Riassunto analitico
I mercati finanziari sono sistemi complessi, non lineari, dinamici e adattivi che necessitano di strumenti e tecniche avanzate per cogliere le relazioni che si generano (Brock e De Lima, 1995). Per molti anni la finanza, per estrarre evidenze dai dati, ha fatto affidamento a tecniche statistiche standard e a modelli costruiti su assunzioni lontane dalla realtà.
Il Machine Learning, sottocategoria dell’Intelligenza Artificiale, promette di rivoluzionare la conoscenza dei mercati, consentendo ai ricercatori di usare tecniche moderne, del tutto analoghe a quelle impiegate nel mondo dell’hard science, che identificano relazioni non lineari e ad alta dimensionalità.
Da sempre gli investitori, quando sono chiamati a scegliere l’allocazione ottimale di risorse tra le asset classes, analizzano le news dei giornali, i reports degli analisti o gli indicatori economici, facendo prevalentemente affidamento sulle proprie intuizioni e giudizi.
La finanza comportamentale ha recentemente contribuito a mettere in evidenza come queste valutazioni, distorte e guidate dalle emozioni, abbiano generato, nei modelli di asset allocation, portafogli poco realistici, con la conseguenza che da Markowitz (1952) a Black-Litterman (1992) i modelli classici hanno massimizzato gli errori di stima.
Negli ultimi decenni, lo sviluppo tecnologico raggiunto dai computer insieme all’aumentata dimensione dei datatset e alle nuove conoscenze nell’analisi dei dati, hanno permesso agli investitori di integrare le strategie d’investimento con strumenti avanzati, consentendo di prendere decisioni più razionali e indirizzate dai dati.
Il Deep Learning, quando applicato a problemi di previsione di serie temporali, raggiunge risultati sorprendenti, tant’è che oggi è il miglior modo disponibile per approssimare una funzione, qualunque sia la sua complessità (Hill, 1996). Il suo forte potere predittivo out of sample permette di stimare l’andamento futuro di un asset molto meglio di un essere umano o di una regressione.
Si prospetta che nei prossimi dieci anni l’industria dell’Asset Management verrà “ridisegnata” (PwC, 2017), l’AI è una opportunità per risanare un business in declino, ottenere efficienza operativa e una riduzione dei costi.
L’idea centrale della tesi è di investigare l’uso e i possibili sviluppi dell’Intelligenza Artificiale nell’Asset Management e di implementare un sistema di asset allocation che, utilizzando i segnali generati da una Rete Neurale Artificiale, produca risultati migliori di quelli raggiunti dai benchamark tradizionali.
Il modello di asset allocation preso a riferimento nella fase sperimentale della tesi è quello di Black-Litterman, colonna portante della teoria di portafoglio. Il modello, utilizzando le previsioni generate da una rete neurale, anziché da un essere umano o da un semplice stimatore, è in grado di generare risultati più stabili e migliori. Inoltre, nel modello sviluppato in questo lavoro, invece di sfruttare la teoria del Capital Asset Pricing Model per calcolare il portafoglio di partenza d’equilibrio, si prende in considerazione un portafoglio di (Hierarchical) Risk Parity generato con un algoritmo di Machine Learning.
Lo sviluppo della tesi è stato possibile grazie a uno stage semestrale presso Axyon AI, un’azienda che offre soluzioni per intermediari finanziari attraverso il Deep Learning. Il lavoro è il risultato dello studio di due discipline, quella statistica-finanziaria e quella ingegneristica-informatica e dell’interazione tra due “profili professionali” con background molto diversi, ma che comunicano nello stesso linguaggio e hanno obiettivi comuni.
|
