RavenPack

Menyuling berita, transkrip earnings call, dan dokumen regulasi menjadi sinyal kuantitatif yang bisa di-backtest

Hubungi untuk harga Spain

Yang dikerjakan RavenPack adalah finansialisasi data tak terstruktur: mengubah berita, transkrip earnings call, dokumen pelaporan regulasi, dan data rekrutmen menjadi sinyal kuantitatif yang terstruktur, bisa di-backtest, dan bisa disuapkan ke model. Mencakup lebih dari 40.000 sumber dalam 13 bahasa, dengan pelanggan berupa hedge fund, bank, dan perusahaan manajemen aset global.

Fitur dan Skenario Penggunaan

Lini produknya mencakup analisis berita dan sentimen, intelijen laporan keuangan, penyaringan ESG dan pemantauan kontroversi, indikator sentimen ekonomi eksekutif senior, serta dataset lowongan kerja (memperkirakan ekspansi atau kontraksi perusahaan dari tren rekrutmen, sebuah teknik alternative data yang lazim). Nilai data ini terletak pada "bisa di-backtest", karena Anda bisa memakai sinyal lima tahun lalu untuk memvalidasi strategi, bukan sekadar melihat berita real-time hari ini.

Belakangan ia juga menjalankan platform Bigdata.com, yang mengarah pada agen AI di ranah keuangan, dan meraih lisensi investasi serta konten dari Financial Times Inggris, memasukkan konten berbayar FT ke dalam sumber pengetahuan agen. Kombinasi ini punya alasannya: masalah terbesar agen AI adalah sumber kutipan yang tak jelas, dan langsung menghubungkan konten media berkualitas yang sudah dilisensikan setidaknya menyelesaikan legalitas dan kualitas.

Sasaran penggunanya sangat jelas, yaitu tim kuantitatif yang butuh alternative data, dana yang menjalankan strategi event-driven, dan perusahaan manajemen aset yang perlu memantau risiko opini publik terhadap portofolionya.

Realitas bagi pembaca di Indonesia: ini produk kelas institusi, investor individu tak akan bisa mengaksesnya, dan harganya pun tak akan ramah. Tetapi pendekatan pengolahan datanya layak dipelajari: alih-alih bertanya "menurut AI saham ini bagaimana", lebih baik bertanya "secara historis berita ini berkorespondensi dengan reaksi harga seperti apa". Yang pertama adalah sarang halusinasi, yang kedua barulah cara kerja yang bisa diverifikasi.

Fitur Utama

Data tak terstruktur mencakup lebih dari 40.000 sumber dalam 13 bahasa
Sinyal terstruktur dari sentimen dan peristiwa berita
Intelijen laporan keuangan dan transkrip earnings call
Penyaringan ESG dan pemantauan peristiwa kontroversi
Alternative data seperti dataset lowongan kerja
Platform agen AI keuangan Bigdata.com, termasuk konten berlisensi FT

Kelebihan

Data historis lengkap, sinyal bisa di-backtest bukan sekadar opini real-time
Cakupan sumber dan bahasa luas, mencakup pasar di luar arus utama
Agen AI mengutip konten berlisensi, sumbernya bisa dipertanggungjawabkan

Kekurangan

Harga kelas institusi, individu dan tim kecil sama sekali tak mampu
Sinyal itu sendiri bukan strategi, tetap perlu riset dan validasi sendiri
Kedalaman cakupan berita ekonomi berbahasa lokal perlu dikonfirmasi ke vendor

Contoh Penggunaan

Riset dan backtest sinyal untuk strategi event-driven
Pemantauan opini publik dan kontroversi ESG portofolio
Memperkirakan tren ekspansi perusahaan dari data rekrutmen
Ringkasan otomatis dan pelacakan sentimen transkrip earnings call

Catatan Editor

Yang paling layak dipelajari dari perusahaan ini sebenarnya adalah metodologinya. Banyak produk "pemilihan saham AI" di pasaran membiarkan model langsung memuntahkan kesimpulan, sedangkan RavenPack melakukan hal sebaliknya, yaitu mengubah teks menjadi angka yang bisa di-backtest, dan membiarkan manusia yang memvalidasi. Saya selalu merasa inilah wujud yang seharusnya dari AI di ranah investasi: AI bertugas merapikan, penilaian tetap milik Anda. (Investasi mengandung risiko, tulisan ini bukan saran investasi.)

FAQ

Apakah investor individu bisa memakainya?

Pada dasarnya tidak. Ini layanan data kelas institusi yang dijual ke hedge fund dan perusahaan manajemen aset, di mana harga dan ukuran kontrak minimalnya bukan untuk skala investor ritel. Bagi individu yang ingin melakukan hal serupa, yang lebih praktis adalah membangun sendiri scraping berita ditambah model sentimen open-source.

Apakah mencakup berita berbahasa lokal terkait pasar saham setempat?

Pihak resmi mengklaim mendukung 13 bahasa dan lebih dari 40.000 sumber, tetapi kedalaman cakupan media ekonomi berbahasa lokal tak dipublikasikan detailnya. Untuk dipakai pada strategi pasar saham lokal, wajib meminta vendor menyediakan daftar sumber dan cakupan historis pasar tersebut lebih dulu.