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

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 automatico⁴ (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.

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.¹¹

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.¹² 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.

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.

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.

More stories

Could factor premiums disappear?
Should you time your factor exposures?