La rivoluzione digitale ha cambiato e sta cambiando non solo la vita di ognuno di noi ma anche il mondo degli investimenti. Nuove metodologie di ricerca nascono ogni giorno, così come aumenta la quantità di dati disponibili per essere analizzati in ottica di allocazione. “Non si tratta solo di un cambio quantitativo ma anche qualitativo”, spiega Alessandro Beber, membro del Systematic Active Equity Team di BlackRock, gruppo di ricerca nato nel 1985 in Barclays Global Investors e acquisito dall’asset manager statunitense nel 2009 per ottenere un’ulteriore spinta all’innovazione attraverso una riconosciuta eccellenza nella ricerca applicata al mondo degli investimenti. Un gruppo di lavoro che oggi è arrivato a gestire oltre 100 miliardi di dollari.
“Per capire il mutamento in atto”, afferma Beber, “è utile guardare alla specializzazione delle figure che compongono attualmente il team”. “Da sempre”, prosegue, “il nostro gruppo è composto in prevalenza da accademici, ma se negli anni ’80 i leader della ricerca erano esperti di accounting e in generale di materie prettamente finanziarie, oggi a fianco degli economisti troviamo data scientists, computer scientists ed esperti di interpretazione del linguaggio naturale”. Una maggiore eterogeneità dunque che riflette un ampliamento della tipologia di dati disponibili per essere processati al fine di generare segnali economici su titoli azionari. Data set composti da tweets, coordinate GPS o immagini satellitari possono, infatti, rappresentare una via laterale per valutare la solidità dei fondamentali societari, rispondendo a domande tradizionali in modo innovativo e più rapido rispetto al passato e offrendo un vantaggio competitivo.
Nuove opportunità e miti da sfatare
“Il mondo oggi è più complesso e genera molti più dati rispetto a 20 anni fa. L’obiettivo del Systematic Active Equity Team è lavorare su questo fattore, a prima vista fonte di un aumento della complessità, per ottenere un significativo numero di segnali in grado di alimentare strategie vincenti per i nostri investitori”. Un obiettivo, quello fissato da Beber, che comporta una valutazione di quanto è misurabile per comprendere se sia possibile interpretare le indicazioni disponibili in ottica di investimento secondo criteri scientifici e sistematici. Ciò che non cambia in questo quadro, sottolinea il membro del Systematic Active Equity Team di BlackRock, sono le tre domande fondamentali a cui rispondere per decidere se esporsi o meno ad un titolo azionario: Qual è un’azienda che ha buoni fondamentali? Qual è un’azienda di cui analisti, investitori e management hanno una buona opinione? Qual è un’azienda che è esposta a un tema macroeconomico positivo?
Per farlo attraverso la combinazione di dati non strutturati e quantitativi è però necessario guidare, attraverso un’ipotesi interpretativa complessa, tecniche statistiche innovative come artificial intelligence e machine learning, ambiti di nuova generazione che, fa notare Beber, pongono interrogativi reali perché corrispondenti a processi difficilmente indagabili fino in fondo in ogni dettaglio. “Per questo motivo”, sostiene, “è essenziale il principio di doppia interpretazione applicato dal Systematic Active Equity Team di BlackRock che ci impone di rintracciare i dati economici tradizionali (ad esempio un aumento delle vendite) che giustificano i risultati empirici indicati dai data set più innovativi”. “Questa”, aggiunge, “è la grande differenza tra chi utilizza artificial intelligence e machine learning per finalità non legate ai mercati e chi lo fa in ottica di investimento combinando differenti figure professionali legate a più ambiti di ricerca”.
Tecnologia, tecnica e talento
È ormai chiaro come il futuro dell’esposizione azionaria non possa prescindere dall’evoluzione di questo tipo di tecniche, ma quali sono le caratteristiche di un approccio scientifico che garantisca un elevato grado di affidabilità dei risultati tale da determinare la decisione di un loro utilizzo all’interno di strategie di allocazione? “Per investire in modo sistematico attraverso Big Data”, afferma Beber, “è necessario partire da quelle che noi chiamiamo le tre “T”: tecnologia, la vastità dei dati impone una capacità di calcolo sempre crescente, tecnica, la metodologia deve essere innovativa e insieme rigorosa, e talento, poiché è necessario un approccio che unisca fondamentali finanziari ad una visione laterale ed eterogenea”.
Un’operazione dall’alto grado di complessità che richiede una notevole capacità sia in termini tecnologici sia in termini di capitale umano, sebbene tanto l’accesso alla tecnologia quanto l’interesse su di essa siano oggi molto diffusi. Due elementi che creano, secondo Beber, il pericolo di un utilizzo delle metodologie legate a Big Data distorto da coloro che non hanno una struttura adeguata per gestirne la profondità. “Il motivo per cui questa è la fase in cui si è maggiormente esposti a possibili distorsioni”, commenta sul punto il membro del Systematic Active Equity Team di BlackRock, “è che le tecniche, open source e molto semplici da usare, non sono sempre utilizzate in modo sistematico”. “Creare un modello di machine learning è un’operazione relativamente semplice e il pericolo di un utilizzo predittivo distorto e non scientifico è molto alta”, conclude Beber.
