Home Blog L’analisi del ...

L’analisi del Rischio di Credito e gli Alternative Data

FinScience

di Eugenio Ciamprone

A partire dal 2010, studi condotti da alcune università americane come il MIT e l’Indiana University, hanno dimostrato che l’analisi dei big data e il monitoraggio dei flussi delle conversazioni sui social permettevano ai trader di guadagnare di più rispetto a chi non avesse a disposizione questo tipo di informazioni.

Qualche anno dopo, nel 2013, Twitter introduce la possibilità di seguire le conversazioni delle società quotate a Wall Street grazie all’utilizzo dei Ticker (abbreviazioni che identificano le società che vengono quotate sui mercati finanziari) e del CashTag dove il simbolo azionario della società viene preceduto dal segno del dollaro americano.

A distanza di otto anni si può sostenere che la finanza e gli investimenti corrono sempre più sui tasti dei nostri smartphone e dei nostri pc che alimentano le conversazioni in rete. Questo anche grazie agli imprenditori che in questi anni hanno contribuito con i loro tweet a orientare le scelte degli investitori riuscendo a comunicare una visione più che una buona trimestrale.

Un esempio su tutti è il caso di Tesla, l’incremento del titolo quotato al Nasdaq di oltre il 500% negli ultimi 12 mesi è frutto del concetto futuristico di auto elettrica più che degli effettivi risultati delle vendite. Il CEO di Tesla e fondatore di SpaceX Elon Musk è ormai considerato un guru finanziario e ogni suo tweet muove milioni di dollari.

Un altro settore fortemente influenzato dai social e che ha registrato una crescita esplosiva negli ultimi anni è quello delle Criptovalute. Anche qui seguire il sentiment e gli influencer del settore aiuta ad ottenere migliori performance su asset ancora molto volatili, guidati dal Bitcoin e dalla visione di un nuovo paradigma finanziario.

Tornando al settore azionario, che l’attività di monitorare le conversazioni in rete sia ormai necessaria per ottenere migliori performance negli investimenti lo dimostrano anche i rendimenti dell’indice statunitense Buzz NextGen AI US Sentiment Leaders: da gennaio 2020 a gennaio 2021 ha guadagnato più del 90%, quasi cinque volte lo S&P500. L’indice è composto da un paniere di 75 titoli azionari che cambia ogni mese sulla base del buzz, ovvero sul brusio che gli algoritmi di intelligenza artificiale intercettano continuamente in rete relativo al sentiment e alle discussioni sui titoli stessi. Le azioni, dunque, vengono inserite nel paniere sulla base dell’interesse registrato in rete.

Quali sono le tipologie di dati che devono essere prese in considerazione per intercettare il sentiment su asset finanziari?

Gli Alternative Data

Estrapolare informazioni affidabili in rete è un’attività sempre più complessa e parallelamente anche gli algoritmi di intelligenza artificiale sono diventati nel tempo più efficienti. Gli esempi mostrati precedentemente dimostrano come l’utilizzo di fonti dati alternative rispetto all’utilizzo delle sole informazioni societarie permette di intercettare il sentiment e i comportamenti degli investitori con maggiore velocità ed efficienza.

Per Alternative Data si intendono, infatti, tutti quei dati che non provengono dal contesto aziendale, ma che si trovano sotto forma di testi, immagini o video, in rete o sui social.

Nell’ambito degli investimenti, l’elaborazione di grandi volumi di Alternative Data permette di intercettare in anticipo segnali e trend su determinati asset. Più sono numerose le informazioni analizzate e migliori sono le performance. La valutazione sull’investimento viene costruita sulle “digital footprints” presenti in Rete, la cui capacità predittiva è ormai superiore rispetto all’analisi dei dati tradizionali.

Utilizzare gli Alternative Data consente anche di individuare i cosiddetti segnali deboli, informazioni apparentemente casuali o inizialmente poco inerenti che messe in relazione tra loro possono rappresentare indicazioni significative.