Il dibattito sull’impatto dell’intelligenza artificiale sui mercati finanziari non riguarda più solo le infrastrutture o i modelli quantitativi. Nelle ultime settimane, le azioni di società che operano nella gestione patrimoniale e nei servizi professionali hanno registrato oscillazioni marcate, alimentate da un timore sempre più concreto: che l’IA stia per erodere anche le professioni considerate fino a poco fa al riparo dalla tecnologia. In questo contesto si inserisce una nuova ricerca che si occupa proprio di uno dei settori finiti nel mirino degli investitori nelle ultime settimane, vale a dire quello finanziario.
Il paper si intitola Mimicking Finance ed è stato pubblicato qualche giorno fa come working paper del National Bureau of Economic Research (NBER). Gli autori sono Lauren Cohen della Harvard Business School, Yiwen Lu della Wharton School e Quoc H. Nguyen della DePaul University. La domanda di partenza è semplice: in che misura le decisioni di un gestore di fondi attivo possono essere apprese e replicate da un algoritmo? Che tradotta in maniera più esplicita diventa: con quale percentuale di successo posso sostituire un gestore umano con l’IA nell’ambito dei fondi con margini di gestione più ampi?
La risposta, emersa da un’analisi che copre oltre tre decenni di dati — dal 1990 al 2023, su 1.706 fondi azionari attivi — è che il 71% delle decisioni di acquisto, vendita o mantenimento di un titolo possono essere previste da un modello di machine learning, senza che il gestore abbia effettuato una singola operazione. Si tratta di un risultato statisticamente robusto e stabile nel tempo, significativamente superiore al 52% ottenibile con un semplice modello di riferimento basato sulla frequenza delle scelte passate.
Il modello utilizzato è una rete neurale ricorrente di tipo LSTM, addestrata su finestre temporali di cinque anni e poi testata fuori campione sui due anni successivi. I dati in input includono le caratteristiche dei fondi, i flussi degli investitori, le caratteristiche dei titoli in portafoglio e le condizioni macroeconomiche. In altre parole, l’algoritmo non fa altro che imparare gli schemi comportamentali dei gestori osservando come questi reagiscono, nel tempo, a stimoli osservabili.
Il dato più interessante, però, non è il 71% che il modello riesce a prevedere, ma il 29% che sfugge alla previsione. Questo residuo imprevedibile è sistematicamente associato a performance superiori: i gestori le cui decisioni risultano meno prevedibili sovraperformano i colleghi in modo significativo e persistente, mentre quelli più prevedibili tendono a sottoperformare. La relazione vale sia a livello di fondo che a livello dei singoli titoli in portafoglio.
Le implicazioni sono dirette. Se la maggior parte dell’attività quotidiana di un gestore segue schemi che una macchina può identificare, apprendere e in linea di principio replicare a costi molto più bassi, diventa difficile giustificare le commissioni di gestione attiva per quella porzione di attività. Il valore aggiunto dei gestori, conclude lo studio, esiste — ma risiede in una frazione relativamente piccola delle loro decisioni: quelle non di routine, imprevedibili, probabilmente legate a informazioni o analisi che sfuggono ai modelli.
Come ha commentato la professoressa Cohen in un’intervista a Bloomberg, la parte genuinamente qualificata del lavoro del gestore è reale, ma è meno grande di quanto si pensasse. La domanda che ne consegue non è se sostituire i gestori in blocco, ma come ridefinire il prezzo di ciò che fanno — separando ciò che è meccanico da ciò che è davvero discrezionale. Una distinzione che, fino a pochi anni fa, non era tecnicamente possibile tracciare.
Foto di Gerd Altmann
