Όταν η τεχνητή νοημοσύνη διαβάζει σωστά τις ειδήσεις μπορεί να αλλάξει συναλλαγές, εποπτεία και σταθερότητα αγορών

Το κύριο εμπόδιο για την αποτελεσματικότητα της αγοράς είναι το κατά πόσον οι επενδυτές μπορούν να διαβάσουν, να επεξεργαστούν και να εξαγάγουν γρήγορα πραγματικά νέες πληροφορίες από άρθρα. Αυτή η στήλη χρησιμοποιεί μεγάλα γλωσσικά μοντέλα για να εξαγάγει «καθαρές ειδήσεις» από πάνω από έξι εκατομμύρια δημόσια διαθέσιμα άρθρα για εταιρείες εισηγμένες στο χρηματιστήριο των ΗΠΑ. Το στοιχείο των απροσδόκητων ειδήσεων είναι ένας πολύ ισχυρός προγνωστικός παράγοντας για τις μελλοντικές αποδόσεις των μετοχών. Οι αγορές υποαντιδρούν σε θέματα που κυριαρχούνται από αρνητικό τόνο και πυκνό αριθμητικό περιεχόμενο και αντιδρούν υπερβολικά σε θέματα με ασάφεια ή υψηλή προσοχή από τα μέσα ενημέρωσης. Καθώς οι δυνατότητες της Τεχνητής Νοημοσύνης επεκτείνονται, η χρηματοπιστωτική ρύθμιση πρέπει να λαμβάνει υπόψη την πρόσβαση σε πληροφορίες καθώς και την ικανότητα επεξεργασίας κατά τον σχεδιασμό πολιτικής.

Το κατά πόσον η τεχνητή νοημοσύνη θα καταστήσει τις χρηματοπιστωτικές αγορές πιο αποτελεσματικές δεν είναι πλέον μόνο ένα ακαδημαϊκό ζήτημα. Οι διαχειριστές περιουσιακών στοιχείων ενσωματώνουν μεγάλα γλωσσικά μοντέλα στις ροές εργασίας της έρευνας, ενώ οι ρυθμιστικές αρχές κινητών αξιών και οι κεντρικές τράπεζες διερωτώνται πώς η τεχνητή νοημοσύνη μπορεί να αλλάξει τις συναλλαγές, την εποπτεία και τη σταθερότητα της αγοράς. Τα διακυβεύματα είναι πραγματικά.

Εάν η τεχνητή νοημοσύνη βοηθήσει τις τιμές να αντανακλούν τις δημόσιες πληροφορίες ταχύτερα, η κατανομή κεφαλαίων βελτιώνεται. Εάν επιτρέπει κυρίως στα ταχύτερα και με τους καλύτερους πόρους ιδρύματα να αποκομίζουν μεγαλύτερη αξία από πληροφορίες που όλοι μπορούν τεχνικά να δουν, η υπόθεση της ευημερίας είναι λιγότερο σαφής.

Αυτή η συζήτηση συχνά βασίζεται σε μια απλή υπόθεση: το κύριο εμπόδιο για την αποτελεσματικότητα της αγοράς είναι το κατά πόσον οι επενδυτές μπορούν να διαβάσουν και να επεξεργαστούν πληροφορίες αρκετά γρήγορα. Η πρόσφατη εργασία μας υποδηλώνει ότι αυτή η υπόθεση παραβλέπει ένα σημαντικό μέρος του προβλήματος.

Το ζήτημα δεν είναι μόνο το κατά πόσον οι επενδυτές έχουν πρόσβαση σε ειδήσεις. Είναι το κατά πόσον μπορούν να διαχωρίσουν το πραγματικά εκπληκτικό μέρος ενός άρθρου ειδήσεων από το μέρος που ήταν ήδη προβλέψιμο από αυτά που ήταν γνωστά για την εταιρεία.

Το σημείο εκκίνησης είναι καλά εδραιωμένο. Ο Tetlock (2007) έδειξε ότι ο τόνος της ημερήσιας στήλης της Wall Street Journal προβλέπει τις αποδόσεις των δεικτών της επόμενης ημέρας. Οι Loughran και McDonald (2011) έδωσαν στους ερευνητές ένα λεξικό οικονομικού τομέα που έγινε εργαλείο για τη μέτρηση του κλίματος στις εταιρικές γνωστοποιήσεις.

Πιο πρόσφατα, οι Chen et al. (2026) έδειξαν ότι η αναπαράσταση κάθε άρθρου ειδήσεων ως αριθμητική ενσωμάτωση, ένα διάνυσμα που παράγεται από ένα γλωσσικό μοντέλο που συνοψίζει την έννοια του κειμένου, βελτιώνει σημαντικά την προβλεψιμότητα των αποδόσεων σε διατομή. Κατέληξαν, ωστόσο, στο συμπέρασμα ότι η προκύπτουσα αναποτελεσματικότητα είναι στατιστικά πραγματική αλλά οικονομικά μέτρια.

Στο Didisheim et al. (2026), υποστηρίζουμε ότι αυτό το συμπέρασμα υποτιμά την αναποτελεσματικότητα κατά περίπου μια τάξη μεγέθους, επειδή πολλά από αυτά που διαβάζονται ως είδηση ​​σε ένα άρθρο ειδήσεων δεν είναι πραγματικά νέα.

Σκεφτείτε ένα τριμηνιαίο άρθρο κερδών για μια μεγάλη εταιρεία λογισμικού. Ένας αναγνώστης που γνώριζε μόνο την ταυτότητα, τον τομέα, το μέγεθος, την αποτίμηση, την κερδοφορία και την πρόσφατη απόδοση της μετοχής της εταιρείας θα μπορούσε ήδη να προβλέψει ένα μεγάλο μέρος της γλώσσας: έσοδα από το cloud, περιθώρια κέρδους, επενδύσεις σε τεχνητή νοημοσύνη, καθοδήγηση και το λεξιλόγιο της ανάπτυξης.

Τα αληθινά νέα είναι το μέρος που δεν θα μπορούσε να είχε γραφτεί πριν από την εμφάνιση του άρθρου: η απροσδόκητη μείωση της καθοδήγησης, η ακριβής έκπληξη για τα κέρδη, το τμήμα του οποίου η ανάπτυξη επιβραδύνθηκε.

Η ίδια λογική ισχύει και για τις ιστορίες παραγγελιών αεροσκαφών της Boeing, τις εκθέσεις κλινικών δοκιμών βιοτεχνολογίας, τις γνωστοποιήσεις κυβερνοασφάλειας και τις ανακοινώσεις των ρυθμιστικών αρχών. Κάθε άρθρο έχει ένα προβλέψιμο επίπεδο που προκύπτει από το προφίλ της εταιρείας και ένα υπολειμματικό επίπεδο που περιέχει την πραγματική έκπληξη.

Κάνουμε αυτή τη διάκριση λειτουργική χρησιμοποιώντας περίπου 6,7 εκατομμύρια άρθρα του Reuters για εταιρείες εισηγμένες στο χρηματιστήριο των ΗΠΑ μεταξύ 1996 και 2022. Αρχικά μετατρέπουμε κάθε άρθρο σε μια αναπαράσταση γλωσσικού μοντέλου. Στη συνέχεια, ρωτάμε πόσο από αυτήν την αναπαράσταση θα μπορούσε να είχε προβλεφθεί από τυπικά χαρακτηριστικά εταιρείας, όπως το μέγεθος, η αποτίμηση, η κερδοφορία, οι προηγούμενες αποδόσεις και άλλες μεταβλητές στον κατάλογο ανωμαλιών των Jensen et al. (2023). Το προσαρμοσμένο στοιχείο είναι αυτό που ονομάζουμε προβλέψιμα νέα. Αυτό που απομένει είναι καθαρά νέα.

Η διαίρεση είναι οικονομικά αποκαλυπτική. Περίπου το 8-10% της διακύμανσης στη γλώσσα των ειδήσεων είναι προβλέψιμο από τα χαρακτηριστικά της εταιρείας και αυτό το προβλέψιμο μερίδιο αυξάνεται με την πάροδο του χρόνου καθώς καθίστανται διαθέσιμες πλουσιότερες πληροφορίες για την εταιρεία. Το πιο σημαντικό είναι ότι η προβλέψιμη συνιστώσα δεν έχει σχεδόν καμία δυνατότητα προβλεψιμότητας απόδοσης.

Οι επενδυτές φαίνεται να κατανοούν ότι κάποια γλώσσα στα άρθρα ειδήσεων είναι ουσιαστικά τυποποιημένη. Δεν ανταμείβουν ούτε τιμωρούν τις εταιρείες απλώς και μόνο επειδή ένα άρθρο λέει πράγματα που θα μπορούσαν ήδη να έχουν συναχθεί από τα χαρακτηριστικά της εταιρείας.

Το εκπληκτικό αποτέλεσμα είναι τι συμβαίνει με το υπόλοιπο. Οι καθαρές ειδήσεις αποτελούν έναν εξαιρετικά ισχυρό προγνωστικό παράγοντα για τις μελλοντικές αποδόσεις των μετοχών.

Ένα χαρτοφυλάκιο long-short που σχηματίζεται με βάση αυτό το υπόλοιπο αποδίδει έναν δείκτη Sharpe εκτός δείγματος περίπου 3,1 σε σχέση με το δείγμα μας. Για να θέσουμε αυτόν τον αριθμό στο σωστό πλαίσιο, ο S&P 500 ιστορικά έχει αποδώσει έναν δείκτη Sharpe περίπου 0,4, και η καλύτερη μεμονωμένη ανωμαλία μεταξύ των 132 χαρακτηριστικών στον κατάλογο Jensen, Kelly και Pedersen αποδίδει έναν δείκτη Sharpe περίπου 1,4. Ακόμη και ο εκ των υστέρων βέλτιστος συνδυασμός και των 132 ανωμαλιών δεν ανταποκρίνεται στην προβλεψιμότητα απόδοσης που περιέχεται στο υπόλοιπο ειδήσεων.

Αυτή δεν είναι μια μικρή βελτίωση στη βιβλιογραφία των ανωμαλιών. Υποδηλώνει ότι οι δημόσιες ειδήσεις περιέχουν μεγάλη ποσότητα οικονομικά σχετικών πληροφοριών που οι τιμές ενσωματώνουν μόνο σταδιακά. Το φαινόμενο αυτό επιμένει επίσης.

Η στρατηγική διατηρεί στατιστικά σημαντικές αποδόσεις ακόμη και όταν η εφαρμογή καθυστερήσει περισσότερο από ένα έτος, πολύ πέρα ​​από τον ορίζοντα στον οποίο η κλασική μετατόπιση μετά την ανακοίνωση των αποτελεσμάτων τείνει να εξασθενεί.

Τι είδους ιστορίες οδηγούν στο αποτέλεσμα; Χρησιμοποιούμε ένα εργαλείο ερμηνείας με τεχνητή νοημοσύνη για να διασπάσουμε το σήμα ειδήσεων μεγάλης διάστασης σε περίπου 5.000 στενά θέματα, όπως οι γνωστοποιήσεις για την κυβερνοασφάλεια, οι οδηγίες κερδών, οι εγκρίσεις από τον Οργανισμό Τροφίμων και Φαρμάκων (FDA), η δραστηριότητα των μετοχών meme, η ρύθμιση των κρυπτονομισμάτων και οι τίτλοι διάσωσης. Αναδύονται δύο μοτίβα.

Οι αγορές υποαντιδρούν σε θέματα που κυριαρχούνται από αρνητικό τόνο και πυκνό αριθμητικό περιεχόμενο, ακριβώς τους τύπους πληροφοριών που η συμπεριφορική χρηματοδότηση έχει από καιρό υποδείξει ότι οι επενδυτές ενδέχεται να επεξεργάζονται αργά (Hong et al. 2000, Tetlock et al. 2008). Παραδείγματα περιλαμβάνουν αρνητικές οδηγίες κερδών, αναγνώσεις κλινικών δοκιμών, ανακλήσεις προϊόντων και ανακοινώσεις παραγγελιών αεροσκαφών.

Οι αγορές αντιδρούν υπερβολικά σε θέματα που χαρακτηρίζονται από ασάφεια ή πολύ υψηλή προσοχή από τα μέσα ενημέρωσης, σύμφωνα με την έρευνα για τα θορυβώδη σήματα και την περιορισμένη προσοχή (Fang and Peress 2009, Augenblick et al. 2025). Παραδείγματα περιλαμβάνουν τίτλους διάσωσης, ενδοημερήσια κάλυψη διακυμάνσεων τιμών και ιστορίες απόκρισης εταιρειών στην COVID-19. Στην ανάλυσή μας, περίπου το 60% της αναποτελεσματικότητας προέρχεται από υποαντίδραση και το υπόλοιπο από υπερβολική αντίδραση.

Μια φυσική ανησυχία είναι ότι ένα προ-εκπαιδευμένο γλωσσικό μοντέλο μπορεί να έχει δει έμμεσα πληροφορίες από το μέλλον, δημιουργώντας προκατάληψη πρόβλεψης. Ακολουθώντας τους He et al. (2025), αναπαράγουμε την ανάλυση χρησιμοποιώντας χρονολογικά συνεπή γλωσσικά μοντέλα που έχουν εκπαιδευτεί μόνο με βάση τις πληροφορίες που είναι διαθέσιμες κατά την ημερομηνία κάθε πρόβλεψης.

Ο λόγος Sharpe μειώνεται, επειδή αυτά τα μοντέλα σημείου-σε-χρονικό σημείο είναι μικρότερα και πιο αδύναμα, αλλά το κύριο συμπέρασμα παραμένει αμετάβλητο. Μια έκδοση της ίδιας αρχιτεκτονικής με μελλοντικές πληροφορίες δεν έχει καλύτερη απόδοση από την έκδοση σημείου-σε-χρονικό σημείο. Το αποτέλεσμα επομένως δεν καθορίζεται από την απομνημόνευση της δοκιμαστικής περιόδου από το μοντέλο.

Το ευρύτερο μήνυμα είναι ότι η αντίδραση της χρηματιστηριακής αγοράς στις δημόσιες ειδήσεις απέχει πολύ από το ιδανικό των σχολικών βιβλίων από ό,τι είχε υποδείξει τέσσερις δεκαετίες έρευνας για τις ειδήσεις και τις τιμές. Η τεχνολογία που αποκαλύπτει αυτό το χάσμα αποτελεί η ίδια μέρος της επανάστασης της Τεχνητής Νοημοσύνης. Η ίδια τεχνολογία, εάν χρησιμοποιηθεί αρκετά ευρέως, μπορεί τελικά να μειώσει το χάσμα. Αλλά η οδός με την οποία συμβαίνει αυτό έχει σημασία για την πολιτική.

Η χρηματοπιστωτική ρύθμιση παραδοσιακά επικεντρώνεται στο κατά πόσον οι ουσιώδεις πληροφορίες είναι δημόσια διαθέσιμες. Εάν δύο επενδυτές μπορούν να δουν το ίδιο άρθρο ταυτόχρονα, οι όροι ανταγωνισμού συχνά αντιμετωπίζονται ως γενικά ίσοι.

Η Τεχνητή Νοημοσύνη αλλάζει αυτό το σημείο αναφοράς. Δύο επενδυτές μπορούν να διαβάσουν το ίδιο άρθρο του Reuters ταυτόχρονα, ενώ μόνο ένας έχει την ικανότητα μοντέλου, τον υπολογισμό του προϋπολογισμού και την υποδομή δεδομένων για να εξαγάγει το οικονομικά σχετικό σήμα. Σε αυτόν τον κόσμο, η σχετική ασυμμετρία δεν είναι πλέον απλώς μεταξύ επενδυτών που βλέπουν τις πληροφορίες και επενδυτών που δεν τις βλέπουν. Είναι μεταξύ επενδυτών των οποίων η Τεχνητή Νοημοσύνη μπορεί να επεξεργαστεί δημόσιες πληροφορίες σε βάθος και επενδυτών των οποίων η Τεχνητή Νοημοσύνη δεν μπορεί.

Τα αποτελέσματά μας σχετίζονται στενά με την χωρητικότητα του μοντέλου. Μικρότερες αναπαραστάσεις αμφίδρομου κωδικοποιητή από μοντέλα τύπου Transformers (BERT) καταγράφουν μόνο ένα μέρος της ανωμαλίας των ειδήσεων. Τα μεγαλύτερα μοντέλα ανοιχτού βάρους καταγράφουν πολύ περισσότερο από αυτό. Το μεγαλύτερο μοντέλο συνόρων που δοκιμάζουμε εξάγει ακόμη περισσότερα. Οι δημόσιες πληροφορίες παραμένουν δημόσιες, αλλά η δυνατότητα αξιοποίησής τους κλιμακώνεται με την ικανότητα της Τεχνητής Νοημοσύνης.

Καθώς οι ρυθμιστικές αρχές στις ΗΠΑ, την ΕΕ και το Ηνωμένο Βασίλειο εξετάζουν τη χρήση της Τεχνητής Νοημοσύνης στη διαχείριση περιουσιακών στοιχείων και στις χρηματοπιστωτικές αγορές (Korinek 2023, Foucault et al. 2025), ένα ερώτημα θα πρέπει να προστεθεί στην ημερήσια διάταξη: εξακολουθεί η ισότιμη πρόσβαση στις πληροφορίες να αποτελεί το σωστό σημείο αναφοράς για δίκαιες και αποτελεσματικές αγορές ή μήπως η ισότιμη πρόσβαση στην ικανότητα επεξεργασίας έχει πλέον σημασία;

Πηγή: cepr.org