Perché il sentiment sui bond è diverso da quello sulle azioni?

I mercati obbligazionari reagiscono in modo peculiare alle notizie macroeconomiche, spesso andando nella direzione opposta rispetto alle azioni. Questo perché i prezzi dei bond sono legati al costo del denaro: quando l’economia sembra più ottimista, i tassi di interesse tendono a salire e i bond perdono valore. Al contrario, in periodi di pessimismo i tassi scendono e i titoli di Stato guadagnano. La maggior parte dei modelli di sentiment, come FinBERT o FinGPT, è stata addestrata su notizie finanziarie generali o su dati azionari, perciò rischiano di dare segnali fuorvianti per il mercato obbligazionario.

Per colmare questo divario, gli autori hanno creato BondBERT, un modello transformer specializzato su notizie relative ai bond del Regno Unito. Hanno raccolto e pulito 30.000 articoli dal 2018 al 2025, addestrando il modello a riconoscere sentiment “inverso”, cioè quando un tono positivo preannuncia un ribasso dei prezzi dei bond. BondBERT è stato testato contro FinBERT, FinGPT e Instruct‑FinGPT su dieci titoli sovrani britannici. I risultati mostrano che le previsioni di BondBERT hanno una correlazione positiva costante con i rendimenti dei bond e migliorano l’accuratezza delle previsioni rispetto ai modelli generici.

In pratica, BondBERT può diventare il “cervello” di un assistente decisionale per gli investitori, fornendo segnali di sentiment più aderenti alla realtà dei mercati a reddito fisso. Questo dimostra che, per settori con dinamiche specifiche, l’adattamento di modelli NLP a domini di nicchia è fondamentale per ottenere analisi più affidabili.

BondBERT è basato su un’architettura transformer, nello specifico una variante di BERT (Bidirectional Encoder Representations from Transformers) ottimizzata per il contesto finanziario. Il processo di fine‑tuning ha previsto due fasi chiave: pre‑training su un corpus generico di testi finanziari, seguito da un addestramento supervisionato su un dataset di 30.000 articoli dedicati al mercato obbligazionario del Regno Unito. Gli articoli sono stati etichettati manualmente con sentiment “positivo”, “negativo” o “neutro”, tenendo conto della peculiarità inversa del bond sentiment: un tono positivo spesso anticipa un aumento dei tassi e, quindi, una diminuzione del prezzo del bond.

Il modello utilizza una loss function basata su cross‑entropy pesata per bilanciare le classi, poiché i dati mostrano una leggera predominanza di sentiment neutro. Inoltre, è stato introdotto un meccanismo di attention masking per dare più peso alle frasi contenenti termini chiave come "inflation", "interest rate decision" o "monetary policy". Per valutare le performance, gli autori hanno impiegato metriche di correlazione Pearson tra le previsioni di sentiment e i rendimenti giornalieri dei bond, oltre a test di accuratezza up/down su movimenti di prezzo a breve termine. I risultati indicano una correlazione media di 0,42, superiore ai 0,28 di FinBERT.

Un ulteriore passo è stato l’integrazione di BondBERT in un modello LSTM di forecasting, dove le previsioni di sentiment fungono da feature aggiuntiva. Questo approccio ha ridotto l’errore medio assoluto (MAE) del 12% rispetto a un LSTM senza sentiment. Infine, gli autori hanno rilasciato il codice e il dataset sotto licenza MIT, favorendo la replicabilità e l’estensione del modello a mercati obbligazionari di altri paesi.