Copilota, non pilota automatico: Come l’IA generativa potenzia, ma non sostituisce la gestione attiva

L’intelligenza artificiale (IA) è comunemente definita come una macchina che imita le funzioni cognitive del cervello umano. Per alcuni casi, come il gioco della dama il cui regolamento è semplice, si tratta di un obiettivo relativamente semplice, tant’è che fu proprio questo uno dei primi casi di utilizzo dell’IA da parte di Arthur Lee Samuel nel 1952.¹ Tuttavia, l’asticella si alza esponenzialmente ad ogni elevazione della complessità. Solo nel 1997 Gary Kasparov arrivò a perdere un’intera partita contro Deep Blue.² Ci sono voluti quasi altri due decenni, anche con tutti i progressi esponenziali della potenza di calcolo durante tale periodo, prima che AlphaGo battesse il gran maestro di Go Lee Sedol nel 2016.³ Pertanto, malgrado i progressi dell’IA, compresi quelli di cui parleremo in questo articolo, stiano espandendo la capacità cognitiva collettiva planetaria, è prematuro cercare di proteggersi dai robot senzienti o arrivare addirittura a temere che sostituscano completamente molti lavoratori della conoscenza, come i professionisti degli investimenti.

Invece, con l’avvento dei modelli linguistici di grandi dimensioni (LLM), che sono algoritmi di apprendimento profondo addestrati su gigantesche serie di dati, i risultati dell’IA possono spaziare da sintesi concise a approfondimenti dettagliati. Il pensiero va anzitutto al GPT-3 di OpenAI, da cui ha avuto origine ChatGPT.⁴ Il GPT-3 è stato addestrato sulla quasi totalità di Internet e sulla maggior parte dei libri.⁵ In questo modo la rete neurale ha ottenuto 175 miliardi di parametri,⁶ che utilizza per esprimere opinioni su argomenti che spaziano dal banale al sublime. Grazie a terabyte di dati di addestramento, all’ampia potenza amplificata dall’elaborazione distribuita e a un po’ di ingegno umano di vecchia scuola, le applicazioni dell’IA in molti campi, compreso quello degli investimenti, continueranno a progredire rapidamente. Sebbene molti di questi aspetti esulino dallo scopo di questo articolo introduttivo, presentiamo casi d’uso di come l’IA possa essere sfruttata da diversi investitori per puntare a migliorare i risultati e i flussi di lavoro desiderati .

Capacità di intelligenza artificiale: Analisi dei dati e potere predittivo

Sintetizzando al massimo il concetto di attività di investimento, potremmo dire che consiste nel determinare il valore equo di un’attività, analizzando il maggior numero di informazioni pubbliche che è possibile raccogliere, e poi, se i prezzi di mercato prevalenti differiscono dai risultati, nel suo acquisto o nella sua vendita. La quantità di dati rilevanti è enorme: documenti finanziari, trascrizioni degli utili, documenti normativi, articoli di giornale, audizioni giornaliere al Congresso e oggi persino conversazioni e tweet su Reddit. Sono dati sporchi, non normali e sempre più destrutturati (cioè intrinsecamente difficili da analizzare). Gli LLM sono in grado di elaborare e, soprattutto, di comprendere questi dati ad una velocità superiore a quella di qualsiasi team di analisti.

Un risultato fondamentale di questa attività consiste nella capacità di riassumere le informazioni per renderle umanamente comprensibili, sia che si tratti di migliaia di thread sui social media scritti in un linguaggio da zoomer (“no cap”⁷ direbbero loro, ossia “per davvero”), sia che si tratti del denso linguaggio legale usato nei documenti aziendali ufficiali (inconfutabilmente⁸). Facendo un ulteriore passo avanti, l’IA è in grado di combinare diverse serie di dati per ricavarne indicazioni non immediatamente evidenti nemmeno a un investitore umano esperto.

Quindi, dovremmo andare tutti fare un passo indietro e lasciare che le macchine prendano il sopravvento? Non così in fretta. Se opportunamente sollecitati, gli LLM sono rapidi nell’offrire risposte con la sicurezza di un economista che parla di argomenti in TV. Questo avviene perché sono addestrati, con criteri pavloviani, a offrire risposte di cui gli esseri umani si fidano. La maggior parte degli algoritmi prevede una ricompensa per la fornitura di risposte accettabili. Ma la sicurezza delle loro risposte è giustificata? Questo dipende da molti fattori e, anche se alimentati con dati di alta qualità, gli algoritmi di deep learning sono fallibili. Ad esempio, i modelli trasformatori (che costituiscono la maggior parte degli LLM) possono facilmente andare fuori strada, o prendere delle cantonate, perché funzionano prevedendo in sequenza la parola successiva più probabile in una frase. Si tratta di un processo autoregressivo, in cui le parole generate dall’LLM vengono utilizzate per prevedere quelle successive. Benché all’inizio sembri simile al modo in cui gli esseri umani pensano - dopotutto le parole che pronunciamo dopo sono basate su quelle che sono appena uscite dalla nostra bocca - le LM hanno molta più difficoltà a capire se stanno dicendo sciocchezze. Riconoscere quando l’IA si sbaglia di grosso, formulare le domande con precisione, perfezionare l’addestramento e fornire i dati più rilevanti sono tutti motivi per cui l’uomo rimane una parte cruciale del processo. Di seguito offriamo esempi pratici nel mondo degli investimenti.

Casi d’uso per la gestione patrimoniale, il wealth management, i trader e gli investitori retail

Potenzialmente, qualsiasi investitore può trarre vantaggio dall’utilizzo dell’IA. La tecnologia non metterà i trader retail sullo stesso piano degli investitori istituzionali perché non hanno accesso ai dati spropositatamente costosi e spesso proprietari su cui addestrare un sistema di IA che gli investitori istituzionali sviluppano da decenni; né saprebbero come mettere a punto gli algoritmi di deep learning per massimizzarne il potenziale. L’intelligenza artificiale può comunque aumentare la scala, la velocità e la sofisticazione della maggior parte degli investitori.

Casi d’uso nell’asset management:

I gestori di portafoglio possono addestrare gli LLM sulle presentazioni degli utili, sui movimenti dei prezzi dei titoli, sugli articoli di cronaca e sulle conversazioni nei social media. Possono inoltre inserire informazioni sui condizionamenti comportamentali (la teoria secondo cui le inefficienze del mercato sono dovute all’irrazionalità umana), le proprie note di ricerca, le valutazioni dei titoli e le operazioni eseguite. Dopo l’addestramento, questi dati possono essere immessi nell’LLM in tempo reale. In tal modo, di riflesso, si otterranno diverse applicazioni innovative come:

• Combinare il sentiment espresso attraverso informazioni non strutturate (tweet, subreddit, rapporti degli analisti, notizie ecc.) con dati strutturati (fondamentali aziendali, previsioni di consenso, indicatori macro) per identificare le incongruenze che possono indurre grandi movimenti di prezzo.
• L’intelligenza artificiale può aiutare i gestori del rischio fornendo segnalando tempestivamente shock di mercato desunti da effetti secondari e terziari. Ad esempio, immaginiamo un portafoglio obbligazionario contenente posizioni con spread di credito che iniziano ad allargarsi rapidamente. Un gestore umano comprenderebbe immediatamente l’aumento del rischio per queste posizioni sottostanti, ma che dire del resto del portafoglio? Un’intelligenza artificiale con miliardi di sinapsi ottimizzate potrebbe prevedere quali emittenti rischiano di diventare il successivo bersaglio sulla base di una moltitudine di dati, dalle correlazioni delle serie temporali agli articoli di cronaca, fino ai 10-K (rapporti annuali delle società). Un esempio recente, anche se tragico, ci viene dall’invasione dell’Ucraina che ha portato a un’improvvisa contrazione delle esportazioni di gas neon, un componente chiave dei semiconduttori automobilistici, con ripercussioni sui produttori di chip e quindi sulle case automobilistiche. Una rete neurale ben addestrata potrebbe trovare questo complesso collegamento sin dal momento in cui il primo mortaio ha colpito Mariupol - cosa che pochi esseri umani hanno fatto.
• L’intelligenza artificiale può avvisare i gestori di portafoglio se le operazioni programmate risentono di distorsioni comportamentali. Ad esempio, secondo l’effetto di disposizione, alcuni investitori sono riluttanti a vendere le posizioni in perdita, ma sono felici di cedere gli asset che hanno appena registrato un forte aumento dei prezzi. La distinzione tra una decisione prudente supportata dalle valutazioni e una decisione guidata dalle emozioni, per esempio tesa ad evitare i rimpianti, è l’ambito in cui un’intelligenza artificiale addestrata sulle operazioni precedenti e sulla finanza comportamentale può assumere il ruolo di coach imparziale.
• La capacità degli LLM di elaborare query conversazionali stanno prosciugando i bacini di conoscenza per svolgere attività di investimento complesse come l’ottimizzazione multiperiodale, la simulazione di strategie e la scomposizione dei fattori. In un certo senso, l’IA generativa sta democratizzando alcuni dei superpoteri che gli investitori quantitativi (o quant) detenevano in precedenza. Presto un gestore di portafogli multi-asset potrebbe chiedere al suo copilota AI di “costruire un portafoglio con la massima capacità di reggere una svolta della Federal Reserve statunitense, ma in grado di offrire un rendimento del 4%, non sovraesposto al fattore growth e non associato ad un rischio annualizzato superiore al 17% negli ultimi cinque anni”, ricevendo in risposta un modello. A patto, ovviamente, che si possa costruire un modello del genere con queste restrizioni. Pur sapendo che non esistono garanzie per il raggiungimento di questi risultati, in Franklin Templeton Investment Solutions stiamo lavorando per creare uno strumento di questo tipo.

Casi d’uso negli investimenti sostenibili:

Gli analisti ambientali, sociali e di corporate governance (ESG) potrebbero addestrare il loro sistema di intelligenza artificiale sulla base delle dichiarazioni di sostenibilità delle società pubbliche, dei parametri ESG quantificabili e dei comunicati stampa relativi alle dichiarazioni ESG di una società.

• L’intelligenza artificiale potrebbe quindi tentare di decifrare se le credenze popolari sulle pratiche ESG di una società corrispondono alla realtà, o se le società praticano ciò che predicano su una serie di parametri di sostenibilità, come la parità salariale, la riduzione dell’impronta di carbonio e l’indipendenza del consiglio di amministrazione.
• Analizzando i dati che non sono ancora confluiti nelle informative, l’intelligenza artificiale può identificare le aziende che stanno perfezionando le loro pratiche ESG. L’identificazione precoce di questi fattori di miglioramento ESG può produrre risultati di investimento migliori. Per esempio, cosa succederebbe se un’azienda funestata da polemiche sul trattamento riservato ai dipendenti appartenenti a minoranze iniziasse a inserire il linguaggio della diversità, dell’equità e dell’inclusione (DE&I) nelle sue offerte di lavoro più recenti? Se debitamente regolata e addestrata, l’intelligenza artificiale può generare inferenze da punti di dati come questi quasi in tempo reale.

Casi d’uso nel wealth management:

I consulenti finanziari possono utilizzare i sistemi di intelligenza artificiale per massimizzare la capacità dei loro clienti di raggiungere gli obiettivi per loro più importanti, un compito che spesso implica qualcosa di più della semplice massimizzazione del rendimento per un determinato livello di rischio.

• La determinazione degli obiettivi di investimento e della tolleranza al rischio dei clienti avviene spesso attraverso domande semplici. Ma quanto i clienti conoscono se stessi, soprattutto sotto pressione? I consulenti ricevono spesso telefonate di clienti in preda al panico dopo piccoli cali di mercato, che chiedono un’azione “correttiva”, anche da parte di coloro che dicono di poter tollerare grandi oscillazioni di mercato. Spesso sono richieste contrarie agli interessi dei clienti. L’intelligenza artificiale, addestrata in base alle interazioni passate, può guardare oltre i sondaggi e prevedere meglio il comportamento dei clienti per suggerire i portafogli che hanno maggiori probabilità di essere mantenuti durante le fasi di volatilità, arrivando persino a suggerire i momenti opportuni per contattare proattivamente i clienti prima che il panico abbia il sopravvento.
• Così come la tolleranza al rischio dichiarata può non corrispondere alla realtà, spesso gli obiettivi finanziari dei clienti non corrispondono alle loro effettive priorità. L’intelligenza artificiale è in grado di analizzare i modelli di consumo, le esigenze e i desideri dei clienti per tracciare un percorso dinamico che massimizzi le possibilità di raggiungere gli obiettivi più prioritari, riducendo al minimo la possibilità di esaurire le proprie disponibilità economiche. È un settore che ci ha visti precursori nell’utilizzo dell’intelligenza artificiale, fin dal 2020, attraverso la proposta di una soluzione che fornisce raccomandazioni personalizzate sull’asset allocation e sui consumi.

Casi d’uso per gli investitori retail:

La maggior parte degli esempi sopra citati richiede un’ampia quantità di dati proprietari e le conoscenze necessarie per addestrare e mettere a punto i modelli. È bene ribadire che l’IA, pur rappresentando un passo avanti verso la democratizzazione degli investimenti, non è un elemento di equalizzazione. Senza terabyte di dati di qualità, feed in tempo reale e potenza di calcolo superlativa, anche gli investitori retail più sofisticati saranno svantaggiati rispetto ai clienti istituzionali. Tuttavia, i modelli di intelligenza artificiale disponibili sul mercato possono ancora essere utili.

• Ancor più dei gestori di portafoglio istituzionali, che in genere sono supervisionati da risk manager, l’intelligenza artificiale può mettere in guardia gli investitori retail dalle distorsioni comportamentali che potrebbero manifestare in base al contesto in cui operano. Ad esempio, stanno entrando in una posizione in opzioni il cui rischio potrebbe superare di gran lunga gli investimenti azionari ai quali sono abituati?
• L’intelligenza artificiale può contribuire alla creazione di grafici analitici e lungimiranti, che combinano vari temi per ricavare una visione d’insieme delle anticipazioni sugli utili, dei regimi economici, dei margini di profitto del settore e dei possibili rendimenti di una strategia di trading.
• Gli LLM possono estrarre i concetti chiave da documenti corposi, come i rapporti di gestione o i discorsi dei banchieri centrali, per aiutare gli investitori retail a comprendere i concetti chiave.

Conclusioni

Comprensibilmente, l’avvento dell’IA suscita sia paura che eccitazione e, essendo un tema complesso come la maggior parte delle scoperte, è giusto che evochi tutte e due queste reazioni. L’IA può creare esternalità negative ma è improbabile che si proponga di eradicare il genere umano; anche se migliorerà senza dubbio le nostre vite, non ci regalerà un mondo perfetto. Per ora, nel mondo degli investimenti, può ricoprire il ruolo di un instancabile analista junior o di un coach imparziale, come illustrato dai casi di studio sopra riportati. Collaborando con gli algoritmi, gli investitori possono ottenere rendimenti migliori, mitigare il rischio, ridurre gli impulsi irrazionali e avvicinarsi al raggiungimento dei propri obiettivi finanziari.