TRACE: Temporal Rule-Anchored Chain-of-Evidence on Knowledge Graphs for Interpretable Stock Movement Prediction

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

Imagine que tentar prever se uma ação de uma empresa vai subir ou descer é como tentar adivinhar o resultado de uma partida de futebol apenas olhando para a tabela de classificação do time. Você sabe que o time tem pontos, mas não sabe por que eles ganharam ou perderam a última partida, nem quem está machucado, quem é o novo técnico ou se o time rival tem um jogador famoso.

O papel que você enviou apresenta o TRACE, uma nova "bola de cristal" para o mercado de ações que tenta resolver exatamente esse problema. Em vez de apenas olhar números frios, o TRACE funciona como um detetive financeiro superinteligente que usa três ferramentas principais: um mapa gigante, regras de lógica e um assistente de leitura.

Aqui está como o TRACE funciona, explicado de forma simples:

1. O Mapa Gigante (O Gráfico de Conhecimento)

Imagine que todas as empresas do mundo (como Apple, Microsoft, bancos, etc.) estão conectadas por fios invisíveis.

Se a Microsoft compra uma empresa de jogos, há um fio.
Se um produto da Apple é fabricado por uma fábrica na China, há um fio.
Se um juiz processa um executivo, há um fio.

O TRACE constrói um mapa digital gigante (chamado de "Gráfico de Conhecimento Temporal") com mais de 42.000 nós (empresas, pessoas, produtos) e 174.000 conexões. Mas o mais importante: esse mapa tem um relógio. Ele sabe exatamente o que era verdade naquele dia específico. Ele não usa informações do futuro para prever o passado (o que seria "trapacear").

2. As Regras do Detetive (Mineração de Regras)

Um detetive não adivinha; ele segue pistas. O TRACE aprendeu com o passado quais "padrões" geralmente levam a uma ação subir ou descer.

Exemplo de Regra: "Se a Empresa A compra a Empresa B, E a notícia sobre isso é positiva, ENTÃO a ação da Empresa A provavelmente vai subir."
O sistema varre o mapa procurando por esses padrões específicos. Ele não deixa o detetive andar aleatoriamente pelo mapa; ele só deixa ele seguir caminhos que fazem sentido financeiro (como seguir um rastro de migalhas de pão que levam à verdade).

3. O Assistente de Leitura (Inteligência Artificial)

Aqui entra a parte "mágica" da linguagem. O TRACE não confia apenas em números; ele lê as notícias.

Quando o detetive encontra um caminho no mapa (ex: Microsoft comprou a Activision), ele vai até a notícia original que relatou isso.
Um assistente de IA (um modelo de linguagem) lê a notícia e confirma: "Sim, a notícia diz que foi uma compra boa e o sentimento é positivo".
Isso garante que a previsão não seja baseada em um "achismo" da máquina, mas sim em evidências reais que você pode ler e auditar.

Como ele toma a decisão?

Quando o TRACE precisa prever se uma ação vai subir (UP) ou descer (DOWN) amanhã:

Ele olha para o mapa e segue os fios a partir daquela empresa.
Ele usa as regras aprendidas para focar apenas nos caminhos importantes (evitando perder tempo com informações inúteis).
Ele lê as notícias que sustentam esses caminhos.
Se ele encontrar um caminho forte (ex: "Parceria nova + Notícia positiva + Regra histórica de sucesso"), ele diz: "Vai subir!".
O Grande Diferencial: Ele não apenas diz "Vai subir". Ele entrega o caminho completo para você ver: "Olhe aqui, a Microsoft comprou a Activision, a notícia foi boa, e historicamente isso faz a ação subir". É como se ele mostrasse o raciocínio no quadro negro.

Por que isso é melhor que os outros?

Muitos sistemas atuais são como caixas-pretas: eles dizem "compre" ou "venda", mas você não sabe o porquê. Outros são muito rápidos, mas alucinam (inventam fatos).
O TRACE é transparente. Ele é como um analista humano que, além de dar a opinião, mostra os documentos, as conexões e a lógica que usou para chegar lá.

Os Resultados

No teste com as 500 maiores empresas dos EUA (S&P 500):

O TRACE acertou a direção da ação no dia seguinte com 55,1% de precisão. Parece pouco? No mundo das ações, onde 50% é apenas um chute aleatório, isso é um salto enorme.
Ele foi melhor que modelos tradicionais de matemática e até que outros sistemas de Inteligência Artificial.
Em um teste de "carteira de investimentos" (comprar as 10 melhores ações sugeridas pelo sistema), o TRACE gerou um retorno de 41,7% em um ano, superando todos os concorrentes.

Resumo em uma Analogia

Se o mercado de ações fosse uma floresta escura:

Os métodos antigos tentam adivinhar o caminho apenas olhando para o chão.
O TRACE é como ter um guia que carrega um mapa atualizado, conhece as regras de sobrevivência da floresta e lê as placas de aviso (notícias) para te dizer exatamente qual caminho é seguro e qual tem um precipício, mostrando a você o mapa inteiro para você confiar nele.

Em suma, o TRACE torna a previsão de ações menos um jogo de azar e mais uma investigação lógica e transparente.

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

Resumo Técnico: TRACE

1. O Problema

A previsão de movimentos de preços de ações é um desafio central na finança computacional. As abordagens existentes apresentam duas limitações principais:

Tratamento Isolado de Fontes: A maioria dos modelos trata fontes de informação heterogêneas (séries temporais de preços, notícias, indicadores macroeconômicos) de forma independente, falhando em modelar as dependências relacionais complexas entre empresas, eventos e produtos.
Falta de Interpretabilidade e Alucinação: Abordagens baseadas em Grandes Modelos de Linguagem (LLMs) são poderosas na compreensão de texto, mas frequentemente "alucinam" fatos não suportados e carecem de transparência, o que é arriscado em domínios financeiros de alto risco.

O mercado financeiro é inerentemente relacional: o comportamento de uma ação raramente depende apenas de seus fundamentos, mas sim de uma rede complexa de interações (fusões, cadeias de suprimentos, regulações). O objetivo do trabalho é preencher a lacuna entre a previsão baseada em grafos e a interpretação baseada em texto, criando um sistema que seja ao mesmo tempo preciso e auditável.

2. Metodologia: O Framework TRACE

O TRACE (Temporal Rule-Anchored Chain-of-Evidence) é um pipeline de ponta a ponta que unifica priores relacionais simbólicos, exploração dinâmica de grafos e tomada de decisão guiada por LLMs sobre um Grafo de Conhecimento Temporal (TKG).

A. Construção do Grafo de Conhecimento Temporal (TKG)

Dados: O sistema utiliza dados do S&P 500 (2022-2023), contendo ~42k entidades e ~174k arestas temporais.
Entidades: Inclui TextSource (notícias, filings), Event (fusões, processos), Product, Financial, Company e Person.
Relações: Tipos como INVESTED_IN, PARTNERED, CAUSED_INCREASE, EXTRACTED_FROM, etc., com intervalos de validade temporal estritos para evitar vazamento de dados futuros (look-ahead bias).

B. Mineração de Regras Automática (Rule Mining)
Antes da previsão, o sistema minera padrões relacionais recorrentes do histórico do grafo para criar uma "biblioteca de regras".

Exemplo de Regra: INVESTED_IN(X, Z) ∧ IN_SECTOR(Z, "AI") ⇒ predict_direction(X, UP).
Essas regras não são usadas apenas para classificação direta, mas definem o espaço de busca e os vieses estruturais para a exploração subsequente, garantindo que os caminhos de raciocínio sejam economicamente significativos.

C. Exploração Guiada por Regras e LLMs (Graph-Based Exploration)
Para prever o movimento de uma ação em um dia $t$ , o sistema realiza uma busca no grafo:

Inicialização: Começa no nó da empresa (ação) e explora caminhos de múltiplos hops (multi-hop).
Restrições Temporais: Apenas arestas e fatos com timestamps $\le t$ são acessíveis.
Expansão Guiada por Regras: Durante a busca, o sistema verifica se o caminho parcial corresponde ao corpo de uma regra minada. Se corresponder e a confiança da regra for alta, gera-se uma hipótese.
Seleção de Relações (LLM): Um LLM atua como um "seletor de relações", avaliando candidatos com base no contexto (tipo de nó, data, estatísticas) para podar caminhos irrelevantes e reduzir o ruído.
Ancoragem em Texto: Cada caminho de raciocínio deve terminar em um nó de TextSource (notícia ou documento), garantindo que a evidência seja fundamentada em texto explícito.

D. Predição de Veredito (Verdict Prediction)

Consolidação: As hipóteses de alta confiança geradas durante a exploração são agregadas. O sistema calcula a confiança máxima para "UP" e "DOWN" baseada nas regras validadas.
Interpretabilidade: Cada previsão final é acompanhada pelos caminhos de raciocínio (evidências) que a sustentam, permitindo que humanos auditem a lógica (ex: "A ação subiu porque a empresa X adquiriu a empresa Y, e a notícia sobre isso foi positiva").

3. Contribuições Principais

Framework Unificado (TRACE): Primeira abordagem que integra mineração de caminhos simbólicos, exploração de grafos guiada por regras e validação de decisão por LLMs em um único pipeline para previsão de ações.
Raciocínio Guiado por Regras e Fundamentado em Texto: O método usa padrões relacionais minerados para restringir o espaço de busca e ancora as cadeias de raciocínio em artigos de notícias, garantindo relevância econômica e validade temporal.
Grafo de Conhecimento Financeiro em Larga Escala: Construção e validação de um TKG robusto com dados do S&P 500, demonstrando superioridade sobre baselines fortes com previsões interpretáveis.

4. Resultados Experimentais

O modelo foi avaliado no benchmark do S&P 500 (previsão de 1 dia) e comparado com baselines como XGBoost, Redes Neurais Temporais (T-GNN), Agentes de IA e modelos baseados apenas em sentimento de notícias.

Desempenho de Classificação:
- Acurácia: 55,1% (superior ao XGBoost em 52,9% e ao melhor baseline de grafo T-GNN em 52,8%).
- Recall: 71,5% (indicando alta sensibilidade na detecção de movimentos).
- F1-Score: 60,8%.
- O ganho é atribuído à exploração focada em motivos economicamente significativos e à agregação seletiva de evidências de alta confiança.
Backtesting (Estratégia de Investimento):
- Em uma estratégia de "Top-10 Buy & Hold" (sem rebalanceamento) de 2023 a 2024:
- Retorno Total: 41,7% (vs. 16,7% do benchmark de peso igual).
- Sharpe Ratio: 2,00 (vs. 1,17 do benchmark).
- Drawdown Máximo: -11,7% (menor risco que a maioria dos baselines).
Análise de Ablação:
- A remoção de restrições temporais, mineração de regras ou raciocínio multi-hop resultou em quedas significativas de desempenho, validando a importância de cada componente.
Análise Contrafactual:
- Ao remover as evidências textuais finais (Mask-Text) ou as arestas críticas das regras (Mask-Edge), a precisão do modelo cai monotonicamente, provando que as previsões dependem genuinamente das cadeias de evidência e não de correlações espúrias.

5. Significado e Impacto

O trabalho TRACE representa um avanço significativo na interseção entre IA simbólica e neural aplicada às finanças.

Interpretabilidade Auditável: Resolve o dilema "caixa preta" ao fornecer caminhos de raciocínio explícitos conectando dados estruturados a textos não estruturados.
Redução de Alucinação: Ao ancorar as previsões em regras minadas e evidências textuais verificáveis, o sistema mitiga os riscos de alucinação comuns em LLMs puros.
Viabilidade Prática: Os resultados de backtesting mostram que a melhoria na acurácia de classificação se traduz diretamente em retornos financeiros superiores e melhor gestão de risco, tornando a ferramenta potencialmente útil para gestores de fundos e analistas quantitativos que exigem transparência nas decisões de investimento.

Em suma, o TRACE demonstra que a combinação de lógica estruturada (regras), exploração dinâmica (grafos) e compreensão semântica (LLMs) supera as abordagens tradicionais e puramente baseadas em embeddings para a previsão de movimentos de mercado.