di Paola Alunni
Gli alternative Data sono i dati provenienti da social, piattaforme di e-commerce, forum e sono rappresentati da contenuti di testo, video, immagini e file audio. Si tratta di dati non strutturati che possono fornire informazioni importanti solo se decriptati e interpretati.
Rispetto all’analisi dei dati tradizionali, ottenuti tramite bilanci, comunicati stampa o presentazioni del management, l’alternative data analysis in finanza permette agli investitori di ottenere informazioni sulle performance aziendali con metriche più dettagliate, rapide e granulari.
Cercheremo qui di illustrare come le soluzioni data driven possano trasformare una enorme mole di dati in un set di informazioni strategiche per finalità di investimento, finanziamento e decision making.
Alternative data analysis in finanza: i vantaggi
L’intelligenza artificiale può integrare le informazioni messe a disposizione da dati tradizionali e alternativi offrendo la possibilità di prendere decisioni in relazione a un asset finanziario basate su un’analisi scientifica. Avere a disposizione un’alternative data analysis permette di prevedere potenziali rischi strategici, di capire quali le aziende e i titoli più importanti, oltre che i trend emergenti, offre sicuramente di avere un vantaggio sui competitors.
I principali tipi di alternative data
I dati alternativi appartengono a 3 categorie principali perché possono essere: individuali, riferite a transazioni finanziarie o arrivare da rilevamento sensoriale.
I dati riferiti ad attività individuali arrivano da:
- utilizzo di app e post sui social
- ricerche online
- utilizzo sito web
I dati riferiti alle transazioni finanziarie da:
- operazioni online
- utilizzo di carte di credito
- recensioni dei prodotti
Le informazioni da rilevamento sensoriali provengono da:
- immagini satellitari
- geolocalizzazione.
È evidente che da queste fonti arrivi una ingente mole di dati, utile solo a patto che venga adeguatamente analizzata, selezionata e interpretata. Il processo per estrarre informazioni utili dai dati è lungo e, come già affermato, attuabile solo attraverso l’utilizzo di tecniche di intelligenza artificiale con metodi e tecniche capaci di trasformare la quantità di dati in qualità.
L’esempio di base è quello di un imprenditore a capo di un’attività (ristorante, albergo o bar) che chiede un finanziamento presso una banca.
Un’analisi finanziaria tradizionale si baserebbe esclusivamente sui bilanci dell’attività, calcolando il ROI (Return on Investment) e calcolerebbe il rischio di insolvenza.
Un’alternative data analysis, invece, prenderebbe in considerazione per esempio anche la presenza di giudizi positivi sul suo sito, o su app, o su siti di prenotazioni come TripAdvisor o Booking e potrebbe offrire dati indicativi sul flusso di clienti e, quindi, sulla potenzialità di affari dell’impresa.
È evidente perciò, come l’integrazione delle due analisi possa offrire una panoramica esaustiva delle reali potenzialità economico-finanziarie dell’impresa.
Alternative Data Analysis in finanza: metodologie e strumenti
Come fare per analizzare terabyte di dati alternativi ogni giorno? Per poter estrarre informazioni utili da questa mole di dati è necessario sviluppare algoritmi di anomaly detection specifici, capaci di individuare segnali importanti ai fini delle scelte strategiche dei trader. Per fare questo bisogna avere una metodologia specifica che sappia selezionare titoli e temi svolgendo anche un monitoraggio costante che evidenzi comportamenti anomali sia in senso positivo che in senso negativo. Il tutto per avere una rapida analisi della loro popolarità presso i “consumers” o negli ambienti finanziari.
FinScience ha sviluppato tecniche e metodi di alternative data analysis applicate al settore finanziario grazie appunto al supporto dell’Intelligenza Artificiale supportata dal coordinamento umano.
Nuove idee di investimento con i Big Data: Alternative Data Intelligence
Trasformare big data in un set di informazioni utili per finalità di investimento richiede tecnologie e conoscenze particolari. Un’analisi che dia accesso immediato anche ai segnali deboli (weak signal, ossia informazioni apparentemente disconnesse e senza particolare valore che possono invece essere determinanti solo se collegate e analizzate insieme ad altre) al fine di sfruttare la loro potenzialità e individuare possibilità di crescita prima dei competitors.
Gli strumenti e le metodologie proprietarie di FinScience permettono di monitorare company e titoli, individuare trend in anticipo, fare stock selection e approfondire argomenti e fenomeni specifici.
Queste metodologie vengono applicate sia all’analisi dei dati tradizionali, che all’integrazione di questi a quelli alternativi, permettendo il miglioramento dello scoring creditizio sulle PMI, ricerche predittive di mercato e individuazione di modelli di investimento Quantamental.
Analisi dei dati alternativi e tradizionali
L’applicazione di algoritmi di machine learning ai dati finanziari tradizionali permette di acquisire analizzare e trasformare molti dati, misurando 3 fattori di rischio specifici.
- Il rischio digitale – misurando il grado di trasformazione e la sua presenza digitale;
- Il rischio geografico – misurato sulla base dell’area in cui l’azienda opera;
- il rischio sociale – misurato sulla base di un’analisi di sentiment per singole aziende, settori o aree geografiche.
È evidente, quindi, come l’interazione di metodologie innovative di Natural Language Processing, possano poi tradursi in informazioni utili ai fini di scelte finanziarie.
Modelli Quantamental
Analisi di dati finanziari tradizionali e alternative data sono alla base di modelli Quantamental che, grazie a questa particolare commistione, sono in grado di supportare strategie di investimento efficaci.
Gli investimenti quantitativi sono investimenti strutturati, con regole e meccanismi dei modelli di controllo del rischio strutturati e si contrappongono agli investimenti fondamentali.
L’applicazione di tecniche di Intelligenza Artificiale ha permesso l’unione dei due modelli, dando vita a strategie ibride Quantamental, capaci di analizzare tante variabili, individuare quelle con valore predittivo e scoprire il rapporto causa-effetto sulle attività finanziarie.
Migliorare lo scoring ESG delle aziende
È ormai appurato che aziende con elevato rating ESG abbiano migliori performance sia in termini di risultati di bilancio che sull’andamento dei titoli. Solo l’integrazione di alternative data generati dagli stakeholder esterni con quelli tradizionali, fornisce una visione completa del rating ESG. Analisi che permette di monitorare e migliorare la reputazione della propria azienda e che per questo offre un valore aggiunto.
Fare alternative data analysis in finanza significa quindi combinare tecniche di machine learning a metodologie guidate dall’intelligenza umana, unendo esperienze di natura digitale e finanziaria allo stesso tempo, in modo da studiare modelli di predizione il più possibile efficienti.
