Una storia di ricerca condivisa
Nasciamo da anni passati tra note macro, modelli quantitativi e riunioni di comitato, dove collegare indicatori economici e letture settoriali richiedeva spesso fogli di calcolo separati e molta memoria collettiva.
"La nostra filosofia è semplice: l’AI deve rendere il lavoro analitico più coerente e documentabile, non più opaco. Per questo i nostri modelli di traduzione macro-settore sono progettati per essere spiegabili, contestualizzabili e sempre rivedibili dall’utente umano, che resta l’unico responsabile delle decisioni prese."
Trasparenza nella catena logica
Ogni output del modello deve poter essere spiegato a un comitato interno con pochi passaggi chiari, collegando frasi chiave macro e segnali settoriali derivati.
Adattabilità ai regimi macro
Preferiamo modelli che si aggiornano spesso e in modo controllato, rispetto a strutture rigide difficili da adattare a nuovi regimi macroeconomici complessi.
Allineamento con la compliance
Lavoriamo perché ogni integrazione rispetti policy interne, requisiti regolamentari e standard di controllo richiesti dai team di compliance più esigenti.
Co-progettazione con i clienti
Collaboriamo con i clienti in cicli brevi di test e revisione, per calibrare segnali settoriali e interfacce sulla realtà dei loro processi interni.
Perché abbiamo fondato Frolduenienbi
Mettiamo in dialogo macroeconomia, dati di mercato e esperienza sul campo per costruire un ponte stabile tra scenari globali e lettura settoriale, adatto a processi decisionali strutturati.
Quindici anni fa, in una sala riunioni piena di grafici macro e report settoriali, il nostro team ha iniziato a chiedersi perché fosse così difficile collegare in modo coerente i due livelli di analisi. Frolduenienbi nasce da quella frustrazione: trasformare la lettura qualitativa di indicatori macroeconomici in una mappa strutturata di possibili traiettorie settoriali, tracciabile e riutilizzabile nel tempo dai team di ricerca.
Abbiamo costruito la piattaforma lavorando fianco a fianco con strategist, analisti di mercato e responsabili di risk management, validando ogni passaggio su casi storici concreti. Non volevamo un modello generico, ma uno strumento disciplinato che aiutasse a documentare ipotesi, scenari e alternative, senza sostituire il giudizio umano né imporre visioni univoche sui mercati finanziari complessi.
Oggi continuiamo a sviluppare i modelli con un approccio iterativo: ascoltiamo le esigenze dei team di ricerca, osserviamo come usano gli output nelle note settoriali e nelle discussioni interne, e adattiamo la traduzione macro-settore per renderla più leggibile, spiegabile e compatibile con i flussi di lavoro già esistenti all’interno delle organizzazioni istituzionali.
Le tappe principali del nostro percorso
-
2021Nascita del progetto e primi prototipi di traduzione macro-settore Un piccolo gruppo di economisti e analisti quantitativi avvia Frolduenienbi con l’obiettivo di trasformare la lettura degli indicatori macroeconomici in una base coerente per analisi settoriali, partendo da casi d’uso reali di equity research.#8
-
2022Prima versione operativa del modello macro-settore Viene completata la prima versione del modello che collega testi macro narrativi, dati strutturati e segnali settoriali sintetici, con una documentazione dettagliata dei passaggi logici principali.#7
-
2022Progetti pilota con team di ricerca istituzionali Collaboriamo con i primi team di ricerca istituzionali per testare la piattaforma su discorsi di banche centrali, indicatori macro chiave e impatti sui principali settori azionari globali.#6
-
2023Primi esercizi formali di validazione e backtesting Introduciamo un ciclo strutturato di backtest sugli eventi macro degli ultimi anni, confrontando la traduzione settoriale del modello con la documentazione prodotta dai clienti.#5
-
2023Integrazioni con ambienti di ricerca esistenti Rendiamo disponibili connettori verso piattaforme di ricerca interne, data warehouse e strumenti di collaborazione, per ridurre al minimo il lavoro manuale di copia e incolla.#4
-
2024Framework di governance e controllo del modello Definiamo un framework di governance del modello con changelog, metriche di monitoraggio e processi di revisione condivisi con i referenti di risk e compliance dei clienti.#3
-
2024Ampliamento copertura macro e settoriale globale Estendiamo la copertura settoriale e geografica, con particolare attenzione ai collegamenti tra catene di fornitura globali e indicatori macro regionali rilevanti.#2
-
2025Collaborazioni di ricerca su visualizzazione scenari Avviamo progetti congiunti con team di ricerca selezionati per esplorare nuove modalità di visualizzazione delle traiettorie settoriali nel tempo.#1
8
Un team tra macroeconomia, dati e governance
Elena Rossi responsabile ricerca macro e scenari globali
Lead macroeconomist e co-fondatrice
Luca Bianchi responsabile modelli quantitativi applicati
Head quantitative modelling
Marta Conti responsabile machine learning interpretabile
Lead data scientist AI
Giulio Ferri coordinatore relazioni con risk manager
Responsabile relazioni istituzionali
Chiara De Luca responsabile esperienza utente ricerca
Product manager ricerca
Davide Moretti responsabile integrazioni dati e sistemi
Integrazioni e piattaforme
Francesca Rinaldi referente governance e compliance
Responsabile governance modelli
Alessandro Galli coordinatore collaborazione con clienti
Direttore sviluppo ricerca
I valori che guidano Frolduenienbi
I nostri valori nascono da anni passati a lavorare accanto a team di ricerca che devono
spiegare ogni scelta a comitati interni esigenti, con l’esigenza di coniugare profondità
analitica, chiarezza e rispetto delle normative.
Qualità della ricerca
Trattiamo ogni scenario macro e ogni segnale settoriale come un’ipotesi da documentare e mettere alla prova, non come una previsione definitiva. La qualità della ricerca per noi nasce dalla chiarezza con cui si esplicitano assunzioni, collegamenti logici e margini di incertezza che accompagnano ogni output generato dal modello.
Trasparenza e protezione
Progettiamo la piattaforma in modo che i team possano capire come vengono trattati i dati, quali fonti vengono utilizzate e quali controlli sono in atto. Questo include log delle versioni, tracciabilità delle modifiche ai modelli e opzioni di configurazione allineate ai requisiti di protezione dei dati personali.
AI responsabile
Lavoriamo con una visione di AI responsabile: i modelli supportano il lavoro umano, ma le decisioni restano in capo alle persone e alle strutture di governance interne. Per questo forniamo spiegazioni sintetiche, avvertenze sui limiti e strumenti per integrare commenti ed esercizi di scenario sviluppati dai team.
Allineamento normativo
Ci confrontiamo con i team legali e di compliance per adattare l’uso della piattaforma ai diversi contesti regolamentari. Puntiamo a ridurre il lavoro manuale nella documentazione interna, mantenendo chiara la distinzione tra supporto analitico e raccomandazioni formali che richiedono ulteriori livelli di approvazione.
Riconoscimenti e programmi seguiti
Programma europeo AI responsabile
Partecipazione a un programma europeo dedicato ad applicazioni responsabili di AI nei servizi finanziari, con focus su governance e tracciabilità.
2024
Iniziativa fintech istituzionale
Selezione in un’iniziativa per fintech emergenti focalizzate su strumenti di supporto alla ricerca per investitori professionali e istituzionali.
2025
Rassegna strumenti data-driven
Riconoscimento in una rassegna di soluzioni data-driven che migliorano la documentazione delle ipotesi macro nei processi di analisi settoriale.
2025