Chi sono e perché analizzo le earnings call

Perché esisto come progetto

Tre anni fa mi sono chiesto perché, con tutta la tecnologia disponibile, gli analisti passassero ancora ore a scorrere trascrizioni lineari per cogliere cambiamenti di tono nelle earnings call.

Devo ammetterlo: per anni ho sottovalutato quanto tempo un team di ricerca potesse perdere a rincorrere trascrizioni, note sparse e versioni diverse della stessa earnings call. Ho creato Gaelbesposlioni proprio per questo: un motore di analisi della sentimentistica progettato fin dall’inizio per lessico finanziario, segnali di rischio qualitativi e confronto storico coerente tra trimestri. Non prometto scorciatoie, ma un modo più disciplinato per leggere, confrontare e documentare quello che il management dice davvero, quando i numeri da soli non bastano più.

Sentimentistica contestuale avanzata

Analisi della sentimentistica calibrata su contesto finanziario, con pesi diversi per guidance, Q&A, revisione delle prospettive e segnali di rischio impliciti nel linguaggio del management.

Spiegabilità orientata alla ricerca

Ogni punteggio è accompagnato da estratti testuali, tag tematici e spiegazioni sintetiche, così puoi sempre vedere da dove arriva un cambiamento di segnale.

Gestione robusta dei contenuti

Pipeline di ingestione pensata per grandi volumi di earnings call, aggiornamenti straordinari e conferenze settoriali, con normalizzazione coerente delle fonti.

Integrazione nei flussi esistenti

Integrazione con strumenti esistenti, così la sentimentistica delle call entra nei flussi di lavoro senza forzare nuovi ambienti o processi paralleli difficili da mantenere.

Co-progettazione con i clienti

Approccio iterativo con i team di ricerca: definiamo insieme tassonomie tematiche, liste di watchlist e soglie di alert coerenti con le tue metriche interne.

Affidabilità e governance dati

Architettura pensata per requisiti enterprise: controlli di accesso granulari, audit trail delle modifiche e attenzione specifica a privacy e conformità normativa.

Porta una tua earnings call nella demo

Se quello che hai letto qui risuona con le tue sfide quotidiane, il passo successivo è semplice: guardiamo insieme una tua earnings call e verifichiamo, con i tuoi criteri, come cambia il processo di analisi.

Parliamone

2019

Primi esperimenti su trascrizioni reali

Ho iniziato a sperimentare modelli NLP su trascrizioni di earnings call, partendo da un problema personale: ridurre il tempo speso a cercare cambi di tono su un universo ristretto di emittenti europei. I primi prototipi erano rudimentali, ma hanno chiarito che i modelli generici faticavano con il linguaggio specifico delle call.

01 / 04

2020

Nascita del progetto e pipeline dati

Ho formalizzato il progetto Gaelbesposlioni e iniziato a costruire una pipeline stabile per ingestione di trascrizioni, normalizzazione dei formati e allineamento con calendari di call. In parallelo ho definito il primo schema di etichette tematiche pensato per la ricerca fondamentale e la gestione del rischio qualitativo.

02 / 04

2022

Progetti pilota con team di ricerca

Ho avviato collaborazioni pilota con alcuni team di ricerca interessati a testare un approccio strutturato alla sentimentistica delle earnings call. Questo periodo è stato dedicato a validare il metodo, raccogliere casi di uso concreti e capire dove i modelli fallivano rispetto all’intuizione dell’analista umano.

03 / 04

2024

Evoluzione in piattaforma operativa

La piattaforma è passata da prototipo a strumento operativo, con un’interfaccia pensata per analisti e la disponibilità di integrazioni con ambienti già presenti nei desk. Ho consolidato la documentazione metodologica e introdotto funzionalità dedicate alla spiegabilità dei segnali e al confronto storico tra call successive.

04 / 04

Chi lavora dietro la piattaforma e cosa porta sul tavolo

Non ho un team sterminato, e preferisco dirlo apertamente. Lavoro con poche persone che conoscono bene tre mondi: ricerca fondamentale, machine learning applicato al linguaggio e software aziendale. Questo mi permette di parlare con un responsabile ricerca di materialità dei segnali, con un data scientist di metriche di validazione e con un responsabile IT di integrazioni e sicurezza, senza traduzioni intermedie.

Responsabile prodotto e ricerca NLP

Product lead e ricerca testo

Basato a Milano, operativo in Europa

Ho iniziato come analista sell side, poi sono passato al machine learning applicato al linguaggio. In Gaelbesposlioni mi occupo della direzione del prodotto e della definizione dei metodi interni, come il framework che uso per valutare la solidità di un segnale testuale rispetto a serie storiche e contesto macro.

Aree di competenza principali

Ricerca fondamentale settoriale Modelli NLP per finanza Validazione segnali qualitativi Metodologie di backtesting

Responsabile architettura e integrazioni

Lead ingegneria piattaforma

Basato a Torino, progetti paneuropei

Arrivo dal mondo delle piattaforme dati per istituzioni finanziarie, dove ho gestito progetti di integrazione complessi e requisiti di governance stringenti. In Gaelbesposlioni mi concentro su architettura, sicurezza e integrazioni con gli strumenti già presenti nei desk di ricerca.

Specializzazioni tecniche chiave

Architetture dati scalabili Integrazioni con sistemi esistenti Sicurezza e controlli accesso Affidabilità e monitoraggio

Responsabile metodologia e validazione

Quant e validazione modelli

Basato a Bologna, collaborazione remota

Ho esperienza in team di ricerca quantitativa e risk management. In Gaelbesposlioni seguo la parte di metodologia statistica, validazione dei modelli e traduzione dei risultati in metriche leggibili per i comitati interni dei clienti.

Competenze di analisi quantitativa

Metodi statistici robusti Analisi di sensitività modelli Documentazione metodologica Supporto a risk committee

Responsabile adozione e relazioni clienti

Customer success e operations

Basato a Roma, visite periodiche clienti

Provengo da ruoli di customer success in soluzioni dati per la finanza. Qui seguo onboarding, formazione operativa e raccolta strutturata del feedback, per assicurarmi che la piattaforma rimanga allineata alle esigenze reali dei team di ricerca e non solo ai vincoli tecnici.

Focalizzazione su adozione pratica

Onboarding team ricerca Mappatura processi esistenti Change management graduale Supporto continuo e feedback

I principi che guidano ogni decisione di prodotto

Missione dichiarata con chiarezza

La mia missione è semplice da dire e complessa da eseguire: rendere leggibili, confrontabili e discutibili i segnali testuali che emergono dalle earnings call, senza trasformare l’analisi in una scatola nera. Ogni scelta di modello, metrica e visualizzazione è pensata per aiutare i team di ricerca a difendere le proprie conclusioni davanti a comitati interni esigenti.

Visione a medio termine

Se guardo a tre anni avanti, vedo la sentimentistica delle earnings call diventare un pezzo normale della cassetta degli attrezzi dei team di ricerca, al pari di una serie storica fondamentale o di un modello di scenario. Il mio obiettivo è arrivarci senza promesse irrealistiche, ma con un percorso misurabile: più copertura, meno tempo perso a rileggere le stesse frasi, più chiarezza nel motivare le decisioni prese.

Trasparenza prima della precisione

Ogni punteggio di sentimentistica è accompagnato da estratti, contesto e note metodologiche. Preferisco che un analista veda subito dove il modello è incerto, invece di mostrargli solo un numero sintetico apparentemente preciso.

Modelli tarati sulla finanza

Il linguaggio delle earnings call segue regole proprie. Ho costruito dizionari, tassonomie e filtri specifici per questo contesto, invece di adattare modelli generici. Il risultato non è perfetto, ma è più onesto rispetto alle sfumature che contano davvero.

Sicurezza e governance integrate

So che molti team hanno vincoli stringenti su privacy, governance e conformità. Per questo tratto log, permessi, tracciamento delle modifiche e audit trail come parti centrali del prodotto, non come accessori da aggiungere in un secondo momento.

Collaborazione con i team clienti

Non credo nelle soluzioni calate dall’alto. Ogni implementazione parte da un lavoro congiunto di mappatura dei flussi attuali, definizione dei casi d’uso prioritari e impostazione di una fase di prova con metriche condivise per valutarne l’utilità.

Riconoscimenti recenti

Il progetto è ancora giovane, ma già messo alla prova da comunità tecniche esigenti e contesti reali di ricerca sui mercati.

2021

Programma AI responsabile

Selezionato in un programma europeo dedicato alle applicazioni responsabili dell’intelligenza artificiale nella finanza, con focus su trasparenza e auditabilità dei modelli.

9/10

2022

Contributo conferenza ricerca

Presentazione accettata in una conferenza di ricerca quantitativa, con un lavoro su metodi di sentimentistica robusta applicata alle trascrizioni delle earnings call.

9.2/10

2023

Riconoscimento editoriale

Citazione in una pubblicazione specialistica sul ruolo dei segnali testuali nelle decisioni di allocazione, come esempio di piattaforma focalizzata sulla governance del dato.

8.8/10