beweegt de prijs in de richting die de taal voorspelde.

De Analogie:
Denk aan de aankondiging van de winstcijfers als een sportwedstrijd.

De Cijfers zijn de eindstand. Zodra de scheidsrechter fluit, staat de score op de nieuwsberichten. Iedereen weet het direct. Wedden op de uitslag nadat de wedstrijd is begonnen, is zinloos.
De Taal is het interview na de wedstrijd. De coach kan zeggen: "We hebben goed gespeeld, maar onze sterspeler is geblesseerd." Het publiek heeft tijd nodig om dat te verwerken. Tegen de volgende ochtend heeft de waarde van het team (of hun reputatie) zich al aangepast aan dat nieuws over de blessure.

Waarom Dit Belangrijk Is

Voor de Wiskundigen: Zij misten korte-termijnwinsten omdat ze te lang wachtten om op de cijfers te handelen. Ze moeten naar de data kijken tijdens de dag, en niet alleen de volgende ochtend.
Voor de Taalwetenschappers: Zij gebruikten de verkeerde test. Ze probeerden de exacte prijs voor elke aandelen te voorspellen (zoals het raden van de exacte temperatuur). In plaats daarvan hadden ze de aandelen moeten rangschikken (zoals het raden welk team gaat winnen). Toen ze overstapten op de "rangschikkingsmethode", bleken hun taalmodellen zeer winstgevend te zijn.

De Kernboodschap

Het artikel bewijst dat cijfers en taal twee verschillende verhalen vertellen op twee verschillende snelheden.

Cijfers zijn voor de robots: Snel, onmiddellijk en weg tegen de ochtend.
Taal is voor de mensen (en geduldige algoritmen): Traag, heeft tijd nodig om verteerd te worden, en wordt waardevol op de volgende dag.

Door de manier waarop ze succes meten te verbeteren, lieten de auteurs zien dat het "taalgedeelte" van de winstgesprekken een echt, verhandelbaar bezit is dat voorheen verborgen bleef omdat onderzoekers de verkeerde instrumenten gebruikten om het te vinden.

Technische Samenvatting: Snelle Cijfers, Trage Taal: Het Overbruggen van Kwantitatieve en Kwalitatieve Winstsignalen

Probleemstelling
Financiële economen en onderzoekers op het gebied van Natural Language Processing (NLP) bestuderen winstcijfers al decennia lang met fundamenteel incompatibele kaders, wat een directe vergelijking van hun respectieve signalen verhindert.

Financiële Economie: Richt zich op kwantitatieve verrassing (numerieke afwijkingen van EPS/omzet ten opzichte van analistenverwachtingen). Historisch gezien evalueert deze gemeenschap signalen met een horizon van "volgende marktopen" via long/short handelsstrategieën (bovenste deciel versus onderste deciel) en metrieken zoals de Information Coefficient (IC) en de Sharpe-ratio. Recente literatuur suggereert dat voor niet-microcap aandelen de exploiteerbare alfa uit kwantitatieve verrassing gecomprimeerd is tot het moment van de aankondiging zelf en verdwijnt tegen de volgende opening.
NLP: Richt zich op kwalitatieve signalen uit transcripten van earningsconferentiegesprekken (ECT's), zoals de toon van het management, guidance en de geloofwaardigheid van de Q&A. Deze studies evalueren signalen doorgaans met puntgewijze metrieken zoals Mean Squared Error (MSE) over volatiliteit of sign-agnostische targets, vaak zonder een praktisch handelsframework (bijvoorbeeld door alle aandelen als even verhandelbaar te beschouwen in plaats van ze te rangschikken).

Deze methodologische divergentie laat twee gaten achter: financiële economen missen de kortetermijn-alfa van kwantitatieve signalen door te wachten op de volgende opening, terwijl NLP-onderzoekers er niet in slagen de werkelijke economische waarde van kwalitatieve signalen aan te tonen omdat hun evaluatiemetrieken (MSE) niet overeenkomen met directionele handelsprestaties.

Methodologie
De auteurs introduceren EARNINGSINONE, een verenigd corpus en evaluatiekader ontworpen om deze gemeenschappen te overbruggen.

Dataset (EARNINGSINONE):
- Beslaat de S&P 1500-universe (2022–2025), bestaande uit 5.428 winstevenementen over 701 tickers.
- Stemt drie datamodaliteiten af voor dezelfde evenementen: winstnieuws (met precieze tijdstempels), ECT-transcripten en intraday/volgende-dag koersgegevens.
- Gebruikt LLM's (GPT-5-mini) om numerieke werkelijke waarden uit nieuwsartikelen te extraheren en sentimentscores te genereren van ECT's en nieuws.
Verenigd Evaluatiekader:
- Handelsmechanisme: Past een canonieke "long top-decile, short bottom-decile" strategie toe op zowel kwantitatieve als kwalitatieve signalen, waarbij wordt afgeweken van de "trade-all" benadering van de NLP-gemeenschap.
- Entry Anchors & Horizonten:
  - Fast (Numbers): Betreedt bij FirstActual (het eerste nieuwsartikel dat EPS/omzet bevestigt, typisch 1–5 minuten na publicatie) en houdt vast voor intraday horizonten (5–60 minuten).
  - Slow (Language): Betreedt bij NextOpen (de volgende marktopen) en houdt vast voor volgende-dag horizonten (tot 390 minuten).
- Metrieken: Evalueert prestaties met behulp van IC (Spearman rangcorrelatie), Q5−Q1 (kwintielspreiding) en de Sharpe-ratio, in plaats van MSE.
Signaalconstructie:
- Kwantitatief: EPS en omzet-verrassingen afgeleid van nieuws (geëxtraheerd door LLM) en leveranciersgegevens.
- Kwalitatief: Scalaire sentimentscores ([-1, 1]) afgeleid van volledige ECT-transcripten, met ablatie-studies over het maskeren van getallen of het funderen met numerieke koppen.

Belangrijkste Resultaten
Het verenigde kader onthult een "schone snelheidsscheiding" tussen de twee soorten signalen:

Fast Numbers: Kwantitatieve verrassing piekt onmiddellijk bij de aankondiging (FirstActual).
- Bij FirstActual behaalt de strategie een IC van 0,03 en een Sharpe-ratio van 1,81.
- Tegen de tijd van NextOpen is deze alfa grotendeels weggearbitreerd (IC daalt naar -0,02, Sharpe naar -0,31), wat bevestigt dat numerieke informatie direct door algoritmen wordt verwerkt.
- Het opnemen van omzetverrassingen (gecombineerde signalen) en het gebruik van hoogwaardige leveranciersgegevens verbetert de prestaties, maar de afname tegen de volgende opening blijft consistent.
Slow Language: Kwalitatieve ECT-sentiment piekt bij NextOpen.
- Sentiment(ECT) geëvalueerd bij NextOpen levert een IC van 0,11 en een Sharpe-ratio van 2,28 op, waarmee het alle kwantitatieve varianten op dat horizon overtreft.
- Dit bevestigt dat kwalitatieve signalen menselijke interpretatie gedurende de nacht vereisen en de volgende dag verhandelbaar zijn.
- Ablatie-studies laten zien dat het maskeren van getallen in de ECT de prestaties vermindert (Sharpe 0,40), terwijl het funderen van het sentiment met bekende numerieke beats/misses de staartconcentratie verbetert (Sharpe 2,65).
Orthogonaliteit: De twee signalen zijn grotendeels orthogonaal (Spearman $\rho$ = 0,21). ECT-sentiment vangt management-framing en toon die verder gaan dan de headline beat/miss, terwijl nieuws-sentiment sterker correleert met de numerieke uitkomst ( $\rho$ = 0,38).
Baseline Prestaties: Naïve baselines (Random L/S, Long-only, Ticker-Mean) en eerdere NLP-baselines (Embedding-gebaseerde MLP) presteren significant slechter dan de verenigde signaal-gebaseerde strategieën.

Betekenis en Claims
Het artikel beweert de kloof tussen financiële economie en NLP te overbruggen door aan te tonen dat:

Snelheidsscheiding is Echt: Kwantitatieve verrassing is een "snel" signaal dat binnen enkele minuten uitgeput is, terwijl kwalitatief sentiment een "traag" signaal is dat gedurende de nacht rijpt.
Evaluatie-alignement Is Belangrijk: NLP-signalen bezitten echte economische waarde, maar werden voorheen vertroebeld door misaligne metrieken (MSE) en een gebrek aan een handelsframework. Wanneer ze worden geëvalueerd met financiële standaardmetrieken (IC, Sharpe) en een long/short framework, komt ECT-sentiment naar voren als een robuuste, verhandelbare bron van alfa.
Complementariteit: De twee gemeenschappen bestudeerden complementaire fenomenen. Financiële economen kunnen kortetermijn-alfa terugwinnen door te evalueren op aankondigings-tijdstempels, terwijl NLP-onderzoekers de verhandelbaarheid van taal-signalen kunnen valideren door kwantitatieve asset management-evaluatietools te adopteren.

De auteurs concluderen dat taal-signalen mogelijk een betere waarde tonen wanneer ze worden geëvalueerd op hun "natuurlijke snelheid", een bevinding die toepasbaar is op andere datarijke domeinen die gestructureerde en tekstuele signalen mengen. Het werk wordt gepresenteerd als een wetenschappelijke bijdrage; de auteurs verklaren expliciet dat de handels-signalen voor onderzoeksdoeleinden zijn en geen beleggingsadvies vormen.