PREVIOUS ARTICLE NEXT ARTICLE

Alla ricerca dei segreti delle parole per investire meglio

08 Aprile 2019 · Riccardo Sabbatini · 5 min

  • Gli analisti non amano modificare di frequente le loro raccomandazioni di “buy”, “sell” o “hold” e spesso modificano leggermente il tono dei loro report per indicare un potenziale cambiamento in vista

  • Anche le conversazioni pubbliche captate su internet e le query dei motori di ricerca possono dire molto su nuovi temi d’investimento

Affidarsi al ‘linguaggio’ per effettuare le proprie scelte di investimento? Una realtà sempre più concreta. Le tecniche di Natural Language Processing sono entrate a pieno titolo tra quelle che Goldman Sachs utilizza per intercettare il sentiment del mercato e comportarsi di conseguenza

I gestori si affidano anche al ‘linguaggio’ per effettuare le loro scelte di investimento. Analizzano non soltanto i contenuti di interviste, conference call, report ma anche quello che le parole esplicitamente non dicono ma lasciano intendere con un aggettivo, una pausa, il tono. Roman Jakobson, il padre della linguistica moderna, avrebbe probabilmente fatto rientrare tutto ciò nella “funzione emotiva” della sua scienza. Goldman Sachs Asset Management (Gsam) lo considera un aspetto rilevante per il proprio processo d’investimento Core.

Le tecniche di Natural language processing (elaborazione del linguaggio naturale) sono entrate a pieno titolo tra quelle che il grande gestore Usa utilizza per intercettare il “sentiment” del mercato e comportarsi di conseguenza. Ogni anno il team Quantitative investment strategies (Qis) di Gsam analizza una massa imponente di fonti e forme di dati (288mila trascrizioni delle comunicazioni degli utili aziendali, 1milione di report degli analisti, 26 milioni di articoli di giornale, al marzo 2019) per cogliere quei segnali che, interpretati correttamente, possono generare un vantaggio informativo in grado di portare a scelte di investimento migliori per i propri portafogli azionari Core.

Un processo simile non sarebbe possibile senza la tecnologia necessaria per l’analisi dei big data, cioè la disponibilità di masse sterminate di dati digitali (strutturati e non strutturati), provenienti dalle fonti più disparate unita ad una velocità di circolazione molto elevata. Naturalmente il motore di questa macchina poderosa sono gli algoritmi che interpretano la nuova “grammatica” del linguaggio naturale. Un esempio? Gli investitori – è sottolineato nell’articolo “testo, tono e tema” del Gsam Perspectives dedicato alla rivoluzione dei big data – sono soliti concentrarsi sulle stime, le cifre degli Eps (utili per azione) contenute nei report degli analisti, per avere indicazioni su quali titoli acquistare o vendere, quando invece “molte delle informazioni contenute in un report di ricerca sono trasmesse proprio attraverso le parole, il tono e la costruzione delle frasi.

Gli analisti non amano modificare di frequente le loro raccomandazioni di “buy”, “sell” o “hold”, di conseguenza spesso modificano leggermente il tono dei loro report per indicare un potenziale cambiamento in vista, mantenendo dunque invariato il rating complessivo. Utilizzando l’elaborazione del linguaggio naturale per analizzare i termini scelti da un analista, il team Qis può riuscire a prevedere le variazioni nelle stime complessive prima che si verifichino”. Tutto ciò, in prospettiva, potrebbe portare a modificare consolidate prassi di mercato sui “consensus degli analisti basati sulle stime ma non, appunto, sulle parole ed il tono dei report. Per giunta l’identificazione dei trend ricavabili dall’analisi dei big data in modo obiettivo e distaccato non è un compito in cui gli esseri umani tendono ad eccellere, in quanto spesso sono influenzati da preconcetti inconsci e favoriscono le tendenze più affini trascurando invece quelle ritenute meno interessanti”.

Sono limiti comportamentali che i computer e gli algoritmi non hanno, osserva ancora l’articolo. Ma non è soltanto attraverso tecnologie avanzate come l’elaborazione linguaggio naturale che si stanno manifestando gli effetti della rivoluzione digitale. Grazie all’analisi di fotografie satellitari che mostrano i movimenti delle navi portacontainer da una parte all’altra del mondo, oggi è possibile valutare se una società stia trasportando più o meno merci di quanto attestato nei bilanci, ottenendo quindi una stima sull’andamento del business e dei i suoi profitti. Informazioni altrettanto rilevanti, almeno potenzialmente, si possono ottenere processando i dati delle carte di credito che registrano giorno per giorno come stanno cambiando le abitudini di acquisto dei consumatori. E, ancora, quali società se ne stanno avvantaggiando.

Anche le conversazioni pubbliche captate su internet e le query dei motori di ricerca possono dire molto su nuovi temi d’investimento. Nel processo di investimento dei portafogli Core Equity di Gsam vengono inoltre presi in considerazione oltre 300 fattori. Sono chiamati così gli elementi associati ad un titolo considerati come potenziali generatori di rendimento. Questi si aggiungono all’analisi fondamentale sulle società che rimane in ogni caso un punto importante del processo di decisione. Il team Qis di Gsam applica due modalità di investimento fattoriale (anche detto factor investing): le strategie “smart beta”, che puntano a generare un rendimento dai premi al rischio sul mercato e che utilizzano alcuni fattori (value, momentum, etc), e le strategie di alpha generation, che cercano di determinare un vantaggio informativo basandosi su vari dataset per identificare i titoli sopra o sottovalutati, per poi vendere o acquistare, a seconda dei casi.

Tutte queste modalità hanno in comune il fatto di essere elaborate con metodi quantitativi attraverso algoritmi. Non è una scienza esatta, naturalmente. I nessi di causalità tra i diversi fattori non sono sempre agevoli da rintracciare ed alcune indicazioni promettenti individuate dall’analisi potrebbero non avere effetti sui futuri prezzi dei titoli (mancano di “riflessività” direbbe George Soros). Ma certamente l’uso combinato di tutte queste tecnologie dà un potenziale vantaggio competitivo significativo a Gsam e alimenta con nuovi potenti strumenti informativi l’incessante tentativo dei gestori di prevedere il futuro. C’è un aspetto che va rimarcato: mentre finora gran parte degli indicatori finanziari – ad esempio, la volatilità – si sono sempre basati sull’analisi di serie storiche passate immaginando che il futuro sia meramente una ripetizione del passato (che è falso per definizione), con i big data un flusso imponente di dati praticamente “in tempo reale” irrompono nelle analisi per intercettare segnali predittivi. L’asticella, insomma, si è alzata.

Riccardo Sabbatini
Riccardo Sabbatini
VUOI LEGGERE ALTRI ARTICOLI SU: