Fame di rendimenti: big data e algoritmi in soccorso degli investitori

La continua proliferazione di fonti in grado di generare informazioni che impattano sui mercati finanziari ha reso necessaria una rivoluzione tecnologica nel mondo degli investimenti.
Alessandro Greppi, PhD avatar
Alessandro Greppi, PhD
SIAT (Italian Society of Technical Analysis) Member
Trading

La continua proliferazione di fonti in grado di generare informazioni che impattano sui mercati finanziari ha reso necessaria una rivoluzione tecnologica nel mondo degli investimenti

Una prima soluzione alla corsa ai rendimenti è stata data dal trading algoritmico, un approccio che prevede la gestione automatica degli ordini di acquisto o vendita di un asset (azioni, valute, commodities, etc.) da parte di un computer che segue delle condizioni prefissate.

E’ comunque opportuno precisare che quando si discute di trading algoritmico stiamo riferendoci in senso ampio a due tecniche ben distinte: il trading ad alta frequenza (HFT) e quello quantitativo. Generalmente, l’investitore medio tende a confondere questi termini ed è portato erroneamente a credere che siano sinonimi. In realtà l’HFT sfrutta trend di brevissimo periodo utilizzando algoritmi supportati da ingenti investimenti hardware che consentono di effettuare operazioni a velocità nell’ordine dei nanosecondi. Al contrario, il trading quantitativo ha come obiettivo quello di analizzare la struttura del mercato e i suoi trend, identificando dei pattern particolari su cui poi fare proiezioni con diversi orizzonti temporali grazie a degli algoritmi predittivi.

Un matrimonio di successo: Algo + Big Data

Grazie alla maturazione del mondo degli investimenti quantitativi e alla crescente importanza dei big data, ora è possibile migliorare la qualità delle decisioni consentendo la creazione di portafogli sempre più performanti. Occorre comunque ricordare che la principale sfida per un investitore evoluto è quella di sapere sfruttare la crescente mole di dati a disposizione e distinguere il vero segnale dal rumore.

Una ulteriore conferma della rilevanza dei dati in finanza si è avuta con la recente apparizione su Business Insider di un articolo dal titolo “Goldman Sachs wants to become the Google of Wall Street”. In questo pezzo si parlava di come il colosso finanziario americano abbia costruito un proprio data lake mettendo insieme informazioni sulle transazioni, mercati, ricerche, email, registrazioni di telefonate e instant messaging. Questi dati grezzi potranno trasformarsi in informazioni preziosissime per Goldman Sachs solo grazie ad algoritmi di machine learning.

Cosa fanno generalmente gli investitori

Le tecniche sofisticate di cui abbiamo parlato nei paragrafi precedenti si scontrano quotidianamente sui mercati con approcci più convenzionali a cui gli investitori sono molto affezionati, come l’analisi tecnica e quella fondamentale. A causa della crescente concorrenza da parte di strumenti di investimento sempre più evoluti, questi approcci presi singolarmente iniziano a mostrare il peso degli anni.  

Sembrano invece più propensi all’innovazione gli hedge fund e alcuni investitori istituzionali che giocando d’anticipo si sono avvicinati da tempo a modelli automatizzati. Infatti, gli algoritmi sono in grado di monitorare e analizzare in tempo reale i mercati finanziari e riescono a prevedere oggettivamente quale sarà la direzione più probabile che prenderanno i prezzi.

Benefici e limiti dell’innovazione

In ambito finanziario, gli algoritmi stanno mostrando ottime capacità nel generare performance sostenibili nel tempo. Il motivo principale è che le transazioni rispondono a modelli backtestati e rigorosi, mentre le decisioni di un trader in situazioni di incertezza risultano spesso influenzate da una componente emotiva. Inoltre, gli algoritmi consentono di operare efficientemente anche quando la volatilità si abbatte sui mercati grazie ad una gestione dinamica che tiene conto sia degli obiettivi di rendimento ma anche della avversione o propensione al rischio. L’utilizzo dei big data aggiunge una nuova e importante base di dati da cui gli algoritmi possono estrarre valore da esprimere in termini di rendimento.

In conclusione, è opportuno sottolineare che non esiste ancora una formula magica che consente di prevedere con assoluta certezza il futuro, anche se la combinazione “algoritmi predittivi + big data” può sicuramente determinare un miglioramento delle performance dei portafogli.

Alessandro Greppi, PhD avatar
Alessandro Greppi, PhD

SIAT (Italian Society of Technical Analysis) Member and Lecturer @ Master in Technical Analysis of Financial Markets (Data Science module) held by SIAT ( https://bit.ly/2NqWHPr )