À medida que empresas de investimento procuram fontes inexploradas para atingir o alfa, dados e talentos têm se tornado os principais pontos de foco. O objetivo é utilizar estratégias sistemáticas de aprendizagem de máquina e algoritmos de inteligência artificial para analisar, rapidamente, incontáveis linhas de dados em busca de sinais sobre o comportamento dos ativos. A ampliação dessas capacidades aumentou o volume de dados alternativos, ou informações não tradicionais fora de relatórios financeiros e indicadores econômicos.
Algumas empresas estão recorrendo a análises de sentimento para explorar as oportunidades em dados alternativos, enquanto outras empregam algoritmos para apoiar a análise existente. A extração de valor a partir de artigos de notícias ou posts de mídia social não é uma estratégia nova, mas os recentes desenvolvimentos no processamento de linguagem natural tornaram as notícias que podem ser lidas por máquinas mais eficazes. Muitos métodos podem processar volumes de dados de notícias de várias fontes para destacar características comuns, como um nome de empresa. A Bloomberg, por exemplo, utiliza a desambiguação para vincular a menção do nome de uma entidade como um símbolo de ticker ou figura chave da empresa a uma base de conhecimento no Terminal, de acordo com Gideon Mann, Head de Data Science na Bloomberg.
A desambiguação de entidades nomeadas é apenas uma das muitas técnicas que podem encontrar um sinal em dados de texto. Outros métodos incluem uma análise de sentimento simples via tags de tópicos que ponderam palavras positivas e negativas, ou um sinal de movimento de mercado mais complexo que determina o impacto de uma notícia ou posts de mídia social sobre o preço da ação. Saber a probabilidade de uma notícia movimentar o mercado com baixa latência pode ser a diferença entre lucro e prejuízo. Durante um webinar recente da Bloomberg, Mann demonstrou como um anúncio da SEC e uma manchete da Bloomberg em 2010 causou um sell-off de 12% na movimentação do mercado em apenas 20 minutos.
Isso não acontece apenas com ações. O uso de processamento de linguagem natural fornece sinais valiosos em commodities e outras classes de ativos.
Na ausência de uma estratégia quant específica, empresas ainda podem obter uma fatia do mercado. Gestores de fundamentos podem usar modelos de score preditivos—que derivam um score composite de fatores de qualidade e momentum—para, sistematicamente, identificar diferentes indicadores de desempenho de uma ação ou setor. O sistema de ranking funciona como uma ponte entre finanças quantitativas e pesquisas de fator tradicional, podendo ainda validar uma posição existente em um mercado mais volátil ou identificar oportunidades de compra em uma queda recente, de acordo com Jonathan Greenberg, CFA, Chefe de Produtos, Análise de Ações e Soluções Quantamental na Bloomberg. Além de modelos sólidos, investidores também precisam de produtos especializados, como os dados de supply chain oferecidos pela Bloomberg, para entender as relações laterais entre empresas.
Pouco a pouco, empresas estão construindo um mosaico de mercados financeiros com ferramentas quantitativas, como o processamento de linguagem natural e modelos de score para criar uma visão multifacetada do retorno de ativos.