Le tecniche di investimento quantitativo individuano le possibilità di investimento attraverso l’uso di modelli matematici e algoritmi. Grazie a queste tecniche non discrezionali, gli investimenti non dovrebbero più essere fortemente influenzati dalle emozioni.
L’arbitraggio statistico, il factor investing, la parità di rischio, l’apprendimento automatico e l’intelligenza artificiale (AI) sono alcuni dei metodi più diffusi per implementare le tecniche di investimento quantitativo. Nell’investimento quantitativo si utilizzano algoritmi e modelli matematici per identificare i potenziali investimenti.
L’arbitraggio statistico, il factor investing, la parità di rischio, i metodi di apprendimento automatico e gli approcci di intelligenza artificiale sono esempi di strategie di investimento quantitativo. Valore, momentum, scala, qualità e volatilità sono alcuni dei criteri utilizzati di frequente negli studi quantitativi.
Le tecniche di investimento quantitativo sono popolari per la loro presunta obiettività e per la capacità di effettuare estesi backtesting prima dell’implementazione.
Il rischio del modello, l’overfitting e la mancata considerazione dell’impatto di un mercato in rapida evoluzione sono alcuni potenziali pericoli da tenere in considerazione quando ci si dedica agli investimenti quantitativi
Table of Contents
Qual è il background della finanza quantitativa
In un certo senso, la storia dell’investimento quantitativo e dei suoi punti di svolta è anche la storia del sistema di mercato contemporaneo. Negli anni successivi alla Seconda Guerra Mondiale, il campo dell’economia iniziò a quantificare i propri modelli e le proprie procedure, mentre allo stesso tempo l’industria finanziaria adottò modelli matematici per individuare gli asset sottovalutati.
Nel 1952 Harry Markowitz gettò le basi della teoria del portafoglio contemporanea, sottolineando il valore della diversità per ridurre il rischio. Dodici anni dopo, Fischer Black, Robert Merton e Myron Scholes svilupparono nel 1973 il modello Black-Scholes per la determinazione del prezzo delle opzioni, la prima tecnica matematica comunemente utilizzata per determinare il valore teorico dei contratti di opzione. Anche William Sharpe presentò il modello di determinazione del prezzo del capitale, un decennio dopo, affermando che maggiori rendimenti richiedono una maggiore esposizione al rischio.
Questi sviluppi, insieme ai progressi della potenza di elaborazione negli anni ’60 e ’70, hanno permesso agli econometrici e agli analisti finanziari – in seguito soprannominati “quants” – di sviluppare algoritmi e modelli sempre più intricati. Questo ha permesso alle istituzioni finanziarie di controllare il rischio e di trovare possibilità di investimento su scala molto più ampia. Gli hedge fund hanno iniziato a incorporare le tecniche quantitative nelle loro tattiche negli anni ’80 e ’90, dando vita a un boom di società come Renaissance Technologies di Jim Simon. Ciò ha aumentato la consapevolezza del potenziale di grandi guadagni finanziari derivante dalle tecniche basate sui dati.
Disaccordi e delusioni nel mondo del quantitative investing
Il trading computerizzato è stato in parte responsabile del crollo del mercato azionario del 1987 e i critici hanno usato il crollo di hedge fund come Askin Capital Management nel 1994 e Long Term Capital Management nel 1998 per mettere in dubbio la validità dei metodi quantitativi.5 Per alcuni, la crisi finanziaria globale del 2008 ha evidenziato i gravi rischi associati a un affidamento eccessivo su questi modelli, che non sono stati in grado di prevedere o di tenere conto dell’imminente crollo.
Con l’utilizzo di sofisticati algoritmi e modelli di pricing dei derivati, gli approcci quantitativi sono diventati sempre più complessi e comportano potenziali rischi sistemici se utilizzati in modo diffuso. In seguito, i detrattori hanno sostenuto che i quants hanno avuto un ruolo importante nella crisi finanziaria del 2008. In seguito alla crisi finanziaria del 2008, l’aumento della robustezza dei modelli e l’inclusione del tail risk (termine utilizzato per descrivere eventi non comuni ma catastrofici) nei modelli di quantitative investing sono stati considerati prioritari.
L’investimento quantitativo ha una lunga storia di innovazione, rischio e sviluppo di tecniche. La sua crescente importanza nei mercati finanziari mondiali ne fa un argomento sia di elogio che di esame critico.
Diversi tipi di piani di quantitative investing
Ogni tecnica di investimento quantitativo è adatta a diversi scenari di mercato e presenta un profilo di rischio-rendimento unico. La decisione tra le due si basa sugli obiettivi dell’azienda o della persona, sulla sua tolleranza al rischio e sulle sue capacità di calcolo. Tra le tecniche di investimento quantitativo vi sono le seguenti:
- L’arbitraggio statistico è la pratica di utilizzare sofisticati modelli statistici per trarre profitto dalle inefficienze del mercato.
- Il factor investing si concentra su particolari fattori di rendimento, come le dimensioni, il momentum e il valore, al fine di costruire portafogli2.
- Risk parity: distribuisce le attività in base al rischio piuttosto che al capitale nel tentativo di bilanciare i portafogli.
- Apprendimento automatico: Utilizza algoritmi per analizzare enormi quantità di dati e valutare l’efficienza e l’accuratezza dei modelli finanziari.
- L’intelligenza artificiale è l’estensione dell’apprendimento automatico per imitare il processo decisionale umano, dando ai piani finanziari un ulteriore grado di complessità e flessibilità.
- Utilizzo della strategia di investimento quantitativa con l’arbitraggio statistico
- Le inefficienze di prezzo tra prodotti finanziari collegati vengono sfruttate attraverso l’arbitraggio statistico. Questa strategia, che di solito si avvale di tecniche statistiche e di dati storici, impiega modelli matematici per individuare le inefficienze
Quali sono le tecniche di arbitraggio statistico
La creazione di un portafoglio neutrale rispetto al mercato è il concetto fondamentale dell’arbitraggio statistico. Il profitto è l’obiettivo principale della strategia, indipendentemente dalla direzione generale del mercato. Al fine di ridurre il rischio di mercato, si mantengono posizioni lunghe in attività a basso costo e posizioni corte in attività a prezzo eccessivo.
Il pair trading è un tipo comune di arbitraggio statistico in cui si trovano due titoli co-integrati. Si assume una posizione lunga nel titolo sottovalutato e una posizione corta nel titolo sopravvalutato quando il rapporto di prezzo tra i due si discosta dalla sua media storica. Quando il rapporto di prezzo torna alla sua media storica, l’obiettivo è guadagnare. La mean reversion è una variante di questa strategia in cui si prevede che gli asset che si sono discostati notevolmente dalla loro media storica finiscano per ritornarvi.
L’efficacia delle tattiche di arbitraggio statistico dipende dal calibro dei dati e dall’affidabilità delle tecniche statistiche impiegate. Se queste strategie richiedono transazioni frequenti, sono inoltre soggette ai costi di transazione. Quando le tattiche di arbitraggio statistico richiedono un gran numero di operazioni in un breve lasso di tempo, i costi di intermediazione o gli spread denaro-lettera possono avere un impatto sostanziale sulle possibilità di guadagno. La posizione neutrale rispetto al mercato dell’arbitraggio statistico e la possibilità di ottenere elevati rendimenti corretti per il rischio ne fanno una strategia popolare anche a fronte di queste difficoltà.
Applicazione della strategia di investimento quantitativa all’investimento in fattori
L’idea principale del factor investing è quella di scegliere i titoli in base alle variabili che sono collegate a rendimenti migliori. Queste possono essere basate sullo stile, come value, size e momentum, o macroeconomiche, come l’inflazione o i tassi di interesse. L’obiettivo della strategia è trovare e sfruttare metodicamente questi aspetti per sovraperformare un benchmark o raggiungere determinati obiettivi finanziari.10
Vediamo alcuni fattori spesso utilizzati:
- Fattore valore
Questo fattore impiega rapporti come il rapporto prezzo/valore contabile o il rapporto prezzo/utile per identificare le aziende a buon mercato. - Fattore Momentum
Si riferisce alla selezione di azioni che hanno dimostrato una forte performance di prezzo in un determinato periodo di tempo. - Fattore di dimensione
Questo fattore enfatizza le aziende più piccole, che di solito hanno un maggiore spazio di espansione.
Un’azienda con solidi fondamentali, come un elevato rendimento del capitale proprio, un basso indebitamento e utili costanti, viene valutata in base al fattore qualità. - Il fattore volatilità
riguarda le azioni a bassa volatilità, meno vulnerabili alle variazioni del mercato.
Grazie al suo approccio metodico e al potenziale di battere i benchmark, il factor investing è diventato sempre più popolare. Tuttavia, può capitare che un portafoglio incentrato sui fattori non raggiunga i suoi obiettivi a causa di cicli di sottoperformance e sovraperformance. Di conseguenza, molti investitori scelgono strategie a più fattori per ridurre il rischio e diversificare le proprie partecipazioni.
Approccio agli investimenti quantitativi con il metodo Risk-Parity
Piuttosto che concentrarsi sui rendimenti previsti, il metodo della parità di rischio mira a distribuire il denaro in base al rischio di ciascuna attività in un portafoglio. L’obiettivo è distribuire il rischio tra diverse classi di attività, tra cui obbligazioni, azioni, materie prime e attività alternative. Questo approccio aumenta la diversità del portafoglio e può aumentare i rendimenti corretti per il rischio.
Il profilo di rischio di un portafoglio tradizionale è solitamente dominato dalle azioni, il che lo rende vulnerabile alla volatilità del mercato azionario.
La leva finanziaria viene utilizzata a parità di rischio per aumentare gli investimenti in titoli a basso rischio come le obbligazioni. Questo dovrebbe aiutare a compensare il contributo al rischio di ciascuna classe di attività. Per raggiungere l’equilibrio di rischio richiesto, questo approccio si avvale di solito di derivati e di complesse tecniche di ottimizzazione.
La strategia della parità di rischio non è tuttavia priva di difficoltà. È soggetta alla valutazione dei fattori di rischio e delle correlazioni degli asset, che sono soggetti a variazioni nel tempo. Inoltre, l’utilizzo della leva finanziaria può aumentare le perdite nei mercati volatili. Nonostante queste complicazioni, la tecnica della parità di rischio viene utilizzata da trader e investitori perché spesso produce rendimenti più consistenti e variati.
Applicazione della strategia di investimento quantitativo al Machine Learning
La prospettiva di molte persone sui metodi di investimento quantitativi è cambiata grazie alla tecnologia di apprendimento automatico. Per formulare giudizi sugli investimenti, si valutano enormi serie di dati utilizzando algoritmi computazionali.I mercati finanziari vengono analizzati alla ricerca di modelli, anomalie e segnali di previsione utilizzando approcci di apprendimento supervisionato, non supervisionato e di rinforzo. Questi metodi possono essere utilizzati per gestire il rischio, prevedere i valori delle attività e migliorare i portafogli utilizzando dati alternativi o metriche finanziarie standard.
Gli investimenti quantitativi possono essere resi più efficienti e di successo automatizzando i complicati processi decisionali attraverso l’uso dell’apprendimento automatico. Per ottenere un vantaggio competitivo, gli algoritmi di apprendimento automatico, ad esempio, possono valutare le notizie, il sentiment dei social media e persino le immagini satellitari.
Tuttavia, il suo utilizzo presenta diversi svantaggi, come l’overfitting, lo spionaggio dei dati e la necessità di procedure di backtesting rigorose. L’approccio richiede inoltre un elevato livello di potenza del computer e conoscenze di machine learning e di finanza. Nonostante questi ostacoli, l’apprendimento automatico sta diventando sempre più apprezzato da quants, hedge funds, gestori patrimoniali e singoli investitori per il suo potenziale di miglioramento delle previsioni e dei rendimenti corretti per il rischio.
Applicazione della strategia di investimento quantitativa all’intelligenza artificiale (AI)
Con la sua gamma di metodi avanzati per l’analisi dei mercati finanziari, l’intelligenza artificiale (IA) ha rapidamente assunto un ruolo centrale nel campo degli investimenti quantitativi. Gli algoritmi di IA sono in grado di elaborare enormi quantità di dati organizzati e non strutturati al fine di individuare anomalie, tendenze e segnali prognostici nel mercato. Questi algoritmi hanno la capacità di adattarsi alle mutevoli circostanze del mercato, il che può aumentare l’efficacia e l’efficienza di specifiche strategie di investimento.
Al di là delle misure finanziarie convenzionali, l’IA ha diversi impieghi negli investimenti quantitativi. A vantaggio degli investitori, i sistemi di IA possono valutare diverse fonti di dati provenienti da piattaforme di notizie e social media. Per generare segnali di trading, la processione del linguaggio naturale – un sottoinsieme dell’intelligenza artificiale – viene utilizzata per valutare materiale testuale, tra cui le trascrizioni delle chiamate agli utili e le notizie finanziarie.13
Le difficoltà dell’utilizzo dell’IA per gli obiettivi di investimento, come l’overfitting – che si verifica quando l’IA dipende troppo dai dati passati in un ambiente modificato – e il data snooping – un tipo di interferenza statistica – sono ancora oggetto di studio e discussione.Inoltre, l’applicazione dell’IA alle strategie finanziarie richiede una notevole quantità di potenza di elaborazione e di conoscenze.413
Tuttavia, considerando l’adattabilità e la capacità predittiva dell’IA, è comprensibile che molti nel mondo degli investimenti parlino di utilizzarla come strumento13.
Vantaggi delle strategie di quantitative investing
Di seguito sono elencati alcuni dei vantaggi che rendono interessanti le tecniche di quantitative investing:
- Processo decisionale basato sui dati
Utilizzando modelli matematici e algoritmi, i metodi di investimento quantitativo possono ridurre l’impatto dei pregiudizi e delle emozioni sulle scelte di investimento. Di conseguenza, dovrebbero portare a un processo decisionale più coerente e logico. - Gestione del rischio e diversificazione
Queste tattiche prevedono la negoziazione di diversi strumenti finanziari o tipi di attività per contribuire alla diversificazione dei portafogli. Per migliorare i profili di rischio-rendimento, si applicano anche sofisticate strategie di gestione del rischio. Efficace e flessibile:Il metodo è estremamente efficace poiché gli strumenti di investimento quantitativo sono in grado di gestire rapidamente grandi volumi di dati. Questi strumenti possono essere utilizzati in un’ampia gamma di circostanze di mercato. - Trasparente e backtestato
Le tecniche di investimento quantitativo sono più trasparenti in quanto basate su regole.Per valutare l’efficacia di queste tattiche, si possono utilizzare anche i dati storici per un backtest.
Gli svantaggi delle strategie di investimento quantitative
Sebbene i metodi di investimento quantitativi offrano molti vantaggi, non sono privi di limitazioni:
- Rischio del modello
I modelli imprecisi possono comportare ingenti perdite, poiché si basano su dati passati e contengono ipotesi che potrebbero non valere in futuro.Un problema diffuso, noto come overfitting, si verifica quando un modello funziona bene su dati storici ma male su eventi nuovi.15 - Disponibilità e qualità dei dati
L’utilizzo tempestivo e di alta qualità dei dati è fondamentale per il successo di qualsiasi approccio quantitativo.Le imprecisioni dei dati possono compromettere seriamente il rendimento del piano. - Complessità computazionale
Non tutti gli investitori possono permettersi queste tattiche, poiché di solito richiedono una grande potenza di elaborazione e conoscenze di programmazione e scienza dei dati. - Liquidità e impatto sul mercato
Alcune tecniche di investimento quantitativo possono avere un effetto sul prezzo di mercato, con conseguente aumento dei costi di transazione. Inoltre, per alcune tecniche potrebbe essere necessario operare in mercati meno liquidi, il che potrebbe essere pericoloso. - Questioni etiche e normative
L’uso di algoritmi nel trading ha suscitato domande sull’integrità e la correttezza del mercato.La fattibilità di particolari tattiche può essere influenzata anche dai cambiamenti normativi.
Nonostante queste difficoltà, le strategie di investimento quantitativo si stanno sviluppando, adottando tattiche di gestione del rischio più incisive e adattandosi ai cambiamenti del mercato.
