Predicting Stock Price Direction on Earnings Announcement Days using Multi-modal Deep Learning

Resumo Técnico: Previsão da Direção do Preço das Ações em Dias de Divulgação de Resultados usando Aprendizado Profundo Multimodal

Formulação do Problema
Este estudo aborda o desafio de prever o movimento direcional dos preços das ações especificamente em dias de Divulgação de Resultados (EA). Os autores enquadram isso como uma tarefa de Previsão de Movimento de Preço Orientada a Eventos. Dada uma sequência temporal multimodal representando os 30 dias que antecedem uma EA, o objetivo é classificar a direção do preço pós-divulgação em uma de três classes: SUBIDA ($R \geq 3\%$), DESCIDA ($R \leq -3\%$) ou NEUTRA (caso contrário). O problema caracteriza-se por ruído de mercado significativo, descontinuidades de preços de alto impacto e um desequilíbrio de classes severo, onde a classe NEUTRA representa aproximadamente 67% das observações.

Metodologia
A pesquisa emprega uma abordagem de aprendizado profundo multimodal, integrando três modalidades de dados distintas em um espaço de características unificado de dimensão $d=21$:

1. Fundamentos da Empresa ($d_f=15$): Métricas trimestrais e anuais (por exemplo, Margem Líquida, ROE, Dívida sobre Patrimônio) servindo como proxies para a saúde financeira.
2. Dinâmica de Mercado ($d_m=3$): Preços de fechamento ajustados e indicadores de momentum de curto prazo (médias móveis simples de 3 dias e 6 dias).
3. Sentimento de Notícias ($d_n=3$): Pontuações de sentimento derivadas de artigos de notícias financeiras processados via FinBERT, um modelo de linguagem ajustado para o domínio financeiro. Para dias com múltiplos artigos, os vetores de sentimento são médios.

Processamento de Dados e Modelagem
O conjunto de dados cobre as 500 maiores empresas dos EUA por capitalização de mercado ao longo de uma janela de dez meses. O pré-processamento envolve imputação temporal (preenchimento para frente para dias não comerciais), imputação por média transversal para fundamentos esparsos e padronização por escore-z. Para abordar o desequilíbrio de classes, os autores utilizam uma função de perda de entropia cruzada ponderada que penaliza erros direcionais (SUBIDA vs. DESCIDA) mais severamente do que classificações errôneas neutras.

Três arquiteturas de modelo são avaliadas:

• Regressão Logística (Linha de Base): Um classificador multinomial não temporal treinado em janelas de 30 dias achatadas.
• LSTM: Uma rede recorrente empilhada de 2 camadas (dimensão oculta 64) projetada para capturar dependências sequenciais.
• Transformer: Uma arquitetura de codificador baseada em auto-atenção (2 camadas, 4 cabeças) utilizando codificações posicionais sinusoidais para capturar padrões temporais globais através da janela de 30 dias sem viés indutivo sequencial estrito.

Os modelos são treinados e avaliados usando métricas alinhadas com a tomada de decisão financeira: Precisão para sinais acionáveis, Pontuação F1 média macro (para equilibrar o desempenho entre classes desequilibradas) e uma métrica de custo personalizada que atribui penalidades mais altas a classificações errôneas SUBIDA↔DESCIDA.

Principais Resultados
Os resultados experimentais revelam uma troca distinta entre sensibilidade e controle de risco:

• Desempenho do LSTM: O LSTM adota uma estratégia conservadora, prevendo frequentemente a classe NEUTRA. Isso resulta no menor custo financeiro personalizado e alta precisão para sinais direcionais, mas produz uma pontuação Macro-F1 mais baixa devido a eventos voláteis perdidos.
• Desempenho do Transformer: O modelo Transformer demonstra sensibilidade superior, identificando mais eventos de SUBIDA e DESCIDA do que o LSTM. Consequentemente, alcança a maior pontuação Macro-F1 (0,390), mas incorre em um custo personalizado mais alto devido ao aumento de erros direcionais.
• Desempenho da Linha de Base: A linha de base de regressão logística exibe um perfil de decisão instável com viés para prever movimentos de SUBIDA, levando ao maior custo financeiro e trocas direcionais frequentes e custosas.
• Impacto do Sentimento: Um estudo de ablação confirma que a remoção de características de sentimento de notícias degrada o desempenho em todos os modelos. O efeito é mais pronunciado no LSTM, sugerindo que os dados de sentimento desempenham um papel estabilizador crucial em modelos sequenciais profundos.

Significado e Alegações
O artigo afirma contribuir para a área relativamente pouco pesquisada de previsão de ações específica para EA, demonstrando o valor de combinar informações "duras" (fundamentos, preços) com informações "suaves" (sentimento de notícias) em um framework multimodal. Os autores afirmam que, embora modelos lineares sejam insuficientes para capturar as interações temporais e cruzadas complexas nos dados de EA, arquiteturas de aprendizado profundo oferecem vantagens distintas dependendo da estratégia de investimento. Especificamente, o estudo destaca que a escolha do modelo depende da aplicação-alvo: estratégias avessas ao risco podem favorecer a estabilidade do LSTM, enquanto estratégias que buscam volatilidade podem se beneficiar da maior sensibilidade do Transformer. O trabalho enfatiza que a incorporação de sentimento de notícias fornece sinais preditivos complementares que melhoram a estabilidade e o desempenho além do que fundamentos e dinâmica de preços sozinhos podem oferecer.