Come si usano le strategie quantitative per operare sui mercati

Le tecniche di investimento quantitativo individuano le possibilità di investimento attraverso l’uso di modelli matematici e algoritmi.

Grazie a queste tecniche metodiche, gli investimenti non devono 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 strategie di investimento quantitative.

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 quantitative. 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.

Cos’è la finanza quantitativa e come è nata

La storia dell’investimento quantitativo e delle sue tappe fondamentali è anche, in qualche modo, una storia del moderno sistema di mercato. Negli anni successivi alla Seconda Guerra Mondiale, il campo dell’economia iniziò a quantificare i suoi modelli e le sue 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, William Sharpe presentò il modello di determinazione del prezzo del capitale, che sostiene che una maggiore assunzione di rischio è necessaria per ottenere maggiori rendimenti.

Nel 1973 Fischer Black, Robert Merton e Myron Scholes svilupparono il modello Black-Scholes per la determinazione del prezzo delle opzioni. Si tratta della prima tecnica matematica comunemente utilizzata per determinare il valore teorico dei contratti di opzione.

La creazione dei quants

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 complessi. Ciò 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. Questo ha aumentato la consapevolezza di come gli approcci basati sui dati possano portare a grandi guadagni finanziari.

Ma ci sono stati anche dissensi e delusioni nello spazio degli investimenti quantificati. Il trading computerizzato è stato in parte responsabile della crisi del mercato azionario del 1987 e i detrattori hanno messo in dubbio la sicurezza degli approcci quantitativi dopo il crollo di hedge fund come Askin Capital Management (1994) e Long Term Capital Management (1998).

Le critiche ai modelli

Alcuni ritengono che la crisi finanziaria globale del 2008 abbia dimostrato i gravi rischi associati a una dipendenza eccessiva da questi modelli, poiché non sono stati in grado di prevedere o di tenere conto dell’imminente disastro. Con l’uso di algoritmi sofisticati e di modelli di pricing dei derivati, gli approcci quantitativi sono diventati sempre più complessi e comportano potenziali rischi sistemici se utilizzati su larga scala. In seguito, i detrattori hanno sostenuto che i quants hanno avuto un ruolo importante nella crisi finanziaria del 2008.

Lo spartiacque della crisi del 2008

Dopo la crisi finanziaria del 2008, l’aumento della robustezza dei modelli e l’inclusione del tail risk (termine usato per descrivere eventi non comuni ma catastrofici) nei modelli di investimento quantificati sono stati considerati prioritari. Con l’uso e la creazione di modelli finanziari che utilizzano l’intelligenza artificiale e l’apprendimento automatico, negli ultimi anni l’investimento quantificato è emerso come in procinto di un’altra rivoluzione. Queste tecnologie creano questioni etiche e la possibilità di aumentare il pericolo sistemico, ma offrono anche vantaggi significativi nell’uso dell’analisi dei dati.

Le preoccupazioni relative a chi emette i giudizi aumentano man mano che gli algoritmi diventano sempre più sofisticati e autogestiti, e le conseguenti preoccupazioni sulla privacy, la giustizia e la trasparenza dei dati ricevono una maggiore attenzione da parte del pubblico. C’è anche il timore che i professionisti, per non parlare di altri importanti decisori economici, non possano nemmeno comprendere appieno l’uso di tecniche così sofisticate da parte dell’AI.

L’innovazione, il rischio e lo sviluppo di tecniche di investimento quantitativo hanno una lunga storia. La sua posizione sempre più importante nei mercati finanziari mondiali lo tiene sotto osservazione critica e ammirata.

Diversi tipi di strategie di investimento quantitativo

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.Factor investing: si concentra su particolari fattori di rendimento, come le dimensioni, il momentum e il valore, al fine di costruire portafogli.
• 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 dati storici, utilizza modelli matematici per individuare le inefficienze.

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. Ciò si ottiene mantenendo posizioni lunghe in attività poco costose e posizioni corte in attività troppo costose, riducendo così il rischio di mercato.

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.

La mean reversion

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.

La qualità dei dati e l’affidabilità delle tecniche statistiche utilizzate sono fattori chiave negli schemi di arbitraggio statistico. Se queste tecniche comportano molte operazioni, sono anche soggette a 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 ask bid possono avere un impatto sostanziale sulle possibilità di guadagno. La posizione neutrale rispetto al mercato dell’arbitraggio statistico e il suo potenziale di grandi 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.

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, poco debito e utili costanti, viene valutata in base al fattore qualità.
• Fattore volatilità
  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 investimenti alternativi. Questo approccio aumenta la diversità del portafoglio e può aumentare i rendimenti corretti per il rischio.

Il profilo di rischio di un portafoglio convenzionale 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 desiderato, la strategia si avvale di solito di strumenti derivati e di tecniche di ottimizzazione avanzate.

La strategia della parità di rischio non è tuttavia priva di difficoltà. È sensibile alla stima dei fattori di rischio dinamici e delle correlazioni degli asset. La leva finanziaria può anche rendere più gravi le perdite nei mercati ribassisti.

Nonostante queste complicazioni, la tecnica della parità di rischio viene utilizzata da trader e investitori perché spesso produce rendimenti più consistenti e variati.

L’applicazione della strategia di investimento quantitativa 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 misure finanziarie standard.

L?automazione rende i modelli più efficienti

Gli investimenti quantitativi possono essere resi più efficienti e di successo automatizzando complicati processi decisionali attraverso l’uso dell’apprendimento automatico. Per ottenere un vantaggio competitivo, gli algoritmi di apprendimento automatico possono ad esempio valutare le notizie, il sentiment sui social media e persino le immagini satellitari.

Tuttavia, l’utilizzo di questi algoritmi 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 finanza.

Nonostante queste difficoltà, l’apprendimento automatico sta diventando sempre più popolare tra i quants, gli hedge fund, i gestori patrimoniali e i singoli investitori grazie alla sua promessa di migliorare le previsioni e i rendimenti corretti per il rischio.

L’applicazione della strategia di investimento quantitativa all’intelligenza artificiale

L’Intelligenza Artificiale (AI) è emersa come strumento di spicco nell’ambito degli investimenti quantitativi, fornendo una serie di metodi avanzati per l’analisi dei mercati finanziari. Grandi volumi di dati organizzati e non strutturati possono essere elaborati da algoritmi di IA per trovare modelli, anomalie e segnali di previsione nel mercato. Questi algoritmi hanno la capacità di adattarsi alle mutevoli condizioni di mercato, il che può aumentare l’efficacia e l’efficienza di specifiche tecniche di investimento.

Al di là delle misure finanziarie convenzionali, l’IA ha diversi impieghi negli investimenti quantitativi. A vantaggio degli investitori, i sistemi di AI 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 (AI) – viene utilizzata per valutare materiale testuale, tra cui le trascrizioni delle chiamate agli utili e i titoli finanziari.

Quali sono i vantaggi delle strategie di investimento quantitative

I vantaggi che rendono interessanti le tecniche di investimento quantitativo possono essere:

• 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. Vengono inoltre impiegate strategie avanzate di gestione del rischio per aumentare i profili di rischio-rendimento.
• Efficace e flessibile
  *Il metodo è estremamente efficace perché gli strumenti di investimento quantitativo sono in grado di elaborare 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.

Quali sono 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 provocare ingenti perdite poiché si basano su dati passati e contengono ipotesi che potrebbero non valere in futuro. Un problema prevalente, noto come overfitting, si verifica quando un modello funziona bene con i dati storici ma male con i nuovi eventi.
• Disponibilità e qualità dei dati
  L’utilizzo tempestivo e di alta qualità dei dati è fondamentale per il successo di qualsiasi approccio quantitativo. Gli errori nei dati possono avere un effetto importante sul funzionamento del piano.
• Complessità di calcolo
  Queste tattiche richiedono di solito una grande potenza di elaborazione, nonché conoscenze di data science e di programmazione, che non sono alla portata della maggior parte degli investitori.
• 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, potrebbe essere pericoloso che alcuni metodi richiedano la negoziazione in mercati meno liquidi.
• 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 da 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.