RavenPack

Việc RavenPack làm là tài chính hóa dữ liệu phi cấu trúc: biến tin tức, bản ghi hội nghị công bố kết quả kinh doanh, văn bản báo cáo cho cơ quan quản lý và dữ liệu tuyển dụng thành các tín hiệu định lượng có cấu trúc, backtest được, có thể nạp vào mô hình. Bao phủ hơn 40.000 nguồn, 13 ngôn ngữ, khách hàng là các quỹ đầu cơ, ngân hàng và công ty quản lý tài sản toàn cầu.

Tính năng nổi bật và tình huống áp dụng

Dòng sản phẩm gồm phân tích tin tức và cảm xúc, thông tin về báo cáo tài chính, sàng lọc ESG và giám sát tranh cãi, chỉ số cảm xúc kinh tế của lãnh đạo cấp cao, và tập dữ liệu tin tuyển dụng (dùng động thái tuyển dụng để ước lượng doanh nghiệp đang mở rộng hay thu hẹp, là một thủ pháp dữ liệu thay thế rất phổ biến). Giá trị của các dữ liệu này nằm ở chỗ "backtest được" - bạn có thể lấy tín hiệu của năm năm trước để kiểm chứng chiến lược, chứ không chỉ nhìn tin tức tức thời của hôm nay.

Vài năm gần đây nó còn vận hành thêm nền tảng Bigdata.com, hướng tới các AI agent trong lĩnh vực tài chính, và đã có được giấy phép đầu tư và nội dung của Financial Times của Anh, đưa nội dung trả phí của FT vào nguồn tri thức của agent. Sự kết hợp này có lý của nó: vấn đề lớn nhất của AI agent là nguồn trích dẫn không rõ ràng, đưa thẳng nội dung của các hãng truyền thông chất lượng đã cấp phép vào thì ít nhất giải quyết được tính hợp pháp và chất lượng.

Đối tượng phù hợp rất rõ ràng - các đội định lượng cần dữ liệu thay thế, các quỹ làm chiến lược theo sự kiện, và các công ty quản lý tài sản cần giám sát rủi ro dư luận đối với danh mục đầu tư.

Thực tế với độc giả Việt Nam là: đây là sản phẩm cấp định chế, nhà đầu tư cá nhân không tiếp cận được, giá cũng không thân thiện. Nhưng tư duy xử lý dữ liệu của nó đáng học: thay vì hỏi "AI thấy cổ phiếu này thế nào", hãy hỏi "tin tức này trong lịch sử tương ứng với phản ứng giá kiểu gì". Cái trước là ổ ảo giác, cái sau mới là cách làm việc kiểm chứng được.