WW Snippets test
Chi prova a vendere fondi d’investimento attivi fatica a trovare evidenze scientifiche sul fatto che questi prodotti riescano a battere il mercato in modo continuativo. Superare la performance dei mercati è effettivamente qualcosa che riesce solo a una minoranza dei fondi attivamente gestiti dall’abilità umana: il problema è che individuare in anticipo i prodotti che riusciranno a battere gli indici di riferimento è una sfida contro le leggi della probabilità.
L’intelligenza artificiale, tuttavia, potrebbe cambiare le carte in tavola anche qui e aiutare i consulenti finanziari e gli investitori istituzionali a compiere questa selezione con successo.
Uno studio pubblicato il 26 ottobre sul Journal of Financial Economics ha dimostrato come i sistemi di machine learning abbiano sfruttato “le caratteristiche dei fondi per selezionare portafogli long-only di fondi comuni di investimento che guadagnano un significativo alfa annuale fuori campione pari al 2,4%, al netto di tutti i costi”.
Il lavoro condotto da quattro ricercatori guidati dal professor Victor DeMiguel (London Business School), ha analizzato i dati sui fondi azionari attivi statunitensi dal 1964 al 2015. E’ emerso che circa l’80% dei fondi presenta masse in gestione superiori alla dimensione ottimale: l’efficienza operativa, infatti, tende a diminuire una volta oltrepassata una certa soglia di asset in gestione. Si tratta di un esempio di diseconomia di scala. L’aggravio di costi che quest’ultima comporta frena le performance del fondo anche se il gestore, di per sé, è abile. Le applicazioni di machine learning utilizzate in questo studio riescono a individuare non solo i gestori che hanno dimostrato capacità, ma anche ad associare le altre caratteristiche che il fondo attivo dovrebbe avere per assestarsi su costi efficienti: in altre parole fondi gestiti bene, ma non troppo “grossi”.
Le performance del passato? Contano, ma non bastano
L’analisi condotta sulle performance dei fondi ha mostrato come il 10% di fondi attivi più performanti abbiano dimensioni abbastanza piccole da non sfociare in diseconomie di scala che vanificano l’abilità dei propri gestori. “I nostri risultati implicano che gli investitori possono guadagnare una sovraperformance economicamente significativa investendo in fondi comuni attivi, ma solo se hanno accesso a metodi di previsione sofisticati che colgono la complessità della relazione tra le caratteristiche del fondo e la performance”, hanno affermato gli autori nello studio. “Per comprendere il meccanismo economico alla base dei nostri risultati”, hanno proseguito DeMiguel e gli altri studiosi, ci si è chiesti “se la performance dei nostri portafogli potesse essere spiegata da una cattiva allocazione del capitale nel mercato dei fondi comuni, e in effetti scopriamo che i metodi di apprendimento automatico non lineare selezionano i fondi che sono ‘troppo piccoli’ rispetto alle competenze dei loro gestori“.
In condizioni di allocazione perfetta dei capitali, gli investitori non punterebbero sui fondi attivi che gestiscono masse superiori alla loro dimensione ottimale — di fatto, però, questo è ciò che avviene, lasciando opportunità di performance extra per un sottoinsieme di fondi attivi che restano ‘fuori dai radar’.
LE OPPORTUNITÀ PER TE.
Come investire nell’intelligenza artificiale?
Come si può bilanciare il rischio in modo da raggiungere obiettivi di risparmio definiti?
Gli advisor selezionati da We Wealth possono aiutarti a trovare le risposte che cerchi.
TROVA IL TUO ADVISOR
Il machine learning per trovare i fondi attivi vincenti
I due metodi di machine learning di cui si sono serviti gli autori dello studi, che sfruttano non linearità e interazioni (gradient boosting e random forests), sono riusciti a selezionare fondi long-only che generano sovraperformance nette statisticamente significative del 2,36% e del 2,69% all’anno. Valori pari a oltre il doppio del costo medio del campione di fondi esaminato (1,11%).
Invece, se si utilizzano i sistemi di selezione lineari più tradizionali (nei quali i cambiamenti in una certa variabile si assumono proporzionali ai cambiamenti di un’altra variabile) non si ottengono risultati statisticamente rilevanti. Al contrario dell’intelligenza artificiale utilizzata nel primo scenario, i metodi tradizionali non sono utili a individuare i fondi attivi vincenti. Solo i metodi di machine learning che sfruttano non linearità e interazioni, si legge nello studio, permettono di guadagnare una sovraperformance netta significativamente positiva investendo in fondi attivi.
“Il nostro lavoro implica”, si legge in conclusione, “che gli amministratori dei piani pensionistici e i consulenti finanziari possono integrare il machine learning con altri strumenti per aiutare gli investitori a selezionare fondi comuni attivi con alfa positivo”.
