💬 NLP

Fast Numbers, Slow Language: Bridging Quantitative and Qualitative Earnings Signals

Este artigo apresenta o corpus "EarningsInOne" para unir as comunidades de análise de lucros quantitativa e qualitativa, revelando que, embora surpresas numéricas impulsionem reações imediatas do mercado, o sentimento qualitativo das teleconferências oferece um sinal distinto e negociável que atinge seu pico no dia útil seguinte, mas que tem sido previamente obscurecido por métricas de avaliação incompatíveis.

Autores originais: Ding Yu, Zhuo Liu, Hao Zhang, Hangfeng He

Publicado 2026-06-30

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Ding Yu, Zhuo Liu, Hao Zhang, Hangfeng He

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A Visão Geral: Duas Velocidades Diferentes de Notícias

Imagine que uma empresa lança seu relatório trimestral como um mágico tirando um coelho de dentro de um chapéu. Este evento acontece, na verdade, em dois estágios distintos, e o artigo argumenta que o mundo financeiro tem tentado observar ambos os estágios com o mesmo par de óculos, o que não funciona.

Os "Números Rápidos" (O Coelho): Primeiro, a empresa lança um comunicado de imprensa com matemática pura: "Lucramos US$ 1,52 por ação em vez dos US$ 1,44 esperados". Isso acontece instantaneamente. Algoritmos de computador (robôs) leem essa matemática e negociam ações em minutos. Quando o mercado de ações abre na manhã seguinte, o preço já se ajustou a esse número. O "alpha" (lucro extra) proveniente desse número desaparece num piscar de olhos.
A "Linguagem Lenta" (O Truque de Mágica): De 30 a 90 minutos depois, o CEO entra em uma teleconferência para explicar os números. Eles dizem coisas como: "Estamos cautelosamente otimistas, mas a economia é complicada". Isso é linguagem qualitativa. Os humanos precisam de tempo para ouvir, interpretar o tom e decidir se o CEO está sendo honesto ou escondendo algo. Esse sinal só atinge seu pico no dia útil seguinte.

O Problema: Duas Comunidades, Dois Manuais de Instrução

Por décadas, dois grupos de especialistas estudaram este evento, mas eles nunca conversaram entre si porque usavam manuais de instrução completamente diferentes:

Os Economistas Financeiros (Os Caras da Matemática): Eles estudaram os "Números Rápidos" por 50 anos. Eles observam como os preços das ações se moveem ao longo de dias ou semanas. Eles usam uma estratégia chamada "Long Top, Short Bottom" (comprar as melhores notícias, vender as piores) e medem o sucesso pelo quanto ganham em relação ao risco.
Os Pesquisadores de PLN (Os Caras da Linguagem): Nos últimos 10 anos, eles estudaram a "Linguagem Lenta" (as teleconferências). Mas eles trataram isso como um exame escolar. Eles tentaram prever o movimento exato do preço da ação para cada única empresa e mediram o sucesso pela proximidade da sua previsão em relação ao preço real (usando uma métrica chamada MSE). Eles não tinham uma estratégia de negociação real; eles apenas queriam ver se sua IA conseguia adivinhar o número correto.

O Resultado: Os Caras da Matemática achavam que os Caras da Linguagem eram inúteis porque seus "resultados de exames" (MSE) não mostravam um lucro claro. Os Caras da Linguagem achavam que os Caras da Matemática estavam perdendo a nuance do tom do CEO. Eles estavam falando línguas diferentes.

A Solução: Construindo uma Ponte

Os autores construíram uma ponte chamada EARNINGSINONE. É um novo banco de dados massivo que alinha o comunicado de imprensa, a teleconferência e os preços das ações para 1.500 empresas dos EUA.

Eles criaram um Manual Unificado:

Eles aplicaram a estratégia de negociação "Long Top, Short Bottom" tanto para os números quanto para a linguagem.
Usaram a mesma "planilha de pontuação" (métricas como Sharpe Ratio e Coeficiente de Informação) para julgar tanto os números quanto a linguagem.

A Descoberta: Números Rápidos, Linguagem Lenta

Quando rodaram os testes usando as mesmas regras, um padrão claro emergiu:

Os Números são Rápidos: Se você tentar negociar com base nos "Números Rápidos" (surpresa de EPS) na abertura do mercado da manhã seguinte, você quase não ganha dinheiro. Os robôs já comeram esse lucro. No entanto, se você negociar intradia (dentro de 5 a 60 minutos após o anúncio da notícia), ainda pode obter lucro. A janela é minúscula, mas existe.
A Linguagem é Lenta: Se você tentar negociar com base na "Linguagem Lenta" (tom do CEO) imediatamente, não funciona bem. Mas se você esperar até o próximo dia útil, o sinal da linguagem torna-se muito poderoso. O mercado leva tempo para digerir o tom do CEO e, até o dia seguinte, o preço se move na direção que a linguagem previu.

A Analogia:
Pense no anúncio de resultados como um jogo de esportes.

Os Números são o placar final. Assim que o árbitro apita o fim, o placar aparece no telão. Todos sabem instantaneamente. Apostar no placar depois que o jogo começou é inútil.
A Linguagem é a entrevista pós-jogo. O treinador pode dizer: "Jogamos bem, mas nosso principal jogador está lesionado". A multidão precisa de tempo para processar isso. Na manhã seguinte, a ação (ou reputação) do time já se ajustou para refletir essa notícia da lesão.

Por Que Isso Importa

Para os Caras da Matemática: Eles perderam lucros de curto prazo porque esperaram demais para negociar os números. Eles precisam olhar para os dados durante o dia, não apenas na manhã seguinte.
Para os Caras da Linguagem: Eles estavam usando o teste errado. Eles tentavam prever o preço exato de cada ação (como tentar adivinhar a temperatura exata). Em vez disso, deveriam estar classificando as ações (como adivinhar qual time vencerá). Quando mudaram para o método de "classificação", seus modelos de linguagem mostraram ser muito lucrativos.

A Conclusão

O artigo prova que números e linguagem contam duas histórias diferentes em duas velocidades diferentes.

Números são para os robôs: Rápidos, imediatos e desaparecem até a manhã seguinte.
Linguagem é para os humanos (e algoritmos pacientes): Lenta, leva tempo para digerir e torna-se valiosa no dia seguinte.

Ao corrigir a forma como medem o sucesso, os autores mostraram que a parte da "linguagem" nas teleconferências de resultados é, na verdade, um ativo real e negociável que estava anteriormente oculto porque os pesquisadores estavam usando as ferramentas erradas para encontrá-lo.

Resumo Técnico: Números Rápidos, Linguagem Lenta: Unindo Sinais de Ganhos Quantitativos e Qualitativos

Problema
Economistas financeiros e pesquisadores de Processamento de Linguagem Natural (PLN) têm estudado anúncios de resultados há décadas utilizando frameworks fundamentalmente incompatíveis, o que impede a comparação direta de seus respectivos sinais.

Economia Financeira: Foca na surpresa quantitativa (desvios numéricos de EPS/receita em relação às estimativas dos analistas). Historicamente, esta comunidade avalia os sinais no horizonte do "próximo pregão" (next market open) utilizando estratégias de compra/venda (long/short) entre o decil superior e o decil inferior, e métricas como o Coeficiente de Informação (IC) e o Índice Sharpe. A literatura recente sugere que, para ações que não sejam de microcap, o alfa explorável da surpresa quantitativa se comprime para o próprio momento do anúncio, desaparecendo até o próximo pregão.
PLN: Foca em sinais qualitativos de Transcrições de Conferências de Resultados (ECTs), como o tom da gestão, orientações (guidance) e credibilidade do Q&A. Estes estudos tipicamente avaliam os sinais usando métricas pontuais como o Erro Quadrático Médio (MSE) sobre a volatilidade ou alvos agnósticos ao sinal (sign-agnostic), muitas vezes sem um framework de negociação prático (por exemplo, tratando todas as ações como igualmente negociáveis em vez de ranqueadas).

Esta divergência metodológica deixa duas lacunas: economistas financeiros perdem o alfa de curto horizonte dos sinais quantitativos ao esperar pelo próximo pregão, enquanto pesquisadores de PLN falham em demonstrar o valor econômico real dos sinais qualitativos porque suas métricas de avaliação (MSE) não se alinham com o desempenho direcional de negociação.

Metodologia
Os autores introduzem o EARNINGSINONE, um corpus unificado e um framework de avaliação projetados para unir essas comunidades.

Dataset (EARNINGSINONE):
- Cobre o universo S&P 1500 (2022–2025), compreendendo 5.428 eventos de ganhos em 701 tickers.
- Alinha três modalidades de dados para os mesmos eventos: notícias de resultados (com timestamps precisos), transcrições de ECTs e dados de preços intradiários/do dia seguinte.
- Utiliza LLMs (GPT-5-mini) para extrair valores numéricos reais de artigos de notícias e gerar pontuações de sentimento de ECTs e notícias.
Framework de Avaliação Unificado:
- Mecanismo de Negociação: Aplica uma estratégia canônica de "comprar o decil superior, vender o decil inferior" (long top-decile, short bottom-decile) para ambos os sinais quantitativos e qualitativos, afastando-se da abordagem de "negociar tudo" da comunidade de PLN.
- Âncoras de Entrada e Horizontes:
  - Rápido (Números): Entra no FirstActual (a primeira notícia confirmando EPS/receita, tipicamente 1–5 minutos após a divulgação) e mantém a posição para horizontes intradiários (5–60 minutos).
  - Lento (Linguagem): Entra no NextOpen (a abertura do mercado no dia seguinte) e mantém a posição para horizontes do dia seguinte (até 390 minutos).
- Métricas: Avalia o desempenho usando IC (correlação de postos de Spearman), Q5−Q1 (spread de quintis) e Índice Sharpe, em vez de MSE.
Construção de Sinais:
- Quantitativo: Surpresas de EPS e receita derivadas de notícias (extraídas por LLM) e dados de fornecedores (vendors).
- Qualitativo: Pontuações escalares de sentimento ([-1, 1]) derivadas de transcrições completas de ECT, com estudos de ablação sobre o mascaramento de números ou o ancoramento com cabeçalhos numéricos.

Principais Resultados
O framework unificado revela uma "separação clara de velocidade" entre os dois tipos de sinais:

Números Rápidos: A surpresa quantitativa atinge o pico imediatamente no anúncio (FirstActual).
- No FirstActual, a estratégia alcança um IC de 0,03 e um Índice Sharpe de 1,81.
- No NextOpen, este alfa é amplamente arbitrado, com o IC caindo para -0,02 e o Sharpe para -0,31, confirmando que a informação numérica é processada instantaneamente por algoritmos.
- Incluir surpresas de receita (sinais conjuntos) e utilizar dados de alta qualidade de fornecedores melhora o desempenho, mas o decaimento até o próximo pregão permanece consistente.
Linguagem Lenta: O sentimento qualitativo das ECTs atinge o pico no NextOpen.
- O Sentiment(ECT) avaliado no NextOpen gera um IC de 0,11 e um Índice Sharpe de 2,28, superando todas as variantes quantitativas nesse horizonte.
- Isso confirma que os sinais qualitativos exigem interpretação humana durante a noite e são negociáveis no dia seguinte.
- Estudos de ablação mostram que mascarar números na ECT reduz o desempenho (Sharpe 0,40), enquanto ancorar o sentimento com batidas/falhas numéricas conhecidas melhora a concentração de cauda (Sharpe 2,65).
Ortogonalidade: Os dois sinais são amplamente ortogonais (Spearman $\rho$ = 0,21). O sentimento da ECT captura o enquadramento e o tom da gestão além do beat/miss do título, enquanto o sentimento das notícias correlaciona-se mais fortemente com o resultado numérico ( $\rho$ = 0,38).
Desempenho de Baseline: Baselines ingênuos (Random L/S, Long-only, Ticker-Mean) e baselines de PLN anteriores (MLP baseado em embeddings) apresentam desempenho significativamente inferior às estratégias baseadas em sinais unificados.

Significância e Alegações
O artigo afirma estabelecer uma ponte entre a economia financeira e o PLN ao demonstrar que:

A Separação de Velocidade é Real: A surpresa quantitativa é um sinal "rápido" esgotado em minutos, enquanto o sentimento qualitativo é um sinal "lento" que amadurece durante a noite.
O Alinhamento da Avaliação Importa: Os sinais de PLN possuem valor econômico real, mas foram anteriormente obscurecidos por métricas desalinhadas (MSE) e pela falta de um framework de negociação. Quando avaliados com métricas padrão de finanças (IC, Sharpe) e um framework de compra/venda, o sentimento da ECT emerge como uma fonte de alfa robusta e negociável.
Complementaridade: As duas comunidades estavam estudando fenômenos complementares. Economistas financeiros podem recuperar o alfa de curto horizonte avaliando nos timestamps de anúncio, enquanto pesquisadores de PLN podem validar a negociabilidade dos sinais de linguagem adotando ferramentas de avaliação de gestão de ativos quantitativas.

Os autores concluem que os sinais de linguagem podem mostrar melhor valor quando avaliados em sua "velocidade natural", um achado aplicável a outros domínios ricos em dados que misturam sinais estruturados e textuais. O trabalho é apresentado como uma contribuição de pesquisa; os autores declaram explicitamente que os sinais de negociação são para fins de pesquisa e não constituem aconselhamento de investimento.