Sequential pattern mining techniques applied to the prediction of financial events : Mercurio project

Financial market prediction is one of the hottest and most attractive topics in research: a great challenge due to its complex and volatile nature, enjoying great popularity because of the huge amount of information and money involved. In this context we investigate ways to apply news information to highlight companies that are likely to face a relevant or risky situation. Resulting from this study is Mercurio, a system to support decision making through the automatic extraction of information from financial news articles. Formalizing the knowledge and reasoning of an expert in financial journalism, Mercurio identifies and recognizes relevant financial events. Mercurio, then, learns to predict the happening of a certain event based on a model constructed from its past occurrences and their relation with other events; sequential pattern mining plays a fundamental role and is the core of this phase. Mercurio leads to more confident decision making and better decisions mean reduced risk and higher earnings. In this work we describe the architecture, training and testing of Mercurio, as well as the performance and accuracy of its predictions.

La predizione dell'andamento del mercato finanziario è uno degli argomenti di ricerca di maggior attrazione: una grande sfida dovuta alla complessità e alla volatilità di questo mondo, che gode di grande popolarità grazie all'enorme quantità di informazioni e denaro coinvolti. In questo contesto, il nostro obiettivo è studiare modi di applicare informazioni estratte da notizie per mettere in evidenza quelle società che probabilmente saranno soggette a situazioni rilevanti. Il risultato di questa ricerca prende il nome di Mercurio, un sistema che supporta il processo di decision making attraverso l'estrazione di informazioni da articoli di carattere finanziario. Formalizzando la conoscenza e il ragionamento di un esperto in giornalismo finanziario, Mercurio è in grado di indentificare e riconoscere gli eventi finanziari più rilevanti. Quindi, Mercurio "impara" a predire l'avvenimento di un certo evento sulla base di un modello costruito sulle sue passate occorrenze e sulla sua relazione con altri eventi; la tecnica di sequential pattern mining gioca un ruolo fondamentale e può considerarsi il cuore di questo progetto. Mercurio porta ad un processo di decision making più sicuro, e decisioni più sicure significano una riduzione del rischio e un maggior guadagno. In questa tesi descriveremo l'architettura, le fasi di training e testing del sistema Mercurio, concludendo con le performance e l'accuratezza delle sue predizioni.