Dynamics of stock market correlations : a textual and numerical analysis

The era of Big Data testifies that the integration and analysis of financial heterogeneous data can generate a competitive edge for investors, enabling them to enhance their decision-making process. In this thesis we present a set of new findings within the Mercurio project, a decision-support system helping the work-flow of investors by means of automatic extraction and analysis of financial data gathered from the Web. Mercurio achieves this goal by identifying relevant signals extracted from financial press data and quantitative financial data. Then these signals are arranged on a time-line and used to predict of out-of-the-ordinary events by means of Sequential Pattern Mining techniques, based on the hypothesis that past occurrences of signal sequences generate useful knowledge for the future. Given the acknowledgments to past project versions, both from investors and from the academic community, the purpose of our research is to enhance the decision support which Mercurio provides to its potential users. We present new techniques to find new interesting signals: (i) new data sources are integrated, in order to spot useful market correlations; (ii) quantitative analysis of news is enhanced by adding semantic information, giving investors the chance to collect more refined and meaningful knowledge; (iii) last but not least, Stock Exchange data are exploited to carry out Cluster Analysis on market firms, so that Mercurio can take advantage of significant relationships among them, both from a static and a dynamic perspective.

L’era dei Big Data dimostra come l’integrazione di dati finanziari eterogenei e la loro conseguente analisi generi un vantaggio competitivo per gli investitori, consentendo loro di migliorare le scelte strategiche. In questa tesi presentiamo nuovi ritrovati nel contesto del progetto Mercurio, un sistema di supporto decisionale volto a supportare il workflow dell’investitore per mezzo dell’estrazione e dell’analisi automatica di dati finanziari, collezionati sul Web. Mercurio raggiunge tale obiettivo tramite l’identificazione di segnali rilevanti, a partire dalla stampa finanziaria e da dati quantitativi. Questi segnali vengono poi ordinati temporalmente e usati per realizzare predizioni di eventi straordinari, per mezzo di tecniche di Sequential Pattern Mining, in base all’ipotesi che occorrenze passate di sequenze di segnali generino un’informazione utile per il futuro. Visti i riconoscimenti ricevuti, grazie alle passate versioni di Mercurio, da parte di investitori e dalla comunitá accademica, l’obiettivo della nostra ricerca risiede nel migliorare il supporto decisionale che Mercurio fornisce ai suoi potenziali utenti. Qui presentiamo nuove tecniche che permettono di trovare nuovi segnali interessanti: (i) nuove sorgenti di informazione sono aggiunte al sistema, con le quali poter ricercare correlazioni in essere nel mercato; (ii) l’analisi quantitativa della stampa finanziaria è migliorata, con l’aggiunta di informazioni semantiche, dando agli investitori la possibilità di raccogliere una conoscenza più raffinata e significativa; (iii) i dati di Borsa sono sfruttati per ottenere Cluster delle società quotate, così che Mercurio possa avvantaggiarsi delle relazioni in essere tra le società sia da un punto di vista statico che dinamico.