FinScience utilizza la gran quantità di dati presenti sulla rete per costruire indicatori utili ai propri clienti. Tutto questo non sarebbe stato possibile, però, senza l’ausilio di sofisticati algoritmi di Artificial Intelligence. In questo articolo cercheremo di comprendere in che modo questi dati vengono resi intelligibili grazie a degli indicatori specifici.
Il ruolo centrale dei dati nella moderna società dell’informazione.
I dati sono tra i principali asset della moderna società dell’informazione. Per le aziende essi sono anche più importanti, in quanto possono guidare la visione strategica. Ma i dati di per sé sono inutilizzabili se non correttamente interpretati: solo quando questo avviene possiamo considerarli informazioni. È in questa fase che l’Intelligenza Artificiale gioca un ruolo indispensabile; senza di essa non saremmo in grado di gestire tutti questi dati, organizzarli e ricavarne informazioni utili.
Sotto il nome di Intelligenza Artificiale vanno diversi approcci ai problemi moderni, tutti quanti, però, sono accomunati dall’essere algoritmi molto sofisticati che vengono “allenati” su grandi quantità di dati per diventare sempre più evoluti e capaci di rispondere alle esigenze dell’uomo. FinScience, per costruire i suoi indicatori sintetici, utilizza algoritmi di Machine Learning e Natural Language Processing, che sono branche dell’Intelligenza Artificiale. La seconda delle due, in particolare, si occupa di processare ed analizzare il linguaggio naturale umano, così da rendere di facile fruibilità le informazioni presenti in esso anche per i nostri algoritmi e software.
Cosa sono gli Alternative Data.
Col termine “Alternative Data” ci si riferisce a quei particolari dati usati per ottenere informazioni alternative nel campo degli investimenti finanziari. Per questo motivo sono usati principalmente da grandi investitori come banche, fondi di investimento, fondi sovrani, etc. Provengono, in genere, da fonti non tradizionali.
Anche se queste informazioni fossero di carattere negativo, i mercati finanziari offrono l’opportunità di trarne profitto prendendo posizioni corte o comprando opzioni put. Le fonti da cui si possono ricavare Alternative Data per contesti aziendali sono generalmente registrazioni satellitari, contenuti e discussioni presenti sul web (forum, social, siti di news…) e dati ricavati da sensori o dispositivi mobili. Le fonti tradizionali sono invece i bilanci, i valori di Borsa, le informazioni sui siti ufficiali delle aziende, come comunicati stampa, presentazioni agli investitori o comunicati di organi di controllo del mercato, come la CONSOB per l’Italia o la SEC per gli Stati Uniti.
FinScience e i suoi indicatori sintetici.
FinScience offre ai propri clienti una vasta gamma di indicatori, sfruttando sistemi di Intelligenza Artificiale sugli Alternative Data. Da questi ultimi sono esclusi, ovviamente, i dati sensibili o che in qualche modo possano contravvenire al regolamento GDPR. I principali indicatori sono:
- Digital Popularity Value (DPV): un indicatore proprietario che misura la diffusione di un segnale digitale in relazione ad uno specifico argomento o ad entità fisiche o legali. Ad esempio può indicare l’impatto dell’apertura di un nuovo store Apple.
- DPV Volatility: valuta quantitativamente la variazione di diffusione digitale di un segnale informativo. Il suo calcolo si basa sulla sopramenzionata DPV.
- Investor DPV: è il Digital Popularity Value calcolato per contesti strettamente finanziari. Ad esempio per valutare il lancio di un nuovo modello di smartphone sugli investitori.
- Sentiment: Questo indicatore, che può essere positivo, negativo o neutro, ci fornisce indicazioni sull’opinione diffusa in relazione ad una entità percepita in un contesto. Un esempio potrebbe essere che percezione si ha di Apple in un articolo dopo il rilascio di un iPhone. Può variare da -1 a 1.
- Market Potential Index (MPI): è un indice che misura quanto un’azienda può investire in base alle sue disponibilità finanziarie. È calcolato usando sia dati finanziari che digitali, combinati usando tecniche di Machine Learning. Può valere da 1 a 5.
- International Readiness: questo indicatore misura quanto è diffusa un’entità (azienda, prodotto, etc.) all’estero. Con questo indicatore si misura la percentuale di contenuti all’estero rispetto a quella nazionale. Un alto indice di International Readiness può essere collegato, perciò, ad aziende multinazionali e/o con grandi attività estere.
