Definizione e sviluppo del Sentiment Score per l’analisi del mercato azionario = Definition and development of Sentiment Score for stock market analysis

Il progetto consiste nella realizzazione di un indice denominato Sentiment Score in grado di sintetizzare le opinioni di giornalisti finanziari, analisti, investitori e trader, reperibili su giornali online e sui social media, per fornire un quadro sempre aggiornato del “sentiment” relativo ai titoli quotati sui 6 indici azionari monitorati (4 europei e 2 americani). L’indice è calcolato tramite un modello il cui scopo è manipolare le informazioni per riassumerle in un unico score compreso tra 0 e 10 che sia facilmente fruibile dagli utenti di una Web Application e di una API e che sovrapposto al grafico del prezzo possa aiutare nell'individuazione di strategie e pattern. Il Sentiment Score è aggiornato ogni 15 minuti con le nuove informazioni raccolte ed elaborate tramite un sistema di smorzamento esponenziale, in modo da avere un indice dinamico che rifletta l’andamento reale dell’umore degli investitori. Il modello, inoltre, non valuta soltanto il Sentiment Score di ognuna delle 723 azioni considerate, ma computa lo stesso valore per tutti i settori della classificazione GICS e per tutti gli indici selezionati. Per raggiungere l’obiettivo si è ritenuto necessario svolgere un ampio studio della letteratura riguardante la sentiment analysis per elaborare un sistema unico che racchiudesse diverse strategie per la predizione del prezzo di azioni. Il modello matematico è stato creato per Thanks Finance e fa parte del modulo CSS (Compute Sentiment Score) con l’obiettivo di sviluppare una web application per l’analisi del Sentiment del mercato azionario. Il modello utilizza come input i dati grezzi estratti dalle fonti Twitter, Reddit, News Finanziarie e Analyst Rating, elaborati tramite Transformer NLP da altri moduli della soluzione dell’azienda. Questo progetto è stato realizzato in Python, come anche la sezione di analisi, per poter essere inserito nella soluzione Cloud-Native di Thanks Finance su piattaforma AWS. Dopo la costruzione del modello è iniziato il processo in streaming del calcolo dei dati del Sentiment Score necessari a svolgere le analisi dei risultati e testare il funzionamento del modulo CSS. Sono state approfondite innovative tecniche di analisi di serie temporali, quali il Dynamic Time Warping e il Time Alignment Measurement, per affiancare le analisi di correlazione, gestire e confrontare il flusso dei dati del Sentiment Score e dei Prezzi delle azioni monitorate. Le analisi di predittività si sono svolte tramite il confronto tra il modello creato e il modello regressivo lineare semplice, provando a gettare le basi dell'obiettivo a lungo termine di Thanks Finance: produrre un Sentiment Score che possa guidare le strategie di investimento dei proprio utenti, tramite lo sviluppo di un algoritmo di previsione del prezzo azionario in cui l'utilizzo dell’indice proprietario migliori sensibilmente le abilità predittive dei modelli presenti in letteratura.