di Marco Belmondo, Chief Marketing Officer di FinScience
Da una parte stavano gli investitori fondamentali, dall’altro i quantitativi. Da una parte la ricerca e l’istinto di Warren Buffett, dall’altra parte le macchine di James Simons a Renaissance Technologies.
Dalla crisi del 2008 gli investitori attivi fondamentali hanno fatto fatica a generare alpha sostanziale, anche per la concorrenza a basso costo dei prodotti passivi (leggi ETF).
Gli investitori quantitativi sono cresciuti molto, sono arrivati ad attrarre 1,5 trilioni di Dollari, ma si sono spesso scontrati con cambi di paradigma economico (ad esempio il quantitative easing) e con una distribuzione dei ritorni delle attività finanziarie che non considerava con sufficiente attenzione i problemi del tail risk, ossia l’accadimento di eventi eccezionali dal punto di vista statistico (il black swan di Taleb).
I due mondi quasi non si parlavano.
Ora l’Artificial Intelligence sta rendendo possibile la fusione dei due stili di investimento ed ecco emergere le strategie ibride quantamental, cioè l’unione di potenza di calcolo con aumentata intelligenza umana.
“La rivoluzione digitale e il mondo finanziario stanno sempre di più convergendo in un continuo dialogo e scambio di dati, tecnologie e soluzioni. La nostra sfida è governare e sfruttare le sinergie tra questi due mondi, usando l’Artificial Intelligence come acceleratore non sostitutivo ma a supporto dell’intelligenza umana” ha dichiarato Fabrizio Milano d’Aragona di Datrix | AI applications, gruppo tech fondato da ex dirigenti Google dedicato alle soluzioni data-driven basate su Intelligenza Artificiale, che oltre a 3rdPlace | user & customer AI comprende anche FinScience | investment AI, selezionata dall’autorevole sito siliconrepublic.com come unica italiana tra le 25 startup europee ad alta tecnologia da tenere sott’occhio nel 2019.
La rivoluzione quantamental è determinata da tre novità degli ultimi cinque anni.
- Il cloud con le sue capacità di archiviazione, di accesso a potenti risorse computazionali a costi contenuti e di scalabilità.
- La disponibilità di un’enorme quantità di dati aggiuntivi rispetto ai tradizionali bilanci, semestrali, prezzi di Borsa: si tratta dei cosiddetti Alternative Data provenienti da ambienti digitali come social network, blog, forum, piattaforme di e-commerce, mappe.
- I progressi nel campo dell’apprendimento automatico, il cosiddetto machine learning, indispensabile per individuare correlazioni e causalità nell’accresciuta mole di dati e per fornire insight e predizioni in maniera rapida basandosi su un set di dati estremamente variegato.
Orbene l’investitore quantamental è un investitore fondamentale di medio che sa di non poter competere sulla velocità di esecuzione e per avere rendimenti più alti a costi ridotti usa le tre novità appena descritte che lo rendono più intelligente, ossia gli riducono il lato emotivo dell’investimento e gli aumentano la reattività alle mutevoli condizioni di mercato, geopolitiche e regolamentari.
Questa è però ancora teoria, vediamo come FinScience ha risolto le difficoltà pratiche che stanno soprattutto nel processo.
Il cloud per fortuna è a disposizione di tutti, ma bisogna avere conoscenze specifiche di campo per gestire a costi ridotti l’accensione contemporanea e temporanea di centinaia di macchine e l’accesso ai servizi già lì presenti.
“Le società native digitali come la nostra lo fanno in modo più naturale rispetto alle istituzioni finanziarie”.
Gli Alternative Data nascono nella maggior parte dei casi sotto forma di testi o addirittura di immagini o tracce vocali, abbisognano quindi di strutturazione ossia di traduzione in serie numeriche, e soprattutto sono veramente big. Si è fatta quindi una selezione preliminare allo scopo di individuare il campione più rappresentativo e su questo si è intervenuti, attraverso algoritmi proprietari di filtro e classificazione per eliminare il rumore, individuare i topic, riconoscere le entità (in un testo apple potrebbe essere sia la mela sia la società di Cupertino) e ordinare le fonti in base alla loro autorevolezza (scartando possibilmente ad esempio i produttori di fake news). Si è arrivati quindi ad un data lake più ristretto che viene analizzato, tramite machine learning e applicazioni di Natural Language Processing, per estrarne valori informativi a fini di monitoraggio e misurazione, ossia segnali, scores, indicatori di popolarità, sentiment e volatilità.
“L’obiettivo è trovare l’informazione prima che diventi notizia, si parla al proposito di weak signal ossia segnale ancora debole ma proveniente da fonte autorevole – il più delle volte non finanziaria, ma verticale o consumer come potrebbe essere un blog di energia o una tech community sugli smartphone – con una diffusione in crescita, predittiva, sulla base di sofisticati algoritmi di anomaly detection, dell’importanza che potrebbe assumere presto anche in ambito finanziario collegato ad un titolo o ad una tematica”.
E questo output informativo già rappresenta un filone d’oro, pensate all’utilità che ne possono ricavare gli analisti ESG per confrontare cosa dicono le società di se stesse una volta all’anno nei bilanci autocompilati di sostenibilità e cosa invece dice il mercato in tempo reale oppure gli Investor Relator delle società quotate per monitorare il sentiment digitale in relazione al proprio titolo o a quelli della concorrenza, distinguendo tra la valutazione finanziaria e commerciale dell’azienda nel suo complesso, entrando poi nel dettaglio relativamente a prodotti e servizi attuali, prodotti e servizi futuri, opportunità di business, reputazione del management, criticità legali. Pensate a quanto interesserebbe ai trader online avere dalla propria piattaforma questo flusso di insight e segnali pesati e correlati causalmente, invece che un river infinito di news, peraltro provenienti solo già dal mainstream finanziario, la maggior parte delle quali è pure duplicata. Pensate al valore delle fonti digitali per analizzare le aziende a medio-bassa capitalizzazione o le nuove società in IPO o addirittura le startup di cui scarseggiano dati finanziari.
L’obiettivo finale della nostra metodologia è quello di combinare dati tradizionali e segnali alternativi provenienti da diverse fonti utilizzando tecniche di machine learning che ci consentano sia di ottimizzare il profilo rischio rendimento dei portafogli che di fornire predizioni accurate su singole attività finanziarie; ciò deriva dal fatto che il nostro team combina expertise di natura digitale e finanziaria in egual misura ed è focalizzato ad allargare quanto più possibile il set di dati a disposizione per i modelli di predizione.
Tale metodologia può essere utilizzata sia da operatori finanziari presenti sul mercato, dai gestori di fondi non ancora quantamentalizzati (lo è già ad esempio BlackRock) ai trader on line professionali, ma può essere estesa anche a problemi di scoring e di costruzione di portafogli secondo un’ottica di topic modeling.
“Tendiamo ad evitare soluzioni di calcolo a forza bruta, preferiamo un approccio con supervisione umana e ci concentriamo perciò prima di tutto sulla selezione dei fattori e sul loro valore predittivo”.
Sull’argomento Quantamental leggi anche l’articolo di We-Wealth.
