Tutto ciò che c'è da sapere sugli
Alternative Data

Tutto_ciò_che_c'è_da_sapere_sugli_Alternative_Data-850379-edited

1. Cosa sono gli Alternative Data

Fino a poco tempo fa non sfruttati al fine di ricavarne informazioni utili, gli Alternative Data sono dati non tradizionali che possono essere utilizzati nei processi di investimento.

La premessa di base dietro gli Alternative Data è la ricerca di una funzione che generi insight di investimento non provenienti dalle attività di mercato regolamentari o dalle stesse operazioni di trading.

Per far ciò, non ci si avvale dei tradizionali input di un tipico processo di ricerca sugli investimenti, come ad esempio documenti aziendali, analisi o informazioni di Borsa come prezzi o volumi. In pratica, qualsiasi dato ricavabile tramite una semplice sottoscrizione a Bloomberg è tradizionale, il resto è alternativo.

Grazie alla possibilità di raccogliere molteplici dataset da fonti diverse e inserirli in un'applicazione coesiva (così che possano essere analizzati da data scientist, analyst e manager), le decisioni più importanti possono essere prese con certezze più solide, creando in questo modo un vantaggio competitivo dato da informazioni esclusive non condivise con i competitor e dalla possibilità di prevedere potenziali rischi strategici.

L'incapacità di un'organizzazione di individuare, valutare, gestire e rispondere ai rischi strategici può influire sulle sue risorse critiche, sul rendimento finanziario o sulla reputazione.

Gli Alternative Data sono classificabili come un sottoinsieme dei “Big Data”, definizione introdotta da Google nel 2003 per inquadrare la tecnologia e architettura sviluppate per gestire le enormi quantità di dati che nel tempo ha dovuto elaborare, archiviare e analizzare, provenienti da ricerche conservate e altre applicazioni.

Gli Alternative Data sono dati raccolti da fonti non tradizionali che, una volta analizzati, permettono di individuare informazioni approfondite complementari utili a integrare quelle ricavate dai canali classici.

2. Alternative Data: una fonte sempre più affermata

Oltre l'80% dei dati mondiali non è strutturato. Gli operatori nel settore finanziario devono affrontare la sfida di gestire un grande volume di dati in questo formato, avvalendosi di esperti di dati, ingegneri e personale IT che possano trasformarli in insight.

Nel prossimo futuro, gestori di fondi e investitori useranno con sempre maggiore frequenza news feed, social media, comunità online, metadati della comunicazione digitale, - solo per citare alcuni dei dataset più conosciuti - per migliorare i loro processi tradizionali di valutazione dei titoli, piuttosto che come eccezione.

Questo approccio non ancora generalista può migliorare l’affidabilità delle stime o velocizzarne la generazione, sfruttando set di dati non tradizionali a supporto delle decisioni di investimento.

L'uso di queste informazioni è spesso chiamato “dark analysis". Attualmente, la maggior parte dei gestori finanziari si basa su set di dati strutturati acquisiti da vari fornitori di informazioni. Questi dati vengono successivamente aggregati e caricati in modelli quantitativi proprietari.

Nel 2016, sono stati generati globalmente 16,1 zettabyte (ZB) di dati. Si prevede che questa statistica cresca di dieci volte, fino a 163 ZB entro il 2025, con la maggior parte di questi nuovi dati che arriveranno dai dispositivi degli end-user, quindi in gran parte non strutturati.  

Le fonti di Alternative Data in rapida crescita possono fornire segnali di trading e contribuire a realizzare previsioni migliori, e queste incoraggiano gli investment managers a sfruttarne appieno il potenziale con l'obiettivo di generare alpha.

Alternative Data: una fonte sempre più affermata

3. A chi servono gli Alternative data?

A chi servono gli Alternative data?

Da quanto detto fino a ora, risulta chiaro che implementare il processo decisionale con l’utilizzo degli Alternative Data sia fondamentale per compiere scelte più consapevoli e caratterizzate da un maggiore grado di affidabilità.

Le forme tradizionali di analisi quantitative vengono migliorate in quanto il contenuto può essere memorizzato senza una completa normalizzazione e più facilmente integrato in eventuali modelli emergenti. Un analista finanziario oggi non può quindi prescindere dall’avvalersene: attraverso dataset alternativi può individuare correlazioni e prevederne gli sviluppi, aumentando in questo modo la capacità di reagire tempestivamente (anche anticipandoli) agli stimoli del mercato.

Anche la figura dell’Investor Relations Manager può avvantaggiarsi della loro conoscenza: creando un flusso continuo di informazioni può monitorare il sentiment del mercato in relazione ai rumors e gestire in maniera puntuale eventuali incomprensioni evitando conseguenze negative (o comunque, limitando almeno in parte i danni).

Oggi, le opinioni non sono più campionate tramite focus group o sondaggi. Al contrario, i contenuti derivati da social media e online community forniscono flussi di dati che danno il polso del pensiero dei loro utenti.

4. Come usare i dati alternativi

Utilizzare i dati alternativi presuppone un approccio algoritmico all’informazione, che richiede competenze specifiche: è necessario un Data Analyst responsabile di raccogliere, investigare e rappresentare i dati, filtrando le informazioni utili da essi; un Data Scientist, figura altamente competente nello studio di grandi quantità di dati spesso non organizzati, con il compito di individuare i modelli di analisi più adatti; infine il Data Engineer, professionisti che preparano l’infrastruttura per rendere accessibili i dati ai Data Scientist. Sono ingegneri del software che progettano, costruiscono, integrano le informazioni da varie risorse e gestiscono gli alternative data.

Nel mondo finanziario, l’analisi è sempre più “data-driven”: per esempio gli hedge funds, come molte delle loro controparti nel settore, fanno affidamento sui dati per formulare modelli finanziari adatti a prendere decisioni di investimento. L'obiettivo di qualsiasi fondo è quello di ottenere il consenso del mercato per realizzare maggiori guadagni e far crescere la compagnia. Ad ogni modo, i set di dati tradizionali utilizzati per creare questi modelli finanziari sono accessibili e disponibili all'intera comunità di hedge funds, non riuscendo quindi a fornire informazioni in grado di apportare vantaggio competitivo.

I dati alternativi forniscono informazioni esclusive che consentono di fare previsioni e determinare rischi che non possono essere derivati dai set di dati tradizionali. Questo consente ai gestori di fondi di avvantaggiarsi sui competitor e generare alpha.

Il caso Tesla: un brillante esempio di Alternative Data Analysis. Scarica il report "Tesla’s First Deadly Autopilot Crash” per capire le  potenzialità di questa analisi.  <http://blog.finscience.com/scarica-il-report-alternative-data-analysis-teslas-first-deadly-autopilot-crash-0>
Richiedi una demo  del nostro software

5. Prevedere e gestire le crisi aziendali con gli Alternative Data

Forse la più grande intuizione della feature engineering (quella branca dell’ingegneria che sviluppa le caratteristiche necessarie all’apprendimento per gli algoritmi di machine learning) è stata raggiungere la consapevolezza che si poteva prevedere il comportamento di una persona nella realtà studiando il comportamento del suo social network. Questo uso di dati social non tradizionali ha dato una notevole spinta anche in termini economici al settore, in quanto ha rivoluzionato l'accuratezza e l'applicabilità dei modelli.

Come accennato in precedenza, uno degli aspetti più interessanti degli Alternative Data è la loro capacità di anticipare informazioni riguardanti possibili rischi futuri: poter affrontare una potenziale crisi informati in tempo reale sui possibili scenari in divenire è fondamentale, e dà modo di mettere in atto le dovute contromisure. Un esempio di ciò è quello offerto dal caso Volkswagen nello scandalo “Dieselgate”.

In un mondo in cui le informazioni finanziarie tradizionali sono onnipresenti e in cui l'analisi degli investimenti risulta in gran parte omogenea, i dati alternativi forniscono un approccio “non convenzionale” grazie al quale analisti e manager possono conservare o migliorare la competitività.

Anche se siamo ancora agli albori, gli Alternative Data hanno già profonde implicazioni nelle strategie degli operatori buy-side che sono in grado di sfruttare efficacemente il loro utilizzo sia dal punto di vista dei ricavi che dei costi. Per fare ciò, vengono presi in considerazione una serie di fattori chiave, dall'individuazione dei dati più funzionali alla loro incorporazione pratica nel processo di investimento del gestore di fondi.
Prevedere e gestire le crisi aziendali con gli Alternative Data

6. FinScience: uno strumento per monitorare gli Alternative Data

Ad oggi, solo una piccolissima parte dei dati creata dall’umanità è stata effettivamente raccolta e processata; l’espansione del mondo digital negli ultimi 20 anni è stata accompagnata dall’esplosione dei dati prodotti, mentre i progressi tecnologici hanno permesso che non andassero perduti.

Emblematici di quest’epoca, gli Alternative Data sono un nuovo continente che viene esplorato senza soluzione di continuità, dal quale vengono estratte informazioni derivate dall’elaborazione di immense quantità di dati. Questo è un compito solo in apparenza semplice, ma che in realtà (come abbiamo visto) presuppone la presenza di figure professionali altamente competenti, necessarie per creare l’infrastruttura di data mining e successivamente rendere intellegibili al management aziendale le informazioni ricavate.

Per far questo, i provider di Alternative Data si avvalgono di algoritmi creati in funzione dell’ambito di interesse specifico e della tipologia di dati soggetti ad analisi. FinScience è uno di essi: l’innovativa startup italiana, attraverso la sua piattaforma, permette ai suoi utenti di monitorare una serie di segnali provenienti dall’ecosistema digitale in rapporto a metriche specifiche ed esclusive.

In particolare, FinScience si occupa di porre in relazione l’andamento dei mercati finanziari con i segnali provenienti da social network, web community e altre fonti non tradizionali, ma non solo: questi contenuti vengono raccolti autonomamente dal software, che procede poi a organizzarli separando quelli “investor” da quelli non attinenti, evidenziando i segnali e sotto-segnali più importanti e incrociando la diffusione digitale con l’andamento finanziario di una società (sia quotata che non).

Così pesati, i dati possono essere confrontati con quelli ottenuti tramite le metriche più tradizionali, allo scopo di ricavare alpha.

Sei interessato a FinScience?
Richiedi una demo  del nostro software