Can Language Models Identify Shadow Trading Targets? An NLP Evaluation of SEC Enforcement Theory

Imagine um mundo onde o mercado de ações é uma biblioteca gigante e movimentada. Dentro dela, cada empresa escreve um diário anual chamado "10-K", detalhando exatamente o que vendem, com quem competem e quais riscos enfrentam. Por décadas, os reguladores acreditaram que, se você lesse esses diários cuidadosamente, poderia identificar quais empresas são "gêmeas" ou "primas" apenas pela semelhança de suas histórias. Essa ideia é a base de uma nova e controversa regra chamada "shadow trading" (negociação de sombra).

A regra funciona assim: se um insider de uma empresa descobre um segredo sobre sua própria firma (como uma fusão surpresa), ele não deve apenas evitar negociar suas próprias ações. Ele também deve saber, sem ser avisado, que suas empresas "primas" também podem ser afetadas. Se ele negociar as ações de sua prima com base nesse segredo, isso é ilegal. O problema é que a forma atual como o governo captura esses negociantes é como instalar uma câmera em cada pessoa na biblioteca e registrar cada passo que dão, esperando encontrar a única pessoa que olhou para o livro errado. Essa vigilância massiva é cara e levanta grandes questões sobre privacidade. A grande pergunta que este artigo faz é simples: um computador superinteligente (uma IA) consegue ler esses diários das empresas e descobrir quais empresas são "primas" antes que a negociação aconteça? Se a resposta for "sim", talvez não precisemos espionar todo mundo. Se a resposta for "não", então a vigilância massiva do governo pode ser a única maneira de capturar esses negociantes, mesmo que pareça uma violação de privacidade.

Este artigo, intitulado "Can Language Models Identify Shadow Trading Targets?" (Podem Modelos de Linguagem Identificar Alvos de Shadow Trading?), coloca essa ideia à prova usando uma IA de última geração. Os pesquisadores construíram um robô detetive de duas etapas. Primeiro, a IA lê os "diários" (especificamente a seção "Discussão e Análise da Administração") de uma empresa que acabou de ser comprada. Em seguida, ela tenta listar outras dez empresas que soam mais semelhantes, agindo como um insider que conhece o setor. Segundo, a IA dá a essas empresas "primas" uma pontuação de similaridade, classificando-as de "família muito próxima" a "conhecidos distantes".

Os pesquisadores então jogaram um jogo de "identificar o padrão". Eles analisaram 30 casos reais de aquisições de empresas na última década. Para cada evento, eles verificaram: as empresas que a IA considerou as "primas" mais próximas realmente viram seus preços de ações saltarem no dia em que a notícia foi divulgada? Se a teoria do "shadow trading" for verdadeira, a IA deveria ter sido capaz de prever exatamente quais ações se moveriam.

Os resultados foram um pouco frustrantes para a teoria. Quando os pesquisadores analisaram todo o grupo de 30 eventos, as classificações da IA tiveram quase nenhuma conexão com a forma como as ações realmente se moveram. Era como tentar adivinhar o vencedor de uma corrida de cavalos olhando para os sapatos dos cavalos; as "pontuações de similaridade" da IA eram tão propensas a errar quanto a acertar. Na verdade, o vínculo estatístico foi tão fraco (+0,07) que os pesquisadores concluíram que os dados são inconsistentes com qualquer relação moderada. Eles descobriram que, em 14 casos, os palpites da IA pareceram coincidir com o mercado, mas em 12 casos, contradisseram-no completamente, e em 4 casos, foi uma bagunça total.

O artigo não descarta definitivamente a ideia de que os diários públicos das empresas contêm um mapa de quais ações se moverão juntas; em vez disso, afirma que seu teste específico não estabeleceu que tal mapa existe e limitou o tamanho de qualquer relação possível para algo muito pequeno. Os autores sugerem que o "vínculo econômico" no qual o governo se baseia não é algo que se possa encontrar de forma confiável apenas lendo textos com as ferramentas que utilizaram. No famoso caso que iniciou todo este debate (SEC v. Panuwat), a IA conseguiu encontrar a empresa específica envolvida (Incyte), mas a classificou apenas em terceiro lugar entre dez, enquanto a ação que mais se moveu era uma par classificada em nono lugar.

Os autores são cuidadosos ao não dizer que o "shadow trading" não acontece ou que a IA é inútil. Eles simplesmente afirmam que, com as ferramentas utilizadas, a ideia de que um insider poderia olhar para um relatório público e saber exatamente quais outras ações estão fora dos limites não é sustentada pelas evidências. A relação de "primo" parece ser complexa e imprevisível demais para ser encontrada apenas pela leitura de textos. Essa descoberta coloca pressão sobre a teoria jurídica: se você não consegue identificar os "primos" com antecedência usando informações públicas, então o sistema de vigilância massiva que o governo usa para capturar esses negociantes pode ser a única opção restante, mesmo que pareça um "mandado geral digital" que observa a todos para encontrar os poucos que quebram as regras.