Distillati quantitativi

Il mondo degli investimenti azionari è stato a lungo diviso tra strategie attive e passive, con i rispettivi pregi e difetti. Una terza via si va però segnalando: gli investimenti quantitativi. Le strategie quantitative, in specie quelle con una struttura a indici potenziata, coniugano il meglio di entrambi i mondi. Costruite intorno a portafogli consistenti con un’ampia – anche se non perfetta – sovrapposizione con gli indici di mercato, la loro ampiezza riduce il rischio. È invece la differenza sottile ma fondamentale rispetto agli indici, consequenziale alle analisi del gestore, a generare alpha.

Sfruttando grandi quantità di dati che vengono elaborati da un modello basato sull’apprendimento automatico, queste strategie sono in grado di identificare i titoli che più probabilmente sovraperformeranno nel breve e medio termine. Queste strategie funzionano perché, sebbene i titoli seguano i cicli economici e i megatrend nel lungo periodo, nel breve termine sono soggetti a una serie di influenze transitorie che allontanano i loro prezzi dai fondamentali. Nel fare questo il sentiment degli investitori gioca un ruolo importante. La reazione del mercato alle notizie societarie, alle variazioni delle previsioni degli analisti o a una serie di fattori, può portare a episodi di volatilità che causano anomalie nei prezzi delle azioni, ed è qui che scattano le strategie quantitative, e creano valore.

Per individuare i prezzi sbagliati, utilizzano algoritmi per individuare le relazioni all’interno dei dati. Questi algoritmi agiscono come una mappa, con regole stradali incorporate, per guidare i dati in un viaggio verso una serie di risultati. Più diversi sono gli insiemi di dati, più le regole devono essere applicate alle loro interazioni e più il modello è in grado di prevedere ciò che accadrà in futuro sulla base delle relazioni passate.

Il tocco umano. Questi modelli funzionano in autonomia, una volta costruiti, testati, perfezionati e manutenuti dagli analisti. Le perosne non solo specificano gli algoritmi, ma li addestrano con i dati e li riqualificano regolarmente in modo che i modelli tengano il passo con l’evoluzione delle dinamiche di mercato. Gli esperti devono decidere quali algoritmi utilizzare, e soprattutto sulla base di quali set di dati, determinanti per garantire l’accuratezza e la stabilità dei risultati e per comprendere l’output. La gamma pressoché infinita di input possibili significa che è possibile una varietà quasi infinita di modelli.

L’uomo è coinvolto fino a questo punto, ma una volta scelto un modello, è questo a dettare acquisto e vendita dei titoli. L’automazione non solo aiuta a eliminare le emozioni, ma riduce anche i costi.

Impulsi intelligenti. L’Intelligenza Artificiale non è un campo nuovo, ma i recenti progressi in più ambiti hanno abbassato la barriera all’utilizzo del machine learning. L’Ia sta mettendo il turbo agli investimenti quantitativi, creando l’opportunità di sviluppare il Quant 2.0. Le capacità di elaborazione senza precedenti consentono ai modelli di tracciare relazioni sempre più complesse tra un numero sempre maggiore di serie di dati.

L’approccio quantitativo tradizionale tendeva a limitarsi all’analisi di un numero relativamente ridotto di effetti di mercato, che si traducono in valutazioni temporanee errate. In questo modo si ottiene un’esposizione a driver di mercato più ampi, noti come fattori, come il value o il momentum. L’Ia offre la possibilità di individuare centinaia di potenziali segnali/fattori a frequenza più elevata. Questi sono generati dai dati scelti dalle persone.

A differenza del machine learning tradizionale, che identifica relazioni lineari all’interno dei set di dati, l’Ia è in grado di cogliere associazioni molto più complesse all’interno del pool di dati, il che le consente di avere una visione molto più approfondita di ciò che sta guidando i prezzi delle azioni. La capacità di identificare relazioni più complesse e non lineari aumenta di molte volte la capacità di trovare associazioni tra serie di dati.

I modelli quantitativi tradizionali specificano una relazione lineare tra i rendimenti azionari e i segnali. Ad esempio, in un modello tradizionale, un upgrade di una società da parte di un analista suggerirebbe una sovraperformance del titolo. Tuttavia, ci sono molte ragioni per cui tale relazione potrebbe non essere valida.

Un modello di machine learning non lineare addestrato con i dati storici può identificare le relazioni che dicono quando l’upgrade dell’analista sarebbe più efficace nel prevedere la futura sovraperformance. O anche, se il titolo è ampiamente shortato dagli Hedge Fund, il modello potrebbe identificare che è probabile che sia soggetto a uno short squeeze, con un conseguente balzo del prezzo delle azioni molto più drammatico di quello che l’aggiornamento degli analisti potrebbe altrimenti giustificare. Esistono potenzialmente decine di migliaia di queste relazioni non lineari ‘condizionanti’ che possono generare alpha aggiuntivo.

Distillare i dati. Questo quadro molto più complesso consente ai gestori di isolare gli effetti specifici del titolo che influenzano il prezzo dell’azione. Per farlo, eliminano una moltitudine di fattori di disturbo (mercato, settore, regione, industria, paese, stili, esposizioni economiche) dalla performance di ciascun titolo. In questo modo, possono identificare ed estrarre il puro alpha dell’azienda.

Nel corso del tempo, gli algoritmi evolvono, comprendendo le mutevoli dinamiche economiche e di mercato e incorporando nuove serie di dati. Per essere efficaci, tali modelli tornano a necessitare dell’uomo, almeno inizialmente, prima di riprendere il controllo. Poiché questi parametri limitano il rischio, limiteranno anche la quantità di alpha generato dalla strategia. Tuttavia, l’effetto composto dell’alpha è determinante nel corso del tempo. Ad esempio, se si ipotizza un rendimento di mercato del 5% nei prossimi 10 anni e una sovraperformance di 1,5 punti percentuali all’anno al netto delle commissioni, il cliente avrà ottenuto un rendimento aggiuntivo del 24,8% nel decennio.

Un approccio flessibile. Uno dei maggiori punti di forza delle strategie quantitative è la loro flessibilità. Variando la sovrapposizione con gli indici sottostanti, una strategia quantitativa può essere modificata per regolare l’entità del tracking error e del rischio. Può essere personalizzata in base alle esigenze dell’investitore, escludendo alcuni titoli o settori dall’universo d’investimento, pur offrendo i vantaggi di un approccio quantitativo. Data l’ampiezza dei portafogli delle strategie quantitative, con partecipazioni in tutti i Paesi e settori, questi aggiustamenti personalizzati non compromettono la capacità di generare alfa. Sebbene una strategia quantitativa sostenibile che escluda, ad esempio, le società petrolifere e del gas o le imprese minerarie presenti un tracking error più elevato rispetto a una strategia senza esclusioni, l’attenzione alla gestione del rischio nella costruzione del portafoglio riduce al minimo questo impatto.

Un’offerta standard enhanced index, con un profilo di rischio molto simile a quello dell’indice di riferimento, offre ai clienti una partecipazione di base che può sostituire un tradizionale approccio passivo di indicizzazione. La chiave delle strategie quantitative consiste nel costruire il modello giusto e nell’addestrarlo con una quantità sufficiente di dati corretti. Poi è necessario impostare i parametri appropriati per soddisfare la propensione al rischio e altri requisiti dell’investitore. Una volta ottenuto tutto ciò, la strategia quantitativa è in grado di generare un alpha incrementale specifico per il titolo, eliminando l’esposizione ai fattori generali del mercato. E lo fa a basso costo e a rischio di mercato. In altre parole, offre il meglio degli approcci di investimento attivi e passivi.

© Riproduzione riservata