A chi si chiede se l’Intelligenza Artificiale possa davvero migliorare i rendimenti, l’investimento azionario quantitativo offre una risposta concreta. La straordinaria capacità di elaborazione della tecnologia consente infatti ai modelli di investimento di individuare relazioni sempre più complesse tra un numero crescente di dati.
Gli approcci quantitativi tradizionali tendevano a concentrarsi sull’analisi di un numero relativamente limitato di inefficienze temporanee nei prezzi. Sfruttando tali anomalie, era possibile ottenere esposizione a driver di rendimento più ampi, noti come fattori, quali il value o il momentum.
L’IA amplia notevolmente questo approccio, offrendo ai gestori la possibilità di analizzare centinaia di variabili con una frequenza maggiore. Queste variabili vengono generate a partire da una vasta gamma di dati, tra cui bilanci societari, quotazioni azionarie, report degli analisti, articoli di stampa e la risposta degli investitori alle nuove informazioni pubblicate, sia nel breve sia nel lungo termine. E questo è solo l’inizio.
L’AI aiuta a comprendere meglio i fattori che influenzano i prezzi delle azioni
L’Intelligenza Artificiale è in grado di individuare associazioni molto più complesse tra i dati a disposizione, consentendo di comprendere meglio cosa guida l’andamento dei prezzi delle azioni. La sua capacità di identificare relazioni complesse e non lineari moltiplica le possibilità di individuare connessioni tra diverse serie di dati.
Ad esempio, in un modello quantitativo tradizionale, la revisione al rialzo di una società da parte di un analista potrebbe suggerire che il titolo sia destinato a sovraperformare. Tuttavia, esistono diverse ragioni per cui questa relazione potrebbe non essere valida in una determinata circostanza, o non essere individuata in tempo utile per generare alpha.
Un modello di machine learning non lineare addestrato su dati storici è invece in grado di identificare le condizioni in cui è più probabile che si verifichi una sovraperformance. Ciò potrebbe dipendere, ad esempio, da un’ampia dispersione delle stime degli analisti, dal fatto che la previsione in questione rappresenti un’eccezione rispetto al consenso o da fattori temporali, come l’imminente pubblicazione dei risultati societari.
Inoltre, se il titolo è ampiamente venduto allo scoperto dagli hedge fund, il modello può riconoscere la probabilità di uno short squeeze, con un conseguente aumento dei prezzi delle azioni ben più drastico di quanto potrebbe essere giustificato dalla sola revisione degli analisti.
Esistono potenzialmente decine di migliaia di queste relazioni non lineari di “condizionamento” all’interno dei tradizionali data set finanziari, e ciascuna di esse può contribuire a generare alpha aggiuntivo.
| Approccio quantitativo tradizionale | Quant con IA | |
|---|---|---|
| Esposizione fattoriale | Fattori classici | Neutrale ai fattori |
| Numero di segnali/funzioni | Numero selezionato di segnali | Centinaia di funzioni |
| Orizzonte d'investimento | Medio | Da breve a medio |
| Tipo di modello | Lineare | Non lineare |
| Costruzione | Definita dal gestore di portafoglio | Addestrata con dati |
Fonte: Pictet Asset Management
L’AI contribuisce a generare rendimenti indipendenti dai fattori
Questo quadro molto più articolato consente ai gestori di isolare gli effetti specifici di ciascun titolo che influenzano il prezzo delle azioni, eliminando dalla performance una moltitudine di fattori comuni, quali mercato, settore, regione, industria, Paese, stile, esposizioni ai fattori economici. In questo modo, riescono a identificare ed estrarre l’alpha legato esclusivamente all’azienda.
Nel corso del tempo, gli algoritmi si evolvono, cogliendo le mutevoli dinamiche economiche e di mercato e incorporando nuove serie di dati.
Tuttavia, per garantire un’efficacia costante, i modelli basati sull’AI necessitano dell’intervento umano per definire i parametri di investimento.
Il valore dell’alpha incrementale nel tempo
Poiché questi parametri limitano il rischio, limiteranno anche la quota di alpha generata dalla strategia. Tuttavia, l’effetto compounding, anche di un alpha incrementale, può essere determinante nel tempo. E poiché i rendimenti attesi sui titoli azionari dovrebbero scendere a valori compresi nella fascia media a cifra singola dopo anni di valutazioni elevate, anche solo uno o due punti percentuali di alpha faranno la differenza su orizzonti temporali di medio-lungo termine.
Se si ipotizza, ad esempio, un rendimento del mercato azionario globale nei prossimi 10 anni pari a circa il 7% annuo e una sovraperformance ipotetica di 1,5 punti percentuali all’anno al netto delle commissioniDopo anni di rendimenti azionari consistenti, la Pictet AM Strategy Unit prevede appena il 7% circa annuale perle azioni globali nei prossimi 10 anni. Fonte: Pictet AssetManagement Secular Outlook of July 2026, il compounding potrebbe generare una differenza cumulativa di circa il 30%. Per fare un esempio, 100.000 dollari al 7% darebbero 196.000 dollari in 10 anni. Un tasso composto dell’8,5% darebbe invece 226.000 dollari.
In che modo le strategie “Enhanced index” di Pictet AM possono apportare benefici al portafoglio?
La nostra gamma di strategie azionarie quantitative AI-enhanced sfruttano la portata e l’efficienza dell’AI per la selezione dei titoli, con l’obiettivo di generare rendimenti superiori all’indice con un basso tracking error.
Ma a differenza delle strategie a gestione attiva, che puntano ugualmente a sovraperformare il mercato, il nostro approccio basato sull’AI richiede un coinvolgimento umano relativamente minore, e quindi costi di gestione inferiori. In genere, il nostro approccio basato sull’AI è poco più costosa di una strategia passiva, nonostante le competenze necessarie per costruire e mantenere il modello.
Cosa differenzia il nostro approccio?
I nostri modelli proprietari di AI sono stati sviluppati da un team di esperti e addestrati con circa 400 variabili provenienti da diverse dati che coprono un periodo di circa 15 anni, testati ripetutamente in diversi contesti economici. Questo processo rigoroso è pensato non solo per massimizzare la capacità predittiva, ma anche per garantire che i modelli non siano overfitted, vale a dire che non producano risultati accurati solo in un ristretto insieme di circostanze, ma che funzionino anche in contesti economici mutevoli.
-
400
I modelli sono stati addestrati su circa 400 parametri provenienti da serie di dati complesse
