L'ascesa degli hedge fund basati sull'intelligenza artificiale

L'intelligenza artificiale sta assumendo un ruolo sempre più importante nella ricerca, nel trading e nella gestione del rischio degli hedge fund. Preqin riferisce che il numero di fondi che utilizzano l’IA è aumentato del 20% negli ultimi cinque anni. La tecnologia consente ai gestori di analizzare una maggiore quantità di dati e di reagire più rapidamente, ma non elimina i problemi più annosi dell’investimento: segnali inaffidabili, operazioni sovraffollate e cambiamenti improvvisi nel comportamento del mercato.

Gli hedge fund hanno sempre cercato di ottenere un vantaggio informativo o analitico. Alcuni si sono affidati al giudizio di esperti nella selezione dei titoli azionari. Altri hanno sviluppato modelli macroeconomici, strategie basate sugli eventi o modelli statistici.

L'intelligenza artificiale amplia la tradizione quantitativa. I sistemi di apprendimento automatico sono in grado di analizzare grandi insiemi di dati, individuare modelli e aggiornare le proprie conclusioni man mano che arrivano nuove informazioni.

Questa capacità risulta particolarmente interessante nei mercati in cui vengono generati più dati di quanti un team di investimento composto da soli esseri umani possa analizzare.

Tuttavia, elaborare una maggiore quantità di informazioni non equivale a comprendere i mercati in modo più accurato. L’intelligenza artificiale può migliorare la ricerca di opportunità, ma la qualità delle sue decisioni dipende comunque dai dati, dagli obiettivi e dalle ipotesi integrati nel sistema.

L'investimento quantitativo è stato il primo

L'uso dei computer nella gestione degli investimenti è antecedente all'attuale interesse per l'intelligenza artificiale.

Da decenni gli hedge fund quantitativi utilizzano metodi matematici e statistici. Essi individuano relazioni ricorrenti tra titoli, variabili economiche e comportamento degli investitori, per poi tradurre tali relazioni in regole di trading.

Renaissance Technologies è diventata uno degli esempi più significativi. I suoi fondi hanno fatto ricorso a grandi set di dati e modelli sistematici, anziché alla tradizionale analisi delle società o a previsioni di mercato discrezionali.

Il successo della società ha contribuito ad affermare l'investimento quantitativo come un settore a sé stante e altamente redditizio nel panorama degli hedge fund.

L'intelligenza artificiale rappresenta un'evoluzione di questo approccio piuttosto che una rottura totale con esso. I modelli tradizionali spesso partono da relazioni selezionate dai ricercatori. I sistemi di apprendimento automatico sono in grado di esaminare un insieme più ampio di variabili e di identificare modelli con istruzioni meno dirette.

Ciò amplia la portata analitica. Potrebbe inoltre rendere più difficile spiegare la strategia che ne deriva.

Il vantaggio in termini di dati diventa sempre più difficile da mantenere

I primi fondi quantitativi hanno beneficiato di informazioni e capacità informatiche che la maggior parte dei concorrenti non aveva a disposizione.

Quel vantaggio si è ridotto.

I prezzi di mercato, i bilanci aziendali, i dati economici e le serie di dati alternative sono ora accessibili a una gamma più ampia di aziende. Il cloud computing ha ridotto i costi di elaborazione delle informazioni, mentre i fornitori esterni offrono strumenti di machine learning già pronti all’uso.

Gli ostacoli alla sperimentazione sono stati superati. Quelli che impediscono di ottenere rendimenti duraturi dagli investimenti, invece, no.

Quando diversi fondi analizzano dati simili utilizzando modelli comparabili, possono individuare la stessa opportunità. A quel punto il capitale affluisce nell’operazione, i prezzi si adeguano e il rendimento atteso diminuisce.

Il vantaggio non sta più nell’avere un algoritmo, ma nel disporre di dati migliori, di una ricerca più approfondita e di un’esecuzione più rapida.

Anche le informazioni riservate non mantengono il loro valore per sempre. Una volta che i concorrenti si rendono conto che un determinato set di dati contiene un’informazione utile, cercheranno di replicarlo.

L'intelligenza artificiale può accelerare la scoperta. Può però anche accelerare la scomparsa dell'opportunità scoperta.

I dati alternativi ampliano il campo di applicazione

I fondi basati sull'intelligenza artificiale sono in grado di elaborare informazioni che l'analisi tradizionale degli investimenti potrebbe trascurare.

Le immagini satellitari possono fornire stime sull'attività nelle fabbriche, nei porti o nei parcheggi delle auto al dettaglio. I prezzi online possono offrire primi segnali sull'inflazione. I dati sulle spedizioni possono rivelare cambiamenti nei flussi commerciali, mentre gli annunci di lavoro possono indicare dove le aziende stanno espandendosi.

L'elaborazione del linguaggio naturale consente ai fondi di analizzare su larga scala i documenti societari, le conferenze sugli utili, le notizie e l'attività sui social media.

Queste fonti possono aiutare i dirigenti a individuare gli sviluppi prima che questi si riflettano nei bilanci tradizionali.

Inoltre, generano un rumore notevole.

Il sentiment sui social media può essere manipolato. Le osservazioni satellitari richiedono un’interpretazione. Un aumento delle discussioni online potrebbe riflettere una controversia piuttosto che un successo commerciale.

I dati alternativi devono quindi essere verificati alla luce dei risultati economici reali. Il fatto che un set di dati sia innovativo non significa che contenga un segnale redditizio.

Più informazioni vengono elaborate da un modello, maggiore è la necessità di distinguere le variazioni significative dalle semplici coincidenze.

"Previsione" rimane una parola pericolosa

Si dice spesso che gli hedge fund basati sull'intelligenza artificiale siano in grado di prevedere l'andamento dei mercati con un'accuratezza eccezionale.

L'affermazione esagera le capacità della maggior parte dei sistemi.

I modelli di apprendimento automatico stimano generalmente le probabilità sulla base delle relazioni individuate nei dati storici. Possono rilevare che determinate combinazioni di prezzi, volatilità e attività di trading sono state in passato seguite da un risultato specifico.

Queste relazioni non sono leggi della natura.

I mercati si adattano. Gli investitori reagiscono gli uni agli altri, le normative cambiano e i regimi economici subiscono trasformazioni. Una volta che un andamento diventa ampiamente riconosciuto, è proprio l’attività di trading stessa che può indebolirlo o invertirlo.

Un modello addestrato in un periodo caratterizzato da tassi di interesse bassi potrebbe incontrare difficoltà quando i costi di finanziamento aumentano bruscamente. Le relazioni che si verificano nei mercati liquidi potrebbero scomparire durante una crisi.

L'intelligenza artificiale può rendere le previsioni più dettagliate e aggiornarle con maggiore frequenza. Non può però garantire che la situazione di domani rispecchi i dati su cui è stata addestrata.

Bridgewater ne illustra un uso diverso

Bridgewater Associates è nota soprattutto per i suoi investimenti macro sistematici piuttosto che per la gestione di un hedge fund basato esclusivamente sull'intelligenza artificiale.

Il suo processo di investimento si basa da tempo su regole esplicite, relazioni economiche e un'approfondita analisi dei dati. L'intelligenza artificiale può supportare questa struttura aiutando i ricercatori a esaminare le informazioni, verificare le ipotesi e monitorare il rischio del portafoglio.

La distinzione è importante.

Alcuni hedge fund utilizzano l'apprendimento automatico per generare direttamente operazioni di trading. Altri lo utilizzano come uno dei fattori di input all'interno di un quadro di investimento più ampio. L'intelligenza artificiale può fornire supporto nella ricerca, nell'esecuzione o nella gestione del rischio senza però controllare l'intero portafoglio.

L'approccio di Bridgewater dimostra come la tecnologia possa rafforzare una filosofia di investimento consolidata, anziché sostituirla.

Un quadro di riferimento chiaro può inoltre rendere più agevole la verifica dell’analisi automatizzata. Quando la conclusione di un modello è in contrasto con la visione che il fondo ha delle condizioni economiche, i ricercatori possono indagare sulle ragioni di tale discrepanza.

L'intelligenza artificiale è più utile quando, oltre a fornire risposte, formula anche domande.

La velocità altera l'equilibrio competitivo

I sistemi di apprendimento automatico sono in grado di elaborare grandi insiemi di dati molto più rapidamente rispetto agli analisti umani.

Questo aspetto è importante nelle strategie in cui le informazioni perdono rapidamente valore. I fondi possono analizzare un comunicato sugli utili, classificarne il tono e effettuare operazioni prima ancora che un team di ricerca tradizionale abbia completato la propria analisi.

Gli algoritmi sono inoltre in grado di monitorare migliaia di titoli e di adeguare le posizioni al variare dei prezzi, delle correlazioni o della volatilità.

Tale velocità offre un vantaggio solo quando il segnale è affidabile e i costi di esecuzione sono sotto controllo.

Operare con troppa frequenza può erodere i rendimenti a causa delle commissioni, degli spread e dell’impatto sul mercato. Le reazioni troppo rapide possono inoltre amplificare gli errori qualora un modello interpreti in modo errato le nuove informazioni.

Un segnale falso su cui si interviene in pochi millisecondi rimane falso.

Gli hedge fund devono quindi decidere quali risultati richiedono un'esecuzione immediata e quali invece debbano essere sottoposti a ulteriori controlli.

Il modello più veloce non è necessariamente quello più redditizio.

L'intelligenza artificiale non elimina i pregiudizi umani

I sostenitori sostengono spesso che l'intelligenza artificiale consenta di prendere decisioni di investimento più obiettive, riducendo il ruolo delle emozioni e dell'intuizione.

Può limitare alcuni errori comportamentali. Un algoritmo non va nel panico dopo un crollo del mercato, non si affeziona a una società preferita né modifica la propria strategia a causa di un amministratore delegato persuasivo.

Ma i modelli riflettono le scelte dei loro creatori.

I ricercatori selezionano i dati, definiscono l'obiettivo e stabiliscono in che modo il sistema debba bilanciare il rendimento e il rischio. Inoltre, determinano quale periodo storico sia rilevante e come debbano essere trattate le previsioni errate.

Il bias può quindi derivare dalla costruzione del modello piuttosto che dalle emozioni del gestore del portafoglio.

Esiste inoltre il rischio di un “pregiudizio dell’automazione”. I dipendenti potrebbero affidarsi a un sistema complesso solo perché i suoi risultati sembrano scientifici, anche quando le ipotesi su cui si basa sono poco fondate.

Il giudizio umano non è scomparso. Si è semplicemente spostato nella fase di progettazione, interpretazione e supervisione del modello.

Le affermazioni relative alle prestazioni richiedono prove più solide

Secondo alcuni rapporti di settore, gli hedge fund basati sull’intelligenza artificiale registrano rendimenti superiori a quelli dei fondi tradizionali di una media del 5%.

Tali confronti richiedono cautela.

La definizione di “fondo basato sull’intelligenza artificiale” non è univoca. Un gestore potrebbe utilizzare l’apprendimento automatico per la costruzione del portafoglio, mentre un altro potrebbe applicarlo solo all’esecuzione degli ordini o al monitoraggio del rischio.

La performance dipende anche dalla strategia, dal contesto di mercato, dalla leva finanziaria e dal periodo di riferimento.

I fondi di successo possono rendere pubblici i propri metodi, mentre quelli falliti scompaiono dai database. Ciò crea un “bias di sopravvivenza” e può far apparire i risultati storici più solidi di quanto non fossero in realtà.

L'intelligenza artificiale può contribuire a ottenere rendimenti superiori in alcune strategie. Di per sé, però, non costituisce un fattore che incide sul rendimento.

Gli investitori devono comprendere in che modo la tecnologia influisca sul processo di investimento e se il vantaggio dichiarato abbia retto alla prova dei costi di transazione, dell’evoluzione dei mercati e della concorrenza.

La presenza dell'apprendimento automatico non dovrebbe comportare un abbassamento degli standard di due diligence.

Il rischio di modello diventa rischio di investimento

Ogni fondo quantitativo è esposto al rischio di modello: ovvero la possibilità che la sua rappresentazione del mercato sia incompleta o errata.

L'intelligenza artificiale può aggravare questo problema, poiché i sistemi complessi possono comportarsi in modi difficili da prevedere.

Un modello potrebbe dare buoni risultati durante la fase di test perché ha individuato modelli casuali nei dati storici. Questo fenomeno è noto come overfitting. La strategia sembra precisa finché non si imbatte in informazioni che non ha mai visto prima.

I modelli possono inoltre deteriorarsi gradualmente al variare delle condizioni di mercato. Un segnale può continuare a essere redditizio ma diventare meno forte, portando il sistema ad assumersi maggiori rischi per ottenere lo stesso rendimento.

Gli hedge fund devono verificare che i risultati effettivi rimangano coerenti con la ricerca iniziale.

Una validazione indipendente è fondamentale. Il team che sviluppa un modello non dovrebbe essere l'unico responsabile di stabilirne l'affidabilità.

I gestori hanno inoltre bisogno di soglie chiare per ridurre l’esposizione o chiudere una strategia.

Un modello non dovrebbe essere difeso solo perché è troppo complesso da comprendere.

I modelli affollati potrebbero amplificare i mercati

La crescita del trading basato sull'intelligenza artificiale potrebbe influenzare il comportamento del mercato al di là dei singoli fondi.

Se più modelli reagiscono agli stessi segnali, potrebbero effettuare operazioni di acquisto e vendita in momenti simili. Ciò può determinare un accumulo di posizioni e forti oscillazioni dei prezzi quando le condizioni si invertono.

Una strategia può sembrare diversificata perché opera su numerosi titoli. In realtà, le sue posizioni potrebbero dipendere dallo stesso fattore sottostante di quelle detenute da altri fondi quantitativi.

Questa concentrazione latente diventa evidente in situazioni di stress.

Il deleveraging forzato può accentuare tale effetto. Quando le perdite aumentano o la volatilità cresce, i sistemi di gestione del rischio potrebbero richiedere a diversi fondi di ridurre contemporaneamente la propria esposizione.

Ogni fondo può agire in modo razionale dal proprio punto di vista, contribuendo al contempo all'instabilità dell'intero mercato.

L'intelligenza artificiale non determina necessariamente questo comportamento, ma una maggiore automazione e la somiglianza tra i modelli possono accelerarlo.

I responsabili della gestione dei rischi devono quindi tenere conto non solo di ciò che è contenuto nel proprio sistema, ma anche di come i concorrenti potrebbero reagire alle stesse informazioni.

La gestione del rischio è una delle applicazioni più efficaci

L'intelligenza artificiale potrebbe offrire vantaggi più evidenti nella gestione del rischio che nella previsione dei mercati.

I sistemi sono in grado di monitorare le esposizioni del portafoglio, rilevare correlazioni insolite e individuare variazioni nella liquidità. Possono analizzare in che modo posizioni apparentemente non correlate potrebbero reagire allo stesso shock.

L'apprendimento automatico può inoltre aiutare i fondi a testare una gamma più ampia di scenari e a individuare vulnerabilità che sfuggono alle categorie di rischio convenzionali.

Il risultato richiede comunque un'interpretazione.

I dati storici potrebbero contenere pochi esempi di gravi turbolenze di mercato. Un modello può stimare la probabilità di perdite estreme solo sulla base degli eventi o delle ipotesi di cui dispone.

L'analisi degli scenari dovrebbe quindi includere situazioni che non si sono verificate nei dati di addestramento.

La gestione del rischio non è solo un esercizio statistico. Richiede capacità di immaginare in che modo i mercati, le controparti e le infrastrutture possano fallire.

L'intelligenza artificiale può ampliare la base di dati presi in considerazione. Non è però in grado di definire ogni possibile crisi.

Il talento assume un carattere sempre più interdisciplinare

Gli investimenti basati sull'intelligenza artificiale richiedono molto più che semplici ingegneri informatici.

I team di successo uniscono competenze in matematica, informatica, mercati, costruzione di portafogli e gestione del rischio. Un modello tecnicamente sofisticato può fallire se i suoi sviluppatori non comprendono i costi di negoziazione o come cambia la liquidità del mercato in situazioni di pressione.

I professionisti degli investimenti devono inoltre disporre di conoscenze tecniche sufficienti per mettere in discussione il sistema. Dovrebbero comprendere come sono stati selezionati i dati, cosa sta ottimizzando il modello e in quali ambiti le sue conclusioni sono meno affidabili.

La competizione per accaparrarsi questo talento è costosa.

Gli hedge fund reclutano personale presso aziende tecnologiche, università e società di ricerca specializzate. La retribuzione può essere molto elevata, in particolare per i dipendenti che uniscono competenze nel campo dell’apprendimento automatico a un’esperienza nei mercati finanziari.

I gestori di dimensioni più ridotte potrebbero avere difficoltà a eguagliare le risorse delle grandi società di gestione quantitativa.

La tecnologia esterna può ridurre il divario, ma non può sostituire la comprensione interna. Un fondo che fa affidamento su un sistema che non è in grado di valutare si è procurato un nuovo rischio operativo anziché un vantaggio in termini di investimento.

Gli investimenti in tecnologia non garantiscono un ritorno economico

Si prevedeva che gli investimenti degli hedge fund nella tecnologia dell'intelligenza artificiale raggiungessero $2 miliardi entro il 2025.

La spesa può contribuire a migliorare le infrastrutture, la ricerca e l'attuazione. Può però anche finanziare progetti che non sfociano mai in una strategia praticabile.

Le iniziative nel campo dell'intelligenza artificiale possono fallire a causa della scarsa qualità dei dati, di una formulazione poco chiara della domanda di ricerca o dell'incapacità del modello di funzionare efficacemente nei mercati reali.

Un test che dia esito positivo non tiene automaticamente conto dei costi di transazione, dei vincoli di capacità o dei cambiamenti nel comportamento degli investitori.

I fondi dovrebbero quindi valutare i progetti tecnologici in base a risultati definiti in termini di investimento o operativi.

È possibile valutare un sistema volto a ridurre i costi di esecuzione. È possibile confrontare un modello progettato per migliorare l’individuazione delle frodi con i controlli esistenti. Una promessa generica di trasformare la performance degli investimenti è invece molto più difficile da valutare.

La sofisticatezza della tecnologia è irrilevante se non migliora i rendimenti corretti per il rischio né riduce un costo misurabile.

La governance deve stare al passo con la complessità

I fondi basati sull'intelligenza artificiale devono avere una chiara responsabilità riguardo ai modelli e ai risultati da essi prodotti.

I vertici aziendali dovrebbero comprendere in quali ambiti vengono prese decisioni automatizzate, quali sistemi sono in grado di eseguire operazioni di trading e quali controlli ne limitano l'autorità.

Le modifiche apportate ai modelli devono essere documentate e testate prima della loro implementazione. Le fonti dei dati devono essere sottoposte a una verifica legale ed etica, in particolare quando riguardano dati personali o materiale non raccolto a fini di investimento.

La sicurezza informatica rappresenta un’altra fonte di preoccupazione. I modelli e i set di dati proprietari costituiscono risorse preziose. Il loro furto o la loro manipolazione potrebbero causare ingenti danni finanziari.

I fondi devono inoltre prepararsi ad affrontare eventuali guasti tecnici. I sistemi di negoziazione devono disporre di misure di sicurezza, procedure di intervento manuale e della capacità di funzionare anche quando i servizi esterni non sono disponibili.

L'automazione può ridurre gli errori umani nelle decisioni di routine. Tuttavia, può causare errori più gravi quando un processo difettoso viene applicato su larga scala.

La governance determina se la velocità diventa un vantaggio o un punto debole.

Gli investitori devono porsi domande diverse

Gli investitori istituzionali che valutano un hedge fund basato sull'intelligenza artificiale dovrebbero guardare oltre la semplice narrativa tecnologica.

La questione centrale è la fonte del rendimento.

Gli investitori devono comprendere quale inefficienza di mercato venga sfruttata dalla strategia, perché dovrebbe persistere e cosa potrebbe causarne la scomparsa. Dovrebbero inoltre valutare la qualità dei dati, la validazione del modello e l’andamento del fondo al di fuori del periodo utilizzato per lo sviluppo.

Anche la capacità è importante. Una strategia può funzionare con un capitale limitato, ma perdere efficacia quando il patrimonio cresce e le operazioni influenzano il mercato.

Gli investitori dovrebbero chiedersi con quale rapidità cambiano i modelli, chi approva tali modifiche e in che modo i dipendenti intervengono quando i risultati appaiono irragionevoli.

Devono inoltre distinguere tra un vero e proprio vantaggio proprietario e l'uso di strumenti ampiamente disponibili.

Una dimostrazione di grande effetto non può sostituire un processo di investimento solido.

Il futuro appartiene agli ibridi, non ai fondi autonomi

Si prevede che gli investimenti nell'intelligenza artificiale nel settore finanziario continuino a crescere rapidamente. Gartner ha stimato una crescita annua del 30%, sebbene tale dato richieda una verifica e possa riferirsi a un mercato dei servizi finanziari più ampio.

Nei prossimi tre-cinque anni, l’apprendimento automatico dovrebbe diventare una componente abituale delle attività di ricerca e operative degli hedge fund.

Ciò non significa che i fondi completamente autonomi prevarranno.

I mercati sono sistemi adattivi plasmati dalle politiche, dal comportamento delle istituzioni e da eventi che hanno pochi precedenti storici. Le strategie puramente automatizzate possono ottenere ottimi risultati, ma rimangono esposte a ipotesi che potrebbero rivelarsi errate senza preavviso.

Il modello più solido dovrebbe combinare l'analisi automatizzata con la ricerca umana e una supervisione rigorosa.

Gli algoritmi sono in grado di analizzare grandi insiemi di dati, monitorare le posizioni ed eseguire operazioni di trading. I gestori di portafoglio e i team addetti alla gestione del rischio devono valutare se le correlazioni individuate abbiano un senso dal punto di vista economico e se il fondo possa sopravvivere qualora tali correlazioni cessassero di funzionare.

L'intelligenza artificiale amplierà la gamma di segnali che gli hedge fund potranno seguire. Inoltre, aumenterà la velocità con cui le strategie vengono copiate, sovraffollate e rese obsolete.

La tecnologia può migliorare i meccanismi di investimento. Tuttavia, non elimina la concorrenza, l’incertezza né il ciclo di mercato.

Per gli hedge fund, questi rimangono i problemi più complessi.