Large Language Model-Driven Small-Capitalization Trading: Integrating Financial News Sentiment, Macroeconomic Indicators, and Technical Signals

De Digitale Kristallen Bol en de Aandelenmarkt

Stel je de aandelenmarkt voor als een gigantische, chaotische oceaan. Decennialang hebben beleggers geprobeerd de golven te voorspellen met behulp van twee hoofdinstrumenten: het bekijken van het wateroppervlak (technische signalen zoals prijsgrafieken) en het lezen van de weerberichten (macro-economische indicatoren zoals rentestanden of olieprijzen). Maar er is een derde, luidruchtig element: de eindeloze stroom aan nieuws. In het verleden probeerden computers dit nieuws te lezen met eenvoudige "lexiconen", wat simpelweg lijsten zijn van goede woorden (zoals "winst") en slechte woorden (zo르게 "verlies"). Het is alsof je een complexe film probeert te begrijpen door alleen te tellen hoe vaak de woorden "blij" of "verdrietig" voorkomen; je mist het plot, de ironie en de context.

Maak kennis met Large Language Models (LLM's). Beschouw deze als superintelligente digitale lezers die daadwerkelijk het verhaal achter de koppen kunnen begrijpen, waarbij ze de nuance en context vatten die simpel woordentellen mist. De grote vraag die onderzoekers stellen is: als we deze superlezers een taak geven om de toekomst van kleine, risicovolle bedrijven (genaamd "small-cap" aandelen) te voorspellen, kunnen ze ons dan helpen bij het opbouwen van een betere beleggingsportefeuille? Het antwoord gaat niet alleen over wat het nieuws zegt, maar over hoe we die informatie gebruiken om te beslissen welke aandelen we kopen en hoeveel risico we nemen.

Het Verhaal: Een Robot Leren de Kamer te Lezen

Dit artikel gaat over een team van onderzoekers dat een geavanceerd handelsysteem heeft gebouwd om precies dit idee te testen. Ze wilden zien of ze een AI konden gebruiken om financieel nieuws te lezen, dit te combineren met grote economische gegevens, en die informatie vervolgens te gebruiken om geld te verdienen met de handel in kleine bedrijven. Maar ze wilden niet alleen de toekomst raden; ze wilden dat de AI toegeeft wanneer hij het niet zeker weet.

Zo werkt hun systeem, stap voor stap:

1. De Nieuwsfilter: Ruis Groeperen
Stel je een actueel nieuwsbericht voor over een bedrijf. Tientallen nieuwsmedia kunnen erover schrijven, waarbij ze soms steeds dezelfde feiten herhalen. Als je elk artikel telt, lijkt dat ene verhaal misschien tien keer belangrijker dan het in werkelijkheid is. De onderzoekers losten dit op door een "clustering"-truc te gebruiken. Ze groepeerden vergelijkbare artikelen samen tot één "verhaal" voordat de AI ze las. Op deze manier focust de AI op de belangrijkheid van de gebeurtenis, niet alleen op hoeveel verslaggevers er waren om erover te berichten.

2. De Twee Soorten Signalen: De "Pure" Spelers
De onderzoekers realiseerden zich dat aandelen om twee zeer verschillende redenen bewegen, en zij behandelden hen als afzonderlijke spelers in een spel:

• Pure Alpha (Het Eigen Drama van het Bedrijf): Dit gebeurt wanneer een specificht bedrijf iets vreemds doet—zoals een CEO die vertrekt of de lancering van een nieuw product—dat niet wordt verklaard door de algemene economie. Het is alsof een specifieke acteur in een toneelstuk plotseling een scène improviseert.
• Pure Beta (De Golf van de Oceaan): Dit gebeurt wanneer een belangrijke economische indicator (zoals rentestanden of olieprijzen) beweegt, en een aandeel beweegt omdat het gevoelig is voor die verandering, nog voordat het aandeel zelf iets vreemds heeft gedaan. Het is alsof een surfer een golf berijdt voordat hij de top van de golf zelfs maar ziet.

Het team testte drie strategieën: wedden op alleen het "Pure Alpha"-drama, wedden op alleen de "Pure Beta"-golven, en wedden op alleen wanneer beide tegelijkertijd gebeurden (de "Beta Intersectie").

3. De Brein met Bewustzijn van Onzekerheid
De meeste handelsystemen behandelen risico als een vast getal, zoals een snelheidslimietbord. De AI van dit team berekent het risico echter dynamisch. Het breekt risico af in twee delen:

• Aleatorische Onzekerheid: De willekeur van de markt zelf (het weer is gewoon onvoorspelbaar).
• Epistemische Onzekerheid: Het eigen gebrek aan vertrouwen van de AI (de AI zegt: "Ik weet nog niet zeker of ik dit verhaal wel begrijp").

Door deze "onzekerheidsscore" direct in de wiskunde te voeden die bepaalt hoeveel geld er in elk aandeel wordt gestoken, wordt het systeem voorzichtiger wanneer het verward is en agressiever wanneer het zeker is.

Wat Ze Vonden: De Verrassende Resultaten

De onderzoekers draalden hun systeem op een enorme lijst van kleine bedrijven (de Russell 2000) over een specifieke periode in 2025. Ze testten verschillende holdingperiodes (hoe lang een aandeel aan te houden) en verschillende transactiekosten (de kosten betaald om te handelen).

De Grote Verrassing: Wacht Niet op Consensus
De belangrijkste bevinding was dat het scheiden van de signalen veel beter werkte dan wachten tot ze overeenstemming bereikten.

• De "Beide" Strategie Faalde: Het vereisen dat zowel het "Pure Alpha"-drama als de "Pure Beta"-golf tegelijkertijd plaatsvinden, resulteerde meestal in de slechtste prestaties. Het was alsoals wachten op de perfecte storm én de perfecte acteur die tegelijkertijd verschijnen; je miste simpelweg te veel goede kansen.
• De "Gescheiden" Strategieën Wonnen: Het systeem maakte het meeste geld wanneer het de twee signalen als aparte strategieën behandelde.
  • Korte Termijn (1 Dag): De "Pure Beta"-strategie (het rijden op de economische golf) werkte goed wanneer de transactiekosten laag waren, maar het voordeel verdween wanneer de kosten hoog werden (100 basispunten).
  • Middellange Termijn (20–40 Dagen): De "Pure Beta"-strategie blonk hier opnieuw in uit. Het lijkt erop dat grote economische veranderingen er een tijd over doen om volledig door te dringen bij kleine bedrijven, en de AI kon deze langzame drift opvangen.
  • Lange Termijn (5, 10, en 60 Dagen): De "Pure Alpha"-strategie (het eigen drama van het bedrijf) was de duidelijke winnaar. Dit suggereert dat wanneer een specifiek bedrijf uniek nieuws heeft, het de markt tijd kost om dit volledig te begrijpen en in de koers te verwerken.

De Beste Combinatie
De meest succesvolle opstelling die ze vonden was een "conservatieve" een:

• Strategie: Pure Beta (rijden op de economische golf).
• AI Model: GPT-4o mini (een specifieke versie van de AI).
• Holdingperiode: 40 dagen.
• Risicobeheer: Gebruikmakend van een "Student-t target" (een wiskundige methode die beter omgaat met extreme marktcrashes) en "Risk Parity" (het balanceren van risico in plaats van alleen het balanceren van geld).
• Resultaat: Deze opstelling behaalde een Sharpe-ratio van 2,33, zelfs met een hoge transactiekost van 100 basispunten.

Wat Dit Betekent

Het artikel suggereert dat het geheim van het gebruik van AI voor de handel niet alleen het hebben van een slimmere lezer is; het gaat erom hoe je het spel organiseert. Door het "bedrijfsspecifieke" nieuws te scheiden van het "economie-brede" nieuws, en door de eigen onzekerheid van de AI te laten bepalen hoeveel risico het neemt, kunnen beleggers het beter doen dan traditionele methoden.

De auteurs merken echter voorzichtig op dat dit een simulatie is gebaseerd op één jaar aan gegevens. Ze suggereren dat deze resultaten veelbelovend bewijs zijn, geen gegarandeerde "overwinning" voor de toekomst. Ze wijzen er ook op dat hun AI, hoewel slim, nog steeds een "kennisstop" heeft (het weet niet wat er gebeurde na het einde van de training), en dat het samenvatten van lange nieuwsartikelen sommige minuscule details kan verliezen. Maar de kern van het idee blijft staan: in de luidruchtige wereld van kleine aandelen, weten wanneer je naar de economie luistert en wanneer je naar het bedrijf luistert—en weten wanneer je voorzichtig moet zijn—is net zo belangrijk als het nieuws zelf.