Quando as notícias são precificadas? IA mapeia reação do mercado

O que aconteceu

Uma pesquisa publicada no arXiv em 14 de agosto de 2026 testou empiricamente a validade dos ditados populares "as notícias já estão precificadas" e "compre o boato, venda a notícia". A equipe analisou 4,57 milhões de artigos de notícias financeiras sobre aproximadamente 3.000 ações dos EUA, cobrindo o período de 2023 a 2026.

Para isso, utilizaram um modelo de linguagem grande (LLM) como "professor", que foi destilado via aprendizado ativo em um classificador compacto. Este classificador atribuiu a cada artigo uma das 17 tags de eventos e cinco atributos. Os artigos foram agrupados em "histórias" para separar reportagens iniciais de coberturas de acompanhamento. Os retornos anormais, ajustados por beta, foram medidos em 1,68 milhões de eventos de ação-dia, com 364.405 eventos de sentimento neutro servindo como placebo.

Três resultados principais emergiram:

1. O movimento de preço associado à notícia se concentra antes e na data de publicação: o movimento acumulado na direção da notícia até o fechamento do dia de publicação é 2,8 vezes maior do que 20 dias depois. Para eventos marcados como "boato", o dia do rumor captura todo o movimento, e a confirmação subsequente não contribui com nada.

2. Os mercados subreagem a números e overreagem a histórias: notícias fundamentais quantificadas (lucros, dividendos, previsões) continuam derivando na direção da notícia por semanas, enquanto notícias baseadas em histórias "moles" (lançamentos, comentários macro, liderança) regridem seu movimento.

3. A notícia carrega "largura" além de direção: a publicidade aumenta a volatilidade antes do dia de publicação, e esta volatilidade cai depois que a notícia é publicada, pois a publicação resolve a incerteza.

Contexto

A pesquisa se insere no campo da computação financeira, onde a análise de sentimentos de notícias para prever movimentos de mercado não é nova. Porém, a escala e o método deste estudo são distintos. O uso de um LLM para a tarefa de classificação fina de notícias financeiras (em 17 tags específicas) e a metodologia de agrupamento em "histórias" para isolar o impacto da primeira menção representam um avanço na aplicação de IA para testar hipóteses clássicas de mercado.

Por que importa

Os resultados têm implicações diretas para estratégias de negociação algorítmica e investimento quantitativo. A descoberta de que o mercado subreage a dados fundamentais sugere uma oportunidade potencial de "post-earnings announcement drift" (deriva pós-anúncio de resultados). Por outro lado, a reação exagerada a notícias de "história" indica que o efeito "buy the rumor, sell the news" é real para eventos mais qualitativos. A tabela de deriva medida para cada tag de evento pode servir como "prior" (dado anterior) em modelos de previsão condicionados a notícias.

Impacto

No curto prazo, o estudo reforça a importância da velocidade na análise de notícias para estratégias que buscam capturar o movimento inicial. No médio prazo, pode influenciar o desenvolvimento de ferramentas de análise de mercados que integrem classificadores de IA treinados especificamente para identificar o tipo de notícia (dados vs. história) e antecipar se o mercado tende a subreagir ou overreagir. A pesquisa também fornece um benchmark para a eficiência com que os mercados absorvem informações públicas.