Immagina un'intelligenza artificiale che divora migliaia di articoli di giornale su 52 grandi aziende per cinque anni di fila. Non cerca solo parole chiave, ma trasforma ogni notizia in una mappa numerica — un "embedding" — che cattura il significato profondo del testo. Fin qui, nulla di nuovo: i modelli linguistici lo fanno già. La svolta sta in come questi ricercatori hanno deciso di mescolare le mappe di ogni impresa.
Invece di fare una media semplice, hanno usato la geometria del trasporto ottimale (la distanza di Wasserstein) per calcolare il "baricentro" delle distribuzioni di argomenti di ogni azienda. È come trovare il centro di gravità di nuvole di punti che rappresentano i temi discussi nelle notizie: una sintesi geometrica molto più ricca di una media aritmetica.
Da questi baricentri nasce un "campo di interazione": una rete invisibile che misura quanto l'andamento di un'azienda sia legato a quello delle altre in base a ciò che i media raccontano su di loro. Il risultato? Congelando il campo sui dati 2018-2022, il modello ha previsto il periodo 2023-2026 battendo i metodi classici: chi si allinea male ai peer paga un "penalty ratio" 3,46 volte più alto. Funziona meglio della media uguale per tutti e della classica pesatura gaussiana (RBF).
In pratica, la forma geometrica del linguaggio giornalistico contiene informazioni economiche reali che la finanza tradizionale ignora. La prossima volta che leggi una notizia su un'azienda, ricorda: per un algoritmo avanzato, quel testo è una coordinata nello spazio delle relazioni di mercato.
