La potenza dell’IA nella finanza e nel trading algoritmico

Di recente, il dott. Hugo Bowne-Anderson (DataCamp) e il dott. Yves Hilpisch (The Python Quants) hanno discusso di come l’IA possa essere sfruttata nella finanza, di come si confronti con gli approcci più tradizionali e del perché oggi i data scientist siano figure chiave nel settore finanziario. Hanno anche parlato di incertezza e rischio, e di quanto possano essere utili IA e machine learning nei crolli di mercato, durante eventi cigno nero e in mercati volatili. Guarda il webinar on-demand oppure continua a leggere per alcuni punti chiave. 

Cos’è l’IA e quali sono le implicazioni?

Yves definisce l’intelligenza artificiale come l’insieme dei campi che cercano di emulare e migliorare ciò che le persone sanno fare. In questo senso, l’IA negli scacchi prova a giocare meglio degli esseri umani, e l’IA nella finanza può significare costruire e addestrare bot che sanno fare trading meglio delle persone.

"L’IA è quando un software realizza qualcosa che considereremmo un atto intelligente. E l’intelligenza può essere definita come la capacità di raggiungere un certo obiettivo." — Dott. Yves Hilpisch

Le macchine possono seguire il metodo scientifico in modo molto più efficiente degli esseri umani. Sono in grado di guardare i dati e individuare preferenze rivelate tracciando ciò che le persone fanno realmente. E da lì traggono insight. Sfruttano milioni di punti dati per formare questi insight, che risultano molto più accurati dei modelli teorici.

Allora cos’è il metodo scientifico?

"Imposti un esperimento, raccogli i dati e poi cerchi o di trovare conferme all’ipotesi, o magari trovi dati che la contraddicono. Il passo successivo sarà quindi adattare l’ipotesi, le tue assunzioni, o magari ritirare del tutto l’ipotesi. Questo processo del metodo scientifico può essere replicato dalle macchine un milione di volte in pochi secondi." — Dott. Yves Hilpisch

L’IA ha fornito un grande vantaggio competitivo negli ultimi 20 anni

L’IA serve allo stesso scopo nella finanza come in qualsiasi altro campo: ottenere un vantaggio competitivo. In finanza, ha mosso i primi passi negli anni ’50, quando Markowitz ha aperto la strada con il primo modello di finanza quantitativa. Fu il primo modello nella teoria della varianza di portafoglio ad avere ampia accettazione. Oggi è ancora usato per gestire migliaia di miliardi di dollari. Ma utilizza una teoria normativa basata sull’analisi di vari possibili portafogli di titoli: non è prescrittiva perché non suggerisce un possibile corso d’azione. Quindi non è basata sui dati, bensì su dati comportamentali o di mercato.

Negli ultimi 20 anni, i dati sono diventati più disponibili che mai: la chiave è usarli in modo appropriato. The Man Who Solved the Market di Gregory Zuckerman racconta come l’hedge fund Renaissance Technologies abbia aperto la strada nell’ammassare dati a fini finanziari. Oggi quasi ogni settore ha adottato la loro strategia di creare modelli matematici e macinare dati — e riesce a prendere decisioni più ottimali di conseguenza.

Casi d’uso moderni e buone pratiche per la finanza quantitativa

C’è stata un’evoluzione radicale dell’IA nei mercati finanziari. Per esempio, usando le montagne di dati disponibili oggi, i modelli di apprendimento supervisionato sono in grado di prevedere il comportamento di creditori o consumatori con un alto grado di accuratezza. Anche il trading algoritmico sfrutta l’apprendimento per rinforzo per premiare e punire i bot di trading in base a quanto denaro guadagnano o perdono.

"Oggi abbiamo milioni e milioni di punti dati che possiamo usare per analizzare il comportamento delle persone. E con le nuove tecnologie che abbiamo, banche e istituzioni [come] le startup fintech sono dieci, cento volte migliori nel prevedere il comportamento dei consumatori, dei creditori, ecc., di qualsiasi teoria che sia mai stata elaborata dai professori di finanza." — Dott. Yves Hilpisch

Ma in periodi come questi, in cui c’è un’alta volatilità di mercato, è chiaro che l’IA in finanza richiede misure di sicurezza. L’apprendimento supervisionato si basa su dati storici e presume che ciò che è accaduto in passato sia rappresentativo di ciò che accadrà in futuro. Questa è una logica fallace in tempi di volatilità di mercato. Ecco perché devi avere regole per prevenire decisioni di trading sbagliate, come inserire uno stop loss — che specifica un prezzo al quale un titolo o una commodity verrà venduto — negli algoritmi. Questa logica limita perdite troppo gravose ed è paragonabile all’inserire meccanismi di sicurezza in un’auto a guida autonoma per impedirle di investire i pedoni su un marciapiede. L’IA è utile per ridurre il rischio derivante dagli eventi in corso e dal loro impatto sul mercato. Negli eventi cigno nero, le tattiche di apprendimento supervisionato devono essere monitorate con attenzione e l’apprendimento per rinforzo può essere usato per riaddestrare i modelli in base alle nuove condizioni di mercato. L’intervento umano e il monitoraggio attento degli algoritmi in produzione saranno comunque necessari per il prossimo futuro.

La necessità di strumenti semplici, replicabili e scalabili

Nella finanza computazionale, la simulazione Monte Carlo adotta un approccio prospettico che parte da un certo punto nel tempo e simula verso il futuro. Python è un ottimo strumento per questo. Oggi lo stack dati di Python è un insieme di pacchetti interoperabili che ti permettono di acquisire dati, trasformarli con pandas, condurre modellazione statistica e creare algoritmi di machine learning. Python consente che tutto ciò avvenga in scala. Oggi il trading algoritmico dipende dall’avere gli strumenti giusti. E lavorare in questo settore richiede un certo grado di padronanza di questi strumenti — in particolare, Python e R. Il pacchetto pandas di Python e framework come TensorFlow e Keras hanno permesso a molte persone di fare ciò che prima era impossibile.

Abbattere le barriere all’ingresso

Imparare a usare questi strumenti è un grande investimento, e sempre più aziende e individui stanno facendo questo investimento come mai prima d’ora. Offerte formative come DataCamp e The Python Quants possono democratizzare il processo di apprendimento. I learner familiarizzano con i concetti di data science e machine learning e si abituano a costruire algoritmi in autonomia in un ambiente di coding. Possono anche prendere dimestichezza con l’impostazione di un ambiente e di una toolchain adeguati per lavorare sul server — mettendoli in condizione di distribuire algoritmi nel cloud.