Quantifying Event Impacts on Time Series via Multiscale Contrastive Learning

Markten zijn niet slechts machines die uit zichzelf vooruit tikken; het zijn levende systemen die reageren op de wereld om hen heen. Wanneer een bedrijf gezond is en de economie stabiel is, beweegt de aandelenkoers meestal in voorspelbare ritmes, stijgend en dalend met de seizoenen van de zakenwereld en de gewoonten van beleggers. Maar soms gebeurt er iets plotselings en externs—een nieuwsbericht over een datalek, een regelgevende indiening of een publiek schandaal—dat die ritmes verbrijzelt. Deze gebeurtenissen zijn discreet, zoals een steen die in een kalme vijver wordt gegooid, maar hun gevolgen rimpelen door continue financiële gegevens, waardoor prijzen scherp en onverwacht dalen. De uitdaging voor iedereen die deze markten probeert te begrijpen, is dat hoewel de gebeurtenis zelf een enkel moment in de tijd is, de schade die het veroorzaakt zich over dagen of weken ontvouwt, vaak vermengd met normale marktruis. Het uitzoeken van precies hoeveel een specifieke gebeurtenis een bedrijf heeft geschaad, los van de algemene op- en neerwaartse bewegingen van de aandelenmarkt, is een moeilijk puzzelstuk dat traditionele instrumenten vaak niet kunnen oplossen.

Een team van onderzoekers heeft een nieuwe manier ontwikkeld om deze specifieke soort schade te meten, waarbij de focus ligt op het moment waarop een cybersecurity-incident publiekelijk bekend wordt gemaakt. Ze hebben een systeem ontwikkeld genaamd EventTime, ontworpen om de geschiedenis van de aandelenkoers van een bedrijf vóór de aankondiging van een lek te bekijken en dit te combineren met de details van het lek om het onmiddellijke financiële verlies dat volgt te voorspellen. In tegen afwezigheid van oudere modellen die proberen het volledige toekomstige pad van een aandeلprijs te raden, stelt dit systeem een simpelere, preciezere vraag: gegeven wat we weten over de markt in de aanloop naar het nieuws en de ernst van het nieuws zelf, hoeveel waarde zal het bedrijf op korte termijn verliezen? De onderzoekers ontdekten dat door de gebeurtenis niet alleen als een voetnoot te behandelen, maar als een centraal onderdeel van het verhaal, en door een leermethode te gebruiken die de computer helpt patronen in zeldzame situaties te herkennen, zij deze verliezen veel nauwkeuriger konden voorspellen dan bestaande methoden.

De kern van het probleem is dat standaard voorspellingsinstrumenten uitstekend zijn in het opsporen van trends, zoals de gestage groei van een bedrijf of de seizoensgebonden cycli van de detailhandel, maar ze worstelen wanneer een zeldzame, chaotische gebeurtenis toeslaat. De meeste van deze instrumenten gaan ervan uit dat de toekomst er min of meer hetzelfde uit zal zien als het verleden, maar een grote cyberaanval is geen routineuze gebeurtenis. Het is een uitschieter die de regels breekt. De onderzoekers realiseerden zich dat om de impact van een dergelijke gebeurtenis te begrijpen, ze de markt vanuit meerdere lenzen tegelijkertijd moesten bekijken. Ze moesten de langetermijngezondheid van het bedrijf zien, de trends op middellange termijn en de zeer recente, nerveuze bewegingen vlak voordat het nieuws naar buiten kwam. Ze moesten ook de specifieke aard van de gebeurtenis begrijpen: was het een kleine lek van e-mailadressen, of een massale diefstal van burgerservicenummers? De impact van deze twee scenario's is totaal verschillend, toch behandelen traditionele modellen deze vaak als slechts een datapunt.

Om dit op te lossen, bouwde het team een framework dat werkt als een meervoudig filter. Eerst breekt het de geschiedenis van de prestaties van een aandeel af in verschillende tijdschalen, waarbij het tegelijkertijd dagelijkse schommelingen, wekelijkse trends en maandelijkse patronen bekijkt. Dit geeft het systeem een volledig beeld van de staat van het bedrijf vóór de schok. Vervolgens neemt het de details van het cybersecurity-incident—het type gestolen gegevens, het aantal getroffen personen en de ernst van de inbreuk—en mengt deze in het financiële plaatje. In plaats van de gebeurtenis details simpelweg aan het einde van de gegevens toe te voegen, gebruikt het systeem een speciaal aandachtmechanisme (attention mechanism) om de specifieke momenten in het recente verleden te vinden waar de markt het meest gevoelig was voor het soort gebeurtenis dat net heeft plaatsgevonden. Het vraagt: "Gegeven dit specifieke type lek, welke delen van de recente marktgeschiedenis doen er het meest toe?" Hierdoor kan het model het signaal van de gebeurtenis isoleren van de achtergrondruis van normale marktactiviteit.

Omdat grote datalekken zeldzaam zijn, is er niet veel historische data beschikbaar om een computer te leren hoe hij deze kan voorspellen. Als een model getraind wordt op te weinig data, heeft het de neiging om de ruis te memoriseren in plaats van het echte patroon te leren. Om dit te overwinnen, introduceerden de onderzoekers een techniek genaamd contrastief leren (contrastive learning). Stel je voor dat het systeem wordt getoond aan twee verschillende bedrijven die beide vergelijkbare soorten datalekken hebben ondergelopen onder vergelijkbare marktomstandigheden. Het systeem wordt getraind om te herkennen dat deze twee situaties aan elkaar lijken en samen gegroepeerd moeten worden in zijn begrip, zelfs als het exacte dollarbedrag van hun verliezen enigszinds varieert. Omgekeerd leert het om situaties die verschillend lijken, zoals een minder belangrijk lek tijdens een beurscrash versus een groot lek tijdens een stabiele periode, uit elkaar te duwen. Deze methode helpt het model een robuust begrip op te bouwen van wat de financiële verliezen in deze zeldzame gebeurtenissen drijft, waardoor het betrouwbaarder is wanneer het een nieuw type incident of ontbrekende informatie tegenkomt.

De onderzoekers testten hun systeem op een enorme, real-world dataset die zij zelf hebben gecreëerd, die duizenden cybersecurity-incidenten gerapporteerd door de Privacy Rights Clearinghouse koppelt aan de dagelijkse aandelenkoersen van honderden Amerikaanse bedrijven. Ze ontdekten dat hun nieuwe systeem consequent beter presteerde dan de beste bestaande modellen voor het voorspellen van aandelenbewegingen. Waar andere instrumenten vaak moeite hadden om onderscheid te maken tussen een normale marktdaling en een crash veroorzaakt door een specifieke nieuwsgebeurtenis, was EventTime in staat om het abnormale verlies met grotere nauwkeurigheid aan te wijzen. Het systeem bleek bijzonder goed in het omgaan met onvolledige informatie; zelfs wanneer sommige details over een lek ontbraken, kon het nog steeds een solide voorspelling doen door te vertrouren op de patronen die het had geleerd van vergelijkbare gebeurtenissen uit het verleden. Dit suggereert dat het model de onderliggende logica heeft geleerd van hoe markten reageren op beveiligingsfalen, in plaats van alleen specifieke voorbeelden te memoriseren.

Om te verzekeren dat hun aanpak niet slechts een toevalstreffer in de financiële wereld was, testte het team het ook op een compleet ander gebied: hydrologie. Ze pasten dezelfde logica toe om te voorspellen hoe rivierwaterstanden zouden reageren op extreme regenvalevents. Net zoals een aandelenkoers reageert op een nieuwsbericht, reageert de waterafvoer van een rivier op een plotselinge piek in regenval. Het systeem voorspelde succesvol de onmiddellijke stijging van de waterstanden op basis van de geschiedenis van de rivier en de details van de regenval. Dit succes over verschillende domeinen heen geeft aan dat de methode niet beperkt is tot de financiële sector; het is een algemene manier om te begrijpen hoe een continu systeem reageert op een plotselinge, discrete schok.

De bevindingen suggereren dat de manier waarop we marktschokken analyseren moet veranderen. We kunnen niet vertrouwen op modellen die alleen naar het gedrag van prijzen uit het verleden kijken om de toekomstige impact van een crisis te voorspellen. In plaats daarvan moeten we systemen bouwen die het evenement zelf kunnen lezen en begrijpen hoe dat evenement interacteert met de huidige staat van de markt. Door een diepe blik op het verleden te combineren met een zorgvuldige lezing van het huidige nieuws, en door leermethoden te gebruiken die de computer helpen zeldzame patronen te herkennen, kunnen we een duidelijker beeld krijgen van de werkelijke kosten van een crisis. Dit werk biedt niet alleen een beter instrument voor investeerders; het biedt een nieuwe manier om de onzichtbare schade te kwantificeren die zich door onze digitale en economische systemen verspreidt wanneer beveiliging faalt.