Sfruttare la potenza dell’IA per migliorare il processo decisionale negli investimenti
L’obiettivo delle strategie d’investimento attive e basate sui dati è quello di ottenere un vantaggio informativo: sapere di più, vedere più chiaramente e agire più velocemente rispetto agli altri operatori di mercato. Ciò comporta individuare e interpretare le informazioni chiave e agire in base ad esse prima che i loro effetti si riflettano interamente nei prezzi di mercato. In passato, nell’esaminare la qualità e le valutazioni delle società, gli investitori data driven utilizzavano in gran parte informazioni quantitative e strutturate, come il rapporto prezzo/utili di una società, oltre a dati di mercato come la performance delle azioni e il volume di trading. Questo elenco è cresciuto negli ultimi anni grazie alla disponibilità di serie di dati strutturati come quelli che riguardano le spedizioni, il traffico web su Internet e le transazioni con carta di credito.
Sebbene questi parametri rimangano importanti, il processo decisionale negli investimenti si è evoluto significativamente negli ultimi anni ed è accelerato con l’ascesa dell’intelligenza artificiale (IA). Gli investitori data driven ora hanno accesso a serie di dati più ampie, meno strutturate e più complesse che mai. Fonti non tradizionali come articoli di giornale, documenti normativi e brevetti depositati, trascrizioni e registrazioni audio delle earning call richiedono nuovi metodi per analizzare i dati ed estrarre informazioni utili. Il progresso dell’IA ha dotato gli investitori di strumenti sempre più potenti per elaborare queste serie di dati più articolati e non convenzionali, con l’obiettivo di costruire segnali di alpha e migliorare il processo decisionale.
Sfruttare l’IA in modo efficace implica molto più della semplice tecnologia necessaria, come lo storage scalabile e i cluster di unità di elaborazione centrali e grafiche (CPU e GPU). Un processo d’investimento basato sull’intelligenza artificiale richiede una strategia ben progettata per acquisire dati con il potenziale di produrre informazioni significative, pulirli e incorporarli in un framework integrato. In altre parole, riteniamo che una strategia basata sull’IA di impatto e scalabile si fondi su una solida strategia di dati integrata nella cultura e nella filosofia di un’azienda.
La diffusione della tecnologia dell’IA non ha diminuito l’importanza delle persone che la utilizzano, anzi l’ha aumentata. Sfruttare appieno la potenza dei big data e dell’IA richiede data scientist in grado di formulare ipotesi di alta qualità e promuovere nuove idee. Devono sapere quali metodi e tecniche forniranno le informazioni più differenziate dai dati disponibili e come utilizzare queste informazioni per svolgere attività specifiche in modo efficiente.
A nostro avviso, entrambi questi elementi, una solida strategia di dati e data scientist innovativi, sono essenziali per alimentare una strategia d’investimento attiva e basata sui dati. In questo articolo ci avvaliamo dell’esperienza del team Quantitative Investment Strategies (QIS) di Goldman Sachs Asset Management per analizzare questi due elementi e le soluzioni che cercano di rendere possibili.
Strategia e scienza
Se implementata in modo efficace, l’IA può consentire agli investitori di estrarre informazioni significative da serie di dati complessi e non strutturati che un tempo erano incredibilmente difficili da elaborare. Alla base di questo processo ci sono i dati.
Riteniamo che gli investitori debbano disporre di una strategia esaustiva per acquisire ed elaborare serie di dati con il massimo potenziale per ottenere informazioni significative. Questa strategia dovrebbe concentrarsi su aree quali la qualità e l’infrastruttura dei dati, oltre che la governance, i test, la distribuzione e la supervisione di questi ultimi.
I data scientist esperti nel lavorare all’intersezione tra i dati e l’IA sono meglio preparati per selezionare modelli appropriati e identificare e attenuare i bias che possono essere intrinseci alle serie di dati disponibili. Se questi bias non vengono rilevati, possono assumere un ruolo eccessivo nell’addestramento di un modello di IA. Nel considerare gli strumenti di IA, i data scientist devono valutare i compromessi tra complessità, trasparenza e interpretabilità. Comprendendo i punti di forza e i limiti delle tecniche di IA, i data scientist esperti possono contribuire a garantire che i dati e i modelli scelti per un progetto specifico siano allineati con gli obiettivi di quest'ultimo.
Non basta chiedere a un modello di IA generativa di prevedere i rendimenti dei titoli o di consigliare azioni da acquistare o vendere. Riteniamo che le tecniche di IA debbano essere considerate come strumenti per testare e acquisire ipotesi durante l’analisi degli investimenti. Il valore reale risiede nella capacità degli esseri umani di generare ipotesi di alta qualità e idee innovative che possono essere applicate a una serie dinamica di dati e fornire potenzialmente un vantaggio competitivo a lungo termine.
Analisi dell’audio
Un esempio di ipotesi produttiva che ha il potenziale di sfruttare l’uso efficiente dei modelli di IA è la convinzione del nostro team QIS che il sentiment espresso da esponenti e manager aziendali nelle earning call possa fornire informazioni sulle potenziali performance future delle aziende. Queste persone hanno generalmente una profonda conoscenza delle prospettive delle loro aziende, di conseguenza il loro comportamento e i loro commenti possono suggerire cambiamenti nel loro modo di pensare.
Per oltre un decennio il team QIS ha convalidato e implementato questa ipotesi come strategia d’investimento utilizzando varie tecniche. Sfruttando strumenti di elaborazione del linguaggio naturale (Natural Language Processing, NLP) come il Bidirectional Encoder Representations from Transformers (BERT)1 per elaborare le trascrizioni delle earning call, il team QIS può valutare il sentiment testuale delle dichiarazioni del management. Dal 2023 abbiamo integrato questo processo, volgendo la nostra attenzione anche al modo in cui vengono rilasciate tali dichiarazioni.
I dati necessari per questa analisi possono essere ricavati dalle registrazioni audio delle earning call. L’analisi dell’audio ci consente di cogliere le sfumature emotive nella trasmissione di un messaggio, i cambiamenti di tono e l’enfasi, che sarebbero difficili da distinguere con una trascrizione. Riteniamo che le sessioni di Q&A delle earning call contengano un alto livello di queste informazioni addizionali, in virtù dell’immediatezza degli scambi e della loro natura spontanea. All’audio grezzo di esponenti e manager aziendali in occasione delle earning call si possono applicare le tecniche del deep learning2 per estrarre un’ampia gamma di caratteristiche e analizzare i loro discorsi in base a indicatori come ambiguità, tono emotivo ed evasività. Sebbene gli analisti umani siano in grado di svolgere un compito simile, l’uso dell’IA consente agli investitori di elaborare l’audio di migliaia di earning call in modo efficiente e controllare la possibilità di pregiudizi umani. Il nostro team QIS, ad esempio, ha accesso a oltre 400.000 ore di dati audio provenienti da earning call.
Le registrazioni audio presentano sfide che non si verificano nell’analisi testuale. Spesso contengono periodi di silenzio, rumore di sottofondo e musica. Alcuni relatori sono più espressivi di altri. I relatori possono avere accenti diversi o parlare una lingua che non è la loro lingua madre. A causa di questa complessità, il nostro team QIS si basa su dati grezzi che puliamo noi stessi per preservare le sfumature potenzialmente rilevanti. Analizziamo il discorso di un oratore secondo il suo profilo vocale per fornire una linea di base coerente per il confronto. L’output dei modelli di deep learning può quindi essere utilizzato per aiutare a formare un segnale di alpha più robusto.
Rapporti causa-effetto
Un altro esempio di ipotesi produttiva è che possono emergere indirettamente rapporti causa-effetto tra titoli azionari attraverso l’esposizione a temi comuni. Se riusciamo a identificare rapidamente questi temi di mercato su larga scala, nonché la relativa esposizione di un dato titolo, potremmo essere in grado di sfruttare al meglio i trend emergenti.
Le tecniche di elaborazione del linguaggio naturale, come l’integrazione di modelli, ci consentono di rilevare questi temi in modo sistematico in varie serie di dati testuali, tra cui brevetti depositati, comunicati stampa aziendali, notizie e report degli analisti sell-side.3 Una volta identificati questi temi, possiamo monitorare le performance delle aziende per valutare e seguire le dinamiche di questi vari trend tematici. Il team QIS attualmente ha accesso a 290.000 report degli analisti, 2 milioni di notizie e 50 milioni di brevetti a livello globale all’anno.
Prendiamo ad esempio le notizie. Secondo il nostro team QIS, le società che spesso vengono citate insieme nelle notizie probabilmente sono collegate dal punto di vista economico e la bassa reattività degli investitori a questi collegamenti può innescare relazioni causa-effetto nei rendimenti delle azioni. In base a questa ipotesi, è possibile utilizzare le tecniche di IA per analizzare il grande volume di notizie che monitoriamo quotidianamente. In questo modo possiamo creare un collegamento tra migliaia di azioni e osservare le reazioni a catena derivanti dagli eventi di mercato, che a nostro avviso possono influire sui rendimenti azionari.
Mentre i metodi tradizionali di analisi potrebbero essere sovraccaricati dal flusso incessante di nuove informazioni, un approccio quantitativo basato sui dati e sui modelli di IA ci consente di comprendere come un evento globale potrebbe innescare effetti di primo e secondo ordine. Ad esempio, un’interruzione delle forniture di gas naturale potrebbe far salire il prezzo dei fertilizzanti, contribuendo infine a un aumento dei prezzi alimentari globali. In un caso come questo, i nostri modelli potrebbero identificare le società coinvolte in questi collegamenti.
Una visione completa
La rapida evoluzione delle tecniche di IA ha dotato gli investitori di nuovi potenti strumenti per valutare le società e gestire i rischi. Oltre ai dati tradizionali come i bilanci, ora gli investitori possono accedere a set di dati ampi, complessi e meno strutturati, che possono fornire spunti su ulteriori elementi potenzialmente in grado di influenzare il valore futuro di una società. Questo processo inizia e termina con un essere umano alla guida. Inizia con una strategia per l’acquisizione, la pulizia e l’elaborazione dei dati e si affida ai data scientist per la fornitura di nuove ipotesi che massimizzino l’efficacia delle tecniche di IA, nonché per il monitoraggio costante, l’innovazione, l’interpretazione e l’estrazione di informazioni. Sfruttando la potenza dell’IA, gli investitori possono ottenere una comprensione più completa delle società e migliorare i loro processi decisionali e di gestione del rischio.
1 BERT è un modello linguistico di deep learning che può essere perfezionato per determinare la probabilità che un input sia un’affermazione positiva, neutra o negativa.
2 IBM. Il deep learning è un tipo di machine learning che utilizza reti neutre artificiali multilivello per simulare il processo decisionale del cervello umano. Al 26 novembre 2024.
3 I modelli di embedding vengono utilizzati per convertire i dati in un formato numerico per permettere l’elaborazione da parte dei computer. Ad esempio, possono riconoscere parole e frasi per rappresentarle come vettori, che sono elenchi di numeri. Questi vettori rappresentano il significato e le relazioni tra i singoli dati. Le parole con significati simili avranno rappresentazioni vettoriali simili.
