A chi serve — A chi trasforma parole (news, 10-K, transcript) in numeri per modelli o dashboard. Il NLP è il motore dietro gran parte del sentiment moderno.
Il NLP (Natural Language Processing) in finanza applica tecniche linguistiche a documenti di mercato — tokenizzazione, entity recognition (ticker, CEO), classificazione sentiment, topic modeling, summarization con LLM — per estrarre segnale da flussi testuali ad alta frequenza.
In parole semplici — Insegnare al computer a «leggere» headline e report come fa un analista — ma a scala e con regole esplicite.
Pipeline tipica
| Step | Output |
|---|---|
| Ingest & deduplica | Stream pulito, timestamp UTC |
| Normalizzazione | Lemmi, rimozione boilerplate |
| Scoring | Polarity (−1…+1), urgency, novelty |
| Aggregazione | Per ticker, settore, finestra temporale |
| Feature | Input per modelli con lag |
Lessici finance-specific (Loughran-McDonald) battono dizionari generici su filing e news corporate. Gli LLM aiutano su summarization ma richiedono controllo allucinazioni e costo.
Rischi
- Look-ahead: news timestamp vs disponibilità reale (wire delay)
- Survivorship: solo titoli con copertura media
- Overfitting su corpus piccolo
- Regime: linguaggio bear diverge da bull — modello statico degrada
Errore tipico — Sentiment LLM su titoli senza verificare timestamp di pubblicazione — data leakage nel backtest.
Esempio — Earnings call: NLP estrae tono su «guidance» e «margin» → score aggregato T+1 come feature per modello direzionale settimanale.
Scheda
- Output: score, topic, entità.
- Valida: correlazione out-of-sample con return.
- Hub: AI & mercati.