Per la finanza intelligenza artificiale a machine learning applicato ai dati sono il volto nuovo dell’innovazione

 

Negli ultimi anni siamo stati spettatori della nascita di nuove tecnologie legate ai big data e all’intelli– genza artificiale, la cui naturale contestualizzazione segna l’inizio di un processo di ridefinizione di interi ambiti di attività. In particolare, nel settore finanziario sta assumendo sempre più importanza la cosiddetta financial technology (FinTech), quale segmento di attività caratterizzato dall’impiego di innovazioni tecnologiche emergenti da parte di aziende intenzionate a migliorare i processi interni e la fornitura di prodotti e servizi finanziari. Se è vero che i mercati finanziari producono una mole impressionante di informazioni, è altrettanto vero che gli attori operanti nel settore della gestione degli investimenti sono ben consci delle possibilità di guadagno derivanti da un’abile interpretazione delle stesse. In tale contesto, quindi, anche il più tradizionale degli investitori ha rivisto il proprio approccio per sfruttare più dati possibile. Non stupisce, quindi, che l’impiego dell’intelligenza artificiale e del machine learning consente il ricorso ad uno spettro di informazioni ancora più ampio, per volume e tipo, oltre ad una migliore interpretazione dei dati raccolti; e, ancora, che gli investitori si stiano interessando a queste tecnologie innovative che offrono loro più informazioni e nuove tecniche per interpretare le relazioni tra i dati, a fronte di rendimenti più soddisfacenti. Per il mondo della finanza, l’intelligenza artificiale e il machine learning applicato ai dati sono dunque il nuovo volto dell’innovazione, nel costruire un sistema di gestione degli investimenti totalmente automatizzato che si spinge oltre ai metodi quantitativi conosciuti.

Infatti, nonostante vi sia un discreto grado di somiglianza tra gli approcci tradizionali di investimento quantitativo e quelli puramente basati su intelligenza artificiale e machine learning, alcune differenze fondamentali meritano considerazione.Una tipica strategia di investimento quantitativa si basa sull’identificazione di caratteristiche misurabili, la cui osservazione offre stimoli predittivi riguardo i successivi sviluppi delle attività. L’elemento essenziale del processo è l’intuizione umana (frutto dell’esperienza) su ciò che guida i movimenti degli asset; l’analisi successiva porta alla modellizzazione della realtà osservata, focalizzandosi sulla conferma che l’evidenza dei dati sia coerente con l’intuizione. Così facendo, sulla prospettiva ottimistica offerta da un backtest positivo, prendono forma sistemi di investimento che seguono un algoritmo strutturato secondo le direttive imposte dal trader quantitativo e agiscono sul mercato di conseguenza. I sistemi intelligenti machine learning si distinguono dalla programmazione tradizionale in quanto viene meno l’esigenza di intuizione e razionalità umana che concorre alla definizione del modello automatico di previsione. Piuttosto che istruire un computer a seguire uno schema predefinito di input, diventa possibile programmare la macchina in modo che sia in grado di implementare un processo decisionale supportato da un apprendimento continuativo. Tale tecnica consiste nell’alimentare un “cervello elettronico” con congrui esempi comportamentali degli asset sul mercato, in modo da dotarlo di sufficienti schemi di ragionamento che gli consentano di riconoscere modelli di investimento simili. Le soluzioni innovative offerte dall’intelligenza artificiale vanno dall’identificazione di certi pattern grafici in analisi tecnica, all’utilizzo di algoritmi predittivi per selezionare gli strumenti più idonei ad essere inclusi in un portafoglio. Ad oggi, l’apprendimento automatico ha reso gli elaboratori talmente abili nell’analis e nel riconoscimento dei modelli, da eguagliare e talvolta superare alcuni dei migliori analisti del mondo. 

La ricerca di nuove opportunità per gli investimenti, attraverso queste tecnologie innovative è un’estensione razionale degli approcci tradizionali 

 

Pertanto, non c’è da stupirsi che le migliori società finanziarie, fra cui JPMorgan e Goldman Sachs, utilizzino questa tecnologia per sistematizzare i dati generati da milioni di clienti e delineare le strategie di investimento più idonee ai loro portafogli. Dunque, l’obiettivo di fondo di una strategia d’investimento orientata al machine learning non è sostanzialmente diverso da quello di una strategia d’investimento quantitativa tradizionale, cioè trovare e sfruttare le relazioni significative fra gli elementi osservati e i futuri rendimenti degli asset. Tuttavia, le due tecniche differiscono in termini di approccio volto ad individuare schemi ricorrenti nell’analisi dei dati. Grazie al machine learning, le decisioni vengo interamente guidate dall’intelligenza artificiale in seguito ad un accumulo progressivo di informazioni, senza una logica preposta o un’intuizione iniziale da parte dell’analista. Si ottiene così un risultato esclusivamente basato sui dati, certamente il punto di forza di un sistema automatico di investimento ma, al contempo, la sfida più grande verso la sua realizzazione. 

Tali modelli vantano la capacità di lavorare con grandi quantità di dati, anche non strutturati, e producono intuizioni uniche dall’elaborazione degli stessi che difficilmente un analista quantitativo riproporrebbe sulla base delle stesse informazioni. Ciò nondimeno, sono molto complessi e non esenti da segnali negativi, giacché potrebbero identificare alcune relazioni spurie o temporanee nei dati processati, restituendo segnali di investimento errati. Un esempio di intelligenza artificiale applicata in finanza è Alphie, ideato dalla startup SelfieWealth, quale sistema in grado di sviluppare delle forme di memoria e autoapprendimento applicate nel realizzare nuovi prodotti di investimento e di gestione del rischio, con un tasso di personalizzazione molto elevato. Un altro caso di tecniche machine learning e intelligenza artificiale applicate con successo è eToro, una società di investimento che ha saputo sfruttare la sua vasta rete di investimenti nel mondo per realizzare un sistema di apprendimento automatico dotato di algoritmi utili a comprendere i modelli comportamentali finanziari dei clienti, al fine di generare analisi predittive. Tali analisi fungono da input per creare alcuni dei CopyPortfolios, come ad esempio i Top Trader CopyPorfolios, un prodotto di investimento a portafoglio gestito che utilizza il machine learning per individuare i top trader operanti sulla piattaforma con maggiori probabilità di generare rendimenti positivi e ne ripropone l’asset allocation per target di clienti, o i Market CopyPortfolios, che con lo stesso principio riuniscono CFD in azioni, materie prime o ETF sulla base di una comune strategia di mercato.La ricerca di nuove opportunità per le strategie di investimento, attraverso le tecnologie innovative di cui sopra, rappresenta un’estensione razionale degli approcci quantitativi tradizionali. Nuove ipotesi trovano spazio grazie a tecniche innovative eseguite su una base maggiore di informazioni, attraverso l’impiego di competenze idonee a gestire i processi logici dell’intelligenza artificiale nella formazione di portafogli di investimento personalizzati. Stiamo muovendo i primi passi su una strada impervia, non priva di sfide e resistenze da superare, ma con enormi potenzialità per il futuro del settore finanziario.