La continua evoluzione dell’intelligenza artificiale sta provocando cambiamenti in vari settori. Non da meno nell’asset management, ridefinendo i contesti competitivi e rimodellando i processi tradizionali. Come spiega Emmanuel Hauptmann, partner e senior systematic equity fund manager di RAM AI (operatore sistematico del Gruppo Mediobanca dal marzo 2018), “l’integrazione dell'IA ci offre l'opportunità di snellire le operazioni, potenziare il processo decisionale umano e sfruttare un insieme di dati molto più ampio e complesso”.
Negli ultimi tempi c’è stato un progresso importante, ad esempio in ambito dei Large Language Models (LLM) e del deep learning. “Queste tecniche si sono distinte in compiti che un tempo erano di competenza esclusiva dell'uomo”, continua l’esperto. “Nella gestione degli asset, l'IA ci permette di elaborare efficacemente e trarre spunti da grandi volumi di dati non strutturati - testo o immagini, che tradizionalmente rappresentano circa l'80% di tutti i dati. Sfruttando l'IA, siamo in grado di anticipare meglio l'impatto di vari fattori sugli asset che gestiamo, tra cui azioni, obbligazioni, valute o futures.
L’AI nei mercati emergenti
Nella strategia della società, rispetto ad altri investitori, affrontano i mercati emergenti da una prospettiva bottom-up. “Valutiamo migliaia di società per individuare quelle con le valutazioni più interessanti in base a una serie di fattori, tra cui i dati fondamentali, il sentiment e i trend del mercato”, afferma Hauptmann. Un approccio sistematico che porta anche a scoprire delle opportunità di investimento anche in segmento più trascurati come per esempio le società mid cap. “Siamo in grado di assemblare una mix ottimale di titoli value, growth e low risk selezionati, generando una robusta sovraperformance a lungo termine per i nostri investitori.
Per sfruttare al meglio l’intelligenza artificiale, quindi vengono incrociati i dati ricevuti dalle strategie tradizionali con le intuizioni più “agnostiche” offerte dalla selezione dei titoli basata sul deep learning. “Questa combinazione contribuisce a perfezionare la selezione dei titoli e la scalabilità all'interno dei nostri approcci tradizionali. In questo modo manteniamo una comprensione completa dei fondamentali delle società in cui investiamo, puntando sulla qualità”, continua il manager.
Avere a che fare coi mercati emergenti spesso comporta una minore disponibilità di dati. Per questo in RAM utilizzano centinaia di input, ognuno dei quali “rappresenta una sintesi della nostra ricerca, che a sua volta estrae informazioni da dati fondamentali, di mercato, di posizionamento o di sentiment. Inoltre, la complessità tipica dei mercati emergenti può giocare a nostro vantaggio. Ad esempio, siamo diventati abili nel bilanciare l'alpha potenziale ottenuto da un'operazione con il costo dell'impatto sul mercato: un fattore cruciale in questi mercati. Mantenendo questo equilibrio, ci assicuriamo che l'alfa generato dalla nostra strategia sui mercati emergenti venga preservato, anziché essere perso verso i market-maker”.
Sfida ESG
Un’altra sfida, poi, riguarda i criteri ESG. “È un compito particolarmente impegnativo nei mercati emergenti, dove molte società non sono coperte da agenzie di rating terze, il che ci spinge a costruire nostri dati ESG proprietari”, spiega Emmanuel Hauptmann. “Incorporando nel nostro processo di selezione una serie di fattori, come la carbon footprint, la trasparenza finanziaria, l'indipendenza del consiglio di amministrazione e altri, miglioriamo la sostenibilità della strategia. Questo non solo amplifica il suo orientamento alla qualità, ma mitiga anche i rischi per i nostri investitori”.
