In finanza, la popolarità e l’impopolarità dell’intelligenza artificiale (AI) si sono alternate in un lento valzer nel corso degli anni. Fino a qualche anno fa c’era una disillusione generalizzata nei confronti dell’AI. L’impressione era quella di un settore già esplorato con esiti mediocri, sui cui era rimasto molto poco da dire. Il fascino che le parole “quant” e “algoritmo” avevano, si era lentamente tramutato in diffidenza, fino a suonare obsolete. Oggi, invece, gli hedge fund sono tornati ad investire in tecniche di intelligenza artificiale.  Probabilmente, questa nuova spinta, ha fatto eco ai successi dell’AI in altri ambiti, come quelli dell’automazione, della robotica etc. Fatto sta che AQR[1], hedge fund tradizionalmente “accademico”, ha iniziato a sperimentare tecniche di machine learning e che l’AI è tornata ad essere l’headliner di analisti tecnici e finanziari. Un rinnovato interesse decisamente interessante.

Intelligenza artificiale, modelli e Moravec

Studiando sistemi di AI o Deep Learning, si nota subito come la teoria sia spaventosamente in ritardo sulla pratica. Funzioni di attivazione, numeri di layer, struttura degli algoritmi: tutto è basato sull’efficacia che i vari parametri e iperparametri hanno avuto nella pratica. Nel mondo della finanza, dell’economia e delle scienze sociali in genere, l’efficacia e il rigore dei teoremi, dei modelli e degli studi è sempre stata sacrificata sull’altare dell’eleganza espositiva.

Facciamo due esempi celebri:

  • i portafogli costruiti seguendo le norme della Modern Portfolio Theory di Markowitz[2] si sono sempre rivelati insoddisfacenti (per usare un eufemismo).

  • In economia e nelle scienze sociali il p-value, la metrica più famosa per determinare la significatività di uno studio, è stato spessissimo mal interpretato e rileggere paper passati, alla luce di una sua applicazione più rigorosa, invaliderebbe le conclusioni della maggior parte di essi[3].

Parafrasando Keynes, è come se queste discipline si fossero sempre occupate di avere precisamente torto, mentre le tecniche di Intelligenza Artificiale si occupino più di avere vagamente ragione (o, in alcuni contesti, precisamente ragione, dove un error rate dello 0.1% è considerato catastrofico). 

Migliora i tuoi investimenti  
Ottieni il tuo portafoglio personalizzato in 2 minuti

Richiedi un analisi gratuita

 Ciò non significa che i modelli non abbiano meriti, anche perché la loro longevità sarebbe altrimenti difficile da spiegare. Ci forniscono una descrizione semplificata e astratta della realtà, che ci dà la possibilità (e spesso l’illusione) di poter comprendere i fenomeni che osserviamo. Ironicamente, questa capacità di astrarre è proprio quello in cui l’AI riesce meglio. Il paradosso di Moravec recita che:

"it is comparatively easy to make computers exhibit adult level performance on intelligence tests or playing checkers, and difficult or impossible to give them the skills of a one-year-old when it comes to perception and mobility"

Ecco un video per averne una prova tangibile: 

 

 

 

Una possibile spiegazione di questo paradosso affonda le radici nell'evoluzione: tutte le abilità umane sono codificate biologicamente, utilizzando strumenti levigati dal processo di selezione naturale. Più un'abilità è vecchia, più tempo ha avuto a disposizione l’evoluzione per migliorarla. Il pensiero astratto si è sviluppato solo molto di recente e, di conseguenza, è lecito aspettarsi di averlo codificato biologicamente in maniera poco efficiente e più facilmente replicabile/superabile. Con buona pace di tutti i laureati, ragionamenti sofisticati per l’uomo richiedono poca capacità di calcolo mentre le abilità senso-motorie anche di basso livello richiedono enormi risorse computazionali.

L’intelligenza artificiale e l’obiettivo di selezione fondi in Euclidea

È lecito dunque pensare che la selezione di fondi di investimento UCITS non abbia fatto in tempo a sublimarsi in sofisticati meccanismi biologici. Ergo, in questo contesto, l’applicazione di algoritmi “tradizionali” e di tecniche di intelligenza artificiale non ci sembra fuori luogo. Non a caso, nel nostro processo di selezione fondi le utilizziamo entrambe. Nel nostro algoritmo di fund ranking, il grado di discrezionalità rimane alto. I pesi delle varie metriche sono basati prevalentemente sull’esperienza. Le metriche stesse sono state scelte per rispondere nella maniera statisticamente più rigorosa possibile alla necessità di trovare i fondi migliori per ciascuna asset class; ciononostante, anche la scelta di tali metriche è arbitraria. L’eventualità di poter perdere di vista qualche aspetto fondamentale nella selezione dei fondi ha fatto sì che affiancassimo al nostro algoritmo delle tecniche di machine learning (più specificatamente, deep learning, ossia reti neurali).

Queste altro non sono che un insieme di regole “stratificate” volte ad un determinato obiettivo; nel nostro caso, l’obiettivo è quello di predire i fondi che si troveranno nel primo quartile in termini di metriche risk-adjusted. Si tratta principalmente di delegare a tecniche computazionali la ricerca di variabili critiche per trovare i fondi migliori.Prendere queste tecniche, sradicarle ed applicarle ad un dominio diverso da dove queste hanno avuto successo impone un grado di cautela in più.

Al contrario della guida autonoma, ad esempio, dove gli esperimenti possono essere provati e riprovati in contesti molto simili, in finanza non è possibile replicare gli esperimenti. I mercati si adattano a strategie “popolari” ed un singolo giorno può vanificare i ritorni ed influenzare tutte le statistiche di un anno intero (o molto di più). Inoltre, le relazioni causa effetto negli algoritmi di machine learning diventano molto meno intellegibili.

Implementare una rete neurale è facile[4], bastano undici righe di codice. Farlo in maniera rigorosa e consapevole un po’ meno. Detta con le parole di Ray Dalio[5], affiancare metodi di AI a metodi statistici tradizionali è in questo contesto una “great partnership[6].

 

[1] https://www.ft.com/content/3a8f69f2-df34-11e7-a8a4-0a1e63a52f9c?accessToken=zwAAAWFWfm7wkc86j2ny3zQR59OopAoeY6UvnA.MEUCIFi97yojvSSSdlZmHJUhj3Q0Wl1Weybo24pwkjk1ExysAiEA4Xno58zIXuMgVvENs3zSjZ6TF5JFSH3urqY1IFv5Km4&sharetype=gift

[2] Un paper che dimostra la superiorità effettiva della “naive diversification” è, ad esempio: http://faculty.london.edu/avmiguel/DeMiguel-Garlappi-Uppal-RFS.pdf. Tuttavia, ce ne sono moltissimi altri.

[3] Due esempi qui (http://www.stat.columbia.edu/~gelman/research/published/signif4.pdf) e qui (http://robotics.cs.tamu.edu/RSS2015NegativeResults/pmed.0020124.pdf)

[4] https://www.linkedin.com/pulse/neural-network-ai-simple-so-stop-pretending-you-genius-brandon-wirtz/?trackingId=PWyaG4MAIAlvehAsFnGzxw%3D%3D

[5] Fondatore di Bredgewater , uno dei più grandi e migliori hedge fund al mondo.

[6] https://www.linkedin.com/feed/update/urn:li:activity:6327241955071840256

Valuta ora la nostra proposta di investimento

Ottieni il tuo portafoglio personalizzato in 2 minuti.

Fai una simulazione