1. L'impatto generale dell'intelligenza artificiale e del machine learning sul trading
L'intelligenza artificiale (IA) permette alle macchine di prendere il posto delle persone. Negli anni Ottanta, i sistemi esperti e la logica fuzzy erano all'avanguardia della ricerca sull'IA. Con il calo del costo della potenza di calcolo, usare le macchine per affrontare problemi di ottimizzazione su larga scala è diventato economicamente sostenibile. Grazie ai progressi di hardware e software, oggi l'IA punta sulle reti neurali e su altri metodi di apprendimento per individuare e analizzare i predittori — detti anche caratteristiche o fattori — che hanno valore economico e possono essere combinati con dei classificatori per sviluppare modelli redditizi. Questo tipo di applicazione dell'IA viene spesso chiamato machine learning (ML).
L'uso di metodologie per costruire strategie di trading basate sull'IA, sia su orizzonti temporali brevi sia per investimenti di più lungo periodo, è sempre più diffuso, e alcuni hedge fund sono particolarmente attivi in questo campo. Tuttavia, l'adozione su larga scala di questa nuova tecnologia procede a rilento per svariati motivi, il più importante dei quali è che l'IA richiede investimenti in nuovi strumenti e in competenze umane. La maggior parte dei fondi utilizza l'analisi fondamentale, perché è ciò che i gestori studiano durante i loro MBA. Gli hedge fund che si affidano esclusivamente all'intelligenza artificiale sono pochi. Sebbene l'uso dell'IA nel retail sia in crescita, la maggioranza dei trader continua ad affidarsi a metodi introdotti a metà del ventesimo secolo, come l'analisi tecnica classica, perché sono semplici da capire e da usare.
Va sottolineato che IA e ML sono impiegati anche in ambiti diversi dallo sviluppo di strategie di trading, come la costruzione di algoritmi per la ricerca di liquidità o la raccomandazione di portafogli ai clienti. Di conseguenza, man mano che le applicazioni dell'IA prendono piede, il numero di persone coinvolte nelle decisioni di trading e di investimento diminuisce, con effetti sui mercati e sui movimenti dei prezzi. È presto per speculare sulle implicazioni complessive di questa nuova tecnologia per il settore, ma un uso diffuso dell'IA potrebbe portare a mercati più efficienti, con bassa volatilità per lunghi periodi, seguiti da picchi di volatilità periodici dovuti ai cambi di regime. È uno scenario plausibile, perché si ridurrebbe l'influenza dell'interpretazione soggettiva delle informazioni da parte degli esseri umani, e con essa il rumore correlato. Resta però da dimostrarlo nella pratica.
2. L'impatto di IA e machine learning sulla generazione di alfa
Chi comprende la tecnologia dell'IA e sa come gestirne i pericoli avrà un'opportunità nelle prime fasi della sua adozione. Un problema dei metodi di trading basati sull'IA è che possono produrre modelli peggiori del caso. Provo a chiarire cosa intendo: l'analisi tecnica tradizionale è una strategia perdente, perché le tecniche basate su pattern grafici e indicatori traggono i loro guadagni da una distribuzione con media pari a zero, prima ancora di considerare i costi di transazione. Alcuni trader si trovano di norma nella coda destra della distribuzione, dando la falsa impressione che queste strategie abbiano valore economico. Nei mercati dei futures e del Forex la redditività di lungo periodo è difficile da ottenere a prescindere dall'approccio, perché questi mercati sono concepiti per premiare i market maker. Per pura fortuna, tuttavia, alcuni trader possono realizzare grandi profitti nei mercati a leva in poco tempo. Poi, anziché alla fortuna, questi trader attribuiscono il proprio successo alla strategia e al talento.
Con IA e ML entrano in gioco effetti aggiuntivi, come il compromesso bias-varianza. Il bias da data mining può generare metodi sovradattati ai dati passati che falliscono sui dati nuovi, oppure tecniche troppo semplicistiche che non colgono i segnali cruciali con valore economico presenti nei dati. Questo compromesso produce tattiche peggiori del caso e un'asimmetria negativa nella distribuzione dei rendimenti di questi trader, prima ancora di includere i costi di transazione. Nel periodo successivo al quantitative easing, ciò crea un potenziale di profitto per i grandi fondi e per gli investitori. Ma quando i trader IA peggiori del caso saranno stati espulsi dal mercato e resteranno solo quelli con modelli solidi, la competizione per i profitti si farà più accesa. È troppo presto per prevedere se in questa lotta prevarranno i trader IA o i grandi investitori.
Vorrei inoltre affrontare un equivoco frequente in questo campo: alcuni ritengono che il valore stia negli algoritmi di ML utilizzati. Non è così. Il valore reale sta nei predittori impiegati, spesso chiamati caratteristiche o fattori. Gli algoritmi di ML non possono trovare l'oro dove l'oro non c'è. Un problema è che la maggior parte degli specialisti di ML usa gli stessi predittori e prova a costruire modelli in modo iterativo per ottenere i risultati migliori. Questa tecnica è minata dal bias da data mining e alla fine fallisce. In poche parole, il bias da data mining nasce dalla pratica rischiosa di riutilizzare i dati con molti modelli finché i risultati nei campioni di addestramento e di test non risultano soddisfacenti. In base ai miei studi in questo campo, se un classificatore semplice, come la regressione logistica binaria, non funziona bene con un dato insieme di predittori, c'è un'alta probabilità che non esista alcun valore economico. Il successo dipende quindi dal feature engineering, che è insieme scienza e arte e richiede conoscenza, esperienza e ispirazione per ideare caratteristiche dotate di valore economico; solo una minima parte degli esperti ne è capace.
3. L'impatto dell'intelligenza artificiale e del machine learning sull'analisi tecnica
Dobbiamo distinguere tra analisi tecnica tradizionale e quantitativa, dato che in questa categoria rientrano tutti gli approcci basati sull'analisi delle serie di prezzi e volumi. L'analisi tecnica tradizionale — pattern grafici, indicatori di base, teorie di price action e così via — è stata inefficace fin dall'inizio. A parte poche iniziative imperfette di portata limitata, le pubblicazioni che decantavano questi approcci raramente ne rivelavano le aspettative statistiche di lungo periodo, limitandosi a garantire che, seguendo questa o quella regola, ci sarebbe stato un potenziale di profitto. Poiché guadagni e perdite di mercato seguono una distribuzione statistica, c'è sempre stato chi ha attribuito la propria buona sorte a questi approcci. Nel frattempo, intorno a queste procedure è nata un'intera industria, perché erano facili da padroneggiare. Purtroppo molti hanno creduto di poter guadagnare usando meglio degli altri tattiche che tutti impiegavano, e il risultato è stato un enorme trasferimento di ricchezza da questi trader ingenui ai market maker e ad altri professionisti ben informati.
All'inizio degli anni Novanta, alcuni specialisti di mercato scoprirono che un gran numero di trader retail operava con queste tattiche poco sofisticate. Alcuni costruirono algoritmi e sistemi esperti di IA per prevedere le formazioni e poi operare contro di esse, generando una volatilità che i trader retail, talvolta detti «mani deboli», non riuscivano a reggere. In senso più ampio, il fallimento dell'analisi tecnica tradizionale può essere ricondotto alla scomparsa della forte correlazione seriale dai mercati a partire dagli anni Novanta. Era soprattutto la forte correlazione seriale a dare la falsa impressione che queste procedure funzionassero. Con poche eccezioni, oggi i mercati tendono al ritorno verso la media, il che rende inefficaci gli strumenti semplici di analisi tecnica. Alcuni strumenti di analisi tecnica quantitativa, invece, come i modelli di mean reversion e di arbitraggio statistico, oltre agli algoritmi di ML che sfruttano caratteristiche con valore economico, funzionano spesso in modo efficace.
Data l'ampia varietà di modelli e il fatto che la maggior parte resta riservata, è improbabile che questo tipo di arbitraggio si ripeta nel caso di IA e ML; ma il problema di fondo di questa nuova tecnologia non è il bias di conferma, come nell'analisi tecnica tradizionale, bensì il bias da data mining.
Osservare il mercato e guardare i grafici sta diventando, a mio avviso, una pratica superata. Il futuro del trading è fatto di elaborazione delle informazioni in tempo reale, sviluppo di modelli e validazione. L'hedge fund del futuro non si affiderà all'analisi dei grafici. Alcuni continuano a farlo perché si trovano a un bivio in cui i vecchi metodi si scontrano con i nuovi. Molti trader che non hanno dimestichezza con l'IA faticheranno a competere in futuro e finiranno per ritirarsi.
4. Vincitori e vinti della nuova tecnologia di trading
L'uso dell'intelligenza artificiale rivoluzionerà il trading in molti modi, e sta già accadendo. Gli investitori potrebbero presto scoprire che, una volta esaurito l'attuale trend creato dal QE, i rendimenti a medio termine saranno molto inferiori alle attese. Se questo scenario si verificherà, gli investitori dovranno tornare al metodo tradizionale: trovare un consulente finanziario capace, in grado di raccomandare una composizione di portafoglio e selezionare azioni destinate ad apprezzarsi. In alcuni casi il consulente sarà un programma di intelligenza artificiale e la procedura si svolgerà online.
I trader devono familiarizzare con questa nuova tecnologia. La maggior parte è ancora alle prese con approcci superati, sperando che il «buy the dip» continui a funzionare e a generare profitti ancora per qualche anno.
Uno dei problemi è l'azzardo morale alimentato dalla banca centrale con il sostegno diretto ai mercati finanziari negli ultimi otto anni. Molti trader e investitori sono ormai convinti che i mercati ribassisti siano impossibili, perché la banca centrale sarà lì a trasferire le loro perdite su tutti gli altri lasciando a loro i guadagni. Di conseguenza, la maggioranza degli operatori di mercato non è preparata al prossimo grande cambio di regime e potrebbe subire perdite catastrofiche.
Esistono numerose risorse online per imparare machine learning, intelligenza artificiale e trading. Il modo migliore per imparare è affrontare alcuni casi pratici. Credo però che la maggior parte dei trader non riuscirà ad adattarsi. La combinazione di competenze necessaria per comprendere e impiegare l'IA elimina il 95% dei trader abituati a tracciare linee sui grafici e a osservare le medie mobili.
Gli investitori dovrebbero fare le proprie ricerche e chiedere consiglio a un consulente finanziario professionista che conosca questi nuovi sviluppi. Ogni investitore ha un profilo di avversione al rischio unico, il che rende impossibile fornire raccomandazioni generali. Presto ci sarà una proliferazione di robo-advisor, e sceglierne uno adatto a esigenze e obiettivi specifici potrebbe rivelarsi difficile.
Per chi non conosce ML e IA e le loro applicazioni al trading e agli investimenti, può essere più utile rivolgersi a un professionista esperto in materia piuttosto che intraprendere un percorso di lettura di libri e articoli, che potrà seguire una volta appresi i fondamenti.