Análise de Sentimento Como Alpha: Como Transformar Notícias em Sinal

“Análise de sentimento” virou sinônimo de jogar texto num modelo e ler um número de −1 a +1. É exatamente assim que se destrói o sinal. O texto financeiro é um dos sinais alternativos mais estudados da última década, e a literatura é clara em dois pontos: (1) a maior parte do volume textual é ruído; (2) o pouco de sinal que existe decai rápido. Quem ignora qualquer um dos dois acaba com um indicador bonito no backtest e inútil ao vivo. Veja o passo a passo de como fazer direito — com os números reais por trás de cada decisão.

O conceito: sentimento não é uma coisa só

O insight central da pesquisa é que sentimento não é um sinal único. Uma manchete pode ser um fato quantitativo (“lucro sobe 30%”), um evento (“CEO renuncia”), uma opinião de analista (“rebaixamos para venda”) ou puro comentário. Tratar todas como a mesma coisa e somar mistura sinal com ruído — e o ruído domina.

Essa intuição tem raiz acadêmica antiga. Paul Tetlock, em Giving Content to Investor Sentiment (Journal of Finance, 2007), quantificou o tom diário da coluna “Abreast of the Market” do Wall Street Journal entre 1984 e 1999 e encontrou um padrão hoje canônico: pessimismo alto na mídia prevê pressão de baixa nos preços seguida de reversão aos fundamentos, e pessimismo muito alto ou muito baixo prevê volume anormal de negociação. Em outras palavras, boa parte do “sentimento” mede emoção de noise traders, não informação nova — e por isso reverte. Confundir esses dois regimes (informação que persiste × emoção que reverte) é o erro fundamental de quem soma tudo num escore só.

As fontes de sentimento (e por que o dicionário importa)

Antes do modelo, vem a matéria-prima. As fontes mais usadas, em ordem aproximada de razão sinal/ruído:

• Notícias e news wires (Reuters, Bloomberg, RavenPack, Dow Jones): texto estruturado, com timestamp confiável de publicação. É a fonte com melhor razão sinal/ruído para fluxo intradiário.
• Documentos regulatórios (10-K, 10-Q, prospectos): longos, formais, ricos em tom de incerteza/litígio. Movem preço, volume e volatilidade na divulgação.
• Transcrições de earnings calls: o tom do gestor carrega informação além dos números. A literatura mostra que o tom textual da call tem informatividade incremental sobre os retornos e que calls de fim de ano com tom menos otimista antecipam maior risco de queda abrupta (crash risk) no ano seguinte. É um sinal de horizonte mais longo que a manchete.
• Redes sociais (X/Twitter, Reddit, StockTwits): alto volume, baixíssima razão sinal/ruído, vulnerável a manipulação e bots. O estudo famoso de Bollen, Mao & Zeng (2011) reportou 86,7% de acerto na direção diária do DJIA usando “humor” do Twitter — mas tentativas de replicação independentes não sustentaram o resultado, e ele virou o exemplo clássico de overfitting em sentimento social. Use com ceticismo extremo.

O dicionário é metade da batalha. Loughran & McDonald (Journal of Finance, 2011) mostraram que listas de palavras de propósito geral fracassam em texto financeiro: numa amostra grande de 10-Ks de 1994 a 2008, cerca de três quartos das palavras marcadas como “negativas” pelo dicionário Harvard não são negativas em contexto financeiro. Termos como mine (mina), cancer, crude (petróleo bruto), tire (pneu) ou capital apontam um setor, não um evento ruim. A solução deles — um léxico financeiro com listas de tom (negativo com 2.337 palavras, positivo, incerteza, litígio, modais forte/fraco) — virou o padrão de fato da área e é a base obrigatória de qualquer abordagem por dicionário. A lição transferível: vocabulário genérico introduz viés sistemático; o domínio precisa do seu próprio léxico, ou de um modelo treinado nele.

Passo a passo: de notícia a sinal

1. Colete o fluxo de notícias do ativo (headlines, releases, transcrições) com o timestamp real de publicação.
2. Classifique cada item de forma estruturada com um LLM, decompondo em: criterion (quantitativo / evento / analista / nenhum), material (afeta o preço? sim/não) e label (positivo / negativo / neutro), pedindo também o reasoning.
3. Filtre agressivamente. Descarte tudo que é criterion = nenhum ou material = não. É aqui que a maior parte do volume cai fora — e é o que limpa o sinal.
4. Agregue só o que sobrou num escore por ativo e janela de tempo. Pondere por materialidade e por recência (notícia velha vale menos).
5. Defina o horizonte de saída ANTES de testar. O alpha de notícia tem prazo de validade curto (ver abaixo). Decidir o holding period depois de olhar o resultado é a porta dos fundos do overfitting.
6. Valide fora da amostra. Sem teste out-of-sample rigoroso, “sentimento” vira mais uma forma de overfitting disfarçado.

O número que muda tudo

Dois dados justificam toda essa disciplina. Primeiro: cerca de 71% das manchetes são “nenhum” — comentário e opinião sem conteúdo material. Agregar tudo é diluir o sinal em ruído. Segundo: o FinBERT, modelo popular treinado em texto financeiro, erra cerca de 83% das manchetes positivas — ele superestima negatividade e tropeça em nuance.

A conclusão prática: a forma como você classifica importa mais do que o modelo da moda. Um LLM moderno com prompt estruturado supera de longe um classificador genérico aplicado ao volume bruto. Isso conecta com o debate sobre LLMs na descoberta de estratégias: a IA é ótima copiloto de classificação, não oráculo de sinal pronto.

Construção do sinal: do escore bruto à posição

Filtrar e classificar dá um escore. Transformá-lo em sinal tradável exige mais três decisões. Normalização: o escore cru de sentimento varia com cobertura — uma ação muito noticiada acumula mais texto que outra. Padronize por ativo (z-score do escore contra sua própria distribuição histórica) para não confundir volume de notícia com direção. Janela e momento do sinal: as duas escolas clássicas são nível (o sentimento está alto/baixo agora?) e variação/inflexão (o sentimento mudou de direção?). A pesquisa de FX baseada nos índices RavenPack mostra que a inflexão é o gatilho mais robusto: uma estratégia de cross-over entre sentimento de curto e longo prazo no EURUSD, com 10 horas de holding, gerou um Information Ratio anualizado de 1,61; com 3 horas de holding, o cruzamento médio/longo prazo rendeu IR de 1,29. Estendendo para uma carteira equal-weighted de 7 pares principais, o cruzamento de curto (1 dia) e longo (3 meses) prazo no sentimento não-americano, com 9 horas de holding, chegou a IR de 2,2. São números de pesquisa (não líquidos de todos os custos), mas a mensagem é estrutural: inflexão > nível, e o horizonte é de horas, não dias.

Mapeamento para posição: não trate o escore como preditor linear ilimitado. O mais robusto é binarizar/clipar — entra a favor quando o escore cruza um limiar; reduz ou zera quando volta à zona neutra. Isso evita amarrar tamanho a uma quantidade ruidosa de cauda. Um esboço simples do sinal por ativo i na janela t:

onde \bar{m}_{i,t} é a média (ponderada por materialidade e recência) dos rótulos já filtrados, e \mu_i,\sigma_i vêm da distribuição histórica do próprio ativo. O clip em ±1 é deliberado: tom extremo costuma ser o regime de noise trader que reverte, exatamente o efeito de Tetlock.

Horizonte e decaimento do alpha: por que decai em horas/dias

Este é o ponto que separa quem ganha de quem só faz backtest bonito. Heston & Sinha (Financial Analysts Journal, 2017), com mais de 900.000 notícias e sentimento medido por rede neural proprietária da Thomson Reuters, encontraram a estrutura de decaimento que serve de mapa:

• Notícia diária prevê retorno por apenas 1 a 2 dias — depois reverte.
• Notícia agregada por semana prevê retorno por até um trimestre — agregar suaviza o ruído e revela o componente persistente.
• A reação é assimétrica: notícia positiva é precificada rápido; notícia negativa tem reação retardada, com boa parte do ajuste só na divulgação de resultados seguinte.
• A velocidade de decaimento do retorno é quase o dobro da do sentimento — o preço corrige mais rápido do que o humano “esquece” a notícia.

Por que decai? Três mecanismos somados. (1) Arbitragem de informação: assim que a notícia é pública, máquinas e analistas a precificam em segundos a minutos; o que sobra é a fração ainda não digerida, que encolhe a cada operador que entra. (2) Reversão de sentimento: parte do movimento inicial é emoção de noise trader, não fundamento — e isso reverte (Tetlock). (3) Sobreposição com o cronograma de divulgações: o “resíduo” de notícia negativa só fecha no próximo earnings, o que torna o sinal episódico. A implicação operacional é dura: um sinal de notícia com latência de horas para entrar já perdeu a maior parte do edge. Defina o holding period pelo decaimento medido — não pelo que maximiza o Sharpe in-sample.

Custos, capacidade e o gargalo real

Sinal de horizonte curto é o terreno onde custo de transação decide tudo. Um IR de pesquisa de 1,6 vira algo bem menor depois de spread, slippage e impacto — e o impacto cresce com o tamanho. Daí o conceito de capacidade: como o edge mora em janelas de horas e em poucos eventos materiais por ativo, a estratégia satura cedo. Quanto mais capital, mais você move o preço contra si mesmo e mais rápido o alpha (já curto) some.

Há ainda um custo silencioso: dados. Feeds de notícia com timestamp confiável e cobertura ampla (RavenPack, Bloomberg, Dow Jones) são caros; usar fonte gratuita e atrasada equivale a operar uma notícia que o mercado já precificou. E há o custo de compute de classificar volume alto com LLM — embora, como diz o original, o gargalo raramente seja compute. O gargalo é disciplina de classificação e latência. Vale a regra geral de qualidade de dados no algotrading: lixo entra, lixo sai.

As armadilhas (riscos)

• Look-ahead de notícia: use o timestamp real de publicação, não a data do evento — senão você “lê” a notícia antes de ela existir. É o erro número um e o mais difícil de detectar no backtest.
• Sinal já precificado: notícia muito pública reage em segundos; o edge está na velocidade ou no que o mercado ainda não digeriu.
• Crowding: sentimento de notícia é um dos sinais alternativos mais comoditizados que existem. Quando muitos rodam a mesma fonte com o mesmo classificador, o edge encolhe e o risco de saídas correlacionadas em estresse cresce.
• Eventos de cauda e ambiguidade: manchetes ambíguas, sarcasmo, notícias com sinais cruzados (bom para a empresa, ruim para o setor) e fake news/manipulação intencional quebram o classificador justamente quando a aposta é maior.
• Ruído de volume: picos de cobertura podem ser confundidos com direção; sempre separe quanto se fala de como se fala.
• Qualidade dos dados: vale tudo o que se aplica a qualidade de dados.

Aplicação num sistema de robôs

Para a maioria dos traders sistemáticos, sentimento entra como filtro ou modulador, não como sinal solo: evitar comprar contra um fluxo de notícias materialmente negativo, ou reduzir tamanho quando o escore estiver extremo. Combinado a sinais de preço e regime, ele adiciona uma dimensão de informação que o gráfico sozinho não tem — desde que você respeite a disciplina de filtragem e o decaimento.

Três padrões de integração que funcionam na prática:

• Veto / gate: o robô de preço gera o setup; o módulo de sentimento só permite o trade se o tom material não for contrário. Não cria sinal — remove os piores trades.
• Modulação de tamanho: escala a posição com o escore filtrado, sempre clipado, e cortando agressivamente em escore extremo (regime de reversão).
• Sinal autônomo de curtíssimo prazo: a abordagem RavenPack de inflexão em FX (holding de horas) é o caso de uso onde o sentimento é o motor — mas exige feed de baixa latência e tolerância a custos altos. É a opção mais sofisticada, não a porta de entrada.

O alerta honesto de fechamento: mesmo no melhor cenário de pesquisa, o poder preditivo de sentimento de notícia, isolado, é real mas fraco — Xing, Hoang & Vo (2020) extraíram sentimento de alta frequência via FinBERT como série temporal de 4 dimensões e confirmaram que a notícia sozinha tem poder preditivo no FX, mas ainda fraco e com muito espaço para melhorar o método. Trate sentimento como uma fonte de informação complementar a ser combinada com disciplina, não como o santo graal que muitos vendem.

Perguntas frequentes

FinBERT não serve para análise de sentimento?

Serve como baseline, mas tem limitações sérias — erra a maioria das manchetes positivas e não distingue material de ruído. Para um sinal tradável, um LLM moderno com prompt estruturado (criterion/material/label) costuma ser bem superior ao FinBERT aplicado ao volume bruto.

Quanto tempo dura o alpha de uma notícia?

Pouco. A evidência (Heston & Sinha, 2017) é que notícia diária prevê retorno por apenas 1 a 2 dias antes de reverter, e que a velocidade de decaimento do retorno é quase o dobro da do sentimento. Notícia agregada por semana, porém, carrega um componente que persiste por até um trimestre. Por isso o horizonte deve ser definido pelo decaimento medido — não pelo que parece melhor no backtest.

Preciso de infraestrutura cara para usar sentimento?

Para horizonte de dias/semanas e uso como filtro, não. O gargalo aí é disciplina de classificação e validação, não compute. Para o uso intradiário de inflexão (holding de horas), aí sim: você precisa de feed de notícia com timestamp confiável e baixa latência, e os custos de dados e transação passam a dominar a decisão.

Por que não usar o dicionário de sentimento “padrão”?

Porque dicionários de propósito geral erram em finanças. Loughran & McDonald mostraram que ~3/4 das palavras “negativas” do dicionário Harvard não são negativas em contexto financeiro (mina, petróleo bruto, capital…). Use um léxico financeiro (Loughran-McDonald) ou um modelo treinado no domínio.

Sentimento funciona melhor em que mercados?

Tende a ter mais sinal em ativos com cobertura de notícias relevante e participação de varejo (ações individuais, cripto) e menos em mercados muito eficientes. No FX, o sinal aparece sobretudo em inflexões de sentimento macro por país, com horizonte de horas. Sempre valide no seu universo específico.

Referências

• Johnsen, T. et al. Sentiment Is Not One Signal.
• Araci, D. (2019). FinBERT: Financial Sentiment Analysis with Pre-trained Language Models.
• Tetlock, P. C. (2007). Giving Content to Investor Sentiment: The Role of Media in the Stock Market. Journal of Finance, 62(3), 1139–1168.
• Loughran, T. & McDonald, B. (2011). When Is a Liability Not a Liability? Textual Analysis, Dictionaries, and 10-Ks. Journal of Finance, 66(1).
• Loughran, T. & McDonald, B. (2016). Textual Analysis in Accounting and Finance: A Survey. Journal of Accounting Research, 54(4), 1187–1230.
• Heston, S. L. & Sinha, N. R. (2017). News versus Sentiment: Predicting Stock Returns from News Stories. Financial Analysts Journal, 73(3), 67–83.
• RavenPack / Hafez, P. (2013). Intraday Forex Trading Based on Sentiment Inflection Points. SSRN 2198816.
• RavenPack / Hafez, P. (2013). Country News Sentiment Factors Predict Forex Prices. SSRN 2269716.
• Xing, F. Z., Hoang, D.-H. & Vo, D.-V. (2020). High-Frequency News Sentiment and Its Application to Forex Market Prediction. SSRN 3711227.
• Bollen, J., Mao, H. & Zeng, X. (2011). Twitter Mood Predicts the Stock Market. Journal of Computational Science, 2(1).