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

想象一下，你正在试图猜测某家公司发布财报当天，其股价会上涨、下跌还是保持中性。这是一项出了名的棘手游戏，因为市场充满噪音，价格可能在瞬间剧烈波动。

苏黎世联邦理工学院（ETH Zurich）的研究人员将这一任务视为侦探故事。他们利用人工智能构建了一个“超级神探”系统来破解这个谜团。以下是他们如何做到的通俗解释：

1. 三条线索（数据）

为了做出预测，人工智能并非只关注单一因素。它收集了三种不同类型的线索，就像侦探结合指纹、证人证词和作案动机一样：

• 公司的健康报告（基本面）： 他们审视了 15 个硬性数据，例如公司盈利多少或负债多少。这是“官方”数据。
• 市场的近期情绪（价格动态）： 他们观察了过去 30 天的股价，并利用简单的数学方法判断价格是加速还是减速。
• 新闻的低语（情绪）： 他们使用一种名为FinBERT的特殊 AI 阅读器来阅读数千篇财经新闻文章。这个 AI 不仅阅读文字，还理解语气。新闻是令人愉快、悲伤还是冷漠？

2. 三位侦探（模型）

团队训练了三位不同的“侦探”来破案，并比较谁最出色：

• 老派侦探（逻辑回归）： 这是一个简单、线性的思考者。它审视线索并画出一条直线得出结论。它速度快，但往往忽略细微差别。
• 谨慎的观察者（LSTM）： 这是一个深度学习模型，它像逐页阅读书籍一样，按天阅读故事。它非常谨慎。如果它没有 100% 的把握，它就会采取保守策略。
• 全局视野的远见者（Transformer）： 这是一个更先进的模型，能够一次性审视整个 30 天的故事。它利用“注意力”机制来找出过去哪些具体日子最为关键，而不仅仅是按顺序阅读它们。

3. 棘手之处：“中性”陷阱

最大的挑战在于，大多数时候，股票在财报日并不会发生剧烈变动；它们保持中性。

• 想象一个教室，其中 67% 的学生安静地坐着，只有少数人在跳上跳下。
• 如果一位侦探只是猜测“大家都在坐着”，那么他大多数时候都会猜对，但他会错过所有激动人心的跳跃。
• 研究人员必须教会他们的 AI 像对待那些无聊的平静日子一样，同样重视那些罕见的剧烈波动（上涨或下跌）。他们使用了一种特殊的评分系统，如果 AI 猜错了方向（例如，实际是“下跌”却说是“上涨”），就会对其施以重罚。

4. 结果：谁赢了？

论文发现，并没有一位“完美”的侦探；这取决于你更看重什么：安全性还是敏感性。

• 谨慎的观察者（LSTM）是“稳妥之选”：

  • 它非常保守。它主要预测“中性”，以避免犯下代价高昂的错误。
  • 结果： 它造成的代价高昂的错误最少。如果你厌恶风险（害怕亏钱），这就是你想要的模型。它就像一位只有在绝对确定时才会转动方向盘的司机。

• 全局视野的远见者（Transformer）是“敏锐的猎手”：

  • 它在捕捉剧烈价格波动方面表现要好得多。它捕捉到了更多的“上涨”和“下跌”走势。
  • 结果： 它在发现这些走势方面的总体成功得分（Macro F1）最高。然而，因为它试图捕捉一切，所以它在判断股票具体会朝哪个方向变动时，犯了更多的错误。它就像一位能发现每一个坑洼但可能会频繁变道的司机。

• 老派侦探（逻辑回归）表现挣扎：

  • 它过于简单，无法处理新闻、价格和历史的复杂混合。它频繁犯下代价高昂的方向性错误。

5. “秘密武器”（新闻情绪）

研究人员测试了如果从线索中移除“新闻的低语”（情绪）会发生什么。

• 裁决： 没有新闻，每位侦探的表现都变差了。
• 原因？ 新闻提供了数字和价格图表无法独自看到的额外信息。它起到了稳定器的作用，帮助 AI 做出更可靠的猜测。

结论

论文得出结论，预测财报日的股票走势是一场平衡术。

• 如果你想最小化风险并避免重大错误，LSTM（谨慎模型）更好。
• 如果你想捕捉波动性走势并愿意承担更多风险，Transformer（敏感模型）更好。

至关重要的是，这项研究证明，你不能仅依赖数字；你必须纳入新闻的“情绪”才能获得最佳结果。