italyit
Big data e intelligenza artificiale apriranno una nuova fase per gli investimenti quantitativi?

Big data e intelligenza artificiale apriranno una nuova fase per gli investimenti quantitativi?

11-01-2021 | Visione
Il factor investing si basa su decenni di studi empirici di pubblico dominio. Gli asset manager investono risorse importanti in ricerche proprietarie, per esempio nell’intento di affinare le definizioni dei fattori o di ottimizzare la costruzione del portafoglio. In questa cornice, alcuni ritengono che nuovi strumenti come i dati alternativi e l’intelligenza artificiale (IA) segneranno una svolta. Ma accadrà davvero?
  • Yann Morell Y Alcover
    Yann
    Morell Y Alcover
    Investment Writer

In breve

  • La quantità crescente di letteratura accademica dimostra l’utilità delle nuove tecniche
  • Attenzione: questi strumenti innovativi devono essere utilizzati con moderazione
  • Restano validi i principi di base – ricerca basata sui fatti, logica economica e prudenza 

Tra i maggiori sviluppi affermatisi nell’industria finanziaria spiccano nuovi strumenti come i big data e i dati alternativi, l’IA1 e il cloud computing. Nel 2019, per esempio, un sondaggio condotto dalla Bank of England e dalla Financial Conduct Authority del Regno Unito ha evidenziato che due terzi delle società finanziarie britanniche ricorrevano già all’apprendimento automatico.2  Molte di esse si aspettavano di veder più che raddoppiare gli ambiti di utilizzo nel giro di tre anni.

Nell’asset management, benché molti attori si facciano vanto di aver ufficialmente adottato queste innovazioni, sinora le applicazioni pratiche sono rimaste relegate ad ambiti quali l’automazione dei processi, le vendite e il marketing. Altri ambiti, in particolare gli investimenti, potranno beneficiare più ampiamente di questo tipo di innovazione.

Secondo un sondaggio del 2019 condotto dal CFA Institute fra i professionisti dell’investimento globale,3 solo il 10% dei gestori di portafoglio intervistati era ricorso all’IA o alle tecniche di apprendimento automatico(ML) per migliorare il proprio processo d’investimento nei 12 mesi precedenti. Viceversa, quasi la metà di loro ha dichiarato di aver utilizzato l’analisi di regressione per trovare una relazione lineare.

La maggior parte di queste tecniche è ancora agli inizi, ma un numero crescente di attori – fra i quali soprattutto, ma non solo, gli hedge fund – ha già intrapreso passi importanti per indagarne i possibili utilizzi allo scopo di concepire migliori strategie di investimento quantitativo, preannunciando quella che alcuni esperti hanno definito “la prossima ondata degli investimenti quantitativi”.

Noi di Robeco, per esempio, negli ultimi anni abbiamo investito notevoli risorse e raggiunto importanti traguardi nell’integrazione di queste tecnologie innovative nei nostri processi di investimento. Un esempio è il “segnale del sentiment indotto dalle notizie”, ottenuto dall’analisi avanzata basata su eventi e ora utilizzato per ottimizzare il  fattore momentum nelle nostre strategie azionarie quantitative.5 

Altri usi dell’IA e di dati alternativi e big data riportati dagli asset manager e da altri fornitori di servizi di investimento includono l’analisi delle conference call di presentazione dei risultati, le previsioni dei volumi di scambi azionari e l’impiego di dati geospaziali di pubblico dominio per stimare la quota di mercato locale dell’industria dei materiali inerti – l’estrazione di sabbia, ghiaia e roccia frantumata per la produzione di calcestruzzo.6 

Tuttavia rimane aperta una questione cruciale per gli investitori. Sono strumenti da considerare come una mera estensione dei tradizionali approcci quantitativi, che si basano principalmente su decenni di ricerche empiriche sui fattori e utilizzano segnali quali le informazioni contabili, le stime degli analisti finanziari e le passate quotazioni dei mercati azionari, obbligazionari, delle opzioni e del credito? Oppure rischiano di rendere obsoleti i fattori alla base della maggior parte delle attuali strategie quantitative?

Gli appassionati di innovazione sostengono ovviamente la seconda ipotesi.7 Una spiegazione comune sostiene che, in un mondo nel quale la maggior parte dei gestori quantitativi attivi ha accesso agli stessi dati, come i prezzi delle azioni o i fondamentali macroeconomici, e applica gli stessi metodi, per esempio le classiche analisi di regressione lineare e le ottimizzazioni della varianza media, tali tecniche sono diventate l’unico modo per distinguersi sia dagli indici di mercato che dai concorrenti diretti.

All’estremo opposto, gli scettici argomentano che queste innovazioni riescono forse ad apportare migliorie marginali alle strategie di investimento esistenti ma vanno comunque prese con la giusta dose di cautela8 e non rimettono fondamentalmente in discussione gli approcci di investimento quantitativo più tradizionali e trasparenti.

Questi scettici sostengono spesso che una solida strategia d’investimento richiede un’ampia sperimentazione empirica ed è avvalorata da ampi campioni di dati per lunghi periodi di tempo, mentre i big data e i dati alternativi si fondano in gran parte su prove aneddotiche. In genere i set di dati alternativi hanno una storia molto breve e spesso mancano dell’ampiezza e qualità necessarie per giungere a risultati certi.9  A volte è persino possibile che il fornitore di dati cessi di esistere nel giro di cinque o dieci anni.

Un’altra critica comune è la mancanza di interpretabilità o “verificabilità” degli algoritmi di IA e dei modelli di apprendimento automatico.10 Di conseguenza, le strategie di investimento basate principalmente su queste tecniche spesso mancano anche delle necessarie basi di una chiara logica economica, che non manca normalmente agli approcci quantitativi più tradizionali.

Striving to stay ahead of the competition

Questa divisione dimostra lo sforzo che gli asset manager devono compiere per mantenere il loro vantaggio nel tempo: attenersi a metodi collaudati che alla fine rischiano di diventare obsoleti, oppure accogliere il cambiamento e rischiare un grande passo falso verso un’innovazione infelice. Le ultime performance deludenti di diversi fattori ben affermati, in particolare del valore, rendono ancora più complicata la soluzione al dilemma. 

Il ribasso corrente ha rimesso in discussione gestori quantitativi affermati e spinto molti investitori a chiedersi se il factor investing non vada interamente ripensato. Al momento, tuttavia, i risultati in tempo reale realizzati dalla maggior parte degli investimenti basati su IA e dati alternativi restano poco convincenti. 

Di conseguenza per gli investitori non esiste una chiara alternativa forte rispetto a fattori più tradizionali, almeno per ora. Ovviamente la situazione potrebbe cambiare, poiché i set di dati alternativi a disposizione degli investitori miglioreranno certamente nel tempo e gli algoritmi potranno diventare abbastanza affidabili da raggiungere in autonomia il loro obiettivo di sovraperformance a lungo termine.

In passato, i set di dati oggi diffusamente utilizzati dagli asset manager quantitativi alimentavano dubbi simili a quelli che accompagnano oggi i big data e i dati alternativi. Nel corso degli anni questi set di dati sono migliorati in termini di qualità, ampiezza ed evoluzione storica e sono diventati utilizzabili. Con il passare del tempo e la crescita dei dati disponibili, anche big data e dati alternativi potranno diventare sempre più fruibili.

Al tempo stesso, una quantità crescente di letteratura accademica conferma che le tecniche di IA possono essere strumenti utili per migliorare le strategie di investimento.  Pertanto, anche se probabilmente le macchine non sostituiranno mai del tutto gli esseri umani, sotto la loro supervisione potrebbero aiutare a individuare e spiegare nuovi modelli. Le macchine possono anche rendere molto più scalabili le ricerche condotte.

Come devono comportarsi gli investitori al riguardo

In ultima analisi, gli investitori devono rimanere aperti alle nuove idee. Per loro la scelta fra uno dei due approcci potrebbe non essere la questione centrale. Esiste un’ampia gamma di possibilità, dalla scelta estrema di considerare solo le tradizionali informazioni su prezzi e bilanci a quella opposta di affidarsi esclusivamente a fonti di informazione come le immagini satellitari dei parcheggi e gli algoritmi di deep learning. 

La risposta potrebbe venire dall’uso di più risorse di informazione. Ad esempio, i big data e i segnali di IA potrebbero essere di grande utilità per gli analisti azionari e obbligazionari e contribuire in tal modo alle nostre strategie quantitative che tengono conto delle revisioni degli analisti. In questo caso faremmo un uso indiretto dei big data e delle informazioni sull’IA. La Figura 1 offre una panoramica di come i principali asset manager utilizzano tali analisi avanzate.

Figura 1: Nuove fonti di ricerca sugli investimenti per gli asset manager

Fonte: Doshi, S., Kwek, J.-H. e Lai, J., 20 marzo 2019, “Advanced analytics in asset management: Beyond the buzz”, articolo di McKinsey & Company.

Ciò detto, è importante ricordare che l’innovazione può aiutare ma va applicata con attenzione e cura. I principi di base – per esempio assicurarsi che le decisioni di investimento si fondino su fatti, siano orientate alla prudenza e abbiano una chiara logica economica – sono imprescindibili, anche quando si considerano tecniche all’avanguardia come i dati alternativi o l’IA.

1L’IA può essere definita come l’impiego di strumenti di calcolo per eseguire compiti che tradizionalmente richiedevano il pensiero umano. Come ambito scientifico di ricerca, l’IA è tutt’altro che una novità. Il termine fu coniato a metà degli anni ‘50 dall’informatico John McCarthy, allora professore assistente al Dartmouth College. Tuttavia, i recenti miglioramenti nella potenza di calcolo e la crescita esponenziale del numero di dati disponibili nell’era digitale hanno aumentato in modo significativo lo spettro delle possibili applicazioni di queste tecnologie.
2Jung, C., Mueller, H., Pedemonte, S., Plances, S. e Thew, O., ottobre 2019, “Machine learning in UK financial services”, relazione della Bank of England e della Financial Conduct Authority.
3Cao, L., 2019, “AI pioneers in investment management”, relazione del CFA Institute.
4L’apprendimento automatico si riferisce all’uso di algoritmi informatici che migliorano automaticamente le loro previsioni attraverso l’esperienza. Può quindi essere considerato un sotto-segmento dell’intelligenza artificiale.
5Marchesini, T. e Swinkels, L., luglio 2019, “Integrating news sentiment in quant equity strategies”, nota per clienti di Robeco.
6Il rapporto del CFA Institute menzionato nella nota 3 fornisce un’interessante panoramica delle applicazioni pionieristiche e concrete. 7Si veda per esempio: Calvello, A., 15 gennaio 2020, “Fund managers must embrace AI disruption”, Financial Times. Si veda anche: Rajan, A., 27 gennaio 2020, “AI will rewrite the future of fund management”, Financial Times.
8Kirk, E., 3 marzo 2020, “Don’t believe the hype about AI and fund management”, Financial Times.
9Si veda per esempio: Arnott, R., Harvey, C. R. e Markowitz, H., 2019, “Backtesting protocol in the era of machine learning”, The Journal of Financial Data Science.
10FSB 2017. Artificial intelligence and machine learning in financial services – Market developments and financial stability implications.
11Si veda: Fletcher, L., 7 settembre 2020, “AI hedge fund Voleon suffers in choppy markets”, Financial Times.
12Simonian, J., Lopez de Prado, M., Fabozzi e F. J., 2018, “Order from chaos: How data science is revolutionizing investment practice”, commento editoriale su invito, The Journal of Portfolio Management. Si veda anche: Snow, D., 2020, “Machine learning in asset management – Part 1: Portfolio construction – Trading strategies”, The Journal of Financial Data Science. Si veda anche: Snow, D., 2020, “Machine learning in asset management – Part 2: Portfolio construction – Weight optimization”, The Journal of Financial Data Science.

Gli argomenti collegati a questo articolo sono:
Logo

Disclaimer

Confermo di essere un cliente professionale

Le informazioni e le opinioni contenute in questa sezione del Sito cui sta accedendo sono destinate esclusivamente a Clienti Professionali come definiti dal Regolamento Consob n. 16190 del 29 ottobre 2007 (articolo 26 e Allegato 3) e dalla Direttiva CE n. 2004/39 (Allegato II), e sono concepite ad uso esclusivo di tali categorie di soggetti. Ne è vietata la divulgazione, anche solo parziale.

Al fine di accedere a tale sezione riservata, si prega di confermare di essere un  Cliente Professionale, declinando Robeco qualsivoglia responsabilità in caso di accesso effettuato da una persona che non sia un cliente professionale.

In ogni caso, le informazioni e le opinioni ivi contenute non costituiscono un'offerta o una sollecitazione all'investimento e non costituiscono una raccomandazione o consiglio, anche di carattere fiscale, o un'offerta, finalizzate all'investimento, e non devono in alcun caso essere interpretate come tali.

Prima di  ogni investimento, per una descrizione dettagliata delle caratteristiche, dei rischi e degli oneri connessi, si raccomanda di esaminare il Prospetto, i KIIDs delle classi autorizzate per la commercializzazione in Italia, la relazione annuale o semestrale e lo Statuto, disponibili sul presente Sito o presso i collocatori.
L’investimento in prodotti finanziari è soggetto a fluttuazioni, con conseguente variazione al rialzo o al ribasso dei prezzi, ed è possibile che non si riesca a recuperare l'importo originariamente investito.

Rifiuto