Introduzione
L’analisi del sentiment nel trading algoritmico consente di avere una visione globale di come le entità che operano nel mercato si posizionano rispetto a un determinato asset. Il sentiment può essere positivo, negativo o neutrale. In caso di sentiment positivo gli operatori risultano essere ottimisti circa un aumento del valore dell’asset. In caso di sentiment negativo gli operatori hanno invece una visione ribassista. Il sentiment di mercato è influenzato da numerosi fattori quali per esempio le notizie economiche e l’atteggiamento dei governi e delle banche centrali. Inoltre, per un determinato asset class, il sentiment può essere influenzato da specifici fattori quali ad esempio gli utili delle aziende, relativamente al mercato azionario, o gli aspetti geopolitici relativamente al mercato delle materie prime.
Come si determina il sentiment di mercato
Con l’avvento dell’era digitale, numerosi dati contribuiscono a determinare il sentiment di mercato. Possiamo utilizzare diversi indicatori come l’ ”open interest” delle opzioni ed i volumi di contrattazione, oppure affidarci a sondaggi compiuti da società specializzate. Una parte preponderante è affidata alla scansione di chat, blog e social media tramite i quali alcuni algoritmi di trading riescono a interpretare, dai post e dalle discussioni, se gli investitori sono più propensi all’acquisto o alla vendita. Per tale scopo questi algoritmi utilizzano il machine learning ed il Natural Language Processing (NLP).
Principali strumenti per l’analisi del sentiment di mercato
Come accennato prima, l’avvento della rivoluzione digitale ha portato con sé lo sviluppo di strumenti sofisticati che hanno permesso di automatizzare l’analisi del sentiment in maniera sempre più efficiente. Questi strumenti permettono di scannerizzare i dati presenti sul web al fine di estrapolare la tendenza di acquisto o di vendita dalle diverse community di trading o dai comunicati ufficiali delle entità le cui dichiarazioni impattano i mercati. Vediamo sotto alcuni tra i principali strumenti utilizzati per questo scopo.
Natural Language Processing (NLP)
Il Natural Language Processing è un algoritmo che scansiona differenti testi presenti online. Chat, post sui social media, articoli di giornale o trascrizioni delle conferenze stampa, vengono analizzate dall’algoritmo NLP che assegna un determinato punteggio alle singole frasi o a determinate parole. Il punteggio identifica se il sentiment è positivo, negativo o neutrale. Il vantaggio di utilizzare un algoritmo NLP è dato dalla quantità di dati di testo che l’algoritmo riesce ad elaborare in pochissimo tempo. In funzione dell’aspetto emozionale delle frasi o delle singole parole, esistono diverse tipologie di algoritmi NLP che attribuiscono un punteggio. Altri algoritmi NLP invece si concentrano sull’uso di particolari slang specifici del trading. Ora, poiché la valutazione dei testi è affidata ad un algoritmo, tale valutazione può avere diverse lacune, e pertanto i risultati devono essere utilizzati all’interno di una strategia che utilizza ulteriori parametri come conferma.
Tweepy: utilizzo di Twitter come indicatore del sentiment
Una delle migliori fonti per l’analisi del sentiment di mercato è il social media Twitter. Su Twitter infatti sono presenti sia investitori istituzionali con i loro profili, sia tantissimi investitori non professionisti i quali postano o esprimono commenti in merito alla propria attività di trading. Tweepy è una libreria Python per la scansione e l’estrazione del testo, tramite chiavi API, dei post di Twitter. Con Tweepy si possono analizzare tweet contenenti determinate parole chiave o specifici hashtag. Una volta selezionati i tweet verranno poi analizzati dall’algoritmo NLP per determinare il sentiment di mercato preponderante.
Google Cloud Natural Language API
Attraverso una chiave API si inviano le richieste di analisi del sentiment di mercato. L’algoritmo NPL che utilizza i dati di Google per elaborare la richiesta restituirà un risultato che potrà essere positivo, negativo o neutrale.
IBM Watson Tone Analyzer
La piattaforma di intelligenza artificiale della IBM Watson Tone Analyzer è capace di implementare la funzione di analisi del tono del sentiment di mercato. Attraverso l’identificazione di svariate tonalità, come quella emozionale, identifica una caratteristica sociale tra rabbia, tristezza o gioia. Utilizzando delle chiavi API, attraverso cui verrà inviato un testo da analizzare, si genera oltre al risultato, una spiegazione minuziosa di come è stato ricavato l’esito dell’elaborazione e la metodologia adottata.
Analisi del sentiment di mercato e Machine Learning
Il Machine Learning è utilizzato per “addestrare” i trading system. I dati estratti tramite gli algoritmi NLP vengono poi elaborati da programmi di Machine Learning per creare la strategia che opererà sul mercato. Le principali tipologie di strategie adatte all’analisi del sentiment sono:
- Rete neurale – particolarmente adatta per dati non strutturati, funziona sul modello del cervello umano.
- Random Forest – usato per la sua accuratezza, deve essere impostato su una quantità elevata di dati.
- Regressione lineare – utilizzando diverse variabili indipendenti si elabora una decisione, necessita di dati molto strutturati.
- Algoritmi genetici – si basa sulla selezione naturale delle scelte possibili, specificamente utilizzata per l’ottimizzazione delle strategie
Il Machine Learning può essere utilizzato, in modo più specifico, per identificare i settori o le singole azioni che potrebbero avvantaggiarsi o risentire di un determinato sentiment di mercato. Le principali tecniche di apprendimento che possono essere implementate per questo scopo sono la classificazione, la cluster analysis e l’analisi delle componenti principali (PCA).
Come si utilizza il sentiment di mercato in una strategia di trading algoritmico
Le strategie di trading algoritmico utilizzano i dati sul sentiment di mercato in diversi modi tra cui: segnale di conferma generato da indicatori tecnici o fondamentali, oppure come indicatore di inversione di mercato, se il sentiment segnala un cambio da positivo a negativo o viceversa.
Inoltre, per migliorare la previsione del mercato, è possibile combinare l’analisi del sentiment con la tecnologia di Intelligenza Artificiale (AI). Utilizzando algoritmi di Machine Learning si può combinare il sentimento con altri dati, come il volume degli scambi o il prezzo, per generare segnali di trading più precisi.
Infine si può utilizzare il sentiment come filtro per eliminare i segnali di trading meno affidabili. Se, ad esempio, il sentimento è negativo, potrebbe essere meno probabile che un segnale di acquisto generato da un altro indicatore tecnico sia affidabile.
Conclusioni
In conclusione, il sentiment di mercato nel trading algoritmico non è altro che un’analisi delle opinioni e delle attitudini degli operatori del mercato rispetto a un determinato asset. Può essere positivo, negativo o neutrale e viene influenzato da fattori come notizie economiche, politiche governative e comportamenti delle banche centrali. Tuttavia è importante notare che, per evitare errori, il sentiment di mercato deve essere utilizzato all’interno di una strategia che prevede l’uso di ulteriori parametri di conferma.
