Costruzione di un portafoglio quantitativo con l'IA

Il machine learning (ML) è stato accolto come un aiuto prezioso nella selezione dei titoli. In pratica, però, i vantaggi dell'utilizzo del ML e dell'intelligenza artificiale (IA) nella costruzione del portafoglio si manifesteranno in svariati modi. L'arrivo dell'IA è, a nostro avviso, semplicemente l'ultima fase della lunga evoluzione dell'investimento quantitativo, che potremmo definire Quant 2.0.

I gestori di portafogli quantitativi iniziarono a utilizzare algoritmi per selezionare gli investimenti e gestire il rischio già negli anni '80. Si trattava di semplici modelli a fattore singolo, utilizzati per identificare i premi per il rischio, ma che si sono presto evoluti in sistemi multifattoriali più sofisticati che analizzavano i fenomeni più disparati, dai mutamenti del sentiment degli analisti, al posizionamento degli investitori, alla stabilità degli utili societari. Oggi gli investitori quantitativi lavorano con una ricca gamma di sistemi basati sul machine learning. Non c'è dubbio che sia necessario impiegare ulteriormente questa potente nuova tecnologia.

Applicazioni di intelligenza artificiale all'interno di un portafoglio

La digitalizzazione dell'economia mondiale ha portato a un'esplosione dei dati disponibili, sia di tipo strutturato (come i dati finanziari riportati dalle aziende) che di tipo non strutturato (testi, file video, immagini). Analizzare e combinare questi dati ricorrendo a modelli di dimensioni sempre maggiori si sta rivelando una sfida complessa, ma anche un'opportunità per i gestori di portafogli quantitativi.

L'IA aiuta su diversi fronti:

1. L'intelligenza artificiale può essere utilizzata per estrarre segnali e modelli da varie fonti di dati 
   L'IA basata sull'elaborazione del linguaggio naturale (NLP), ad esempio, può essere utilizzata per analizzare il sentiment nei confronti delle aziende all'interno di articoli giornalistici, report di analisti sell-side o trascrizioni delle conferenze sui risultati finanziari (earnings call). Ciò è particolarmente utile per i gestori di portafogli quantitativi che, a differenza degli analisti societari, spesso non incontrano i dirigenti delle aziende e rischiano quindi di lasciarsi sfuggire segnali meno evidenti, ma che possono avere un impatto sulla performance delle azioni. Siamo del parere che, se implementate correttamente, le tecniche di NLP utilizzate per analizzare le earnings call siano spesso in grado di identificare informazioni rilevanti non contenute nelle comunicazioni ufficiali sui risultati finanziari.
2. L'intelligenza artificiale può consentire previsioni di investimento più accurate 
   Siamo convinti che i progressi nell'IA consentano previsioni sui singoli titoli più accurate rispetto all'investimento fattoriale tradizionale. Quest'ultimo, infatti, è progettato per sfruttare i premi per il rischio, vale a dire segnali di investimento basati sulla teoria economica e supportati da ricerche empiriche. Grazie all'IA avanzata, Quant 2.0 consente ai gestori di portafoglio di identificare anomalie che vanno oltre questi premi. Queste anomalie si riscontrano spesso su orizzonti temporali più brevi, ad esempio inferiori a un mese, un arco di tempo in cui il posizionamento e l'attività di mercato degli investitori hanno un'influenza maggiore sui rendimenti azionari che non i fattori macroeconomici o i fondamentali societari. Il ricorso a fonti di dati differenziate può spesso offrire una guida per una modifica del comportamento. L'IA permette di combinare centinaia di aspetti e quindi consente agli investitori quantitativi di cogliere le relazioni e le interazioni tra i vari dati e di fare previsioni più accurate.
3. Le applicazioni di intelligenza artificiale vanno ben oltre la selezione dei titoli 
   Il nuovo machine learning può essere utilizzato per compiti che vanno oltre la selezione dei titoli, consentendo di includere diversi orizzonti temporali con l'obiettivo di controllare il rischio, ridurre i costi di esecuzione delle negoziazioni e ottimizzare il posizionamento del portafoglio. Questi temi sono chiariti in misura più ampia in una ricerca intitolata "Deep differentiable reinforcement learning and optimal trading" pubblicata su Quantitative Finance dal nostro Investment Manager, Thibault Jaisson.

La trasparenza è fondamentale quando si investe utilizzando il machine learning

Molte ricerche recenti hanno attestato la superiorità delle capacità dei modelli di ML nel prevedere i rendimenti azionari.

Ma, nella pratica, impiegare un modello basato sull'IA nell'effettuare un investimento è complesso e rischioso. L'ipotesi che gli investitori possano accettare un'IA conformata come una black box (che non permette di esaminarne la metodologia, ma solo gli esiti) non è più accettabile. È necessario scomporre le caratteristiche, le posizioni, i rischi e la performance degli input sottostanti. La trasparenza è fondamentale, un aspetto che il nostro team quantitativo ha esaminato approfonditamente in un altro documento intitolato "Performance attribution of machine learning methods for stock return prediction" pubblicato su The Journal of Finance and Data Science.

Cosa ha scoperto la nostra analisi di scomposizione dei rendimenti?

Innanzitutto, una parte dell'excess return derivante dai modelli basati sull'IA proviene da strategie come "reversal" (inversione), ovvero azioni che, a causa di un particolare modello di rendimento, sono suscettibili di invertire la direzione, oppure "momentum a breve termine", titoli che proseguiranno sulla loro traiettoria attuale. Queste sono strategie impiegate dai gestori che utilizzano l'arbitraggio statistico all'interno di modelli tradizionali.

Un'altra parte di extra-rendimento deriva dall'accesso a un numero di caratteristiche molto più elevato di quello utilizzabile efficacemente nei modelli quantitativi tradizionali, che solitamente ne analizzano alcune decine. Quelli basati sull'IA, invece, possono elaborarne centinaia, oltre a essere anche in grado di attribuire un peso maggiore alle caratteristiche che hanno il massimo impatto positivo sui rendimenti.

La componente finale dell'excess return proviene dagli effetti di interazione tra le caratteristiche che compongono l'analisi. Ad esempio, i titoli che godono di un sentiment positivo da parte degli analisti e basso interesse short (ossia di cui solo pochissimi hedge fund detengono una posizione corta) si comporteranno in modo diverso dai titoli per i quali è vero il contrario. 

Il giudizio umano è ancora essenziale quando si ricorre all'Intelligenza Artificiale

La creazione di un modello di ML affidabile, rapido, accurato, monitorabile costantemente e adattabile nel tempo è complicata e richiede molto tempo. I modelli di ML si basano su una grande quantità di dati, il che ne rende difficile il monitoraggio da parte dei singoli gestori di portafoglio e degli analisti.

I modelli di IA:

• Hanno bisogno di diversi aggiustamenti da parte dei gestori e ogni modifica va analizzata costantemente, in quanto anche piccoli cambiamenti possono portare a enormi differenze nei risultati.
• Fanno previsioni basandosi sui dati del mondo reale, che sono soggetti a cambiamenti e che quindi rendono necessario adeguare il modello. Ciò significa che noi, in qualità di gestori di portafoglio, dobbiamo tracciare ogni nuova modifica dei dati e assicurarci che l'addestramento del modello avvenga conformemente.

Per superare con successo queste sfide è essenziale disporre di una piattaforma operativa basata sull'IA estremamente solida. Deve essere dotata di strumenti specifici che garantiscano riproducibilità, controllo delle versioni, scalabilità e conformità.

L'impiego dell'IA nella costruzione di un portafoglio richiede una collaborazione continua tra ingegneri, data scientist e portfolio manager nel perseguire lo stesso obiettivo: la creazione di un processo decisionale trasparente in grado di garantire alfa.