Deravora - Metodo AI per misurare il crowding degli

Dietro le nostre analisi

Uno sguardo visivo su come traduciamo sentiment, posizionamento e macro in misure leggibili di crowding.

Mappa crowding tematico

Vista sintetica dei livelli di crowding per temi di mercato con indicatori di sentiment, posizionamento e contesto macro.

Discussione segnali storici

Analista finanziario che discute i segnali di affollamento con grafici storici e annotazioni su cambi di narrativa.

Lavoro sul framework AI

Team multidisciplinare che confronta modelli di sentiment, posizionamento e macro per affinare gli indicatori.

Confronto episodi passati

Grafico delle serie storiche di crowding con confronto tra episodi passati e situazione attuale per un tema specifico.

Per chi è pensato Deravora

Raccontiamo Deravora dal punto di vista di chi usa ogni giorno dati di sentiment, posizionamento e macro per leggere quanto una posizione o un tema siano davvero affollati.

Quando parliamo di Deravora, parliamo della nostra esperienza quotidiana come utenti di dati che vogliono capire dove si concentra davvero l’attenzione degli investitori e quanto questo ricorda episodi passati.

Ci rivolgiamo a chi lavora già immerso nei mercati: team di ricerca, desk, gestione del rischio, figure di investimento istituzionale che hanno bisogno di una vista strutturata sull’affollamento di idee, temi e singoli strumenti. Non promettiamo soluzioni automatiche, ma strumenti che aiutano a porre domande migliori: quanto è anomalo questo posizionamento, quanto è fragile una narrativa dominante, quali segnali storici suggeriscono che la folla si sta spostando altrove.

Nel costruire la nostra piattaforma abbiamo scelto di non trattare l’AI come una scatola opaca. Preferiamo modelli che permettano di ricostruire quali frasi, quali segnali di posizionamento e quali condizioni macro hanno contribuito a un certo livello di crowding. Questo rende più semplice discutere i risultati tra pari, contestualizzare gli indicatori e integrarli nei processi decisionali esistenti senza imporre un nuovo linguaggio tecnico.

Siamo consapevoli che ogni organizzazione ha la propria memoria storica di episodi di affollamento. Per questo il nostro lavoro non si esaurisce in una serie di punteggi, ma in una struttura che può essere messa in dialogo con casi interni, archivi di ricerca e pratiche di gestione del rischio già consolidate. In questo modo il crowding smette di essere un’etichetta generica e diventa una dimensione osservabile del modo in cui i mercati si raccontano e si posizionano.

Siamo arrivati all’AI passando prima da cicli di mercato, comitati rischi e discussioni su cosa volesse dire davvero “troppa gente sulla stessa idea”. Questa pagina racconta perché abbiamo deciso di fissare in modo strutturato la nozione di crowding.

Per anni abbiamo discusso di sentiment usando parole vaghe: euforia, panico, compiacenza. Ogni volta, però, quando arrivava il momento di prendere decisioni, ci rendevamo conto che ognuno stava usando scale diverse e ricordi diversi. Da qui è nata l’esigenza di costruire misure di sentiment specifiche per gli investitori, che tenessero conto del modo in cui il linguaggio di mercato evolve nel tempo, senza perdere il legame con episodi storici già visti.

Lo stesso vale per il posizionamento: i dati non mancano, ma spesso mancano le lenti per leggerli in modo coerente. Abbiamo visto dashboard piene di numeri che non dialogavano tra loro, con indicatori creati per singole esigenze e mai resi comparabili. Il nostro lavoro è stato prendere questa ricchezza di segnali e organizzarla in un quadro in cui il concetto di crowding sia misurabile, confrontabile e discutibile tra team diversi senza fraintendimenti.

Infine, abbiamo imparato che nessun indicatore di crowding ha senso se viene isolato dal contesto macro. Periodi con condizioni di liquidità abbondante raccontano storie molto diverse rispetto a fasi di restrizione. Per questo insistiamo nel combinare sentiment, posizionamento e macro in un’unica lettura, così che chi prende decisioni possa distinguere tra un movimento affollato ma coerente con lo sfondo economico e uno che sembra soprattutto il riflesso di una narrativa dominante.

Perché abbiamo creato Deravora

Come utenti dei mercati, abbiamo sentito per primi il limite di descrivere il crowding con impressioni e metafore; da lì abbiamo scelto di fissare un linguaggio più preciso, usando l’AI come strumento e non come slogan.

Chi siamo

Quando il mercato sembra muoversi all’unisono, ci chiediamo davvero quanto sia nuovo questo comportamento o quanto stiamo solo rivivendo un vecchio schema con nuovi dati. Su Deravora raccontiamo questa storia lunga decenni usando strumenti di intelligenza artificiale pensati per misurare il crowding degli investitori in modo coerente.

Parliamo come investitori che hanno visto più cicli di mercato che mode tecnologiche. Abbiamo creato un framework AI che combina sentiment, posizionamento e segnali macro per dare una misura strutturata del crowding su singoli asset e temi, evitando letture episodiche e poco confrontabili.

Non offriamo promesse facili, ma un linguaggio comune tra desk, ricerca e gestione del rischio. La nostra piattaforma nasce per chi deve spiegare perché un movimento è davvero affollato, come si confronta con episodi passati e quanto la narrativa sia allineata o in ritardo rispetto ai dati osservabili sui flussi e sul contesto macro.

Il nostro approccio

Un team che viene dai mercati, non solo dai modelli, e che usa l’AI per rendere confrontabili episodi di crowding lungo la storia recente dei mercati.

Abbiamo iniziato da una frustrazione precisa: parlare di “posizionamento estremo” senza poterlo ancorare a una metrica condivisa tra team, periodi storici e universi diversi. Da qui abbiamo sviluppato un approccio AI che fonde tre dimensioni: linguaggio usato dagli investitori, segnali sul posizionamento e sfondo macroeconomico. Non descriviamo la folla con aggettivi, ma con serie storiche e gradienti di affollamento che si possono confrontare nel tempo. Il nostro lavoro è tradurre archivi di testo, dati di posizionamento e variabili macro in indicatori leggibili per chi decide, con un livello di dettaglio sufficiente per un analista e una sintesi chiara per un comitato rischi.

Parliamone

Mettere in prospettiva il crowding significa raccontare come sentiment, posizionamento e macro si sono intrecciati nel tempo, senza pretendere di sostituire il giudizio di chi vive i mercati ogni giorno.

Come leggiamo la storia dei mercati

Guardare il crowding oggi ha senso solo se possiamo confrontarlo con quello di ieri; per questo la nostra attenzione è sempre rivolta alla dimensione storica dei mercati, non solo all’ultimo grafico.

Ogni nuova ondata di interesse per un tema di mercato sembra unica, ma spesso ripete schemi già visti con un lessico aggiornato. Utilizziamo l’AI per allineare questi cicli, collegando il linguaggio di oggi con quello di episodi passati e osservando come sentiment, posizionamento e contesto macro si sono combinati in momenti di forte affollamento. Questo ci permette di parlare di crowding non come etichetta emotiva, ma come fenomeno che si può leggere lungo una linea temporale coerente.

Nel fare questo lavoro, manteniamo un atteggiamento descrittivo: non indichiamo cosa fare con un certo livello di crowding, ma ci concentriamo sul raccontare cosa sta accadendo rispetto alla storia recente. I nostri indicatori nascono per supportare chi già ha processi interni di analisi e vuole aggiungere una dimensione strutturata di affollamento alle proprie discussioni, senza sostituire il giudizio umano con un automatismo.

Siamo convinti che la vera utilità di una misura di crowding emerga quando diventa un linguaggio condiviso tra figure con ruoli diversi. Per questo costruiamo i nostri output con un doppio livello: una sintesi leggibile in pochi istanti e una scomposizione che permette a chi vuole approfondire di vedere quali segnali di sentiment, quali dati di posizionamento e quali variabili macro hanno portato a un certo risultato. In questo modo la storia che i mercati raccontano di sé stessi diventa più trasparente e discutibile.

Come misuriamo il crowding degli investitori

Come utenti dei mercati prima ancora che sviluppatori di soluzioni AI, abbiamo costruito il nostro metodo intorno a domande pratiche: quanto è affollata davvero una posizione, come si confronta con altri episodi simili, quale parte del movimento è narrativa e quale è macro. Da qui nasce il nostro framework interno, aggiornato per il 2026.

Sentiment contestualizzato

Partiamo da un corpus di comunicazioni di mercato, note, commenti e flussi di notizie per estrarre il sentiment con modelli linguistici addestrati sul lessico tipico degli investitori. Non cerchiamo emozioni generiche, ma pattern ricorrenti di consenso, scetticismo o urgenza che storicamente hanno anticipato episodi di forte concentrazione di posizioni.

Cosa guida il lavoro di Deravora

I nostri valori nascono da una lunga convivenza con mercati, modelli e discussioni tra team che cercavano un modo più chiaro per parlare di affollamento delle posizioni.

Trasparenza sui driver del crowding

Per noi trasparenza significa poter spiegare, con parole semplici, come arriviamo a ogni indicatore di crowding che mostriamo. Non ci accontentiamo di un punteggio sintetico: vogliamo che chi lo usa possa risalire ai contributi di sentiment, posizionamento e macro, capire come si confrontano con la propria esperienza e discutere eventuali limiti. Questo approccio nasce da anni passati a usare modelli opachi che lasciavano aperte troppe domande in comitato rischi e in sede di revisione delle decisioni. Preferiamo un’AI che si faccia interrogare, anche quando le risposte non sono immediate.

Indicatori spiegabili, ricostruibili e discutibili tra pari, senza dipendere da una scatola opaca.

Prospettiva storica continua

Mettere in relazione episodi di crowding lontani nel tempo richiede attenzione al contesto e alle differenze tra fasi di mercato. Coltiviamo una mentalità storica: ogni nuovo segnale viene letto alla luce di casi passati, senza forzare somiglianze dove non ci sono. Questo ci aiuta a evitare letture semplicistiche e a offrire a chi decide un quadro che riconosce sia le rime della storia sia le sue stonature.

Linguaggio comune tra team

Le migliori discussioni sui mercati nascono quando desk, ricerca e gestione del rischio possono guardare gli stessi dati e usare lo stesso linguaggio. Per questo progettiamo indicatori e report pensando a pubblici diversi ma collegati, con livelli di dettaglio graduati e definizioni coerenti. L’obiettivo è ridurre gli equivoci sul significato di crowding e rendere più lineare il passaggio dalle analisi alle decisioni operative.

Adattamento rigoroso

Trattiamo l’AI come uno strumento, non come una promessa salvifica. Aggiorniamo modelli, dataset e procedure man mano che cambiano il linguaggio di mercato, le fonti di posizionamento e il quadro macro, mantenendo una struttura stabile ma aperta a revisioni. In questo modo chi utilizza i nostri indicatori sa che dietro ogni numero c’è un processo vivo, attento alle trasformazioni dei mercati.

Chiarezza sui limiti

Siamo consapevoli dei limiti di qualsiasi metrica, soprattutto quando descrive fenomeni complessi come il crowding. Per questo cerchiamo di essere espliciti su cosa misuriamo, cosa resta fuori e come andrebbero interpretati i risultati. Preferiamo una discussione onesta sui punti ciechi piuttosto che una fiducia eccessiva in un singolo indicatore. Past performance does not guarantee future results e i nostri strumenti vanno letti dentro questa consapevolezza.