Abbinare l’intelligenza artificiale e il machine learning alle scelte degli analisti per la costruzione di un portafoglio azionario. È questa la filosofia innovativa alla base del M&G (Lux) Global Maxima Fund. La strategia adotta un approccio di selezione dei titoli di tipo bottom-up, sotto la guida fornita di un'analisi quantitativa su singole aziende in cui risulta determinate la capacità di calcolo dei computer: "Utilizziamo un database e modelli proprietari di machine learning per aiutarci a identificare i titoli che ci attendiamo avranno performance superiori a quelle dei mercati azionari globali", avverte il gestore Gautam Samarth.
Per arrivare alle 50-100 posizioni che costituiscono il portafoglio, gli algoritmi analizzano quasi 8000 aziende, un campione così grande che difficilmente potrebbe essere coperto contando soltanto sul fattore umano. "Uno dei vantaggi chiave dell’adozione di un processo quantitativo è l’ampiezza della copertura del mercato che riusciamo ad ottenere, specialmente se lo paragoniamo all’approccio umano più 'tradizionale'. Seguendo il nostro metodo, abbiamo accesso a stime giornaliere sui titoli (buy, hold o sell) per ogni azienda dell’universo investibile. Inoltre, un altro vantaggio di questo processo è che ci permette di evitare la maggior parte degli errori comportamentali che colpiscono l’essere umano come l’eccesso di sicurezza, l’ancoraggio e il ricondurre tutto all’interno di una certa cornice”, spiega l'esperto di M&G.
AI + fattore umano
Ma le decisioni umane non sono escluse dal processo di investimento. Anzi rivestono un ruolo fondamentale. Prima della negoziazione dei titoli, il team di gestione verifica la fattibilità controllando ogni nome suggerito come possibile posizione da detenere. "Mentre l’algoritmo può riconoscere degli schemi dallo screening dei dati sui fondamentali, non ha però alcuna conoscenza di eventi esterni che possono causare anomalie nel prezzo", illustra Samarth. "Gli analisti possono evidenziare dei potenziali rischi che non è detto siano presenti nei dati, come quelli ESG. Spetta poi a me in quanto responsabile della gestione del fondo decidere, in ultima istanza, quello che sarà inserito o rimosso dal portafoglio, usando i risultati proposti dal modello di apprendimento automatico e dallo strumento di ottimizzazione. Per questo, se da un lato le capacità del machine learning e dei modelli continuano a migliorare, sono però gli uomini che chiudono il cerchio assicurandosi che il tutto sia applicato in modo corretto", spiega.
Machine learning fonte di resilienza
Il fondo è stato lanciato a fine 2019 ed ha subito dovuto affrontare il banco di prova del crollo dei mercati a seguito del Covid-19 del primo trimestre 2020. Tuttavia, sebbene il contesto era altamente complesso, il fondo è riuscito a generare buoni risultati: "Nonostante il contesto impegnativo del 2020, il fondo è riuscito comunque a superare il rendimento del MSCWI ACWI Net Return Index. Nel 2021 la performance del fondo è stata eccezionale, grazie soprattutto a un numero elevato di ‘deviazioni’, cioè i titoli nel portafoglio che hanno sovraperformato l’hanno fatto in una misura molto superiore a quelli che hanno sottoperformato", fa notare il gestore.
Data la particolarità del fondo, il cui processo di investimento parte da un'analisi quantitativa incentrata sull’AI, sorge spontanea una domanda. Come garantire una certa dose di resilienza e di capacità adattamento ai repentini cambiamenti di scenario che contraddistinguono i mercati? "Abbiamo fatto consapevolmente uno sforzo nel costruire e addestrare i nostri modelli in modo che possano dimostrarsi solidi anche nei momenti di rotazione del mercato. Un buon esempio di questo è la forte performance della seconda metà del 2020, quando sono stati i titoli growth a sovraperformare, e l’altrettanto forte performance di quest’anno, periodo favorevole invece ai titoli value, che hanno sovraperformato il mercato", conclude.
