Sztuczna inteligencja analizuje wiadomości z rynku finansowego

Modele SI określają, czy wiadomość ma ton pozytywny, negatywny czy neutralny wobec firmy lub rynku, analizując słownictwo i kontekst. Na przykład „Firma X raportuje rekordowe zyski” jest oznaczane jako pozytywne, podczas gdy „Firma Y podlega śledztwu w sprawie oszustwa” jako negatywne.

FinBERT to popularne podejście – wersja modelu językowego BERT Google’a dostosowana specjalnie do klasyfikacji nastrojów w tekstach finansowych. Modele te są trenowane na historycznych wiadomościach finansowych oznaczonych według wpływu na ceny akcji.

BloombergGPT, specjalistyczny duży model językowy, został wytrenowany, by poprawić analizę nastrojów w wiadomościach finansowych (oraz rozpoznawanie nazw własnych i klasyfikację wiadomości). Poprzez ocenę emocjonalnego tonu rynku, SI dostarcza ilościowe narzędzie do oceny jakościowych wiadomości.

Wiadomości finansowe są pełne nazw własnych – nazw firm, osób, produktów, miejsc itd. Systemy SI wykorzystują NLP do identyfikacji i oznaczania podmiotów wymienionych w artykułach. Jeśli wiadomość mówi „Apple zaprezentowało nowego iPhone’a w Chinach”, SI oznacza „Apple” jako firmę, „iPhone” jako produkt, a „Chiny” jako lokalizację.

Zaawansowane platformy jak RavenPack dysponują ogromnymi słownikami finansowymi – algorytmy RavenPack rozpoznają ponad 12 milionów unikalnych podmiotów, w tym spółki publiczne i prywatne, kadry zarządzające, insiderów oraz konkretne produkty czy waluty.

Poza oznaczaniem nazw, SI klasyfikuje temat wiadomości (rodzaj wydarzenia). Czy to raport finansowy, ogłoszenie o fuzji, kwestia regulacyjna czy wskaźnik ekonomiczny? Taksonomia RavenPack obejmuje ponad 7 000 kategorii wydarzeń do kategoryzacji wiadomości.

Nie wszystkie wiadomości są równe – niektóre powtarzają stare informacje, inne wnoszą coś nowego. Narzędzia SI oceniają nowość (jak bardzo unikalna jest wiadomość) oraz istotność (jak bezpośrednio wpływa na daną firmę lub rynek).

Na przykład drobny blog wspominający Apple mimochodem otrzyma niską ocenę istotności, podczas gdy śledztwo SEC dotyczące finansów Apple będzie ocenione bardzo wysoko. RavenPack dostarcza oceny istotności i śledzi nowość dla każdego wykrytego podmiotu/wydarzenia w artykule, wraz z oceną „wpływu”.

Wykrywanie nowości odbywa się często przez porównanie tekstu z ostatnimi wiadomościami, by sprawdzić, czy nie powtarza znanych informacji. To kluczowe na szybko zmieniających się rynkach, gdzie wiele źródeł może powielać ten sam komunikat Reutersa – SI może oznaczyć pierwsze wystąpienie jako nowe i zminimalizować znaczenie pozostałych.

Zaawansowana SI nie ogranicza się do pojedynczych artykułów – potrafi identyfikować makrotematy i trendy w tysiącach wiadomości. LSEG MarketPsych Analytics grupuje wiadomości w ponad 200 kategorii ekonomicznych i behawioralnych (np. „wojna handlowa”, „inflacja”, „cyberbezpieczeństwo” itd.).

SI klasyfikuje każdą wiadomość według tych tematów i ocenia nastroje w ramach każdego z nich. Pozwala to inwestorom śledzić zmiany nastrojów w czasie (np. czy sentyment wokół „pojazdów elektrycznych” poprawia się czy pogarsza w tym kwartale?). Terminal Bloomberga oferuje funkcję „Kluczowe tematy wiadomości”, która wykorzystuje SI do grupowania wiadomości tematycznie.

Dzięki ujawnianiu tematycznych wniosków SI pomaga łączyć fakty. Jeśli wiele firm ma wiadomości dotyczące np. zakłóceń łańcucha dostaw, inwestor może wykryć rosnący czynnik ryzyka na rynku. SI w zasadzie czyta między wierszami, dostrzegając wzorce między artykułami, które człowiek mógłby przeoczyć czytając pojedynczo.

Coraz częstszym zastosowaniem SI jest streszczanie długich lub złożonych wiadomości do przystępnej formy. Modele generatywne (jak GPT-4 i BloombergGPT) potrafią tworzyć zwięzłe podsumowania lub wypunktowania artykułu, zachowując kluczowe fakty.

Bloomberg niedawno wprowadził streszczenia wiadomości zasilane SI w swoim Terminalu: dla każdej wiadomości Bloomberg News SI generuje trzy kluczowe punkty na początku artykułu. Streszczenia są weryfikowane przez ekspertów Bloomberga, co pozwala zapracowanym traderom zrozumieć istotę wiadomości na pierwszy rzut oka.

Przełom… jasne, zwięzłe wnioski pozwalające szybko pojąć złożone historie.

— Starszy trader, użytkownik Terminala Bloomberg

Poza streszczeniami SI może odpowiadać na pytania dotyczące wiadomości (Q&A). Jeśli zapytasz: „Co dziś powiedział szef Fed o inflacji?”, system SI może wyciągnąć odpowiedź z transkryptu wiadomości. Niektóre platformy pozwalają teraz użytkownikom na interakcję z wiadomościami przez czat, zadając pytania uzupełniające, co jest bardziej intuicyjnym sposobem analizy informacji.

Być może najwcześniejszymi użytkownikami analizy wiadomości przez SI były firmy zajmujące się handlem ilościowym i algorytmicznym. Integrują one sygnały pochodzące z wiadomości w swoich modelach handlowych, by zyskać przewagę. Warto zauważyć, że ponad 70% najlepszych funduszy hedgingowych wykorzystuje RavenPack News Analytics do generowania alfa i zarządzania ryzykiem.

Dla tych funduszy dane dostarczane przez SI, takie jak oceny nastrojów, metryki szumu czy wykrywanie wydarzeń, służą jako sygnały handlowe. Algorytm może kupować akcje z bardzo pozytywnym sentymentem i sprzedawać te z negatywnym (strategia potwierdzona testami historycznymi pokazującymi różnice w wynikach między akcjami o wysokim i niskim sentymencie).

Firmy zajmujące się handlem wysokiej częstotliwości również wykorzystują SI do algorytmicznej analizy kanałów informacyjnych – jeśli pojawi się nagłówek wpływający na rynek (np. niespodzianka ze strony banku centralnego), ich SI może natychmiast wywołać transakcje, często w pełni automatycznie. To sprawiło, że rynki stały się niezwykle reaktywne na wiadomości, co przyczynia się do gwałtownych ruchów przy niespodziewanych informacjach.

Poza szybkim handlem, analiza wiadomości przez SI wspiera inwestorów długoterminowych, takich jak zarządzający aktywami, fundusze inwestycyjne i doradcy majątkowi. Dane o nastrojach i trendach wiadomości dostarczają dodatkowej warstwy wglądu ponad fundamenty.

Zarządzający portfelem akcji może monitorować ocenę nastroju każdej spółki w portfelu; nagły spadek może skłonić do analizy negatywnych wiadomości i oceny, czy wskazują na problem fundamentalny. Podobnie SI może wskazywać pojawiające się tematy wpływające na strategię portfela – np. zauważenie, że „cyberbezpieczeństwo” jest coraz częściej wspominane w kontekście kilku spółek technologicznych, może sygnalizować rosnące ryzyko (lub szansę) do uwzględnienia.

Alerty tematyczne pozwalają na proaktywne dostosowanie portfela: jeśli SI wykryje wzrost retoryki wojny handlowej i zidentyfikuje prawdopodobnych „zwycięzców” i „przegranych” z tego tematu, zarządzający może odpowiednio przechylić portfel. SI pomaga też badaczom unikać luk informacyjnych, monitorując wiele źródeł – może ostrzegać o wiadomościach z mało znanych publikacji lub w obcych językach, które mogłyby zostać przeoczone.

Niektóre platformy (np. AlphaSense) integrują badania brokerskie i dokumenty SEC wraz z wiadomościami, wykorzystując SI do przeszukiwania wszystkich tekstów dotyczących firmy. Jeden z badaczy opisał używanie SI podobnej do ChatGPT do odtwarzania „wielu procesów, które kiedyś wykonywałem” w banku inwestycyjnym, od streszczania finansów firmy po wykrywanie sygnałów ostrzegawczych w wiadomościach.

W finansach nie chodzi tylko o szukanie okazji – równie ważne jest zarządzanie ryzykiem i przestrzeganie regulacji. Analiza wiadomości przez SI to wsparcie dla specjalistów ds. ryzyka i zespołów compliance. Może pełnić funkcję systemu wczesnego ostrzegania przed różnymi zagrożeniami: wykrywając negatywne informacje o kontrahencie, sygnały problemów z ładem korporacyjnym czy monitorując wydarzenia geopolityczne wpływające na rynki.

Jeśli firma nagle staje się tematem wiadomości z powodu skandalu lub pozwu, SI może to natychmiast oznaczyć, by menedżerowie ryzyka mogli dostosować ekspozycje. Działy compliance wykorzystują SI do monitorowania wiadomości pod kątem nadużyć rynkowych lub informacji poufnych. Giełdy i regulatorzy stosują SI do monitorowania mediów społecznościowych i wiadomości w celu wykrywania manipulacji rynkowych lub oszustw.

Anomalie – jak nagły wzrost pozytywnych wpisów o słabo obracanej akcji – mogą być wykrywane przez SI i badane pod kątem potencjalnych schematów pump-and-dump. Monitorowanie w czasie rzeczywistym i kompleksowa kontrola, które umożliwia SI, pomagają utrzymać integralność rynku.

Dodatkowo, konsolidując wiadomości na pulpicie, SI pomaga specjalistom compliance w przeprowadzaniu kontroli due diligence klientów lub inwestycji („Poznaj swojego klienta” i przeciwdziałanie praniu pieniędzy) poprzez szybkie wyszukiwanie negatywnych informacji związanych z osobą lub podmiotem. W ten sposób SI nie tylko pomaga zarabiać, ale także chroni instytucje finansowe przed ryzykiem i nadużyciami.

Analiza wiadomości przez SI nie jest zarezerwowana tylko dla elit Wall Street. Coraz częściej trafia do inwestorów detalicznych i doradców finansowych obsługujących klientów indywidualnych. Nowe aplikacje robo-doradcze i platformy handlowe integrują SI, by dostarczać użytkownikom analizy oparte na wiadomościach.

Niektóre aplikacje tradingowe mają teraz wbudowane wskaźniki nastrojów lub generowane przez SI streszczenia powodów ruchów akcji. Dzięki SI nawet indywidualni inwestorzy mają dostęp do analiz, które „dawniej były dostępne tylko dla dużych banków lub inwestorów instytucjonalnych”.

Ostatni raport Reutersa wskazał, że 13% inwestorów detalicznych już korzystało z narzędzi SI, takich jak ChatGPT, do badań lub rekomendacji akcji, a około połowa jest otwarta na takie rozwiązania. Ta demokratyzacja oznacza, że przeciętny użytkownik może zapytać chatbota: „Jaka jest perspektywa dla firmy Z na podstawie najnowszych wiadomości?” i otrzymać spójną odpowiedź syntetyzującą aktualne wydarzenia.

Startupy oferują też spersonalizowane kanały wiadomości kuratorowane przez SI, dopasowane do portfela lub zainteresowań inwestora, często z wyjaśniającymi podświetleniami. Na przykład StockPulse dostarcza klientom (w tym brokerom) codzienne streszczenia i analizy nastrojów generowane przez SI, zintegrowane z raportami wspierającymi świadome decyzje.

Doradcy finansowi zarządzający portfelami klientów korzystają z analizy wiadomości przez SI, by być na bieżąco i lepiej komunikować się z klientami. Doradca może polegać na pulpicie SI, by szybko przekazać aktualizację: „Nastroje wiadomości dotyczące Twoich aktywów w tym tygodniu były przeważnie pozytywne, z wyjątkiem jednej akcji, która spotkała się z negatywnym przekazem”.

Takie wnioski można przekształcić w przyjazne klientowi wyjaśnienia, wspierane przez wykresy lub wizualizacje generowane przez SI. Na przykład LSEG MarketPsych umożliwia tworzenie intuicyjnych wizualizacji, takich jak wykresy sentymentu i cen oraz mapy cieplne ekspozycji tematycznej, przekształcając złożone wyniki NLP w coś zrozumiałego dla inwestora końcowego.

To poprawia doświadczenie klienta – doradcy mogą proaktywnie wyjaśniać, jak „nastrój wiadomości” wokół sektora może wpłynąć na wyniki, edukując klientów w tym procesie. Ponadto sami doradcy korzystają z SI, by być na bieżąco z wiadomościami makroekonomicznymi. W przypadku nagłego wydarzenia geopolitycznego lub zmiany polityki, alerty SI pozwalają szybko skontaktować się z klientami i przedstawić perspektywę wpływu na inwestycje.

SI może dostarczać wglądy, ale potrzebna jest ludzka ekspertyza do ich interpretacji i działania. Jeśli SI oznaczy artykuł jako negatywny, doświadczony analityk przeczyta go, by zrozumieć niuanse i kontekst. SI może nie wychwycić sarkazmu czy podwójnych znaczeń w tekście albo błędnie ocenić ton, np. gdy „rekordowy zysk” wynika z jednorazowego zdarzenia księgowego.

Systemy SI są tak dobre, jak dane, na których się uczą. Uprzedzenia w źródłach wiadomości (lub szum w mediach społecznościowych) mogą się odzwierciedlać w wynikach SI. Należy uważać, by np. fala spekulacyjnych wpisów blogowych nie zawyżyła fałszywie oceny nastroju. Najlepsi dostawcy ograniczają to za pomocą filtrów spamu i ważenia źródeł, ale użytkownicy powinni zachować krytycyzm.

Na szybko zmieniających się rynkach analiza wiadomości jest najbardziej użyteczna natychmiast po pojawieniu się informacji. Ocena nastroju SI 10 minut po zdarzeniu może być za późna, jeśli rynek już zareagował. Dlatego traderzy korzystają z tych narzędzi w czasie rzeczywistym, często z bezpośrednimi kanałami do algorytmów handlowych.

W przypadku inwestowania mniej wrażliwego na czas (np. decyzji długoterminowych) dokładna szybkość jest mniej istotna, a rola SI przesuwa się w kierunku syntezy dużej ilości informacji dla szerszego obrazu.

Zaufanie do SI jest łatwiejsze, gdy nie jest ona całkowitą „czarną skrzynką”. Wiele platform teraz dostarcza wyjaśnienia do swoich wyników. Jeśli ocena SI wskazuje „negatywny sentyment”, system może pokazać, które słowa lub frazy w tekście do tego doprowadziły (np. „bankructwo”, „pozew” itd.). To pomaga użytkownikom zweryfikować rozumowanie SI.

Świat finansów szybko się zmienia – nowe slangowe wyrażenia w mediach społecznościowych, nowe firmy i nowe typy wydarzeń (kto kilka lat temu przewidział „meme stock short squeeze”?). Modele SI muszą być regularnie aktualizowane i trenowane, by być na bieżąco.

Warto pytać dostawców, jak często aktualizują modele i słowniki. Najlepsze systemy mają pętle sprzężenia zwrotnego (np. streszczenia SI Bloomberga są ciągle udoskonalane przez porównanie wyników SI z oceną redaktorów).