Cosa succede quando si chiede all'intelligenza artificiale (IA) di prevedere come potrebbe cambiare il lavoro dei gestori di fondi e poi si invita un ricercatore di spicco nel campo dell'IA a rispondere?

Questa è la premessa alla base di questo articolo, che esplora come l'IA potrebbe ridefinire il processo di gestione degli investimenti nei prossimi cinque anni.

Abbiamo iniziato chiedendo a ChatGPT, basato su GPT-4-turbo, di generare una serie di previsioni, sia ottimistiche che cautelative, sul futuro della gestione dei fondi.

Abbiamo poi invitato il Prof. Sotirios Sabanis, che guida un team di ricercatori di IA presso l'Università di Edimburgo che collabora con noi al Centre for Investing Innovation, a esprimere la sua opinione.

Il risultato è uno scambio tra previsioni generate da macchine e competenze umane, uno sguardo su ciò che potrebbe riservarci il futuro quando algoritmi e persone lavoreranno fianco a fianco:

La costruzione del portafoglio ha un nuovo alleato

Il punto di vista dell'IA: l'IA assisterà i gestori di fondi generando rapidamente portafogli ottimizzati sulla base di dati in tempo reale, preferenze degli investitori e vincoli di rischio, non sostituendo il gestore, ma agendo come un instancabile assistente quantitativo.

 

Il Prof. Sabanis risponde: I portafogli ottimizzati e generati rapidamente dipendono fortemente, e continueranno a farlo, da algoritmi di ottimizzazione finemente calibrati, modelli statistici e stocastici avanzati e risorse computazionali adeguate. L'IA introduce un nuovo livello di automazione integrando la raccolta e l'elaborazione di diversi input di dati, compresi alcuni disponibili in tempo reale, con questi componenti fondamentali. Il risultato è la creazione di strumenti decisionali ricchi di informazioni che consentono ai gestori di fondi di ottenere informazioni più approfondite, rapide e dettagliate. Se sviluppati con il giusto livello di sofisticazione, questi strumenti di IA possono fungere da assistenti quantitativi potenziati, offrendo ai gestori di fondi capacità analitiche in tempo reale senza precedenti.

Il sentiment come segnale

Il punto di vista dell'IA: l'elaborazione del linguaggio naturale analizzerà le notizie, i dati sugli utili e i social media per individuare i cambiamenti nel sentiment prima che si riflettano sui prezzi. Ma attenzione: segnale o rumore?

 

Il Prof. Sabanis risponde: I recenti progressi nell'elaborazione del linguaggio naturale (NLP) hanno portato a significativi avanzamenti scientifici, le cui implicazioni complete stanno solo iniziando ad essere esplorate in un'ampia gamma di settori di applicazione, tra cui la gestione patrimoniale, dove i primi risultati sono promettenti. L'analisi del sentiment ha registrato un notevole miglioramento della capacità predittiva, grazie a questi sviluppi nel campo della NLP. Tuttavia, il sentiment non può essere catturato completamente attraverso i soli dati testuali. Per migliorare l'accuratezza predittiva e ridurre il rumore nei set di dati rilevanti, sono necessari strumenti analitici complementari. L'integrazione di dati multimodali, come video, audio e testo, resa possibile dalle tecnologie emergenti di IA, offre una strada promettente per il futuro.

Le previsioni si rinnovano

Il punto di vista dell'IA: i modelli di IA miglioreranno le previsioni macroeconomiche identificando modelli non lineari e correlazioni nascoste, anche se potrebbero ancora avere difficoltà con eventi black swan e cambiamenti di regime.

 

Il Prof. Sabanis risponde: Vi sono prove crescenti che i modelli di IA miglioreranno significativamente le previsioni macroeconomiche sfruttando set di dati diversificati e ricchi di informazioni e scoprendo correlazioni e interdipendenze più profonde. Un esempio convincente viene dai recenti progressi nelle capacità predittive dell'IA per sistemi intrinsecamente instabili, come le previsioni meteorologiche. Questi sviluppi offrono un assaggio del potenziale dell'IA nella navigazione di ambienti complessi e dinamici. Tuttavia, modellare con precisione eventi estremi con largo anticipo rimane una sfida sostanziale. La rarità di tali eventi, unita alle loro caratteristiche non lineari, non stazionarie e non periodiche, limita la disponibilità di dati di addestramento e vincola l'accuratezza predittiva, anche per i sistemi di IA più avanzati di oggi.

Il bias umano incontra il bias delle macchine

Il punto di vista dell'IA: l'IA può ridurre alcuni bias comportamentali, ma ne introduce di nuovi. L'overfitting, la deriva dei dati e l'opacità dei modelli potrebbero creare una falsa fiducia in risultati errati.

 

Il Prof. Sabanis risponde: l'IA può fungere da potente contrappeso comportamentale, ma solo se i suoi limiti sono ben compresi e gestiti con attenzione. In altre parole, l'IA è molto promettente come stabilizzatore comportamentale nel processo decisionale finanziario, in particolare grazie alla sua capacità di ridurre i pregiudizi cognitivi comuni come la reazione eccessiva, il pregiudizio di recency e il pregiudizio di conferma. Ancorando le strategie di investimento a dati strutturati e all'apprendimento statistico, piuttosto che alle emozioni o alla narrativa, l'IA può migliorare l'obiettività.

 

Tuttavia, la sua efficacia non è incondizionata. I sistemi di IA non sono neutri; possono introdurre distorsioni guidate dalle macchine radicate nei loro dati di addestramento, nell'architettura algoritmica e nei cicli di feedback. Ciò crea una nuova classe di rischi: sistemici, spesso opachi e più difficili da individuare rispetto ai modelli comportamentali umani. Rischi come l'overfitting, la deriva dei dati e l'opacità dei modelli sono particolarmente pericolosi perché danno un'illusione di precisione e affidabilità, spesso mascherata da elevate prestazioni nei back test o dalla complessità tecnica. Se non controllati, questi difetti possono propagarsi attraverso i portafogli, i comitati di investimento e le catene di rendicontazione dei clienti, minando in ultima analisi la fiducia stessa che l'IA dovrebbe rafforzare. Pertanto, stress test robusti, una validazione continua e quadri di interpretabilità dei modelli sono garanzie essenziali per assicurare che l'IA aggiunga valore reale al processo di investimento, anziché introdurre nuovi rischi o causare problemi imprevisti.

L'ascesa della corsa all'armamento dell'IA “spiegabile”

Il punto di vista dell'IA: man mano che l'IA diventa sempre più integrata nel processo decisionale, aumenterà la pressione per spiegarne la logica ai clienti, alle autorità di regolamentazione e ai consigli di amministrazione. La trasparenza sarà un vantaggio competitivo.

 

Il Prof. Sabanis risponde: man mano che l'IA diventa sempre più integrata nel processo decisionale finanziario, la spiegabilità non è più un optional, ma un imperativo strategico. I clienti, le autorità di regolamentazione e i consigli di amministrazione si aspettano risposte chiare e credibili su come i modelli di IA giungono a intuizioni chiave o decisioni di investimento. La trasparenza non sarà solo un requisito di conformità, ma una fonte di differenziazione competitiva.

 

Le aziende in grado di spiegare come funzionano i loro sistemi di IA – quali dati vengono utilizzati, come vengono prese le decisioni e dove si trovano i rischi – rafforzeranno la fiducia dei clienti e dimostreranno la loro maturità operativa. Il vantaggio competitivo del futuro non risiederà solo nella creazione di un'IA potente, ma anche nel renderla spiegabile e affidabile. Ciò richiederà investimenti in modelli interpretabili, framework di documentazione e protocolli di governance. La trasparenza non serve solo come mezzo per mitigare il rischio di ribasso, ma anche come fattore critico per una più ampia adozione, catalizzatore per attrarre capitali istituzionali e base per stabilire una credibilità strategica a lungo termine all'interno di un ecosistema finanziario guidato dall'IA.