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

想象一个股票市场就像一座巨大且繁忙的图书馆的世界。在这座图书馆里，每家公司都会撰写一份名为“10-K”的年度日记，详细记录它们销售什么、竞争对手是谁以及面临哪些风险。几十年来，监管机构一直认为，如果你仔细阅读这些日记，仅凭它们讲述的故事有多相似，就能辨别出哪些公司是“孪生兄弟”或“表亲”。这个想法是被称为“影子交易”（shadow trading）的新兴且具有争议的规则的基础。

这项规则是这样运作的：如果一家公司的内部人员获知了关于其自身公司的秘密（例如一次突如其来的合并），他们不仅不应该交易自己的股票，还应该在无需被告知的情况下，意识到他们的“表亲”公司也可能受到影响。如果他们根据这个秘密去交易表亲公司的股票，那就是违法的。问题在于，政府目前捕捉这些交易者的方式，就像是在图书馆里的每一个人身上都安装一个摄像头并记录他们迈出的每一步，希望能找到那个看错了书的人。这种大规模的监视成本高昂，并引发了关于隐私的重大质疑。这篇论文提出的核心问题很简单：我们能否用一台超级聪明的计算机（人工智能）通过阅读这些公司的日记，在交易发生之前就判断出哪些公司是“表亲”？如果答案是“可以”，那么我们可能就不需要监视所有人。如果答案是“不可以”，那么政府的大规模监视可能是捕捉这些交易者的唯一途径，即便这让人感觉是对隐私的侵犯。

这篇题为《语言模型能否识别影子交易目标？》（Can Language Models Identify Shadow Trading Targets?）的论文，使用最先进的人工智能对这一想法进行了测试。研究人员构建了一个“机器人侦探”两步走程序。首先，人工智能阅读了一家刚刚被收购公司的“日记”（具体指“管理层讨论与分析”部分）。然后，它尝试列出另外十家听起来最相似的公司，就像一个了解该行业的内部人士一样。第二步，人工智能为这些“表亲”公司给出一个相似度评分，将它们从“亲近的家人”到“疏远的熟人”进行排序。

研究人员随后玩了一场“寻找规律”的游戏。他们观察了过去十年中 30 起真实的上市公司收购案。对于每起事件，他们检查了：人工智能认为最接近的“表亲”公司，是否真的在新闻发布当天出现了股价跳升？如果“影子交易”理论是正确的，那么人工智能应该能够准确预测哪些股票会发生波动。

结果却让该理论有些失落。当研究人员观察整个 30 起事件组时，人工智能的排名与股票实际的波动几乎没有任何联系。这就像试图通过观察马的蹄铁来猜测赛马的胜者；人工智能的“相似度评分”在出错和正确方面的概率几乎相等。事实上，这种统计联系非常微弱（+0.07），以至于研究人员得出结论：该数据与任何中等程度的关系都不一致。他们发现，在 14 个案例中，人工智能的猜测似乎与市场吻合，但在 12 个案例中，它们完全背道而驰，而在 4 个案例中，情况则是一团乱麻。

该论文并未明确排除公共公司日记包含一张关于哪些股票会联动运行的地图的可能性；相反，它指出其特定的测试并未证实存在这样一张地图，并限定了任何可能存在的关系的规模非常小。作者认为，政府所依赖的“经济关联性”并不是一种仅仅通过阅读文本就能可靠发现的东西。在引发这场辩论的著名案例（SEC v. Panuwat）中，人工智能确实找到了涉及的具体公司（Incyte），但它仅将其排在十个目标中的第三位，而实际波动最大的股票却是排名第九的同行。

作者非常谨慎，他们并没有说“影子交易”不存在，也没有说人工智能是没用的。他们只是表示，就其使用的工具而言，认为内部人员可以通过阅读公开报告来精确了解哪些其他股票属于禁区，这一观点并没有得到证据的支持。“表亲”关系似乎过于混乱且难以预测，无法仅通过阅读文本来发现。这一发现给法律理论带来了压力：如果你无法利用公开信息预先识别出“表亲”，那么政府用来捕捉这些交易者的庞大监视系统，可能就是剩下的唯一选择，即便这感觉像是一种“数字通配令”，监视所有人只为抓捕极少数违规者。