Creazione di una pipeline di acquisizione continua di report sec Edgar per analisi finanziarie basate su machine learning

Questo lavoro propone un approccio per affrontare la raccolta, strutturazione e aggiornamento automatico dei dati finanziari provenienti dai filing pubblicati dalla Securities and Exchange Commission (SEC) attraverso la piattaforma EDGAR, una delle principali fonti informative per l’analisi economico-finanziaria delle imprese quotate. La crescente disponibilità di dati digitali rende infatti possibile lo sviluppo di modelli predittivi sempre più sofisticati, ma richiede al contempo infrastrutture di acquisizione affidabili, scalabili e capaci di garantire la qualità e la coerenza delle informazioni nel tempo. L’obiettivo di questo lavoro è la progettazione e implementazione di una pipeline di acquisizione continua capace di estrarre automaticamente i documenti SEC, analizzarne la struttura, normalizzare i contenuti contabili e archiviarli in un formato coerente e prontamente utilizzabile per applicazioni di machine learning. La pipeline è stata realizzata con un’architettura modulare e automatizzata che consente la gestione incrementale dei dati e integra procedure di controllo di qualità, sebbene con alcune limitazioni in termini di efficienza operativa e copertura dei filing più complessi. Il dataset generato rappresenta una base informativa solida e aggiornabile, sulla quale sono stati condotti esperimenti esplorativi di previsione del default aziendale e classificazione settoriale. Tali esperimenti hanno avuto lo scopo di validare la consistenza e l’utilizzabilità dei dati, dimostrando che anche una pipeline sperimentale può produrre un archivio informativo sufficientemente ricco da supportare modelli predittivi affidabili e analisi quantitative di rischio. In conclusione, il lavoro propone un contributo metodologico e tecnico per la costruzione di dataset finanziari standardizzati e replicabili, offrendo una base concreta per futuri sviluppi.