Anche i mercati finanziari, come tutte le branche dell’economia – ma non solo – hanno subito il forte impatto della tecnologia. Le borse valori hanno cavalcato l’effetto disruptive per crescere sempre più. E si avviano a prendere a bordo sistemi sofisticati di Intelligenza artificiale. Vediamo lo stato dell’arte e le prospettive che potranno aprirsi.
Più mercato azionario, meno BTP
Economia, finanza, mercati finanziari ed investimenti. Tutte parole che spesso sono croce, per l’opinione pubblica, e delizia, non solo per gli addetti ai lavori. Senza ombra di dubbio, l’economia è una materia centrale e cardine per l’intero sostrato sociale tanto è vero che autori come Parsons e Smelser la identificano come un vero e proprio “sottosistema” del sistema sociale.
La finanza, intesa come disciplina che studia i processi di scelta di investimento e finanziamento dei soggetti, a sua volta gioca un ruolo centrale nell’evoluzione e nella crescita di Stati, imprese ed individui. Infatti, quello che banalmente viene chiamato “mercato” in economia è il luogo dove si soddisfa un’equazione basilare del sistema economico mondiale Risparmi = Investimenti. L’obiettivo del risparmiatore è quello di trasferire il valore del denaro nel futuro, il concetto pensionistico; d’altro canto l’azienda, che ha bisogno di investimenti per crescere, può richiedere fondi ai mercati, tramite equity o debito, oppure prestiti da banche. Tuttavia, nell’ultimo decennio gli allentamenti quantitativi delle banche centrali, con l’obiettivo di immettere moneta nei mercati, hanno favorito il mercato azionario a scapito dei vecchi e cari BTP.
Basti pensare che il valore degli stocks traded solo nel 2018 è stato di 68.612 trilioni di dollari, secondo i dati della WorldBank. Mentre il valore del Prodotto interno lordo, al netto delle considerazioni valutative, è stato nel 2018 di circa 86 trilioni di dollari.
I mercati finanziari stanno cambiando sull’onda del digitale. Possiamo agevolmente concentrare i benefici della digitalizzazione nel settore finanziario in tre punti:
- Creazioni nuovi mercati (Bitcoin);
- Espansioni di mercati esistenti (piattaforme trading OTC come CFD intraday);
- Rapporti più diretti e rapidi tra intermediari e clienti (Blockchain e smart contracts).
Qualora ci concentrassimo sull’ultimo punto, potremmo identificare con il termine Fintech il complesso dei cambiamenti ed innovazioni tecnologiche emerse per supportare le attività bancarie retail. Invece, lo scopo di questo articolo è quello di aggiungere un quarto punto, spesso opaco e legato alle attività di Analytics, ovvero l’Intelligenza Artificiale nelle attività di investimento.
Ulteriore elemento disruptive del settore finanziario, che presenta rischi e molte opportunità, è rappresentato dall’utilizzo di tools di intelligenza artificiale per monitorare ed ottimizzare le scelte d’investimento e personalizzarle su misura di ogni singolo cliente[1]. Infatti, il mercato degli investimenti tramite gli strumenti della IA ammonta, per quantità di negoziazioni, al 45% del totale. Secondo uno studio della società inglese Coalition, già nel 2014, più del 75% delle azioni quotate nel mercato finanziario US sono state originate da scelte degli Automated Trading Systems (ATS).
Come cambiano gli investimenti grazie alla IA
Nell’analisi quantitativa della finanza tradizionale, basata sulle teorie pubblicate da Markowitz nel Journal of Finance nel 1952, viene introdotto il concetto di agente razionale; il quale ha l’obiettivo di investire massimizzando la funzione di utilità attesa, banalmente denominato profitto, mantenendo un profilo avverso al rischio. La teoria, sviluppata ormai più di mezzo secolo fa, tende a linearizzare l’investimento, e quindi in controtendenza rispetto agli avanzamenti tecnologici e computazionali di oggi che permettono di svolgere complessi e dinamici algoritmi.
In effetti, con l’avvento della finanza comportamentale, l’analisi quantitativa è diventata sempre più complessa includendo maggiormente i fattori “umani”, e calcolandoli con delle nuove strutture di IA. Questo ha comportato dunque una nuova curva di utilità attesa, seguendo la teoria del Prospetto (Kahneman e Tversky 1979) che ha supportato lo sviluppo della nuova teoria di portafoglio efficiente basata su fattori umani: la Behavioral Portfolio Theory (Shefrin e Statman 2000).
Comportamento, fintech, investimenti
Secondo Meir Statman, l’investitore non è razionale ma “normale”. Dunque, l’obiettivo è trovare il metodo efficace, tramite algoritmi, per anticipare il mercato e le scelte di investitori, che sono tutt’altro che razionali, tramite l’intelligenza artificiale. Ad esempio, temi di machine learning e reti neurali sono ad oggi in sperimentazione per l’applicazione negli investimenti grazie alle enormi capacità di apprendimento e gestione di big data. J.P. Morgan indica che la IA, nel breve termine, oltre che a suggerire strategie di investimento potrà, grazie all’intervento umano, aiutare ad implementarle meccanicamente ed in piena autonomia.
In Italia non ci sono ancora significative strategie d’applicazione della IA negli investimenti. Tuttavia, negli ultimi cinque anni, banche retail hanno già iniziato ad introdurre strategie intelligenti, basate su algoritmi, con l’obiettivo di migliorare i famosi PAC o piani di accumulo. Difatti si tratta di strategie di investimento basate sulla teoria della finanza comportamentale del Dollar Cost Averaging. In particolare, l’algoritmo prevede l’acquisto di più azioni in fase di discesa e la vendita in automatica di una quota-parte in fase di acquisto, garantendo così un’allocazione di portafoglio mobile e volta a mediare il prezzo di carico in un periodo di medio-lungo termine.
Algoritmi in finanza: come utilizzarli
Gli algoritmi, se ben costruiti, possono facilmente aiutare i portfolio managers a identificare e testare tendenze e relazioni, per poter fare previsioni di scenari multipli in tempi di calcolo molto brevi. Il compito degli head investment manager sarà dunque quello di indirizzare la scelta degli algoritmi di classificazione dei dati, trend, e quotazioni per poter poi ricevere informazioni necessarie ad un’analisi accurata. Il tema della precisione degli algoritmi è molto in voga tra i detractors dell’IA. Tuttavia il rischio di un errore umano viene altamente ridotto grazie all’introduzione di azioni sistematiche, che si realizzano con l’avvenire di determinati eventi.
Ad esempio, Equobot, azienda affiliata IBM, ha sviluppato un ETF (exchange trade fund) attivo basato su una piattaforma IA che raccoglie informazioni da database in tutto il mondo di bilanci pubblici, social media trend e articoli di giornale sviluppando così strategie automatiche d’investimento. In effetti, con l’avvento della IA e l’aumento di infrastrutture di cloud sarà possibile l’analisi degli investimenti tramite gestione incrociata di database distanti sia fisicamente che concettualmente.
Ad esempio, dati metereologici potrebbero essere analizzati ed incrociati con valori economici di aziende che soffrono altamente il rischio meteo. Piattaforme IA di Speech e Text Analysis possono facilmente individuare il sentiment degli agenti economici con previsioni di breve termine, supportando strategie short o long per situazioni post trimestrali o eventi significativi. Tuttavia, in IA, il concetto di previsione è spesso legato al Machine Learning ovvero alla necessità dell’algoritmo di immagazzinare più dati possibili per imparare e rendere più dinamica ed accurata una previsione.
Infine, Trade Ideas, azienda di Calif- San Diego USA, ha sviluppato la piattaforma predittiva “Holly” che analizza i dati giornalieri di decine di strategie d’investimento, tenendo in considerazione scenari multipli, per migliorare “overnight” la probabilità di successo nella previsione delle sessioni d’investimento future.
Ostacoli alla diffusione della IA nel trading
Come anche in altri casi, la lenta diffusione, almeno nel mercato europeo, della IA applicata al trading è dovuta ad un fattore più di fiducia e personale che strettamente tecnico. Ma non dobbiamo assolutamente pensare che siamo di fronte ad una rivoluzione, quanto piuttosto ad una evoluzione. Nel senso che il computing, inteso come funzione di calcolo del computer per elaborare e gestire informazioni, già ha rivoluzionato il trading degli investimenti quando ha permesso di processare quella mole immane di dati che ogni giorno vediamo in rete. Ora invece, il machine learning e la IA trading sono pronti ad irrompere in questa seconda fase di processo per evolvere il sistema.
Preoccupazioni ed ostacoli principali sono stati ben sintetizzati dal Financial Stability Board[2]. Seguendo una divisione sistematica, al fine di una chiara esposizione, risultano centrali le seguenti problematiche:
- Trasparenza delle decisioni. Una volta inserite le informazioni ed i parametri di preferenze da parte del cliente, l’algoritmo procederà all’investimento e restituirà direttamente un output più o meno determinato. A prescindere dalla qualità del risultato, un problema rimane: come vengono prese tutte le micro-decisioni della IA? In altre parole, cosa succede nella “stanza dei comandi”? Un’analisi profonda delle singole scelte interne del “computer” risulta ancora di non facile accessibilità;
- Rischio di concertazione di mercato. Dato che gli algoritmi agiscono su input di fornitori terzi di dati, che in molti settori di mercato sono al momento limitati, si troveranno diversi sistemi di trading IA ma con la stessa mole di dati. Con il forte rischio, prendendo decisioni quanto meno simili, della creazione di piccoli gruppi di concentrazioni di mercato e relativo rischio sistematico;
- Assenza di dati storici di rischio. Unanimemente si afferma che la IA non possiede, o che non abbia a disposizione, i dati di tutte le crisi finanziarie del mondo conosciuto. Sicuramente ci saranno più dati per la crisi del 2007-2008, un po’ meno per la Bolla dei Tulipani del 1637. Questa situazione potrebbe ritardare i tempi di apprendimento del modello predittivo della IA, inficiandone la qualità ed efficienza.
In conclusione, l’utilizzo della IA nel trading azionario crescerà ancora di più nei prossimi anni, ma sembra destinato ad essere affiancato all’uomo. Tuttavia, c’è un paradosso, o meglio una teoria di alcuni analisti, secondo i quali il trading IA rischia di essere più efficiente del mercato stesso. Nella misura in cui le aspettative dell’algoritmo sono superiori a quelle degli investitori, come lo sono state già in molti casi.
Allo stesso tempo strategie di investimento IA sono ad oggi spesso paragonate a strategie applicate dall’uomo, ma cosa potrebbe succedere in un futuro non molto lontano quando le stesse strategie saranno confrontate tra di loro? Teoricamente, se costruiti in maniera tale che, alla fine, tutti gli algoritmi apprendano ad un certo punto le stesse informazioni, si raggiungerebbe, nel mondo dell’IA investing, la tanto ricercata simmetria di informazione, e quindi un mercato efficiente e assente da arbitraggi. L’efficienza del trading IA rischia di schiacciare il loro stesso vantaggio competitivo.
Note
1 Reinforcement Learning For Automated Trading, Pierpaolo G. Necchi, 2016.
2 Artificial intelligence and machine learning in financial services, Market developments and financial stability implications, Financial Stability Board, 2017
