Новостной сентимент и альтернативные данные
Зиберов
Традиционный фундаментальный анализ основан на медленных, оглядывающихся назад индикаторах: квартальные отчёты, процентные ставки, макроэкономическая статистика. Однако к тому моменту, когда цифра ВВП попадает в терминал Bloomberg, рынок уже прожил её, переварил и забыл. В XXI веке информация распространяется мгновенно, и конкурентное преимущество сместилось в область, которую никто не мог представить еще 20 лет назад — тотальный анализ неструктурированных данных. Речь об альтернативных данных и новостном сентименте.
Альтернативные данные — это любые нефинансовые источники, способные косвенно предсказывать финансовые показатели. Примеров сегодня тысячи:
- Спутниковые снимки: парковки у магазинов Walmart или судостроительных заводов Даляня, количество резервуаров с нефтью в тени танкеров;
- GPS-геолокация со смартфонов: посещаемость ресторанов, авиарейсов, точки трафика в торговых центрах;
- Транзакционные данные кредитных карт: агрегированные и анонимизированные отчёты о покупках, позволяющие оценить выручку компании с недельным опережением официальной отчётности;
- Социальные сети: от твитов Илона Маска до коллективного настроения на Reddit-форумах типа WallStreetBets;
- Логистика: данные о морских перевозках (AIS-сигналы судов), контейнерные индексы, сроки доставки.
Однако наиболее мощный и всепроникающий источник — это глобальный новостной поток, обработанный методами NLP (Natural Language Processing).
Чтобы понять, как это работает, представим реально существующий тип стратегий. Одна из известных количественных платформ (условно назовём её QS Insights) ежедневно собирает более 1,5 миллиона новостных статей из сотен источников на десятках языков. Система не просто считает число упоминаний слова «кризис», а проводит глубокий семантический анализ, приписывая каждой новости вектор сентимента по множеству тематических осей: монетарная политика, геополитическая напряженность, климат, технологические прорывы, корпоративное управление и т.д.
На основе этого строится долгий/короткий портфель по более чем 30 рынкам — от индексов S&P 500 и Nikkei до казначейских облигаций и сырьевых товаров. Позиция по каждому активу зависит от агрегированного сентимента по релевантным ему темам, причём с учётом временного затухания новостей. Феноменальный результат стратегии в том, что ее информационное преимущество почти не перекрывается с традиционными классами активов или действиями хедж-фондов. Фактические показатели за период 2018–2025 гг., согласно исследованиям, таковы:
- Годовая доходность: ~19%
- Волатильность: ~14,7%
- Коэффициент Шарпа: порядка 1,3
- Корреляция с общепринятым индексом Hedge Fund Research (HFRI Fund Weighted Composite): всего около 0,06
Цифра корреляции в 6% — самая важная в этом абзаце. Она означает, что доходность новостного сентимента практически не зависит от того, растет рынок или падает, зарабатывают другие фонды или нет. Это чистый альфа, рождающийся из того, что машина читает быстрее, чем люди, и не подвержена эмоциональным искажениям.
Как это работает внутри
Современные модели анализа тональности давно ушли от простых словарей «хороших» и «плохих» слов. Используются трансформеры, дообученные на финансовых текстах. Оценивается не просто тональность заголовка, а его смысл. Например, фраза «Центробанк повысил ставку» для фондового рынка обычно негативна, а для валюты — позитивна, и это зависит от контекста, который модель улавливает через внимание к предшествующим и последующим абзацам.
Тематическое моделирование выделяет скрытые темы из потока новостей: скажем, «торговая война», «инфляционное давление», «санкции», «энергопереход». Для каждой темы система определяет, каким активам она вредит, а каким помогает, и строит матрицу коэффициентов для портфеля. Всё пересчитывается еженедельно, а иногда и ежедневно.
К сожалению, альтернативные данные — это минное поле для исследователя. Миллионы гигабайт неструктурированной информации создают иллюзию безграничных возможностей, но легко приводят к переобучению. Трейдер может найти «идеальную» корреляцию между тональностью твитов о погоде и индексом бразильского рынка за последние два года — но это окажется чистейшей случайностью. Поэтому успешные фонды тратят львиную долю ресурсов не на поиск паттернов, а на устойчивость стратегии вне выборки, проверку на режимах рыночных стрессов и внедрение поправок на множественное тестирование.
Использование альтернативных данных поднимает сложные вопросы. С одной стороны, спутниковый снимок — публично доступная информация. С другой — потребительские транзакции или геолокационные слепки, даже анонимизированные, могут раскрывать непубличные детали бизнеса. Регуляторы (особенно SEC) всё пристальнее смотрят на эту сферу, и грань между «умным анализом» и «инсайдом» становится тоньше. Крупные фонды создают специальные комитеты по этике данных, чтобы не перешагнуть черту.
Что может розничный трейдер? Собственный NLP-движок не собрать, но использовать сентимент-данные вполне реально. Существуют терминалы и специализированные сервисы, предоставляющие количественные оценки тональности по акциям и секторам. Также можно подписаться на нестандартные индикаторы: например, индексы геополитического риска от Economic Policy Uncertainty, которые также строятся на основе NLP-анализа газет и предсказывают волатильность.