Da qualche mese, Nasdaq sta applicando l’intelligenza artificiale sul mercato azionario statunitense per rilevare attività commerciali irregolari e potenzialmente dannose. L’iniziativa mira a rafforzare e rivoluzionare la sorveglianza del mercato attraverso il machine learning e altre capacità automatiche.
L’obiettivo è molto semplice: scopo della tecnologia introdotta è quello di facilitare l’identificazione delle frodi (come lo spoofing) tra i miliardi di operazioni che gli investitori effettuano ogni anno, fornendo informazioni migliori e in maniera più tempestiva di quanto si riesca a fare già oggi.
La collaborazione tra uomo e AI per sorvegliare vendite e acquisti di azioni
Lo spoofing è una tecnica di frode relativamente recente. Si tratta di uno schema basato su massicce vendite e massicci (ri)acquisti di titoli azionari: un investitore invia, a sistema, un enorme numero di ordini di vendita legati a un preciso titolo con l’obiettivo di destabilizzarlo, portando anche altri operatori, spaventati da questo comportamento inatteso, a vendere i loro titoli. Il titolo, così facendo, inizia a perdere il suo valore. A questo punto, l’iniziale venditore cambia ruolo iniziando, rapidamente, ad acquistare le azioni che sono adesso disponibili a un prezzo vantaggioso.
Se è semplice descriverne lo svolgimento, diventa complesso identificare queste truffe soprattutto a causa dell’utilizzo che viene fatto di algoritmi molto complessi e sofisticati che sono in grado di effettuare e annullare rapidamente gli ordini, per molte volte, in maniera differente, con quantitativi e modalità che simulano una reale attività (legale) degli investitori.
Proprio per poter affrontare queste sfide, le analisi e il monitoraggio di tutte le attività del mercato azionario – stiamo parlando di oltre 18 milioni di operazioni al giorno – vengono eseguite da qualche tempo tramite una collaborazione tra analisti umani e un nuovo sistema di intelligenza artificiale che è in grado di utilizzare statistiche, dati storici e regole di analisi per poter evidenziare eventuali segni di abusi di mercato.
Il progetto è stato sviluppato tramite la collaborazione tra la divisione Market Technology e il laboratorio di Machine Learning di Nasdaq e la U.S. Market Surveillance Unit, mettendo a punto algoritmi di intelligenza artificiale per poter effettuare la sorveglianza dei movimenti di vendita e acquisto. L’iniziativa è partita tramite un’attività di ricerca e sviluppo lunga un anno, dall’idea di migliorare la funzionalità di sorveglianza e dal puntuale rilevamento di attività dannose o potenzialmente dannose.
Martina Rejsjo (Vice President and Head of Market Surveillance, North America Equities, Nasdaq) afferma che il sistema precedente a questo, senza alcun aiuto da parte di intelligenza artificiale, era in grado di elaborare fino a 1.000 avvisi al giorno su cui poi poter indagare per un’eventuale conferma di attività illecite.
Di questi, solo una parte veniva successivamente confermata come frode o tentativo di frode.
Il nuovo sistema, secondo il Nasdaq, porta con sé numerosi vantaggi: è più preciso nell’individuare i modelli di abuso, riducendo l’analisi successiva demandata agli analisti umani e, oltre a questo, è in grado di individuare tentativi di illecito molto più complessi, come è lo spoofing– che si ritiene diventerà sempre più comune.
Deep learning, transfer learning e human-in-the-loop learning
La nuova tecnologia, che è attualmente in attesa di brevetto presso lo U.S. Patent and Trademark Office, sfrutta specifiche capacità di intelligenza artificiale per la sorveglianza del mercato, tra cui deep learning, transfer learning e human-in-the-loop learning.
Senza entrare in dettagli tecnici molto complessi, può essere utile sapere che:
- deep learning (apprendimento profondo): consente alle macchine di apprendere, con o senza una supervisione umana, da schemi complessi e relazioni nascoste presenti in grandi set di dati. Sostanzialmente è una tecnica di apprendimento automatico che insegna ai computer a fare ciò che è naturale per l’uomo: imparare attraverso esempi;
- transfer learning (apprendimento a trasferimento): è in grado di generare nuovi modelli di analisi partendo da vecchi modelli. Si tratta di un metodo di apprendimento automatico in cui un modello sviluppato per un’attività viene riutilizzato come punto di partenza per un modello su una seconda attività. Differisce dal tradizionale machine learning in quanto è l’uso di modelli “pre-addestrati” che sono stati utilizzati per un’altra attività che permette di avviare rapidamente il processo di sviluppo su una nuova attività o problema;
- human-in-the-loop learning: consente agli analisti di condividere le proprie competenze ed esperienze con il computer in modo efficiente, consentendogli di concentrare i propri sforzi sulle indagini e sulle evidenze delle prove raccolte. Permette di combinare insieme l’intelligenza umana e quella automatica per creare algoritmi efficaci: le persone sono coinvolte sia nelle fasi di addestramento (training) che di test di un algoritmo, che crea un circuito di feedback continuo che consente all’algoritmo stesso di produrre risultati migliori ogni volta che verrà utilizzato.
Come funziona il sistema
Per poter effettuare il suo lavoro, il sistema è stato addestrato per rilevare particolari sottogruppi di abusi imparando da esempi storici, memorizzati e tracciati nel passato.
In questo modo, ogni volta che viene rilevata un’attività sospetta simile alle tendenze memorizzate, viene generato un avviso per un analista umano così che possa procedere, grazie a competenze appropriate, alla sua analisi.
Ad esempio, se il sistema rileva uno strano comportamento legato a un titolo del settore della biotecnologia, viene generata una segnalazione per un analista con familiarità verso i comportamenti di mercato dell’industria biotecnologica.
A questo punto, dopo che l’analista avrà terminato le indagini sul caso in esame, sarà lui a inserire il risultato delle analisi all’interno del sistema che ha generato l’alert, in modo che l’algoritmo di apprendimento automatico possa perfezionare continuamente la comprensione dei dati generati dalle operazioni di acquisto e vendita dei titoli e, di conseguenza, migliori la qualità del suo risultato.
Doug Hamilton, managing director of Artificial Intelligence di Nasdaq, afferma che il nuovo sistema di analisi e sorveglianza verrà utilizzato in parallelo alle attività di analisi che già vengono (e venivano) fatte: avere analisti umani con grande esperienza aggiunge certamente un ulteriore livello di garanzia.
Siamo di fronte a un esempio di utilizzo dell’intelligenza artificiale come arricchimento delle esperienze e capacità umane.
Una tecnologia che “si adatta” alle frodi
Per addestrare gli algoritmi, il Nasdaq ha alimentato il suo progetto di intelligenza artificiale sia con i dati relativi agli ordini effettuati nel tempo, sia con informazioni riservate, non pubbliche. Dopo un anno di test, il gruppo di progetto che ha ideato e sviluppato la tecnologia, l’ha giudicata affidabile e pronta per poterla utilizzare in modo più ampio sulle analisi dei mercati.
Poiché Nasdaq gestisce direttamente, a livello globale, 29 mercati e fornisce le tecnologie di sorveglianza anche a ulteriori 59 mercati, 19 enti regolatori e 160 tra istituti bancari e broker, la scelta è quella di perfezionare la sua implementazione e renderlo disponibile al termine della fase di sperimentazione che è ancora in essere negli Stati Uniti.
Il riuscire a reprimere l’attività fraudolenta è certamente una parte fondamentale per mantenere e aumentare la fiducia nel sistema finanziario: “L’integrità del mercato è una delle cose più importanti per un’operazione di scambio“, ha ricordato chiaramente Rejsjo.
Più in generale, grazie all’apprendimento automatico degli algoritmi che sono stati messi a punto, il sistema dovrebbe essere in grado di adattarsi in maniera molto rapida a tutti gli eventuali nuovi schemi di frode che i truffatori dovessero introdurre nel tempo, anche in maniera sempre più sofisticata.
Il Nasdaq, in ogni caso, non è il solo soggetto che ha deciso di utilizzare tecniche di machine learning e intelligenza artificiale per identificare frodi e operazioni illegali.
Algoritmi contro le truffe, non solo Nasdaq
Anche l’Università del Michigan, ad esempio, sta sviluppando alcuni precisi e sofisticati algoritmi per contrastare i truffatori. Il vero problema, in questo caso, è la mancanza di informazioni del passato e la possibilità di avere l’accesso ai dati di mercato, ovverosia la possibilità di poter sfruttare un’importante mole di dati, sia storici che attuali, fondamentali al training e alla formazione degli algoritmi stessi.
Parlando di finanza e mercati finanziari è utile anche prendere in considerazione non soltanto il contributo dell’intelligenza artificiale nell’individuare comportamenti fraudolenti, ma anche la capacità di permettere ai gestori di fondi e agli operatori di prendere decisioni di acquisto e vendita meglio informate così da migliorare i rendimenti dei clienti investitori.
Per fare un esempio, i ricercatori di China Asset Management Co. Limited (China AMC) e Microsoft hanno sviluppato insieme un nuovo modello di intelligenza artificiale in grado di recuperare e analizzare enormi quantità di dati finanziari in tempo reale.
China AMC, con oltre 46.000 clienti istituzionali, 110 milioni di investitori al dettaglio e un patrimonio gestito di 153 miliardi di dollari, è una delle maggiori aziende di investimento del paese.
La sperimentazione, avviata qualche mese fa, ha già fornito risultati incoraggianti ottenendo delle performance superiori rispetto al mercato e, anche, ad altri indici di riferimento. Secondo Li Yimei (General Manager, China AMC): “L’intelligenza artificiale è una tecnologia imprescindibile per favorire la trasformazione finanziaria. È di fondamentale importanza, per noi, attingere alla convergenza dell’IA e dei servizi finanziari”.
Grazie al successo iniziale si ritiene che il progetto abbia il potenziale sia per rivoluzionare il processo decisionale, sia per aumentare i rendimenti senza modificare le sue attuali modalità operative e operative.
Il risultato, ad oggi, è diventato una strategia di investimento più redditizia chiamata “AI + Index Enhancement”.
L’Ai per prendere decisioni migliori non per sostituire le persone
Anche in questo caso, così come abbiamo visto con il Nasdaq, il progetto prevede di combinare l’esperienza degli operatori, con conoscenza specifica dei domini di interesse, con l’intelligenza artificiale per poter prendere decisioni migliori e non, invece, di sostituire le persone.
Questi strumenti di “investimento intelligente” permettono anche di aiutare i gestori di fondi a superare eventuali pregiudizi che possono crearsi dalla personalità o dalle emozioni delle persone con l’obiettivo di giudicare meglio il mercato. Cindy Rose, CEO di Microsoft UK, ha dichiarato che “L’IA è il motore della quarta rivoluzione industriale. Ha il potenziale per trasformare in maniera fondamentale il modo in cui intere industrie operano, offrendo maggiore valore a organizzazioni, dipendenti, clienti e società nel suo complesso.”
E infatti, l’intelligenza artificiale implementata in questa modalità ha lo scopo di aumentare, e non di sostituire, le capacità dei professionisti del settore e contribuire a fornire maggiori possibilità e servizi nel settore finanziario.
In questo progetto, il sistema di trading intelligente monitora sia i dati strutturati (database, fogli di calcolo, ecc.) sia quelli non strutturati (social media, notizie, ecc.) in una frazione del tempo che verrebbe impiegato dalle persone per poterli elaborare.
E se il detto “il tempo è denaro” è ben conosciuto, nel mondo del trading è ancora più vero: un’elaborazione più rapida significa decisioni più veloci, che a loro volta significa poter avere transazioni più immediate.
Oltre a questo, le previsioni sulla performance degli stock sono più accurate, in quanto gli algoritmi possono testare i sistemi di trading basati su dati passati e portare il processo di validazione a un livello completamente nuovo prima di metterlo in pratica.
Secondo lo studio “Intelligenza artificiale in finanza”, realizzato ad aprile 2019 dal The Alan Turing Institute, la tendenza di utilizzo di tecnologie di IA nelle società che si occupano di questi temi è in rapida crescita.
Ci sono due spiegazioni:
- I progressi esponenziali nella potenza di calcolo che hanno portato a una riduzione dei costi di elaborazione e archiviazione dei dati (il cloud),
- L’immensa disponibilità di dati che permette la fondamentale (e necessaria) fase di training degli algoritmi e dei modelli di analisi.
Se mi si chiedesse di provare a elencare una serie di attività che verranno trasformate dall’utilizzo dell’intelligenza artificiale, includerei:
- Risk Assessment / Risk Management
- Fraud Prevention / Detection / Management
- Financial Advisory Services
- Quantitative Trading
- Managing Finance
- Credit Decisions
- Personalized Banking
- Managing Risk
La carta vincente dell’intelligenza artificiale è ancora questa: la capacità di analizzare set di dati complessi e di grandi dimensioni in modo rapido ed efficiente per individuare tendenze, identificare rischi, garantire migliori informazioni per pianificazioni future, ecc. facendo risparmiare tempo e collaborando – senza sostituire – le persone.
