"Il nostro modello di intelligenza artificiale identifica fonti di alfa quasi non correlate"

Stefan, perché abbiamo bisogno di un ulteriore approccio con l'intelligenza artificiale oltre ai classici approcci di investimento fondamentali e sistematici?

I mercati azionari sono complessi e sono influenzati da una serie di fattori, come gli utili societari, i dati macroeconomici, gli eventi geopolitici e gli sviluppi tecnologici. Non esiste una sola strategia ottimale per le azioni, ma piuttosto molteplici approcci promettenti, ognuno dei quali utilizza diverse fonti di alfa, tutte con la propria giustificazione. Il nostro modello di intelligenza artificiale identifica fonti di alfa quasi non correlate. Il segreto sta nel trovare queste varie fonti di alfa, comprendere il loro profilo di rischio e combinarle abilmente.

Quale valore aggiunto apporta l'integrazione del vostro modello di intelligenza artificiale?

L'intelligenza artificiale è priva di pregiudizi e di emozioni come avidità, paura, panico o istinto di branco. Inoltre, il nostro modello possiede una memoria perfetta per il periodo di addestramento specifico. Gli esseri umani, invece, hanno una memoria selettiva e spesso ricordano solo vagamente eventi accaduti molto tempo prima. Inoltre, i giovani gestori di fondi non hanno ancora maturato molta esperienza con i vari cicli economici, i crolli di borsa e le recessioni. Il fatto che il modello di intelligenza artificiale si adatti dinamicamente alle mutevoli condizioni di mercato significa che le tendenze e le opportunità vengono riconosciute rapidamente. Il modello è inoltre in grado di analizzare grandi volumi di dati in un lasso di tempo molto breve, il che sarebbe quasi impossibile da gestire per gli esseri umani.

Cosa significa in termini concreti?

Ecco un esempio: l'indice MSCI World Small Cap è ampiamente diversificato e contiene oltre 4.000 titoli. Con un approccio di investimento fondamentale, sarebbe necessario un team di una dozzina di analisti e gestori di fondi per coprire questo universo. Il nostro modello di intelligenza artificiale e il nostro algoritmo di apprendimento automatico possono coprire in modo efficiente e completo tutti i titoli azionari del mondo.

State delegando tutto al modello di apprendimento automatico?

Assolutamente no. Va da sé che restiamo fedeli alla nostra filosofia di investimento, che seguiamo da oltre 20 anni. Le nostre decisioni devono sempre essere comprensibili, oltre che economicamente ed empiricamente valide. Come primo passo, stiamo integrando il modello di apprendimento automatico in alcune strategie selezionate e ne valuteremo l'evoluzione su base continuativa. Continueremo a perseguire la nostra gestione del rischio coerente e multiforme in tutte le strategie. La maggior parte delle strategie rimane neutrale rispetto ai Paesi e ai settori e viene gestita in base al rispettivo benchmark, con un tracking error target che, in ultima analisi, limita le scommesse sui titoli. Il modello di intelligenza artificiale fornisce punteggi alfa aggiuntivi. La gestione degli asset è effettuata come di consueto dai gestori di portafoglio. Anche i criteri di sostenibilità continueranno a essere presi in considerazione in tutte le strategie.

Fabian, può descrivere brevemente come si presenta il processo di investimento con l'intelligenza artificiale nell'Asset Management della Zürcher Kantonalbank?

Il nostro processo di investimento segue principalmente tre fasi. Si parte dal nostro database azionario, che attualmente contiene 7.000 titoli con dati aggiornati quotidianamente da 25 anni. Abbiamo raccolto oltre 500 dati chiave per azione, che possono influenzare i rendimenti futuri (fonti di alfa). Questi dati grezzi rappresentano una sorta di terreno di allenamento per il nostro algoritmo di apprendimento automatico. L'algoritmo impara in modo indipendente dai dati elaborati, riconosce i modelli e scopre le correlazioni nascoste tra le cifre chiave delle società e i rendimenti futuri. Aggreghiamo quindi le previsioni di diversi algoritmi per ottenere previsioni di rendimento giornaliere per tutte le azioni del mondo.

Il terzo passo è la costruzione dei portafogli?

Corretto. A tal fine, utilizziamo il modello di rischio integrato nel nostro sistema di gestione del portafoglio. Ci aiuta a massimizzare i rendimenti futuri e a calcolare il portafoglio ottimale. Inoltre, controlliamo il rischio, ad esempio, minimizzando le scommesse sui settori e sui Paesi e evitando grandi scommesse su singoli titoli.

Cosa intendete per "connessioni nascoste"?

Non è banale capire perché il nostro modello di apprendimento automatico favorisca o meno un titolo. Tuttavia, esistono tecniche che permettono di esplorare il funzionamento del nostro complesso modello. È qui che entrano in gioco i cosiddetti valori SHAP (SHapley Additive ExPlanations). Essi misurano il contributo di ciascun elemento di una previsione di rendimento, ovvero il punteggio alfa. Grazie all'integrazione dei valori SHAP nel nostro processo di analisi, possiamo comprendere meglio quali fattori influenzano le previsioni di rendimento e in che misura. È importante tenere presente che, se il modello è stato addestrato su dati distorti o errati, i valori SHAP rifletteranno anche queste distorsioni.

Cos'altro può fare il modello?

Il nostro modello di apprendimento automatico è in grado di riconoscere anche effetti non lineari. Questo può significare, ad esempio, che il nostro modello di intelligenza artificiale considera interessanti le azioni che si trovano nell'ottavo o nono decile di rendimento per gli azionisti. Tuttavia, non favorisce le azioni nel decimo decile, ossia quelle con il rendimento più elevato per gli azionisti. Ciò è in contrasto con il fattore di valore, che presuppone che l'attrattiva aumenti costantemente, cioè linearmente, con il livello di rendimento degli azionisti.

Stefan, cosa mostrano i precedenti backtest con l'integrazione aggiuntiva dell'intelligenza artificiale nelle strategie azionarie?

Il modello di apprendimento automatico ha fornito un valore aggiunto in diverse fasi economiche. È stato dimostrato che gli alfa ottenuti presentano una bassa correlazione con quelli dei principali fattori esistenti, ovvero valore, qualità e momentum. Questo è stato un punto importante che ci ha spinto a integrare il modello di apprendimento automatico in alcune strategie.

Siate onesti: i backtest sono spesso migliori della realtà.

Il backtesting dei dati finanziari è una scienza a sé stante e richiede molta competenza ed esperienza. Dopo 20 anni di esperienza in strategie selezionate, possiamo confermare che i rendimenti reali sono spesso leggermente inferiori a quelli ottenuti nei backtest. Le cause possono essere diverse, ad esempio un bias di selezione. Ci rassicura il fatto che l'algoritmo di apprendimento automatico ha sempre avuto accesso solo ai dati disponibili al momento del backtesting. Questo è possibile solo in misura limitata con il backtesting classico.