Alla luce dei progressi tecnologici che aprono nuovi orizzonti nel campo dell’investimento quantitativo, puoi spiegare come e quando abbiamo iniziato a integrare i segnali alternativi nelle nostre strategie? In che misura l’investimento quantitativo di nuova generazione è già stato implementato nelle nostre strategie?
“I nostri modelli principali comprendono fattori ben noti come value, momentum e quality, che classifichiamo come fattori di rendimento, oltre che il fattore low risk per la strategia Conservative Equities. Dopo aver condotto ricerche sistematiche su come potenziare questi fattori, abbiamo iniziato a incorporare segnali alternativi nel 2009, attraverso l’applicazione del nostro indicatore di timing nelle nostre strategie enhanced index. Questo indicatore, generalmente basato su segnali innovativi e più rapidi, ci aiuta a determinare i tempi ottimali per l’acquisto e la vendita di titoli dopo che il nostro modello principale ha individuato opportunità interessanti.”
“Inizialmente abbiamo assegnato un peso del 10% a questo segnale di timing e abbiamo gradualmente arricchito la nostra strategia con ulteriori componenti. Questi elementi offrono un potenziale significativo e benefici di diversificazione. Ad esempio, il nostro indicatore di timing, che presenta una bassa correlazione con i fattori tradizionali, può ridurre i drawdown e migliorare il profilo di rischio-rendimento. Tuttavia, in ragione della loro rapidità, questi segnali possono comportare un turnover e costi di trading elevati se attribuiamo loro un’eccessiva importanza.”
“Per massimizzare il rendimento netto, ci siamo adoperati per perfezionare l’indicatore di timing e ridurre al minimo i costi di trading. Questo ci ha permesso di aumentare il peso dell’indicatore al 20% nel 2017, per passare poi all’attuale 25%. Alla fine dello scorso anno abbiamo lanciato Quantum, la nostra strategia quantitativa di nuova generazione basata sulla ricerca e su un modello le cui fondamenta risalgono al 2009.”
“Quanto ai segnali innovativi, uno sviluppo recente riguarda l’uso dell’apprendimento automatico. Inizialmente questa tecnologia era utilizzata per prevedere il rischio, in particolare il rischio di sofferenza, ovvero per individuare i titoli più passibili di un crollo. L’apprendimento automatico è incredibilmente efficiente in questo tipo di analisi, soprattutto quando gli si dà in pasto un insieme diversificato di variabili legate al rischio.”
"È possibile anche applicare l’apprendimento automatico per sfruttare gli effetti di interazione, con risultati davvero entusiasmanti. Prendiamo ad esempio l’effetto di inversione a breve termine, per il quale i titoli azionari che hanno perso terreno nelle ultime settimane tendono a riprendere quota. L’apprendimento automatico ci aiuta a mettere a punto queste strategie considerando ulteriori dimensioni come la liquidità dei titoli interessati.”
“Intorno al 2019 abbiamo iniziato a utilizzare un segnale derivante dall’elaborazione del linguaggio naturale (NLP), per tradurre il sentiment delle notizie in punteggi numerici. Questo segnale è in grado di valutare il sentiment delle notizie, sia esso positivo o negativo. Adesso stiamo espandendo l’uso dell’NLP per analizzare le trascrizioni e persino le registrazioni delle call sugli utili, per esaminare non solo le parole ma anche il tono e l’intonazione.”
Come vengono ottimizzati i segnali nelle strategie per mitigare i rischi?
“Un esempio è rappresentato dalle revisioni delle stime sugli utili, al rialzo o al ribasso, effettuate dagli analisti. Gli analisti, come sappiamo, non sono del tutto imparziali: tendono a preferire i titoli di società growth ad alta capitalizzazione. Noi puntiamo a neutralizzare questa distorsione, e tale approccio in passato ci ha permesso di ridurre il rischio e di ottenere caratteristiche di rendimento migliori.”
“Esploriamo questo genere di aspetti nella nostra ricerca accademica. Ne sono un valido esempio il nostro paper sul momentum residuale e quello sul fattore value e il rischio di sofferenza. In questo secondo paper dimostriamo come cogliere il premio legato al fattore value e come eliminare il rischio di sofferenza dalla strategia. Utilizziamo i segnali relativi al rischio di sofferenza nella nostra strategia attiva a basso rischio, Conservative Equities, per scegliere le società da acquistare tra quelle con un basso profilo di rischio. Ci serviamo dello stesso segnale anche nelle strategie di rendimento per evitare i titoli con il più alto rischio di fallimento.”
Come ci si assicura che i nuovi segnali sviluppati a partire da questi set di dati siano robusti?
“Anche se abbiamo a disposizione numerosi set di dati incredibilmente diversificati, non tutti sono adatti allo scopo. Nel selezionare i set di dati seguiamo un approccio oculato, assicurandoci che siano credibili e che possano arricchire le nostre strategie, esplorando al contempo nuovi set di dati, che possono spaziare dai brevetti ai blog finanziari.”
“È vero che molti nuovi segnali sono stati individuati da poco, ma spesso questo è sufficiente per le nostre esigenze. Ad esempio, quando abbiamo iniziato a esaminare i mercati emergenti, nel 2006, i dati non erano così completi o affidabili come quelli dei mercati sviluppati. Tuttavia, erano sufficienti per iniziare a fare ricerca e, con lo studio, abbiamo affinato le nostre conoscenze e siamo riusciti a migliorare la qualità dei dati nel tempo.”
“Per assicurarci che i nuovi segnali siano davvero robusti, di solito ci ispiriamo alla letteratura accademica, concentrandoci principalmente sugli Stati Uniti. Successivamente, esaminiamo gli stessi segnali in altre regioni. Ad esempio, anche se disponiamo di pochi dati per i mercati emergenti, l’Europa potrebbe fornirci un valido test fuori campione. Valutiamo anche come si comportano questi segnali in diverse condizioni di mercato. Per un determinato periodo, anche se breve, analizziamo il comportamento del segnale in diversi fasi di mercato, come una fase rialzista, una fase ribassista o periodi di elevata volatilità. Capire come reagiscono questi segnali in vari scenari è fondamentale.”
“Un altro aspetto entusiasmante è lo ‘spanning alpha test’. In questo caso, cerchiamo di capire se i nuovi set di dati offrono qualcosa in più rispetto a ciò che già abbiamo. Non ci interessa reinventare la ruota. A volte una nuova variabile può limitarsi a replicare informazioni esistenti in una veste più sofisticata. In questo caso, è probabile che decidiamo di non proseguire. A volte, però, scopriamo che una nuova variabile è unica e preziosa. Si tratta di un test difficile da superare, data la solidità dei nostri modelli esistenti.”
Quali sono i nuovi segnali collegati alla sostenibilità che sono utilizzati nell’investimento quantitativo di nuova generazione?
“Due segnali che abbiamo iniziato a utilizzare di recente sono il coinvolgimento dei dipendenti e l’efficienza delle risorse quali fattori di sostenibilità. Il coinvolgimento dei dipendenti è un fattore davvero interessante. I dipendenti possono valutare le loro aziende su piattaforme come Glassdoor, esprimendo la loro soddisfazione o insoddisfazione. Le imprese con valutazioni più elevate hanno di solito una forza lavoro motivata ed efficiente. Abbiamo scoperto che quanto più i dipendenti sono soddisfatti, tanto maggiore è il fatturato in rapporto al costo del lavoro; è interessante constatare inoltre che queste società tendono a evidenziare rendimenti azionari futuri migliori. Si tratta di un segnale di alfa legato al pilastro “sociale” dell’ESG attraverso la soddisfazione dei dipendenti.”
“L’efficienza delle risorse, invece, è un fattore più legato alla dimensione ambientale. Prendiamo una compagnia aerea con velivoli molto efficienti dal punto di vista dei consumi. Ovviamente questo vettore avrà costi più bassi e farà un minor uso di risorse, il che dovrebbe conferirgli un vantaggio competitivo. Abbiamo pensato che ciò si applicasse probabilmente anche ad altri settori ad alta intensità di risorse, come l’energia, le utility, le automobili e l’industria. Un modo per misurare l’efficienza delle risorse è osservare la quantità di emissioni di carbonio (quale indicatore delle risorse utilizzate) rispetto al fatturato di un’azienda. Analizzando questo dato, abbiamo scoperto che le aziende efficienti dal punto di vista delle risorse (ovvero con basse emissioni rispetto al fatturato) tendono in effetti ad avere rendimenti azionari futuri più elevati, nonché emissioni di carbonio più ridotte, il che le rende un investimento ideale sotto il profilo della sostenibilità.”
Tieniti aggiornato sull'universo quantitativo
Receive our Robeco newsletter and be the first one to get the latest insights.
Quanto è impegnativo convincere i clienti ad unirsi a questo percorso evolutivo dell’investimento quantitativo?
“Coinvolgiamo attivamente i clienti nel nostro processo e nelle nostre metodologie, in modo che anche loro possano contribuire ai nostri modelli di base, e condividiamo con loro la nostra ricerca e i nostri progressi. Siamo inoltre trasparenti sul nostro processo e sugli elementi che prendiamo in considerazione, per cui i clienti sono parte del percorso.”
Con tutti questi sviluppi in atto, è più difficile restare un passo avanti agli altri?
“Crediamo che la nostra lunga esperienza in questo campo possa essere una fonte di vantaggio, perché abbiamo imparato da tempo a condurre ricerche rigorose e puntiamo a trovare un equilibrio ottimale tra fattori consolidati e set di dati innovativi, mescolando dati tradizionali e segnali emergenti.”
“Il turnover e i costi di negoziazione, che spesso vengono trascurati o presi per dati nella letteratura accademica, sono un aspetto che valutiamo con attenzione. Con le strategie a bassa movimentazione l’impatto è più contenuto, ma soprattutto con i segnali più recenti e più rapidi, sorvolare su questi aspetti è nel migliore dei casi un’ingenuità e nel peggiore uno spreco.”
“È necessario pensare a una strategia di ribilanciamento intelligente, a una strategia di trading intelligente. Con Weili Zhou, il nostro Head of Quant Equity, abbiamo scritto diversi paper sull’attuazione di strategie che tengano conto dei costi di negoziazione in modo intelligente e che possano essere eseguite al netto di tali costi.”
Per concludere, come speriamo di mantenere la nostra posizione di innovatori in futuro?
“Non adottiamo e non adotteremo nuovi set di dati alternativi senza un’indagine approfondita. Inoltre, non incorporiamo nuovi segnali solo per sembrare innovativi; lo facciamo perché crediamo nel loro valore aggiunto. Il nostro obiettivo è quello di generare un alfa diversificato, concentrandoci su molteplici segnali oltre a quelli già noti. Se un particolare approccio favorisce la diversificazione, accresce l’alfa o migliora il profilo di rischio, siamo pronti ad adottarlo. Tuttavia, cercheremo sempre il giusto equilibrio e prenderemo in seria considerazione i costi di negoziazione, in quanto rappresentano un aspetto fondamentale della nostra strategia.”
Una selezione di segnali alternativi
Inversione a breve termine: esaminiamo i titoli la cui performance ha evidenziato un’inversione di tendenza nel breve termine.
Caratteristiche di liquidità: consideriamo anche i titoli il cui profilo di liquidità è migliorato, il che costituisce a nostro avviso un segnale positivo.
Informazioni desunte dal mercato dei prestiti: utilizziamo le informazioni desunte dal mercato dei prestiti per lo short selling, considerando un elevato livello di vendite allo scoperto su un titolo un segnale negativo.
Dati tratti dagli script web (offerte di lavoro): monitoriamo il numero di posti di lavoro vacanti nelle aziende, considerando un aumento alla stregua di una previsione di crescita futura.
Informazioni relative alla sostenibilità: dal 2010 inseriamo informazioni relative alla sostenibilità nell’ambito del nostro tema Qualità.
Informazioni desunte dal mercato del credito: utilizziamo la performance delle obbligazioni di un’azienda per prevedere i futuri rendimenti azionari e viceversa.
Sentiment delle notizie: analizziamo il tipo di notizie che circolano su un’impresa, considerando le notizie più favorevoli come un segnale positivo per i rendimenti azionari futuri.
Tecniche di apprendimento automatico per prevedere il rischio di sofferenza: utilizziamo tecniche di apprendimento automatico per prevedere il rischio di fallimento di un’azienda.
Anche se le specifiche e le modalità di utilizzo variano da un segnale all’altro, l’obiettivo generale è quello di migliorare il profilo di rischio-rendimento del portafoglio.