Zespół badawczy postanowił zbadać, jak analiza sentymentu zawartego w formularzach 10-K wpływa na predykcję zmienności cen akcji. Tradycyjnie badania nad sentymentem finansowym skupiały się na tekstach wiadomości, a sprawozdania 10-K pozostawały stosunkowo niedoeksploatowane. Naukowcy trenowali modele sentymenty na 1383 dokumentach z 94 firm technologicznych z Nasdaq-100 przez okres 18 lat, testując zarówno pełny tekst, jak i sekcję Item 1A poświęconą czynnikom ryzyka.
Wyniki pokazały interesujący efekt agregacji. Na poziomie sektora i portfela - całości lub grupy akcji - pełny tekst sprawozdania generował bardziej dokładny sentiment i lepiej korelował z rzeczywistymi wynikami rynkowymi. Jednak w analizie poszczególnych firm sytuacja się odwracała: wąska sekcja Item 1A okazała się bardziej precyzyjna. Badacze przypisują to interakcji między wielkością dokumentu a ilością sygnałów treningowych dostępnych na danym poziomie agregacji.
Odkrycie ma praktyczne znaczenie dla finansów algorytmicznych i zarządzania ryzykiem. Słownik Loughrana-McDonalda - popularna baseline do analizy tekstu finansowego - wykazywał konsekwentnie negatywną korelację z cenami akcji na każdym poziomie, co podkreśla przewagę podejścia opartego na nadzorowanym uczeniu maszynowym dla dokumentów regulacyjnych. Badanie dostarcza metodologii mogącej być zastosowaną w większych systemach wieloźródłowych do analizy sentymentu finansowego.