Big Data, Intelligenza Artificiale e Finanza

INTERNAL USE ONLY
BIG DATA, INTELLIGENZA ARTIFICIALE E
FINANZA
MILANO, 18 MARZO 2019 – UNIVERSITÀ MILANO-BICOCCA
Alessandro Greppi, PhD
CSTA - Certified SIAT Technical Analyst

INTERNAL USE ONLY
Disclaimer
Il presente per informare autori, associati e non, fruitori, che nessuna
responsabilità viene assunta da SIAT Associazione in relazione all’uso e/o
utilizzo dei contenuti intellettuali divulgati da, o attraverso, essa qualsiasi mezzo
divulgativo venga utilizzato:
partecipazione fisica ad eventi organizzati sia in propria sede o altrove;
partecipazione elettronica attraverso file di ogni genere, utilizzati per qualsiasi
finalità o prelevabili dal sito www.siat.org;
partecipazione mediatica attraverso videoregistrazioni od altro.
Tutti i contenuti divulgati (non costituiscono in nessun modo sollecitazione al
pubblico risparmio) internamente tra associati e/o esternamente anche a terze
parti, sono soggetti alla normativa vigente in materia di diritto d’autore e di
proprietà intellettuale, pertanto qualsiasi uso e/o utilizzo possa essere realizzato
deve essere preventivamente concordato direttamente tra l'autore ed il fruitore in
totale autonomia e responsabilità.
SIAT Associazione si dichiara a favore dell'esclusivo e totale rispetto delle norme
vigenti pertanto non sarà in alcun caso responsabile a qualunque titolo per
qualsiasi tipo di danno, diretto o indiretto, derivante da qualsiasi uso e/o utilizzo
dei contenuti divulgati.

INTERNAL USE ONLY
Benvenuti in una Nuova Era
Big Data, Intelligenza Artificiale e Finanza – Alessandro
Greppi
6 Maggio
2017
Link all’articolo dell’Economist
I dati sono il nuovo
petrolio. Per monetizzare
è comunque necessario:
•Creare un database
•«Preparare» i dati (pre-
processing)

INTERNAL USE ONLY
Big Data: cosa sono e come devono essere?
Definizione: «Un sistema di Big Data si riferisce a dataset la cui taglia/volume è
talmente grande che eccede la capacità dei sistemi di database relazionali di
catturare, immagazzinare, gestire ed analizzare»(fonte: McKinsey Institute)
Qualità e Quantità del dato contano piùdi qualsiasi algoritmo
Se i dati input elaborati da un modello sono di bassa qualità, non si può
pretendere che l’output ne abbia:
«Garbage In, Garbage Out»
Greppi

INTERNAL USE ONLY
Big Data: le 3V *
* Doug Laney
(2001)Big Data, Intelligenza Artificiale e Finanza – Alessandro
Greppi

INTERNAL USE ONLY
«V» di Volume
Volume: si riferisce alla quantità di dati generati ogni secondo da fonti eterogenee
quali: sensori, log, eventi, email, social media e database tradizionali.
Greppi

INTERNAL USE ONLY
«V» di Varietà
Dati Strutturati Dati NON-StrutturatiDati SEMI-Strutturati
Database XML / JSON
Email
Pagine web
Audio
Video
Immagini
Natural Language
Documenti
Caratterizzati da una forte
organizzazione.
Esempio: file Excel / CSV
Non sono inseriti all’interno di
nessun «contenitore».
Necessitano di essere elaborati
per essere utilizzabili.
Includono dati o metadati che
permettono una analisi piùfacile
rispetto ai dati non-strutturati.
Varietà: si riferisce alla differente tipologia dei dati che vengono generati,
collezionati ed utilizzati.
Greppi

INTERNAL USE ONLY
«V» di Velocità
Velocità: si riferisce alla velocità con cui i nuovi dati vengono generati ma anche
alla necessità che queste informazioni arrivino real-time al fine di effettuare
analisi su di esse.
Greppi

INTERNAL USE ONLY
Big Data e Mercati Finanziari
Quantifying Trading Behavior in Financial Markets Using Google
Trends (Preis, Moat and Stanley – 2013)
•https://www.nature.com/articles/srep01684
Abstract: Le nuove fonti di dati generati dall’interazione tra l’uomo e internet
possono offrire una nuova prospettiva riguardo al comportamento degli investitori.
Analizzando i cambiamenti dei volumi di ricerca di parole legate al mondo
finanziario su Google Trends, è possibile individuare dei segnali che anticipano
l’imminente movimento dei prezzi.
TedX Conference: Can Google Trend predict the stock market?
•https://www.youtube.com/watch?v=nwk0mfpOi_s
Greppi

INTERNAL USE ONLY
Strategia di Trading basata su Google Trends
Fonte:
https://www.nature.com/articles/srep01684
Greppi

INTERNAL USE ONLY
Strategia di Trading Usando la Parola «Culture»
Fonte:
Greppi

INTERNAL USE ONLY
Strategia di Trading Usando la Parola «Debt»
Fonte:
Greppi

INTERNAL USE ONLY
Cosa Rende una «Parola Chiave» di Successo?
(1/2)
Fonte:
84
Greppi

INTERNAL USE ONLY
Cosa Rende una «Parola Chiave» di Successo?
(2/2)
Fonte:
84
Greppi

INTERNAL USE ONLY
Dal dato «grezzo» al «segnale»
Necessità: trasformare una grande quantità di dati grezzi in conoscenza
In risposta a questo bisogno, nasce la data science che consiste in un approccio
multidisciplinare il cui obiettivo è quello di estrarre valore da diverse tipologie di
dato.
Competenze
Specifiche
Data
Visualization
Statistica
Data
Science
Data
Engineering
Calcolo
Avanzato
Greppi

INTERNAL USE ONLY
Gli step della Data Science
Costruzione
del
database
Trasformazion
e dei dati
Pulizia dei dati
Preparazione
dei dati
Applicazione a
nuovi dati
Visualizzazion
e degli output
Validazione
del modello
Fase di
apprendimento
Ingegneria del dato
Machine Learning
Fase Operativa
Greppi

INTERNAL USE ONLY
Le diverse tipologie di «apprendimento»
Apprendimento Supervisionato Apprendimento «rinforzato»
Apprendimento Non-
Supervisionato
L’algoritmo impara da un
database di esempio le risposte
corrette. Di fronte a dati nuovi,
cerca di applicare la conoscenza
cumulata per prevedere la
risposta giusta.
E’ l’algoritmo ad individuare i
pattern all’interno del database.
Non ha bisogno di suggerimenti
(dati «taggati») per dare la
risposta giusta.
Simile ad apprendimento non-
supervisionato.
I risultati vengono accompagnati
da feedback positivi o negativi.
Prescrittivo (algo deve
prendere decisione) e non solo
descrittivo.
Approcci di Machine Learning
Greppi

INTERNAL USE ONLY
Focus sul «reinforcement learning»
Reinforcement learning: è una metodologia di apprendimento in cui il modello
ha come obiettivo di individuare il modo per massimizzare la ricompensa
ricevuta durante lo svolgimento di un compito preciso.
DeepMind (startup acquisita da
Google con focus su
applicazioni AI)
AlphaGo (Link al Trailer del
documentario)
Greppi

INTERNAL USE ONLY
Machine Learning: questione di hardware
La fase di «apprendimento» richiede potenza di calcolo che un computer deve
essere in grado di offrire. Quali sono gli hardware su cui si può contare?
•CPU (central processor unit) – molto comuni (tutti i computer ne hanno una),
anche se non ottimali
•GPU (graphic processor unit – schede grafiche) – più adatte e più veloci nello
svolgere operazioni di calcolo complesse
•FPGA (field programmable gate array) – processori disegnati per svolgere calcoli
specifici (sono programmabili)
Greppi

INTERNAL USE ONLY
Sentiment Analysis con
Twitter

INTERNAL USE ONLY
Sentiment Analysis - Alessandro Greppi
Social Networks: una miniera di informazioni
Negli ultimi 10 anni, l’attività su internet è cresciuta esponenzialmente a livello
globale. Come diretta conseguenza, sulle piattaforme social vengono generati ogni
secondo svariati milioni di informazioni e contenuti
(www.internetlivestats.com).
I social network sono un mezzo per:
•Condividere i propri interessi
•Condividere le proprie idee
•Commentare servizi/prodotti
•Mettersi in contatto diretto con
aziende/servizi
•…

INTERNAL USE ONLY
Social Network Sentiment Analysis
La sentiment analysis consiste nell’analisi di un testo attraverso l’utilizzo di
natural language processing (NLP) e linguistica computazionale per identificare ed
estrapolare informazioni soggettive, come ad esempio opinioni o emozioni.
Questo approccio è ampiamente adottato sui testi in lingua inglese. Invece, l’analisi
dei contenuti in italiano è poco diffusa poiché incontra i seguenti ostacoli:
•il significato di alcune parole può risultare ambiguo
•il vocabolario italiano rispetto a quello inglese è molto piùvario e sfaccettato

INTERNAL USE ONLY
Perché l’analisi del sentiment? (focus su ambito
finanziario)
Dalla prospettiva dell’investitore, l’analisi del sentiment ci permette di capire
se ci sono aspettative positive/negative o un clima di
positività/negatività attorno a un titolo.
Qualora il sentiment del web fosse positivo su un titolo in particolare (una sorta di
«wisdom of the crowd»), quest’ultimo dovrebbe attirare un’ondata di acquisti e
conseguentemente il suo prezzo dovrebbe accelerare al rialzo. E viceversa.
Attenzione ai «troll» e alle fake news!

INTERNAL USE ONLY
Sentiment Analysis dei tweet: un duro lavoro (1/2)
1) Utente Interroga API
attraverso un client
(browser, app mobile…)
Invio richiesta
API
Risposta inviata
2) Il server viene interrogato
in base alla richiesta ricevuta
attraverso API
3) Il sistema una volta
elaborata la risposta, la inoltra
attraverso API all’utente che
ha condotto l’interrogazione
A differenza di altri social network (come Facebook o Linkedin), Twitter permette agli
utenti di scaricare contenuti dalla piattaforma attraverso delle API (Application
Programming Interface).
Come funziona una API

INTERNAL USE ONLY
Sentiment Analysis dei tweet: un duro lavoro (1/2)
Gli aspetti principali da monitorare durante l’analisi dei tweet sono:
•la qualità del dato
•decifrare il linguaggio gergale
•identificare il sarcasmo all’interno dei contenuti condivisi

INTERNAL USE ONLY
Definizione del processo
1) Creazione
di Twitter APP
4) Sentiment
Attribution
3) Pulizia dei
tweet
2) Estrazione
dei tweet
6) Data
Visualization
5) Sentiment
Score

INTERNAL USE ONLY
Case Study
«Quale società mineraria è responsabile del disastro nel video?»
Partiamo dall’ ipotesi per
assurdo di non avere
accesso a news o giornali
ma solo a Twitter.
L’obiettivo dell’analisi è
verificare se attraverso la
sola sentiment analysis
dei tweet postati dagli
account ufficiali di alcune
società minerarie
possiamo farci un’idea
sulla società responsabile
del disastro.

INTERNAL USE ONLY
Data Visualization: grafico Rio Tinto sentiment

INTERNAL USE ONLY
Data Visualization: grafico Rio Tinto sentiment
score

INTERNAL USE ONLY
Data Visualization: grafico Bhp sentiment

INTERNAL USE ONLY
Data Visualization: grafico Bhp sentiment score

INTERNAL USE ONLY
Data Visualization: grafico Vale sentiment

INTERNAL USE ONLY
Data Visualization: grafico Vale sentiment score

INTERNAL USE ONLY
25 gennaio 2019 – Il disastro della diga di Vale in
Brasile

INTERNAL USE ONLY
Data visualization: grafico a torta score positivi
Le percentuali mostrate
rappresentano il peso dei tweet
positivi sul totale dei tweet
scaricati per ogni singola società.
Invece, il grafico a torta mostra
(senza numeri, solo visivamente)
l’incidenza dei tweet positivi sul
totale dei tweet scaricati per tutte
le società (Vale+RioTinto+Bhp)

INTERNAL USE ONLY
Data Visualization: grafico a torta score negativi

INTERNAL USE ONLY
Data Visualization: grafico a torta score neutrali

INTERNAL USE ONLY
Screenshot dell’account di Vale al momento
dell’analisi

INTERNAL USE ONLY
Screenshot dell’account di Rio Tinto al momento
dell’analisi

INTERNAL USE ONLY
Screenshot dell’account di Bhp al momento
dell’analisi

INTERNAL USE ONLY
#SIAT4.0
Ringraziamenti
@SIAT_Italia SIAT Associazione
Corso Magenta 56 - 20123
MILANO
info@siat.org
+39 02 72094033
SIAT – Società Italiana Analisi TecnicaSIAT – Società Italiana Analisi Tecnica

Big Data, Intelligenza Artificiale e Finanza

Recommended

Recommended

More Related Content

Similar to Big Data, Intelligenza Artificiale e Finanza

Similar to Big Data, Intelligenza Artificiale e Finanza (20)

More from Alessandro Greppi

More from Alessandro Greppi (8)

Big Data, Intelligenza Artificiale e Finanza