Resumo Técnico: Valor da Agregação de Texto Completo versus Fatores de Risco em Relatórios 10-K

Declaração do Problema

A extração de sentimento financeiro tem dependido historicamente de textos de notícias e de supervisão de extração contra rótulos de retorno isoladamente. Consequentemente, os relatórios regulatórios — especificamente o Formulário 10-K da U.S. Securities and Exchange Commission (SEC) — e o alvo da volatilidade, que a linguagem de divulgação de riscos é possivelmente mais apta a informar, permanecem comparativamente inexplorados. Embora trabalhos anteriores tenham aplicado pontuação baseada em dicionários ou aprendizado profundo a relatórios, há uma lacuna na aplicação de aprendizado de léxico supervisionado para textos regulatórios e, crucialmente, no uso da volatilidade como um alvo de supervisão. Além disso, permanece incerto se as seções direcionadas de divulgação de risco (Item 1A) ou o texto abrangente do relatório geram sinais de sentimento mais preditivos, e como essa relação muda através de diferentes níveis de agregação (setor, portfólio e firma individual).

Metodologia

Dados e Extração

O estudo utiliza 1.383 relatórios Form 10-K de 94 constituintes tecnológicos do Nasdaq-100 (2006–2023), recuperados do sistema SEC EDGAR. O pipeline de extração isola duas variantes de documento para cada relatório:

1. Relatório Completo (Full Filing): O texto HTML completo do 10-K.
2. Item 1A: A seção específica de fatores de risco, extraída via heurísticas estruturais (removendo rodapés, identificando cabeçalhos e localizando a seção entre o "Item 1A" e o próximo cabeçalho principal).

Apesar de constituir apenas 10–15% da extensão do relatório, a seção Item 1A retém aproximadamente 57% da contagem de palavras do relatório completo após o pré-processamento, indicando uma alta densidade de vocabulário relevante para o sentimento.

Arquitetura do Modelo

O artigo estende a estrutura de aprendizado de léxico supervisionado de Ke et al. [2020], originalmente projetada para artigos de notícias, para relatórios regulatórios. O modelo opera sobre três premissas fundamentais:

1. Decomposição de Vocabulário: O vocabulário $V$ divide-se em palavras carregadas de sentimento $S$ e palavras neutras $N$. O tom de um relatório é determinado unicamente pelas contagens de palavras em $S$.
2. Distribuição de Mistura: As contagens de palavras carregadas de sentimento seguem uma distribuição multinomial de mistura governada por um escore de sentimento não observado $p_i \in [0, 1]$, onde $p_i=1$ representa sentimento puramente positivo e $p_i=0$ representa sentimento puramente negativo.
3. Suficiência: O escore de sentimento $p_i$ é suficiente para a relação entre o conteúdo do relatório e o rótulo observado $y_i$ (retorno ou volatilidade).

Treinamento e Pontuação:

• Pontuação de Palavras: As palavras são pontuadas com base na fração de suas ocorrências em relatórios com rótulos positivos (Eq. 2). As palavras são retidas como carregadas de sentimento se seu escore desviar significativamente de 0,5 (regido pelos limiares $\alpha_+$ e $\alpha_-$) e atender a uma contagem de frequência $k$.
• Estimativa de Tópicos: Como os escores de sentimento reais não são observados, um proxy $\check{p}_i$ é construído a partir dos rótulos. Vetores de distribuição de tópicos $\hat{O}$ (representando tópicos de sentimento positivo e negativo) são estimados usando uma projeção linear das frequências relativas de palavras de sentimento contra a matriz proxy (Eq. 4).
• Predição de Sentimento: Para novos relatórios, o escore de sentimento $\hat{p}$ é o maximizador de uma função de log-verossimilhança penalizada (Eq. 5), que reduz o escore em direção a 0,5 para relatórios com poucas palavras de sentimento para evitar excesso de confiança.

Rotulagem e Agregação

O modelo é treinado contra dois alvos distintos:

• Retorno: O ranking percentil dos retornos logarítmicos realizados de abertura ao fechamento.
• Volatilidade: Um proxy normalizado baseado na amplitude de preço logarítmica intradia (Corsi [2009]), média sobre uma janela de três dias.

A avaliação é conduzida em três níveis de agregação:

1. Setor: Todo o setor de tecnologia do QQQ (Nasdaq-100).
2. Portfólio: Um portfólio dos 10 principais constituintes.
3. Firma: Firma individual (especificamente a Nvidia).

As séries de nível setorial e de portfólio são suavizadas usando um filtro de Kalman de nível local para lidar com chegadas irregulares de relatórios e reduzir o ruído. Os escores de nível de firma são analisados sem filtragem para preservar a variação específica de cada relatório.

Principais Contribuições

1. Extensão Metodológica: A primeira aplicação de uma abordagem de aprendizado de léxico supervisionado a relatórios 12-K e suas seções de fatores de risco Item 1A, indo além de textos de notícias.
2. Expansão de Alvo: A primeira aplicação desta estrutura para supervisionar a extração de sentimento contra um alvo de volatilidade, além de retornos.
3. Estudo de Ablação: Uma comparação sistemática entre o texto do relatório completo versus a seção Item 1A através de três níveis de agregação, isolando o valor preditivo da divulgação de risco direcionada versus o texto abrangente.
4. Avaliação Multieixo: Uma avaliação abrangente de doze métricas de sentimento resultantes (2 tipos de documentos $\times$ 2 alvos $\times$ 3 níveis) via precisão de classificação, correlação com resultados de mercado e análise lexical qualitativa.

Resultados

Precisão e Perda

• Níveis de Setor e Portfólio: O texto completo do 10-K supera a seção apenas de Item 1A para ambos os alvos de retorno e volatilidade, alcançando margens de precisão de 2 a 5 pontos percentuais.
• Nível de Firma Individual: A tendência se inverte. A seção Item 1A supera o relatório completo em 1 ponto percentual em retorno e 6 pontos percentuais em volatilidade.
• Interpretação: Isso é atribuído a um efeito de agregação. No nível de setor/portfólio, o vocabulário maior e heterogêneo do relatório completo fornece material suficiente para isolar termos carregados de sentimento entre muitas firmas. No nível de firma única ($n=1$), a linguagem de "boilerplate" e de demonstrações financeiras do relatório completo dilui o sinal, enquanto o vocabulário mais estreito e concentrado do Item 1A melhor se ajusta ao sinal de treinamento limitado disponível.

Análise de Correlação

• Baseline de Dicionário: O baseline do dicionário Loughran-McDonald (LM) é consistentemente e fortemente correlacionado negativamente com o preço em todos os níveis (ex: $r = -0,91$ no nível setorial). Isso ressalta a natureza conservadora e avessa ao risco da linguagem regulatória e as limitações de dicionários estáticos para este domínio.
• Scores Supervisionados:
  • Nos níveis de setor e portfólio, os scores supervisionados por retorno e volatilidade são negativamente correlacionados ($r = -0,245$).
  • No nível de firma, os scores supervisionados por retorno e volatilidade são positivamente correlacionados ($r = 0,612$ para o 10-K completo), contrastando com a relação no nível setorial.
  • O sentimento supervisionado por retorno geralmente correlaciona-se positivamente com o preço, enquanto o baseline LM correlaciona-se negativamente.

Análise Lexical Qualitativa

Os modelos aprenderam temas distintos:

• Full 10-K: Capturou temas amplos como "Inovação e Desenvolvimento" (ex: musk, torque) e "Saúde Financeira".
• Item 1A: Apresentou narrativas de risco prospectivas específicas que são frequentemente diluídas no texto completo, como "Risco de Cadeia de Suprimentos" (ex: subcontractor, dependence) no nível de portfólio, e temas de "Biotecnologia" ou "Cibersegurança" explícitos no nível setorial.

Significância e Alegações

O artigo estabelece que o valor da fonte de texto (relatório completo vs. seção de fatores de risco) é dependente da agregação. Argumenta-se que, embora o texto do relatório completo forneça sinais de sentimento superiores para análise de mercado agregada devido ao poder estatístico, as seções de risco direcionadas são superiores para análise de firma individual onde os dados de treinamento são escassos.

O estudo afirma que o aprendizado de léxico supervisionado é essencial para o texto de divulgação regulatória, como evidenciado pela forte correlação negativa do dicionário estático LM com o preço, que os modelos supervisionados conseguem inverter ou adaptar. Estas descobertas e escolhas de design são apresentadas não como um produto final, mas como a metodologia fundamental para um sistema subsequente, maior e de múltiplas fontes. Os autores mantêm a modéstia, notando limitações como a representação bag-of-words (ignorando frases de múltiplas palavras) e a falta de ponderação por índice nos agregados, enquadrando este trabalho como um passo necessário para uma análise de sentimento financeiro mais robusta.