FinTexTS: Financial Text-Paired Time-Series Dataset via Semantic-Based and Multi-Level Pairing

Each language version is independently generated for its own context, not a direct translation.

Imagine que você é um astrólogo moderno tentando prever o futuro do mercado de ações. Antigamente, os astrólogos olhavam apenas para o movimento das estrelas (os números do preço das ações). Hoje, sabemos que o céu não é o único fator; o que acontece na Terra (notícias, economia, política) também importa muito.

O problema é que a maioria das pessoas que tenta prever o mercado usa um método muito "burro": elas apenas procuram o nome da empresa nas notícias. Se a notícia diz "A Apple está lançando um novo chip", elas ligam isso à Apple. Mas e se a notícia diz "O governo aumentou os juros" ou "A Nvidia (concorrente) está tendo um problema"? O método antigo ignora isso, mesmo que essas coisas afetem a Apple diretamente.

É aqui que entra o FinTexTS, o novo "super-olho" criado pelos pesquisadores da LG AI Research e da UNIST.

Aqui está a explicação simples, usando analogias do dia a dia:

1. O Problema: O Detetive que só lê nomes

Imagine que você é um detetive tentando entender por que o preço de uma ação subiu ou desceu.

O método antigo (Baseado em Palavras-Chave): Você tem um detector de nomes. Se a notícia não tiver o nome "NVIDIA" escrito nela, você joga a notícia no lixo.
- O erro: A notícia pode ser sobre "falta de chips para carros elétricos". Isso afeta a NVIDIA, mas o nome dela não estava no texto. O detector antigo perde essa informação crucial. Além disso, ele não entende que o que acontece na China (nível macro) ou no setor de tecnologia (nível setorial) afeta a empresa, mesmo que a empresa não seja mencionada.

2. A Solução: O Detetive Inteligente (FinTexTS)

Os autores criaram um novo sistema, o FinTexTS, que funciona como um detetive superinteligente que entende o contexto, não apenas as palavras. Eles usam duas grandes ideias:

A. A "Lente Semântica" (Entendendo o Significado)

Em vez de procurar apenas o nome da empresa, o sistema lê os documentos oficiais da empresa (chamados SEC filings, que são como os "relatórios anuais" ou "diários de bordo" das empresas nos EUA).

A Analogia: Imagine que você quer entender o que está acontecendo com um time de futebol. Em vez de procurar apenas o nome "Messi" nas notícias, você lê o relatório tático do treinador. Se o relatório diz "precisamos de mais velocidade na defesa", o sistema entende que qualquer notícia sobre "novas tecnologias de velocidade" ou "lesões de jogadores rápidos" é relevante para o time, mesmo que o nome do time não esteja na manchete.
Como funciona: O sistema usa Inteligência Artificial (LLMs) para ler esses relatórios, entender o "perfil" da empresa e depois vasculha milhões de notícias para encontrar aquelas que combinam com esse perfil, mesmo sem o nome da empresa aparecer.

B. A "Torre de Níveis" (O Contexto em Camadas)

O mercado financeiro é como uma torre de blocos. O que acontece no topo afeta o que está embaixo, e vice-versa. O FinTexTS organiza as notícias em 4 andares dessa torre:

Nível Macro (O Clima Global): Notícias sobre a economia do país, taxas de juros, guerras. É como se estivesse chovendo ou fazendo sol. Isso afeta todos os barcos no mar.
Nível Setorial (O Bairro): Notícias sobre o setor específico (ex: Tecnologia, Energia). É como se o bairro inteiro estivesse em obras. Isso afeta todos os moradores daquele bairro.
Nível de Empresa Relacionada (Os Vizinhos): Notícias sobre concorrentes, parceiros ou fornecedores. Se o vizinho vendeu a casa dele, isso pode afetar o valor da sua casa.
Nível da Empresa-Alvo (A Sua Casa): Notícias específicas sobre a própria empresa.

O sistema pega todas essas camadas e as "cola" no preço da ação do dia, criando um quadro completo da situação.

3. O Resultado: Previsões Mais Precisas

Os pesquisadores testaram esse sistema em 100 grandes empresas americanas.

O Teste: Eles usaram o FinTexTS para prever preços de ações e compararam com o método antigo (apenas nomes).
A Vitória: O método novo foi muito melhor. Ao entender que "falta de chips" afeta a NVIDIA (mesmo sem o nome dela na notícia) e que "juros altos" afetam todo o setor, o sistema conseguiu prever o futuro com muito mais precisão.

4. O Segredo Extra: Notícias de "Luxo"

No final, eles testaram o sistema não apenas com notícias públicas (que são gratuitas e às vezes barulhentas), mas com notícias pagas e curadas (como as do grupo LSEG).

A Analogia: É como comparar ouvir o rádio na rua (cheio de estática e informações soltas) com ouvir um podcast de alta qualidade com um especialista.
O Resultado: Com as notícias de alta qualidade, a previsão ficou ainda mais precisa, provando que a qualidade da informação é tão importante quanto a inteligência do sistema.

Resumo Final

O FinTexTS é como dar a um oráculo do mercado financeiro um livro de instruções completo (os relatórios oficiais) e a capacidade de ler o clima, o bairro e a vida dos vizinhos antes de fazer uma previsão. Em vez de apenas procurar nomes, ele entende o significado e a conexão entre tudo o que acontece no mundo, resultando em previsões de ações muito mais inteligentes e confiáveis.

E o melhor: eles liberaram esse "super-poder" para que qualquer pesquisador possa usá-lo e criar novas descobertas!

Each language version is independently generated for its own context, not a direct translation.

1. Problema e Motivação

O domínio financeiro é caracterizado por interdependências complexas, onde o preço das ações de uma empresa não é influenciado apenas por eventos internos, mas também por fatores macroeconômicos, tendências do setor e o desempenho de empresas relacionadas (concorrentes, parceiros, fornecedores).

O problema central abordado no artigo é a limitação das abordagens existentes para a construção de conjuntos de dados de séries temporais emparelhados com texto (text-TS) no setor financeiro:

Dependência de Correspondência por Palavras-Chave: Métodos anteriores (como o FNSPID) utilizam correspondência simples baseada em palavras-chave para vincular notícias a preços de ações. Isso falha em capturar notícias semanticamente relevantes que não mencionam explicitamente o nome da empresa (ex: notícias sobre a construção de data centers de GPU são relevantes para a NVIDIA, mesmo sem citá-la).
Ignorância de Níveis Múltiplos: As abordagens atuais não conseguem capturar as interações em múltiplos níveis (macro, setor, empresa relacionada e empresa-alvo), tratando o mercado como um conjunto de entidades isoladas.
Ruído e Incompletude: A correspondência por palavras-chave gera dados ruidosos (notícias irrelevantes incluídas) e inconsistentes (dias sem notícias pareadas), degradando o desempenho de modelos de previsão.

2. Metodologia Proposta

Os autores propõem o FinTexTS, um novo conjunto de dados e um framework de emparelhamento baseado em semântica e multi-nível. O objetivo é alinhar notícias a preços de ações de forma mais precisa, capturando o contexto financeiro real.

O framework consiste em quatro componentes principais:

A. Parsing de Arquivos SEC Baseado em LLM

Utiliza Grandes Modelos de Linguagem (LLMs) para extrair informações contextuais específicas da empresa a partir de arquivos regulatórios da SEC (como 10-K, 10-Q, 8-K).
As informações são categorizadas em cinco áreas: Visão Geral & Produtos, Estratégia & Operações, Governança & Riscos, Informações Financeiras e Eventos Recentes.
Como os arquivos não são diários, aplica-se forward-filling para manter a consistência temporal diária.

B. Classificação de Notícias Baseada em LLM

Classifica as notícias em três níveis hierárquicos:
1. Macro-nível: Eventos que afetam a economia nacional/global (ex: políticas do Fed).
2. Nível de Setor: Eventos que afetam um setor inteiro (ex: regulamentação de semicondutores).
3. Nível de Empresa: Notícias que afetam empresas específicas.
Utiliza-se o padrão GICS (Global Industry Classification Standard) para categorizar os setores.

C. Emparelhamento de Notícias Baseado em Embeddings

Para superar a limitação de tokens ao usar LLMs diretamente para todas as empresas, utiliza-se um modelo de embeddings finetunado.
O modelo é treinado com aprendizado contrastivo para garantir que notícias do mesmo setor tenham alta similaridade.
O conteúdo extraído dos arquivos SEC serve como query para recuperar as $N$ notícias mais semanticamente relevantes para a empresa-alvo, mesmo sem menção explícita do nome.
Após a recuperação, um classificador LLM separa as notícias em: Empresa-Alvo, Empresa Relacionada (concorrentes/parceiros) e Irrelevante (que são descartadas).

D. Sumarização de Notícias Baseada em LLM

Para lidar com a redundância e o ruído, as notícias recuperadas em cada nível são sumarizadas pelo LLM.
O LLM identifica as categorias de eventos mais impactantes e gera um resumo compacto, criando uma representação textual densa e informativa para o modelo de previsão.

3. O Conjunto de Dados: FinTexTS

Escala: Cobre as 100 maiores empresas por capitalização de mercado nos EUA.
Período: 5 anos (2019–2023).
Conteúdo: Emparelha preços de ações com textos derivados de aproximadamente 1 milhão de notícias.
Estrutura Multi-nível: Cada ponto de dados de preço de ação é enriquecido com textos de quatro níveis: Macro, Setor, Empresa Relacionada e Empresa-Alvo.
Disponibilidade: O dataset, o modelo de embedding finetunado e o código estão disponíveis publicamente no Hugging Face e GitHub.

4. Resultados Experimentais

Os autores realizaram um estudo piloto de previsão de preços de ações utilizando 12 modelos de séries temporais de ponta (ex: Autoformer, PatchTST, Non-stationary Transformer).

Superioridade Semântica vs. Palavras-Chave:
- O emparelhamento semântico superou consistentemente o método baseado em palavras-chave em todos os 12 modelos e métricas (MSE e MAE).
- O método semântico reduziu significativamente o erro de previsão, demonstrando que a relevância contextual é mais importante que a mera presença de palavras-chave.
Eficácia do Emparelhamento Multi-nível:
- A adição progressiva de níveis de texto (começando do Macro até a Empresa-Alvo) resultou em melhorias contínuas no desempenho.
- Isso confirma que informações de diferentes níveis (ex: política monetária + tendências do setor + desempenho do concorrente) fornecem sinais complementares valiosos.
Dados Proprietários vs. Públicos:
- Ao aplicar o framework a dados proprietários de alta qualidade (LSEG MRN) em vez de dados públicos, observou-se uma melhoria adicional no desempenho, sugerindo que a qualidade da fonte de texto é tão crítica quanto a estratégia de emparelhamento.
Análise de Sensibilidade:
- Ajustes no tamanho da recuperação ( $N$ ) mostraram que $N=10$ oferece o melhor equilíbrio entre desempenho e custo computacional.
- O fine-tuning do modelo de embedding aumentou a taxa de acerto (hit-rate) na recuperação de notícias relevantes em comparação com modelos pré-treinados genéricos.

5. Contribuições Principais

Identificação de Limitações: Mapeou as falhas críticas dos métodos atuais de emparelhamento baseados em palavras-chave no contexto financeiro.
Novo Framework: Propôs uma arquitetura inovadora que combina extração de contexto de arquivos SEC, recuperação semântica via embeddings e classificação multi-nível via LLMs.
Dataset Escalável: Criou o FinTexTS, um dos maiores conjuntos de dados financeiros multimodais (texto-série temporal) com anotações ricas e multi-nível.
Validação Empírica: Demonstrou que estratégias de emparelhamento semântico e multi-nível levam a previsões financeiras mais precisas, estabelecendo um novo padrão para a criação de dados multimodais.

6. Significância e Impacto

O trabalho é significativo porque aborda a complexidade intrínseca dos mercados financeiros, que não podem ser modelados apenas por dados numéricos ou por correspondência literal de texto. Ao fornecer um framework e um dataset que capturam as relações de dependência complexas (macro, setor, cadeia de suprimentos), o FinTexTS permite o treinamento de modelos multimodais em cenários mais realistas.

Isso abre caminho para:

Melhores sistemas de previsão de mercado.
Avanços na pesquisa de IA multimodal aplicada a finanças.
A compreensão de como diferentes níveis de informação textual interagem para influenciar o comportamento do mercado.

O artigo conclui que a combinação de estratégias de emparelhamento avançadas (semânticas e multi-nível) com fontes de dados de alta qualidade é fundamental para o futuro da previsão financeira baseada em IA.