Il fattore AI

Come abbiamo visto nel nostro precedente articolo Expl(AI)ning, i fattori sono stati la spina dorsale dell'investimento azionario quantitativo, offrendo un modo strutturato per spiegare rendimenti che un tempo sembravano casuali. Ma la loro popolarità è cresciuta, così come i loro limiti. La mancanza di un modello di timing dinamico, i vincoli lineari imposti e le ipotesi rigide hanno diminuito il fascino dei fattori.

E se potessimo liberarci da questi vincoli? Invece di costringere i mercati ad adattarsi a modelli di fattori predefiniti, esiste un modo per far sì che i modelli generici comprendano i mercati e ne catturino la complessità? L'intelligenza artificiale offre una soluzione in questo senso, in quanto ci fornisce nuove tecniche per estrarre segnali dai dati. Inoltre, abbracciando l'adattabilità, la non linearità e il potere predittivo, i sistemi guidati dall'IA hanno il potenziale per ridefinire il modo in cui utilizziamo i fattori, trasformandoli da descrittori statici in indicatori orientati al futuro.

In questo Quanta Byte della serie Expl(AI)ning, forniamo un esempio di come ciò potrebbe essere realizzato. Introduciamo la nozione di fattori potenziati dall'intelligenza artificiale e presentiamo un quadro di riferimento su come l'intelligenza artificiale potrebbe rivoluzionare gli investimenti in fattori.

Fattori potenziati dall'intelligenza artificiale

In Vontobel perfezioniamo continuamente i nostri approcci fondendo l'analisi finanziaria tradizionale con le innovazioni tecnologiche più avanzate. Nelle nostre precedenti discussioni abbiamo sottolineato l'importanza del fattore qualità come descrittore fondamentale e motore della performance dei titoli. Oggi ci basiamo su questa affermazione introducendo un fattore di qualità potenziato dall'intelligenza artificiale.

L'idea di base è che abbiamo addestrato il nostro sistema di intelligenza artificiale a prevedere la qualità futura di un'azienda e abbiamo costruito portafogli basati su di essa. La logica alla base dell'idea è che se la qualità funziona, vorremmo detenere posizioni in aziende la cui qualità non solo è buona, ma rimane buona e addirittura migliora.

Questo articolo è organizzato in tre parti. In primo luogo, forniamo un quadro di riferimento per la tempistica dei fattori, che abbiamo visto essere cruciale per il successo dell'investimento in fattori. In secondo luogo, sfruttando le interazioni non lineari nascoste nei dati, dimostriamo che il nostro sistema di intelligenza artificiale cattura le relazioni non lineari. In terzo luogo, generiamo previsioni che superano l'approccio previsionale naïve incorporato nel factor investing, come discusso nel pezzo precedente. In questo modo, superiamo le limitazioni dei fattori tradizionali.

L'intelligenza artificiale si occupa del tempismo

Il nostro sistema di intelligenza artificiale si occupa del tempo in due modi. In primo luogo, con il passare del tempo, aggiunge continuamente dati al set di allenamento. In secondo luogo, impara di nuovo frequentemente.

La Figura 1 illustra come funziona in pratica. Immaginiamo che "ora" sia indicato con t, come indicato nella figura. Poiché il nostro sistema di intelligenza artificiale prevede la qualità con un anno di anticipo, iniziamo eliminando l'ultimo anno di dati. La qualità di ieri deve essere data a un sistema di intelligenza artificiale che conosce solo le caratteristiche di un titolo a partire da ieri meno un anno. Non farlo significherebbe "barare". L'anno di dati rimosso è indicato dall'area verde scuro ombreggiata nella figura. Lasciamo quindi che il modello funzioni "in diretta" per un periodo. Dopodiché, ci troviamo a t+1 e ripetiamo il processo. Si noti che "Train Data 2" è più grande di "Train Data 1" perché aggiungiamo i dati del periodo appena trascorso (da t a t+1).

Questo modo di trattare i dati è chiamato approccio a finestra di espansione. L'idea è che vogliamo essere in grado di imparare dalla maggior quantità di dati possibile in qualsiasi momento.

Un modo alternativo di procedere sarebbe quello di "rollare" una finestra temporale di lunghezza fissa al passare del tempo. Per illustrare come funziona, si ipotizzi che i "Train Data 1” abbiano una durata di 10 anni. Quando arriva il periodo successivo (t+1), si considerano ancora solo gli ultimi 10 anni di dati. Se si ipotizza che il nostro periodo sia lungo un mese, ciò equivale a dire che costruiremmo il "Train Data 2" scartando il primo mese di dati del "Train Data 1" e aggiungendo l'ultimo mese (da t a t+1).

Le finestre “rollanti” appena spiegate erano una pratica standard in un mondo non-AI perché i metodi quantitativi non erano in grado di gestire insiemi di dati eccessivamente grandi. Spieghiamo meglio. Se tutto ciò che avete è una regressione lineare e le vostre decisioni si basano sulla pendenza della stessa, volete che la pendenza rifletta i tempi che state vivendo. Se alimentate il vostro modello di regressione lineare con 10 anni di dati e continuate a espanderlo, otterrete un risultato che può funzionare per 10 anni (e oltre) ma che potrebbe non aiutarvi a navigare nei mercati il mese prossimo. Per risolvere questi problemi, i professionisti hanno spesso scelto il periodo di osservazione delle finestre mobili per trovare un compromesso tra genericità (sostenendo finestre lunghe) e specificità (sostenendo finestre brevi). Dal momento che l'AI può risolvere questo problema, perché preoccuparsi di fare questa scelta arbitraria? Lasciamo che sia l'AI a decidere, e diamole tutti i dati che abbiamo.

L'intelligenza artificiale può sfruttare le non linearità

Il nostro sistema di intelligenza artificiale va oltre le tradizionali ipotesi lineari. Infatti, il nostro sistema di AI non postula una struttura di modello, lineare o non lineare. Lascia che siano i dati a dire cosa fare. In questo modo, ci permette di catturare interazioni complesse e non lineari tra le variabili di mercato. Consideriamo ad esempio la Figura 2, dove la crescita dell'EPS (in termini percentuali sull'asse delle ascisse) è tracciata rispetto alla sua rilevanza (sull'asse delle ordinate). Come si può dedurre semplicemente ispezionando la figura, la relazione tra i due elementi è chiaramente non lineare, il che ha senso intuitivamente. Se la crescita dell'EPS è molto bassa, non importa se è ancora più bassa. Semplicemente non c'è crescita degli EPS. Se la crescita dell'EPS è molto elevata, non importa se è più alta. L'intelligenza artificiale ci dice che esiste una zona intermedia in cui le variazioni della crescita degli EPS hanno un forte impatto sul potenziale di rendimento futuro del titolo.

La Figura 2 mostra anche i rischi di imporre una relazione lineare ai dati. Supponiamo di applicare una regressione lineare alla curva, come farebbero i modelli fattoriali tradizionali, e di rappresentarla sul grafico (linea corallina). Si notano due inconvenienti. In primo luogo, si ipotizza una relazione lineare laddove non è presente (all'estremità bassa e alta del grafico). In secondo luogo, la relazione nell'area "intermedia" è meno reattiva di quanto dovrebbe essere (la linea del corallo è meno ripida di quanto suggerito dalla nuvola di punti verdi nell'area "intermedia").

L'intelligenza artificiale produce previsioni reali

Il nostro sistema di intelligenza artificiale è costruito per le previsioni. Sembra ovvio, ma il factor investing classico non si basa sulle previsioni. Se gli investitori dicono di investire in base alla qualità, intendono investire in società che oggi hanno una qualità elevata. Lo fanno nella speranza che l'alta qualità di oggi significhi buoni rendimenti domani. Come vedremo tra poco, non si tratta di un'ipotesi sbagliata di per sé, ma non è una previsione tradizionale. È una previsione "ingenua".

Immaginate che oggi piova e che vogliate prevedere il tempo di domani. Una previsione "ingenua" significherebbe prevedere la pioggia per domani, dato che oggi ha piovuto. Non è un modo del tutto sbagliato di fare previsioni, perché i modelli meteorologici tendono ad essere correlati. Tuttavia, è possibile fare di meglio e consultare sistemi di previsione meteorologica professionali.

Il nostro modo di fare previsioni è particolare. Invece di trattare i fattori come descrittori statici dello stato attuale di una società, il nostro approccio li trasforma in previsioni dinamiche, prevedendo come le caratteristiche chiave si evolveranno e influenzeranno i rendimenti futuri. Questa capacità di previsione aumenta l'efficacia del fattore, rendendolo non solo uno strumento esplicativo, ma un segnale lungimirante per migliorare le decisioni di investimento.

Come illustrato nella Figura 3, questo approccio porta a errori di previsione costantemente inferiori rispetto a un modello ingenuo, dimostrando come le previsioni guidate dall'IA forniscano una visione più accurata e affidabile delle condizioni future del mercato rispetto al semplice esame dello stato attuale del mercato. Il miglioramento non è solo significativo, ma anche persistente nel tempo, come indica il fatto che la differenza relativa tra le curve rimane costante nel tempo.

Impatto complessivo

Per valutare l'efficacia del nostro sistema di intelligenza artificiale nella previsione del fattore qualità, analizziamo il suo impatto attraverso una matrice di transizione, analogamente a quanto fatto nell'articolo precedente. Per una spiegazione dettagliata di come leggere la Figura 4 si rimanda alla discussione ivi contenuta. Questa visualizzazione tiene conto di come le aziende si spostano nel tempo tra le varie categorie di qualità. Ciò fornisce un quadro chiaro di quanto il modello identifichi le caratteristiche di qualità persistenti e anticipi i cambiamenti nei fondamentali delle aziende. Rispetto all'approccio ingenuo, in cui le decisioni di investimento si basano esclusivamente sulle posizioni di qualità attuali, il fattore di qualità alimentato dall'intelligenza artificiale dimostra una prospettiva più lungimirante, cogliendo segnali sottili che indicano cambiamenti futuri.

Esaminando la matrice delle transizioni nella Figura 4, si nota che in questo caso l'AI è più precisa nel prevedere le transizioni che contano. In verde sono indicate le transizioni che l'AI ha previsto con maggiore precisione. In giallo quelle che sono rimaste invariate e in rosso quelle che sono peggiorate.

Solo 6 delle 25 celle della Figura 4 hanno una freccia rossa. In altre parole, l'AI ha migliorato i risultati nel 76% dei casi (19 celle su 25). Si noti inoltre che le colonne "migliori" (definite come quelle in cui l'IA ha portato a previsioni peggiori o uguali in una sola cella della colonna) sono la prima e l'ultima. Queste corrispondono alle aziende che sono salite rispettivamente a qualitá "Molto alta" o a "Molto bassa" nel periodo. In media, il sistema di intelligenza artificiale può ridurre l'errore del 50%. Questo tipo di miglioramenti possono fare la differenza quando i segnali vengono implementati in un portafoglio azionario ampio e diversificato.

Conclusione

L'AI factor investing non è solo un miglioramento, ma un cambiamento fondamentale nel modo in cui ci approcciamo alle strategie azionarie sistematiche. Tuttavia, questo documento vi mostra una verità più sfumata, ma altrettanto potente. Molto spesso i professionisti dell'AI sostengono un utilizzo cieco dell'AI, che creerebbe una tabula rasa degli approcci precedentemente adottati (come il tradizionale factor investing). In questo modo, si potrebbe semplicemente dimenticare i fattori e utilizzare l'AI da zero. Pur essendo legittimo, questo approccio non tiene conto del fatto che l'AI è di fatto così flessibile da poter migliorare l'investimento in fattori senza metterne in discussione i principi economici sottostanti.

Il nostro framework ha dimostrato che l'AI può risolvere le principali insidie dei modelli fattoriali tradizionali, trasformandone i limiti in punti di forza. Adattandosi dinamicamente alle condizioni di mercato, identificando relazioni non lineari e migliorandone la precisione predittiva, l'AI migliora sia la solidità che la lungimiranza dell'investimento guidato dai fattori.

Ciò che rende questo approccio ancora più potente è la sua flessibilità: mentre lo abbiamo dimostrato con il fattore qualità, la stessa metodologia può essere applicata ad altri fattori, aprendo la porta a una trasformazione più ampia. Così come un tempo si discuteva se tutte le auto sarebbero state elettriche - e oggi vediamo che questo cambiamento sta diventando realtà - la stessa evoluzione sta avvenendo nel factor investing. Il futuro è potenziato dall'intelligenza artificiale.

Ma che dire della trasparenza di questi modelli? Una preoccupazione comune è che i sistemi di AI funzionino come scatole nere, rendendoli difficili da interpretare. Perché il sistema di intelligenza artificiale classifica così bene un titolo? Quali sono i valori fondamentali da tenere sotto controllo oggi secondo l’AI? Queste sono alcuni esempi di domande a cui vorremmo poter rispondere come investitori. Nella prossima discussione analizzeremo come le moderne tecniche di AI ci permettano di rendere trasparenti questi sistemi, demistificando le loro decisioni e assicurando che gli investitori possano fidarsi delle intuizioni che forniscono.