Τα big data και η αξιοποίησή τους έχουν φέρει επανάσταση σε πολλούς τομείς- και ένας εξ αυτών είναι οι χρηματοοικονομικές προβλέψεις, για την τους σκοπούς των οποίων αναπτύσσονται συστήματα τα οποία συνδυάζουν διάφορους επιστημονικούς κλάφους, όπως η Επεξεργασία Φυσικής Γλώσσας (natural language processing), Ανάκτηση Πληροφορίας (information retrieval) και η Βαθιά Μάθηση (deep learning). Σε αυτό το πλαίσιο έχουν γίνει διάφορες προσπάθειες για την ανάπτυξη συστημάτων που ασχολούνται με το πρόβλημα της χρηματοοικονομικής πρόβλεψης, τα οποία όμως δεν είναι εύκολα διαθέσιμα σε μικρούς επενδυτές, κυρίως λόγω υψηλού κόστους.
Εδώ υπεισέρχεται το έργο ΑΣΠΕΝΔΥΣ (Ανάλυση Συναισθήματος για την Παραγωγή Έξυπνων επεΝΔΥτικών Σημάτων) υπό την επίβλεψη του ΕΚΕΤΑ (Εθνικό Κέντρο Έρευνας και Τεχνολογικής Ανάπτυξης- σημειώνεται πως στην κοινοπραξία συμμετέχει και η Media2Day Εκδοτική ΑΕ καθώς και το τμήμα χρηματοοικονομικής τεχνολογίας -www.a-quant.com- της εταιρείας HYPERTECH A.E που παρέχει τα μοντέλα μηχανικής μάθησης για προβλέψεις χρηματιστηριακών αγορών), με σκοπό να καλύψει το εν λόγω κενό της αγοράς που δημιουργείται από την αδυναμία των μικρών επενδυτών, λόγω κόστους, να έχουν πρόσβαση σε εργαλεία λήψης επενδυτικών αποφάσεων. Όπως αναφέρεται από την ερευνητική ομάδα του προγράμματος, στο οποίο επιστημονικός υπεύθυνος είναι ο Δρ. Δημήτριος Τζοβάρας, στο πλαίσιο αυτό, το ΑΣΠΕΝΔΥΣ συλλέγει, αναλύει και επεξεργάζεται σε καθημερινή βάση πληθώρα χρηματοοικονομικών (π.χ. πορεία τιμών κλεισίματος μετοχών και οικονομικών δεικτών) και ειδησεογραφικών πληροφοριών καθώς και πληθώρα αναρτήσεων προερχόμενη από δημοφιλή μέσα κοινωνικά δικτύωσης όπως το Twitter και το Stocktwits (κοινωνικό δίκτυο που στοχεύει αποκλειστικά στις επενδύσεις). Από τα τελευταία, εξάγεται το γενικό επενδυτικό συναίσθημα ως προς συγκεκριμένα χρηματιστηριακά σύμβολα, αφού προηγηθεί έλεγχος ως προς την αξιοπιστία της κάθε ανάρτησης και του συγγραφέα της.
Όπως σημειώνουν οι ερευνητές, τόσο τα χρηματοοικονομικά δεδομένα, όσο και τα δεδομένα συναισθήματος που προκύπτουν υφίστανται επεξεργασία με μεθόδους τεχνικής ανάλυσης και μηχανικής μάθησης (machine learning) από τις οποίες προκύπτουν «επενδυτικά σήματα», τα οποία ορίζονται ως οι προτάσεις που παράγει το σύστημα για αγορά ή πώληση συγκεκριμένων χρηματοοικονομικών συμβόλων σε συγκεκριμένες χρονικές στιγμές. Οι προτάσεις αυτές διατίθενται προς του υποψήφιους επενδυτές μέσω της διαδικτυακής πλατφόρμας του ΑΣΠΕΝΔΥΣ, στην οποία οι υποψήφιοι επενδυτές μπορούν να εγγραφούν, να ορίσουν το σύνολο με τα χρηματοοικονομικά σύμβολα (δημιουργία χαρτοφυλακίου) που τους ενδιαφέρει να επενδύσουν είτε να παρακολουθήσουν την πορεία τους. Μέσω της πλατφόρμας ο επενδυτής λαμβάνει προτάσεις για μελλοντικές επενδύσεις ή και για διαχείριση των ήδη υπαρχόντων. Επιπρόσθετα, η πλατφόρμα παρέχει μία σειρά από πλήρη ανάλυση των επενδυτικών κινήσεων του χρήστη παρουσιάζοντας του ιστορικά δεδομένα με τις επενδύσεις, το κέρδος ή τη ζημία του χαρτοφυλακίου καθώς και την πορεία της κάθε επένδυσής του ξεχωριστά.
Σημειώνεται πως όλες οι μονάδες συστήματος έχουν υλοποιηθεί και το έργο βρίσκεται στο στάδιο της ενοποίησης όλων των επιμέρους μονάδων και στον πειραματισμό για αξιολόγηση των τελικών αποτελεσμάτων.
Κόστος χρήσης- διαθεσιμότητα
Ένα εργαλείο τέτοιας κλίμακας και δυνατοτήτων φαντάζει ιδιαίτερα εξελιγμένο και, εκ πρώτης όψεως, δαπανηρό, για να μπορεί να χρησιμοποιηθεί από μικροεπενδυτές – ωστόσο, όπως υπογραμμίζουν οι δημιουργοί του, το τμήμα αγοράς που στοχεύουν οι υπηρεσίες του ΑΣΠΕΝΔΥΣ περιλαμβάνει όλους τους επενδυτές που δεν διαθέτουν αρκετά μεγάλα επενδυτικά προφίλ για να είναι «στο ραντάρ» των παραδοσιακών συμβούλων επενδύσεων και διαχειριστών περιουσιακών στοιχείων ή τους επενδυτές που είναι υπερβολικά ευαίσθητοι στο κόστος για τη χρήση των υπηρεσιών από παραδοσιακούς διαχειριστές, σύμβουλους επενδύσεων. Για τους μικροεπενδυτές ειδικότερα (επενδυτές μικρής δυναμικότητας και βασικών μόνο ή ακόμα και καθόλου γνώσεων για χρηματοοικονομικές επενδύσεις), οι ερευνητές τονίζουν πως οι ηλεκτρονικές και αυτοματοποιημένες υπηρεσίες επενδυτικών σημάτων και συμβουλών αποδεικνύονται πλέον πιο προσιτές σε σχέση με το να χρειαζόταν να προσεγγίσουν άμεσα έναν οικονομικό σύμβουλο. Ωστόσο αυτό δεν σημαίνει πως οι υπηρεσίες του ΑΣΠΕΝΔΥΣ δεν μπορούν να χρησιμοποιηθούν και από επαγγελματίες του χρηματοπιστωτικού τομέα (διαχειριστές περιουσιακών στοιχείων, τράπεζες, χρηματιστές και εταιρείες τεχνολογίας Fintech) για την υποστήριξη των αλληλεπιδράσεων τους με τους πελάτες τους.
Το εν λόγω σύστημα/ προϊόν προσφέρεται μέσω διαδικτυακής διεπαφής στον τελικό χρήστη η οποία επικοινωνεί με τις μονάδες του συστήματος που βρίσκονται εγκατεστημένες και λειτουργούν σε cloud περιβάλλον. Πιο συγκεκριμένα το σύστημα, μέσω της διεπαφής του παρέχει τις ακόλουθες δυνατότητες στον τελικό χρήστη:
Διαμόρφωση του επενδυτικού προφίλ του χρήστη (πχ. επιλογή μετοχών ή ισοτιμιών, καθορισμός εύρους του ρίσκου).
Εξαγωγή και οπτικοποίηση επενδυτικών σημάτων με υψηλή αξιοπιστία στην πρόβλεψη χρηματοοικονομικών δεικτών και τιμών, βάση εισαγωγής και επεξεργασίας σε πραγματικό χρόνο των σχετικών δεδομένων.
Εξαγωγή έκτακτων καταστάσεων αναφορικά με χρηματιστηριακές αξίες που αφορούν το επενδυτικό προφίλ του χρήστη και παροχή σχετικών ειδοποιήσεων σε πραγματικό χρόνο στο χρήστη.
Οπτικοποίηση metrics αξιοπιστίας ειδήσεων που αφορούν το επενδυτικό προφίλ του χρήστη καθώς και των συγγραφέων/πηγών τους.
Οπτικοποίηση δεικτών συναισθήματος ανά χρηματιστηριακή αξία που αφορά το επενδυτικό προφίλ του χρήστη.
Το εκτιμώμενο κόστος χρήσης συνδρομής ανά μήνα για την χρήση της πλατφόρμας είναι τα 10 ευρώ ανά χρήστη αν και, όπως σημειώνουν οι ερευνητές, η ακριβής κοστολόγηση δεν έχει οριστικοποιηθεί καθώς το έργο βρίσκεται ακόμη στη φάση της ολοκλήρωσης του συστήματος και του πειραματισμού.
Από πού αντλούνται οι πληροφορίες
Ωστόσο, όσο εξελιγμένες και αν είναι οι δυνατότητες ενός τέτοιου συστήματος, τίθεται, ως συνήθως, το ζήτημα της αξιοπιστίας των πληροφοριών και δεδομένων που χρησιμοποιεί για να παρέχει τις υπηρεσίες του. Στην περίπτωση του ΑΣΠΕΝΔΥΣ, τα δεδομένα που συμβάλλουν στην εξαγωγή συμπερασμάτων αφορούν σε:
1) δεδομένα οικονομικής ειδησεογραφίας και χρηματοοικονομικών αναφορών από ιστοσελίδες όπως το Bloomberg, Reuters, BBC News, Cointelegraph, The Wall Street Journal, κ.α.
2) δεδομένα από το Twitter και την υπηρεσία Stocktwits,
3) τιμές χρηματιστηριακών αξιών από την υπηρεσία Yahoo finance
Αξίζει να σημειωθεί πως, σύμφωνα με τους δημιουργούς του, το ΑΣΠΕΝΔΥΣ είναι σε θέση να «αντιλαμβάνεται» και καταστάσεις εκτάκτου ανάγκης, οι οποίες κινούνται πέρα από τα συνηθισμένα όρια.
Όπως εξηγούν οι ερευνητές, οι επενδυτικές αποφάσεις των επενδυτών χαμηλού ή υψηλού κεφαλαίου αλλά και η εξαγωγή των χρηματιστηριακών δεικτών εξαρτώνται σε μεγάλο βαθμό τις τιμές αγοραπωλησίας των μετοχών και δεικτών κατά την διάρκεια της ημέρας καθώς από τον ημερήσιο όγκο των συναλλαγών (τζίρο) . Αυτές οι τιμές είναι οι εξής:
Τιμή ανοίγματος: Η τιμή που είχε η μετοχή ή ο δείκτης την στιγμή του ημερήσιου ανοίγματος του χρηματιστηρίου.
Υψηλότερη τιμή: Η υψηλότερη τιμή μιας μετοχής ή ενός δείκτη κατά την διάρκεια της ημέρας.
Χαμηλότερη τιμή: Η χαμηλότερη τιμή μιας μετοχής ή ενός δείκτη κατά την διάρκεια της ημέρας
Τιμή κλεισίματος: Η τιμή που είχε η μετοχή ή ο δείκτης την στιγμή του ημερήσιου κλεισίματος του χρηματιστηρίου.
Ο ημερήσιος όγκος των συναλλαγών (τζίρος): Η συνολική αξία των μετοχών ή δεικτών που πουλήθηκαν (ή αγοράστηκαν) κατά την διάρκεια της ημέρας.
Απόδοση: Η ποσοστιαία έκφραση του κέρδους ή της ζημίας από την επένδυση σε μία μετοχή ή έναν δείκτη.
Oι παραπάνω τιμές είναι αυτές για τις οποίες αρχικά ενημερώνονται οι επενδυτές προκειμένου να προβούν σε μία χρηματιστηριακή επένδυση. Για τους παραπάνω λόγους το σύστημα ΑΣΠΕΝΔΥΣ στοχεύει στην έγκαιρη αλλά και την μελλοντική ανίχνευση των ακραίων συμπεριφορών των τιμών αυτών. Οι συμπεριφορές αυτές ορίζονται ως έκτακτες καταστάσεις και πιο συγκεκριμένα δημιουργούνται στην περίπτωση όπου:
Α) Η χαμηλότερη τιμή ενός δείκτη ή μιας μετοχής κατά την διάρκεια της ημέρας είναι η χαμηλότερη όλου του έτους.
Β) Η υψηλότερη τιμή ενός δείκτη ή μιας μετοχής κατά την διάρκεια της ημέρας είναι η υψηλότερη όλου του έτους.
Γ) Η ημερήσια απόδοση της μετοχής ή του δείκτη είναι σχετικά μεγάλη ή μικρή σε σχέση με την μέση ετήσια απόδοση.
Δ) Η ημερήσια μεταβολή του όγκου συναλλαγών μιας μετοχής ή δείκτη είναι σχετικά μεγάλη ή μικρή σε σχέση με την μέση ετήσια μεταβολή.
Ε) Η ημερήσια μεταβολή της τιμής κλεισίματος μιας μετοχής ή δείκτη σχετικά μεγάλη ή μικρή σε σχέση με την μέση ετήσια μεταβολή .