Large Language Model-Driven Small-Capitalization Trading: Integrating Financial News Sentiment, Macroeconomic Indicators, and Technical Signals

Resumo Técnico: Negociação de Pequena Capitalização Impulsionada por Grandes Modelos de Linguagem

Definição do Problema
Embora as notícias financeiras impulsionem os movimentos do mercado, a análise de sentimento tradicional usando léxicos fixos frequentemente falha em capturar negação, contexto e a linguagem específica do domínio financeiro. Embora os Grandes Modelos de Linguagem (LLMs) abordem essas limitações linguísticas, a literatura existente sofre de duas lacunas primárias:

1. Cobertura Redundante: A maioria dos estudos pontua manchetes como observações independentes, permitindo que a cobertura sindicada de um único evento sobrevalorize artificialmente um sinal com base na frequência, em vez do valor informacional.
2. Modelagem de Risco Estática: O sentimento é tipicamente tratado apenas como um dado de entrada para retornos esperados, enquanto o risco do portfólio (covariância) permanece uma estimativa histórica e independente de sinais. Isso ignora a capacidade do modelo preditivo de fornecer informações relativas à incerteza e à covariância entre ativos.

Além disso, o trading baseado em LLM enfrenta desafios de validação relativos ao "viés de antecipação" (look-ahead bias, onde os dados de treinamento do modelo se sobrepõem ao período de avaliação) e "efeitos de distração" (onde o conhecimento geral da empresa distorce os julgamentos de sentimento).

Metodologia
Os autores propõem um pipeline de ponta a ponta que integra o sentimento de resumos de notícias, indicadores macroeconômicos e sinais técnicos em uma estrutura de construção de portfólio consciente da incerteza.

• Dados e Seleção de Ações:

  • O universo consiste em ações do Russell 2000.
  • O pipeline decompõe o "gatilho de macro-beta" em três regimes de seleção distintos baseados em limiares de z-score para retornos de ações ($SS$) e retornos de indicadores ($SI$):
    • Alpha Puro ($SS \setminus SI$): Isola movimentos anormais específicos da empresa que não são contemporaneamente explicados por indicadores macro.
    • Beta Puro ($SI \setminus SS$): Captura movimentos macro antecipatórios onde um indicador sofreu um deslocamento para uma ação alavancada, mas a própria ação ainda não reagiu.
    • Interseção de Beta ($SI \cap SS$): Requer que ambos os canais sejam acionados simultaneamente.
  • Os candidatos são classificados usando eventos de COMPRA in-sample e limitados a 50 nomes.

• Processamento de Sentimento:

  • Agrupamento (Clustering): Para evitar que a cobertura sindicada domine os sinais, os artigos são incorporados (embedded) e agrupados via agrupamento aglomerativo de ligação simples (single-linkage agglomerative clustering) (distância de cosseno de limiar 0,90) dentro de uma janela móvel de 30 dias. Apenas o artigo mais próximo do centroide do grupo é retido como a história representativa.
  • Pontuação: Os artigos representativos são pontuados usando LLMs (principalmente GPT-4o mini, com verificações de robustez usando FinBERT, Mistral 7B e Llama 2). Os modelos utilizam cortes de conhecimento (knowledge cutoffs) que precedem o período de teste (ex: outubro de 2023 para o GPT-4o mini) para mitigar o viés de antecipação.
  • Normalização: O sentimento é transformado em uma surpresa normalizada via correção de prioridade de entidade e desmediação móvel estritamente retrospectiva (trailing rolling demeaning).

• Predição Conjunta de Retorno e Risco:

  • Uma rede multimodal processa características de resumos de notícias e indicadores técnicos derivados de OHLCV diário.
  • Em vez de tratar o risco como uma quantidade histórica separada, o modelo prediz a distribuição completa de retorno condicional (média $\hat{\mu}_t$ e covariância $\hat{\Sigma}_t$).
  • Decomposição de Incerteza: O modelo distingue entre:
    • Incerteza Aleatória: Aleatoriedade do mercado, capturada via uma cabeça de covariância de baixo posto mais diagonal.
    • Incerteza Epistêmica: Confiança do modelo, capturada via dropout de Monte Carlo durante a inferência. A dispersão entre passagens estocásticas estima a incerteza do modelo.
  • Estas são combinadas em uma matriz de covariância preditiva total: $\hat{\Sigma}_t = \hat{\Sigma}^A_t + \hat{\Sigma}^E_t$.

• Construção de Portfólio:

  • Os momentos preditos ($\mu_t, \Sigma_t$) são alimentados diretamente em um Otimizador de Média-Variância (MVO) restrito com regularização de custo de transação.
  • O otimizador é penalizado mais pesadamente quando o próprio modelo está incerto (alta covariância epistêmica), não apenas quando os ativos são historicamente voláteis.
  • Os benchmarks incluem Peso Igual (Equal Weight), Paridade de Risco (Risk Parity), Paridade de Risco Hierárquica (Hierarchical Risk Parity) e variantes de Black-Litterman.

Principais Resultados
Avaliado em ações do Russell 2000 (2025 fora da amostra) através de vários períodos de manutenção (1 a 60 dias) e custos de transação (até 100 bps):

1. Superioridade de Regime: Separar o gatilho de macro-beta em "Alpha Puro" e "Beta Puro" geralmente supera a "Interseção de Beta" (que exige ambos os gatilhos). A estratégia de interseção é frequentemente mais fraca porque exclui spillovers macro precoces e eventos idiossincráticos das ações.
2. Dependência de Horizonte:
   • Curto Prazo (1 dia): O Beta Puro pode ser eficaz com baixos custos ao capturar spillovers de atraso (lead-lag) imediatos de indicadores macro líquidos para small caps, mas essa vantagem desaparece a 100 bps devido ao giro (turnover) e ruído de microestrutura.
   • Médio Prazo (5, 10, 60 dias): O Alpha Puro domina. Isso sugere que a informação específica da empresa (lucros, contratos, governança) se difunde lentamente em small caps, permitindo um repricing tardio.
   • Médio-Longo Prazo (20, 40 dias): O Beta Puro domina novamente, sugerindo um canal de repricing macro mais lento onde choques agregados são gradualmente mapeados em fundamentos heterogêneos das empresas.
3. Melhor Desempenho: A configuração conservadora mais forte identificada foi o Beta Puro usando sentimento do GPT-4o mini, uma distribuição alvo de Student-t, um período de manutenção de 40 dias e alocação de Paridade de Risco. Isso alcançou um Índice de Sharpe de 2,33 a 100 bps de custos de transação.
4. Robustez: A vantagem do Alpha Puro de 60 dias permaneceu robusta em toda a gama de custos de transação (0 a 100 bps), sugerindo que não é um artefato de suposições de custos específicas.

Significância e Alegações
O artigo afirma que o regime de seleção de ações (como o conjunto negociável é definido) e a escolha do alocador importam tanto quanto o próprio modelo de sentimento.

• A Decomposição é Informativa: Separar gatilhos de empresa (Alpha Puro) de gatilhos de exposição macro (Beta Puro) produz sinais mais acionáveis do que exigir que ambos sejam disparados simultaneamente.
• Integração de Incerteza: Alimentar o risco predito pelo modelo (decomposto em componentes aleatórios e epistêmicos) diretamente na matriz de covariância dos alocadores de portfólio é um avanço crítico sobre o tratamento do risco como uma quantidade histórica fixa.
• Sentimento Contextual: Agrupar histórias de notícias relacionadas antes da pontuação evita que a cobertura sindicada repetitiva distorça os sinais, garantindo que o sentimento reflita a importância da história, e não sua frequência.

Os autores concluem que o sentimento de notícias via LLM é mais eficaz quando incorporado em uma arquitetura mais ampla que controla o conjunto de oportunidades, distingue canais macro e idiossincráticos, e utiliza a incerteza predita na construção de portfólios, em vez de servir meramente como uma sobreposição de retorno esperado.