I big data tra aspettative di performance e selezione degli investimenti

Non tutti i database riescono col buco. Carlo Vedani, ad di Alicanto Capital Sgr, esordisce la sua analisi sul tema con un aneddoto tratto dalla sua esperienza personale. “Tempo fa - racconta - sono stato avvicinato da una società che prometteva un prodotto che avrebbe ‘spaccato il mercato’, con un team di scienziati che estrapolava informazioni e dati provenienti da qualsiasi fonte, generando un segnale  che avrebbe permesso di prendere posizioni long e short in anticipo sul mercato”. Il risultato? Un flop clamoroso. La strategia vincente non ha mai funzionato, e tutto l’esperimento ha avuto vita brevissima. “Allora, se devo rivolgermi a un gestore data driven, vado da chi ha un processo disciplinato, come Goldman Sachs o altri due o tre superbig che hanno davvero accesso a grandi quantità di dati, ma soprattutto li elaborano in maniera precisa e sono coerenti con quanto promettono”, è la morale di Vedani. I gestori più piccoli verrebbero infatti a trovarsi in una posizione di svantaggio competitivo tale da comprometterne l’efficienza. Per quanto riguarda i costi, quando si tratta di scegliere la strategia giusta Vedani non ha dubbi: la qualità si paga. “C’è un motivo per cui un allenatore di calcio è pagato più di un altro. Ebbene, ci sarà anche una ragione che giustifica i costi richiesti dai gestori”, afferma. Quello che importa, quindi, non sono le commissioni, ma quanto una strategia offra in termini di rischio-rendimento. Un discorso analogo vale per il tracking error: “Preferisco un gestore attivo che prenda posizioni direzionali con forte conviction - rileva l’ad - sapendo che sarà più volatile ma che nel lungo termine mi dovrebbe offrire risultati migliori”. Appiattirsi sul benchmark per risparmiare o ridurre il tracking error? “Allora tanto vale tornare sugli Etf”, sentenzia Vedani.

Rispetto a una soluzione di investimento data-driven, i fund selector possono detenere diverse aspettative, in particolare in termini di sovraperformance e stabilità. Quanto all’impatto dei costi di transazione nelle strategie selezionate, Riccardo Cavallero, responsabile Investment advisory di Banca del Piemonte, non ha dubbi: “Sui costi, non possiamo intervenire e quindi li guardiamo solo in un secondo momento. Non sono rilevanti, se la performance è positiva”. Il primo setaccio di selezione sono quindi le performance, e anche le strategie meno costose non vengono selezionate se non superano il test dei rendimenti storici. In seconda battuta è il tracking error a essere rilevante, anche se “tutto dipende dagli obiettivi della selezione - chiarisce Cavallero -. Se l’orizzonte temporale è breve, allora lo scostamento dall’indice deve essere più contenuto, perché ci aspettiamo una maggiore coerenza tra fondo e benchmark. Su un periodo di tempo più lungo, ci possiamo permettere un tracking error più elevato”. Quali sono allora le aspettative rispetto alle strategie quantitative? In virtù del fatto che si tratta di strategie complesse Banca del Piemonte non adotta bias in favore o contro nessun tipo di strategia. “Abbiamo delle mini-aspettative - scherza Cavallero -, ovvero immaginiamo che le strategie quant possano offrire un tracking error leggermente più contenuto. Ma non abbiamo bias. Questo poiché è difficile comprendere i meccanismi sottostanti e di conseguenza ci concentriamo sull’analisi dei rendimenti”.

L’obiettivo dell’uso dei big data nella gestione attiva non è quello di prevedere le performance, ma di prendere decisioni più consapevoli. Ne è convinto Manuel Colombo, executive director, Goldman Sachs Asset Management. Che approfondisce così l’approccio della casa di gestione all’uso dei big data: “Utilizziamo strumenti quantitativi per individuare e acquistare società con business di qualità e a buon prezzo. Siamo gestori bottom up, miriamo quindi ad ampliare lo spettro dei dati analizzabili e al tempo stesso andare più a fondo nelle nostre analisi fondamentali”. La selezione viene così guidata dalla ricerca di quattro pilastri fondamentali: modelli di business di alta qualità, mispricing in termini fondamentali, analisi del sentiment di mercato e individuazione di temi o trend che sono alla base delle interconnessioni tra diversi titoli o settori e dinamiche di mercato. Nonostante la cura nel processo di selezione, i portafogli della piattaforma quantitativa di Goldman Sachs non sono di tipo buy and hold, ma scambiano quotidianamente titoli, ribilanciando le posizioni ogni pochi giorni con un turnover annuo che va dal 100% al 200%. In questo processo, i big data hanno un ruolo importante, ma vengono impiegati dal team di gestione in modo conservativo. “Non parliamo di fondi algoritmici, non scambiamo sulla base di dinamiche tecniche. L’analisi fondamentale svolge un ruolo più importante di quanto si pensi”, specifica Colombo. La parola chiave è proprio nel termine inglese, divenuto di uso comune, che non deve però far dimenticare il suo significato originario: big data, ovvero grandi quantità di dati. “Bisogna capire che anche i grandi database non usano più del 2% dei dati prodotti o disponibili a livello globale. Per colmare questo gap serve necessariamente un intervento tecnologico. Per questoil team mira costantemente a rinnovare o aumentare i segnali utilizzati dalla piattaforma quantitativa attraverso una ricerca continua”, spiega Colombo. Avere così tanti data set aiuta a ridurre i rischi, ad esempio incorporando i fattori geopolitici quando si investe in mercati dove questi sono più importanti, come gli emergenti.

Le aspettative sui big data sono elevate. La performance è al primo posto, mentre tutti gli altri fattori devono essere valutati sulla base degli obiettivi d’investimento. “Abbiamo aspettative pragmatiche”, dichiara Giulio Casuccio, responsabile Investimenti tradizionali, Fondaco SGR. “Si guarda al risultato al netto di tutto. Turnover più o meno elevato, costi più o meno alti: sono dati utili da sapere, certo, ma quel che conta è la performance”. Sul fronte del tracking error, tutto dipende dal ruolo delle strategie nel portafoglio: “Se parliamo di building block per il portafoglio, più basso è e meglio è. Molti investitori non sono disposti ad allontanarsi troppo dal benchmark”, osserva il responsabile. Le strategie satellite o tematiche devono per definizione ritagliarsi un universo d’investimento più adatto o muoversi per sfruttare le inefficienze dei mercati, e quindi implicano un tracking error più elevato in cambio della ricerca dell’alpha: un evidente trade off tra rischi e rendimenti. Come vengono trasposte queste aspettative al mondo delle strategie quantitative guidata dall’analisi dei big data? La risposta di Casuccio è semplice: “Ci aspettiamo una maggiore stabilità. Un gestore fondamentale tradizionale è legato allo stock picking e al bias di stile, quindi può registrare una maggiore volatilità nel breve periodo, e va valutato sul rendimento composito a 3-5 anni”. Da un gestore quant, il responsabile Fondaco si aspetta invece una maggiore disciplina nel controllo del rischio, una capacità di diversificazione più elevata, e la possibilità di creare valore analizzando fattori diversi che anticipano quanto si vedrà tramite quelli tradizionali. “In altre parole - spiega Casuccio - mi aspetto che possa proteggere prima dai rischi, o creare alpha quando gli approcci tradizionali farebbero fatica. E, quindi, che riesca a generare valore in modo più regolare”.