Scienza dei dati, intelligenza artificiale (IA) e apprendimento automatico sono temi di grande attualità nell’ambito della gestione degli investimenti, perché le aziende sono alla ricerca di nuove modalità per la modellizzazione dei problemi di investimento e la creazione di insight differenziati. Ma l’utilizzo della scienza dei dati è anche una relativa novità per il settore. E questo può creare difficoltà. Come sfruttarla nel modo giusto?
Sempre più spesso i gestori degli investimenti guardano oltre la regressione lineare semplice e sono alla ricerca di modalità più avanzate per la modellizzazione dei problemi di investimento. Questo li ha spinti verso la scienza dei dati: un campo multi-disciplinare che applica metodi scientifici per estrarre insight dai dati. La scienza dei dati include l’IA, in cui le macchine imitano il processo decisionale umano, mentre l'apprendimento automatico è una semplice applicazione dell’IA alla risoluzione dei problemi. Naturalmente l’input grezzo sono i big data.
È tuttavia necessario superare alcune difficoltà affinché i gestori degli investimenti possano fare un reale passo avanti nella scienza dei dati, un panorama ancora complicato e frammentato. Molti fornitori dichiarano di poter raggiungere grandi risultati ma poiché il settore è ancora agli albori e gli standard di riferimento scarseggiano, i gestori degli investimenti devono controllare attentamente gli insiemi di dati, le tecnologie, le piattaforme e i partner.
La solita sfida, in una nuova era
Nella gestione degli investimenti, la premessa di base è la stessa da decenni: gli investitori cercano di superare il mercato individuando dati unici e sintetizzandoli più velocemente e meglio degli altri. Ma oggi abbiamo molti più dati, che ci giungono più rapidamente e in formati diversi.
Disponiamo anche di tecniche e strumenti più avanzati: algoritmi più rapidi, macchine migliori, codice open source e tecnologie cloud-based. Ma gli strumenti per l’apprendimento automatico e l’IA sono in grado di sintetizzare meglio i dati finanziari e consentirci una più rapida estrazione di insight maggiormente differenziati? Non necessariamente. Per comprendere quali dati e quali tecniche faranno avanzare i nostri processi di investimento dobbiamo scavare più a fondo. La chiave rimane l’identificazione delle giuste controversie di investimento che traineranno la performance degli asset.
In questo momento ci stiamo focalizzando proprio su questo con il nostro team centralizzato che si occupa di scienza dei dati: sappiamo a quali risultati stiamo puntando – la risoluzione di problemi di investimento chiave – e conosciamo le giuste domande da porre. I nostri analisti fondamentali e quantitativi sono esperti nel loro settore, pertanto ci avvaliamo della loro collaborazione e della loro guida nella nostra analisi dei dati e nella ricerca di modellizzazione.
Applicare i big data e la scienza dei dati
I big data possono potenzialmente cambiare il modo in cui i gestori degli investimenti considerano le aziende.
I team di ricerca tradizionalmente scavano nei bilanci delle aziende e interagiscono con i management team per valutare le prospettive, magari anche parlando con clienti e fornitori per trarre informazioni da tutta la catena del valore. Nella valutazione delle vendite l’enfasi è sempre stata posta sulle stime, perché le aziende pubblicano i bilanci settimane dopo la chiusura del trimestre e non sono disponibili informazioni pubbliche in tempo reale da questo canale.
Oggi possiamo attingere a un universo di dati molto più ampio per costruire una panoramica più completa su una società. Se stiamo effettuando una ricerca su una società di prodotti di consumo, possiamo analizzare i siti web per verificarne la popolarità, le strategie di prezzo e i livelli delle scorte. Qual è il tenore delle review dei clienti? Quante persone ricercano i suoi prodotti? Possiamo focalizzare l’analisi sul suo business online analizzando le ricevute via e-mail o le transazioni con carta di credito. I dati dai telefoni cellulari possono aiutarci a monitorare l’affluenza nelle sue sedi fisiche.
Un potenziale che va oltre la risoluzione dei problemi di investimento
Gli investitori possono inoltre utilizzare l’apprendimento automatico per sviluppare algoritmi migliori che aiutano i gestori di portafoglio e i trader a decidere cosa negoziare, quando farlo e dove. Valutando continuamente i feedback delle negoziazioni, gli algoritmi possono essere aggiustati dinamicamente per orientare le transazioni verso il prezzo migliore per i clienti.
Anche le applicazioni per la gestione del rischio hanno del potenziale. Immaginiamo un sistema automatico per la gestione del rischio che può sistematicamente analizzare un insieme mirato di dati e fonti di informazioni su scala globale, elaborare questi dati e mettere in luce specifiche strategie e partecipazioni che potrebbero essere a rischio in caso di sviluppi improvvisi. Questi insight tempestivi possono essere poi inoltrati al team dedicato alla gestione del rischio per finalità di discussione e dibattito con i team di investimento. La scienza dei dati può altresì aiutarci a comprendere i rischi organizzativi, monitorando la compliance con le normative anti-riciclaggio e offrendo insight sull’impatto delle nuove regolamentazioni.
La domanda strutturale: approccio centralizzato, distribuito o ibrido?
Come gruppo, la maggior parte delle grandi società di gestione degli investimenti è arrivata tardi rispetto ai grandi hedge fund sistematici nel perseguire e adottare la scienza dei dati. E francamente l’approccio su questo fronte, finora, è stato di tipo “hit or miss”. Nella nostra opinione, in questa fase la scienza dei dati per i gestori degli investimenti è una questione di tentativi. Una società tenta una strada, investe, vede se funziona. Se fallisce, abbandona l’iniziativa e tenta di nuovo.
Oggi, a quanto pare, il settore è al suo secondo tentativo. Alcune società stanno aprendo dei centri dedicati alla scienza dei dati, altre stanno creando dei team centralizzati per esercitare un impatto a livello di intera azienda, che richiede uno sforzo su scala più ampia. I team possono comprendere decine di persone che ricercano, assimilano, filtrano e analizzano i big data.
La centralizzazione facilita la creazione di standard uniformi e la condivisione più ampia delle informazioni, tuttavia soddisfare le esigenze dei singoli team di portafoglio che competono per il tempo e la larghezza di banda può essere complicato. E c’è poi l’inevitabile rischio che i team di portafoglio si accaparrino i migliori analisti.
Altre società adottano un approccio ibrido – il modello che utilizziamo anche noi. Un team centralizzato si focalizza su standard, iniziative e insight a livello di intera azienda, mentre alcuni scienziati dei dati si focalizzano su progetti specifici per business unit. A nostro avviso, il team centralizzato rappresenta un centro d’eccellenza per l’azienda, perché condivide informazioni e fornisce competenze laddove necessario per supportare i diversi team di investimento nella loro attività.
La scienza dei dati affronterà una fase calante
Le grandi società di gestione degli investimenti stanno investendo molto nella scienza dei dati, ma questo non garantisce che il denaro sia destinato alle giuste priorità o strutture. C’è ancora molto clamore, piuttosto che una reale sostanza, che dovrebbe rimanere vivo per qualche altro anno ancora.
Seguirà probabilmente un periodo calante. Alcune società perderanno interesse per la scienza dei dati per due ragioni principali. In primo luogo, è molto complicato lavorare con insiemi di dati alternativi, e se tutti faranno la stessa cosa potrà sembrare difficile agire diversamente. Secondariamente, alcune tecniche di apprendimento automatico e IA non sono applicabili ai nostri problemi di investimento: queste tecniche falliranno e non sarà possibile spiegare il perché. Abbiamo preso atto delle diverse limitazioni delle tecniche di apprendimento automatico anche nella nostra ricerca proprietaria: i dati finanziari hanno un rapporto segnale/rumore estremamente ridotto.
Dunque, se la tesi a supporto della scienza dei dati nella gestione patrimoniale è certamente interessante, ci sono molti ostacoli culturali e pratici da superare prima che il settore possa fare un grande salto in avanti. Analizziamo ora alcuni degli ostacoli principali e come i gestori degli investimenti possono agire per superarli.
Sfruttare i big data: un elemento decisivo per la scienza dei dati
La qualità dei modelli è lo specchio della qualità dei dati che utilizzano. Qualcuno potrà esserne sorpreso, ma in genere la qualità dei dati non è straordinaria. Molti gestori degli investimenti lavorano con un certo numero di sistemi interni pregressi e non è facile integrare i dati disseminati nell’azienda, sfruttarli e sviluppare spunti utili.
I dati possono avere formati differenti e non disporre di identificativi che possano agevolare la loro associazione nei diversi sistemi. I dati duplicati devono essere analizzati e filtrati. I problemi legati alla qualità dei dati rallentano i progetti e molte aziende (compresa la nostra) hanno capito che devono affrontare questo problema prima di effettuare analisi predittive.
Gli insiemi di dati alternativi inoltre tendono ad avere formati difficilmente fruibili. In che modo associare una location su cellulare con la location di un negozio e in seguito farle corrispondere a un asset negoziabile? Inoltre gli insiemi di dati più nuovi non hanno uno storico che possa essere utilizzato dagli scienziati dei dati per normalizzarli e renderli efficaci: quali tendenze dovremmo aspettarci da un insieme di dati?
Infine, se è vero che i big data sono “big” per definizione, raramente sono completi. Possiamo ad esempio ottenere milioni di punti dati relativi alle location dei cellulari, ma non individueremo la totalità dei clienti che fanno shopping in tutti i negozi di un retailer. Dobbiamo utilizzare tecniche statistiche per estrapolare insight dai campioni che abbiamo.
Come possono fare i gestori degli investimenti a risolvere le difficoltà legate ai dati? Dobbiamo trattare i dati come un asset fondamentale per il successo – e investire negli ingredienti necessari. Nella nostra azienda abbiamo assunto architetti dei dati, strategist, steward e analisti per migliorare e semplificare l'acquisizione dei dati, la loro pulizia, archiviazione, analisi e pubblicazione. Dati accessibili, accurati, catalogati e tempestivi stanno alla base di qualunque attività associata alla scienza dei dati.
Affrontare le difficoltà organizzative per far progredire la scienza dei dati
Oltre ai big data, la capacità di gestire altri fattori – sia strutturali che culturali – determinerà il successo dei gestori degli investimenti nel rendere la scienza dei dati una parte integrante dei loro processi di ricerca e di investimento.
Guidare dal vertice, con un mantra: collaborazione. Non tutti sono entusiasti della scienza dei dati, ivi inclusi molti leader di settore. Un recente sondaggio di KPMG sui CEO della gestione patrimoniale ha rilevato che più di metà preferisce i dati storici rispetto all’analisi predittiva, e due terzi fanno affidamento sulle loro intuizioni piuttosto che su insight modellizzati.* Se la scienza dei dati non ha il supporto del vertice dell’organizzazione, è probabilmente destinata a fallire. La leadership deve integrare la scienza dei dati negli obiettivi strategici di un’azienda.
I leader potrebbero dover modificare la cultura aziendale per incoraggiare uno sforzo collettivo. Le aziende caratterizzate da una cultura della ricerca collaborativa possono avere un vantaggio, ma il management deve comunque dimostrare chiaramente il suo impegno verso la scienza dei dati, nonché un mandato top-down per supportare il lavoro ai livelli inferiori.
Rompere le tradizionali compartimentazioni aziendali. La scienza dei dati talvolta fallisce perché le compartimentazioni strutturali, di business o funzionali fanno da ostacolo. Per avere successo le aziende devono integrare il lavoro di un gruppo molto ampio di stakeholder con competenze diversificate: gestori di portafoglio, analisti quantitativi, esperti di tecnologia degli investimenti e anche team operativi, responsabili per i dati.
Non è di certo semplice mettere tutti sulla stessa lunghezza d’onda, specialmente nelle grandi aziende in cui le linee di reporting, le definizioni delle business unit e le priorità strategiche possono ostacolare un’integrazione lineare. Offrire degli incentivi alla collaborazione tra i tradizionali compartimenti aziendali è un modo per incoraggiare queste collaborazioni.
Evidenziare i successi importanti per generare entusiasmo. Dal nostro punto di vista, la combinazione tra uomo e macchina è un’estensione dell’integrazione tra l’analisi fondamentale e l’analisi quantitativa, che mettiamo in atto già da tempo. Ma rimane importante dimostrare i successi precedenti per generare momentum.
Alcuni anni fa abbiamo utilizzato i social media per potenziare i sondaggi tradizionali nelle previsioni elettorali. Abbiamo rilevato che la previsione dei risultati effettivi risulta più efficace combinando entrambe le prospettive. Come abbiamo già detto, abbiamo utilizzato i dati sulle review dei clienti per valutare le prospettive di nuovi prodotti come iPhone X e Subaru Ascent. E abbiamo effettuato una ricerca sui modelli di apprendimento automatico per capire su quali settori possono avere un impatto.
Demistificare la sindrome della scatola nera. “Scatola nera” non è necessariamente un termine negativo, ma l’incapacità di interpretare i risultati può ostacolare l’adozione della scienza dei dati. I team di investimento che non comprendono appieno un processo, difficilmente potranno riporvi fiducia. Per questo l’interpretabilità è importante per i nuovi tool e algoritmi.
Ci sono diverse tecniche che possono spiegare i segnali prodotti da un modello. Non sono necessariamente perfette, ma possono aiutare gli scienziati dei dati a spiegare gran parte dei segnali di un modello, ad esempio il motivo per cui non sta selezionando un determinato titolo, Paese o valuta. Il settore sta sviluppando dei tool migliori per rimuovere lo stigma della scatola nera, che tuttavia rappresenta ancora un ostacolo.
In base alla nostra esperienza, un modo per superare questo ostacolo è sostenere la creazione di modelli che abbiano basi economiche solide e siano fondamentalmente intuitivi, in modo da non dover fare affidamento unicamente su ciò che ci dicono i dati. Come abbiamo già detto, i dati possono essere poco chiari e portare a false conclusioni o correlazioni.
La scienza dei dati non è la soluzione per tutti i progetti. Gli esperti devono stare attenti a non farsi trascinare dall’entusiasmo nell’impiego dei tool per la scienza dei dati. La regola generale è chiara: non lasciare che la tecnica traini l’approccio di ricerca; sono le domande a doverla trainare. Se sembra che l’apprendimento automatico possa essere d’aiuto (lo studio sull’iPhone, ad esempio), va utilizzato.
Ma per i problemi con un ridotto numero relativo di punti dati, la regressione lineare semplice sarà sufficiente. Utilizzare invece la scienza dei dati andrebbe a produrre un modello eccessivamente complicato che potrebbe generare dal campione dei risultati non soddisfacenti. In futuro, molti di noi si scontreranno con usi inappropriati dell’apprendimento automatico. E sarà opportuno segnalarli.
Per concludere
L’uso della scienza dei dati nel settore della gestione degli investimenti è molto promettente, e in precedenza ha messo a segno alcuni successi. Abbiamo fiducia nel fatto che il modello uomo più macchina possa funzionare ed essere in definitiva più utile rispetto all’uso singolo di uno dei due. La maggior parte delle aziende, a parte alcune boutique quantitative, sta integrando i due approcci.
Nella nostra azienda consideriamo le competenze settoriali degli analisti di settore e quantitativi come fondamentali per determinare le aree da sottoporre a ricerca, individuando le controversie di investimento o gli insiemi di dati ad alto potenziale. Gli scienziati dei dati stanno individuando gli insiemi di dati e ricercando tecniche di modellizzazione avanzate per trovare nuove correlazioni. L’integrazione di queste attività avrà probabilmente come risultato la generazione di insight differenziati.
Ma chi opera nel settore della gestione degli investimenti dovrà affrontare degli ostacoli per superare l’imminente periodo calante e portare avanti la scienza dei dati. Dobbiamo essere più aperti all’utilizzo dell’apprendimento automatico e dell’IA. Probabilmente anche gli scettici ammetteranno che queste tecniche sono un buon punto di partenza per aiutarci a scegliere meglio azioni e obbligazioni. Ma c’è ancora molto da fare prima che il settore possa davvero integrare la scienza dei dati.
Una cosa è certa: sicuramente non possiamo ignorarla.
