L’AI sta accelerando in modo significativo l’evoluzione dell’investimento quantitativo, aprendo la strada a una nuova generazione di modelli – il cosiddetto Quant 2.0. David Wright, Head of Quantitative Investments di Pictet AM

Le strategie quantitative convenzionali si sono storicamente concentrate su un set limitato di effetti di mercato, che generano inefficienze temporanee nei prezzi (cosiddetto mispricing). Questi approcci finivano però per esporre il portafoglio ai tradizionali fattori di mercato – come value o momentum. L’AI, al contrario, offre la possibilità di analizzare centinaia di segnali e feature ad alta frequenza, provenienti da fonti eterogenee: bilanci societari, prezzi di mercato, report degli analisti, notizie, reazioni degli investitori nel breve e nel lungo periodo. E questo rappresenta soltanto una piccola parte del potenziale informativo disponibile.

Una capacità superiore di leggere ciò che muove i prezzi

A differenza del machine learning “classico”, che tende a identificare relazioni prevalentemente lineari nei dataset, l’AI è in grado di cogliere legami molto più complessi e non lineari, aumentando drasticamente la capacità del modello di individuare associazioni significative tra le variabili. Nello specifico, un modello non lineare addestrato su dati storici può identificare con precisione le condizioni in cui, ad esempio, un upgrade diventa davvero predittivo. Ciò può dipendere dall’ampiezza della dispersione delle stime degli analisti, dal fatto che la revisione sia un outlier, dalla vicinanza a un evento societario come una trimestrale, oppure dall’esposizione del titolo a dinamiche di short interest. Se un titolo è fortemente shortato, il modello può anticipare la probabilità di uno short squeeze, con un movimento dei prezzi molto più marcato rispetto a quello suggerito semplicemente dall’upgrade. Le possibili combinazioni di relazioni non lineari che generano alpha sono nell’ordine delle decine di migliaia.

L’AI come strumento per generare rendimenti “factor‑neutral”

Tale grado di sofisticazione permette al team di gestione di isolare gli effetti puramente idiosincratici che incidono sui prezzi, depurandoli da una moltitudine di fattori comuni (macro, settoriali, geografici, stilistici, di esposizione economica) e ottenendo così un segnale di alpha realmente legato alla singola società. Nel tempo, gli algoritmi evolvono incorporando nuovi dati e adattandosi ai cambiamenti del contesto economico e di mercato. La definizione dei parametri d’investimento rimane in capo agli esseri umani ma, una volta stabiliti, è il modello addestrato a prendere decisioni di acquisto e vendita.

La forza dell’alpha incrementale nel lungo periodo

Questi parametri servono anche a controllare il rischio, e quindi limitano in parte il potenziale di alpha. Tuttavia, la natura cumulativa dell’alpha incrementale diventa estremamente potente nel lungo periodo. Con aspettative di rendimento azionario orientate verso livelli più contenuti (complice la valutazione elevata dopo anni molto positivi) anche uno o due punti percentuali di extra‑rendimento annuo possono generare un impatto significativo. Ad esempio, ipotizzando un mercato che nei prossimi dieci anni renda il 5% annuo e un alpha netto di 1,5 punti percentuali, l’effetto del compounding porterebbe a un rendimento addizionale del 24,8% per il cliente nell’arco del decennio.