Investire con l’AI

Da ormai un paio d’anni c’è un gran parlare delle potenzialità dell’AI nel settore finanziario, dall’analisi di dati alternativi al monitoraggio del rischio, dall’esecuzione di ordini sul mercato all’attività di market making / trading, dalla gestione vera e propria di portafogli all’asset allocation.

In Banca Patrimoni Sella & C. abbiamo passato alcune settimane ad analizzare quanto sta succedendo e, ben consci di non aver certo mappato tutto l’esistente, vi raccontiamo cosa abbiamo scoperto con tre esempi. L’articolo è piuttosto “tecnico”, ma non c’è altro modo di raccontare l’innovazione in atto.

Anzitutto va detto che il trading algoritmico e le strategie di gestione quantitative esistono da quasi 50 anni essendo nate con alcuni hedge funds negli anni ’80 (Moneymetrics, fondato dal mitico Jim Simons e che poi verrà rinominato Renaissance Technology, nasce addirittura a fine anni ’60). Abbiamo provato a rappresentare in un’immagine, che trovate qui sotto, il percorso che ne è derivato con i nomi di alcuni dei protagonisti di allora e di oggi. Si vede anche che l’utilizzo di tecniche di deep learning è partito già nel decennio scorso; sono poi state l’aumento della quantità di dati disponibili e ancor di più la crescita esponenziale della rapidità di calcolo dei chips di ultima generazione, ad aver portato dal 2020 in avanti verso tecniche di Agentic AI (decisioni di trading o investimento senza alcun intervento umano).

Partendo da una visione abbastanza scettica (potrà mai una macchina prendere decisioni di investimento migliori di un gestore esperto solo perché ha a disposizione tantissimi / tutti i dati esistenti? Nel trading, come nell’asset management occorrono pochi e utili dati, il sentire i mercati e interpretarli è una qualità che solo le persone hanno), ci siamo convinti che invece esistano delle aree in cui l’AI abbia un suo perché e alcuni esempi concreti di applicazione con un track record consultabile lo dimostrano.

1) Esecuzione di ordini attraverso l’utilizzo dell’AI: quando parliamo di ordini di acquisto e vendita sui mercati di dimensioni importanti sappiamo che esiste un costo implicito o nascosto (la parte sotto l’acqua dell’iceberg rappresentato nella foto) che è dato dall’impatto che il nostro ordine ha sul mercato e che tipicamente porta a eseguirlo a condizioni peggiori di quelle iniziali, a causa del fatto che “sposto” il mercato, che il mercato vede le mie intenzioni, ecc, ecc.

Tecniche avanzate di applicazione dell’AI permettono oggi di ottimizzare l’esecuzione di questi ordini in modo più sofisticato rispetto alle tecniche che avevamo a disposizione fino a qualche anno fa. Se pensiamo per esempio a un acquisto di azioni, avremo un algoritmo che permette di confrontare e misurare costantemente nel tempo per tutte le differenti venues di execution possibili (borse, MTFs, OTFs, dark pools, brokers) i prezzi, la liquidità presente, i volumi scambiati, i bid/offer spread, eventuali ordini di size importante, la così detta “tape” e cioè il registro degli scambi avvenuti anche OTC. E che decide / consiglia dove e quando trasmettere gli ordini; non una volta per tutte, ma in modo dinamico nel tempo, man mano che nuovi dati, di cui sopra, arrivano e vengono analizzati. Esistono già oggi operatori che utilizzano queste tecniche (Man Group per fare un esempio) e che hanno ottenuto miglioramenti lato costi impliciti dell’ordine del 20%. Il fondo sovrano norvegese ha dichiarato il mese scorso che l’obiettivo di riduzione dei costi di trading annuo attraverso l’utilizzo dell’AI è pari a 400 milioni di dollari. Non proprio briciole, pur considerando che sono il più grande detentore di partecipazioni in aziende quotate al mondo e fanno ordini per decine di miliardi ogni anno.

2) Utilizzo di dati alternativi nella creazione di modelli utili a decisioni di investimento: la possibilità di analizzare testi, discorsi, analisi scritte, pareri, dandoli “in pasto” all’AI permette di fattorizzare all’interno di modelli predittivi non solo dati di tipo “tradizionale” o hard data, ma anche il così detto “sentiment”. UBS ha prodotto un modello che cerca di anticipare le mosse di politica monetaria della Federal Reserve americana utilizzando anche tecniche basate su AI: il modello ha letto ed elaborato decenni di minute della FED, di interventi del Presidente, di pareri dei suoi membri e, oltre a non essersi addormentato, ha anche capito il collegamento fra parole e decisioni.

Il risultato appare interessante come vedete: in molti casi ha permesso di identificare cambi di tono e in qualche modo dare dei warning su cambiamenti in arrivo lato politica monetaria. Sembrano esserci anche pochi falsi segnali (qualcosa nel 2009-2010) e questo è un fattore molto positivo per un modello di questo tipo.

3) Linee di gestione e portafogli costruiti utilizzando modelli AI based: abbiamo compreso che il più importante atout dell’intelligenza artificiale lato “asset management” è forse quello di riuscire a rappresentare in modo chiaro la realtà. Fare ordine nel rumore generale che si crea con la sovrabbondanza di dati, informazioni, pareri, segnali di mercato, analisi fondamentali e tecniche; e farlo senza distorsioni cognitive “umane”, in modo neutro. Tutto ciò non è semplice perché occorre decidere quali inputs considerare, fare “pulizia” dei dati, stabilire (insieme all’AI) quale peso dare alle varie categorie di dati, permettere al modello di evolvere nel tempo se le condizioni cambiano.

E’ bello sapere che esistono due realtà italianissime che sono leader in questo campo e hanno in comune l’aver iniziato a occuparsi di AI in tempi “non sospetti” (2016): MDOTM basata a Milano, ma con uffici a Londra e ormai anche a New York, e AXYON basata a Modena. La prima ha dimostrato con i propri modelli di asset allocation di saper creare valore aggiunto e ha stretto partnership con importanti banche e asset managers in Italia (anche con noi lato gestioni patrimoniali) e all’estero. La seconda ha un eccellente track record con i propri modelli di stock picking su Europa, USA e mondo e batte abbondantemente i rispettivi benchmark di riferimento.

La rubrica Spunti di Mercato si prende un mesetto di riposo e tornerà con voi sabato 9 agosto. Buona estate e buone ferie, cari lettori.