Fintech e la nuova frontiera degli investimenti

I gestori patrimoniali in generale utilizzano strategie di investimento basate rigorosamente su dati statistici: stock picking sulla base di rigide regole, tramandate nei corsi di laurea di finanza.

Gestire il portafoglio è un’arte che deve saper combinare statistica e l’intuizione dell’investment manager. Non può esistere l’uno senza l’altro. C’è un solo problema in questo assetto di pensiero: la statistica non può mai sbagliare, perché offre solo indici probabilistici rispetto a ciò che può verificarsi nella realtà. Ciò che sbaglia, e anche molto spesso, è proprio l’intuizione dell’investment manager.

Sbagliare è normale, ma deve essere una spinta verso un cambiamento positivo. È proprio per questo che la tecnologia entra nella finanza, nasce il Fintech e la stessa finanza subisce un cambiamento epocale.

Superfluo ribadire l’entità del cambiamento che le nostre economie stanno affrontando grazie all’innovazione finanziaria: banche a portata del consumatore finale, che vede meno costi e maggior vantaggi nella quotidiana user experience.

Sarebbe non corretto però vedere il fenomeno delle Fintech solo dal punto di vista del B2C, cioè del cliente finale. Il trend va osservato anche e soprattutto nel B2B, dove esiste il mercato più ampio.

Proprio uno dei settori più tradizionali sta subendo un cambiamento epocale grazie alla tecnologia che entra senza chiedere permesso. L’asset management come è conosciuto ai più oggi non sarà più lo stesso in futuro.

Sta nascendo la nuova frontiera della gestione degli investimenti.

È il momento del Quantamental Investing, filosofia in cui Machine Learning (ML) e Intelligenza Artificiale si fondono per migliorare le performance dei fondi di investimento.

Il QI permette di utilizzare il machine learning a servizio dell’attività dell’investment manager. Viene quindi analizzato un vasto ammontare di prodotti finanziari quotati, inserito in un motore ML e rielaborato: permette di venire a conoscenza quali sono le migliori opportunità di investimento secondo ML. È quindi un tool a supporto del trader che permette loro di massimizzare le performance. Il QI è a supporto dell’analisi discrezionale, non la vuole sostituire in toto.

Crescono gli AUM (assets under management), quasi raddoppiati negli ultimi 8 anni. I primi fondi che abbracciano questa tecnologia fanno riferimento a istituzioni finanziarie data-driven, come BlackRock, Point72 Asset Management, Tudor Investment e HSBC.

I portfolio manager possono fare affidamento su tool tecnologici per effettuare il processo di due diligence, rendendo lo stesso processo più snello e più efficace. La tecnologia permette quindi di effettuare una grande quantità di analisi, velocemente e rapidamente. Ciò porta ad una riduzione di costi e ad un efficientamento dell’istituzione finanziaria, in quanto più persone potranno occuparsi di task più strategici, rispetto al normale pre-screening delle opportunità di investimento.

Ogni tecnologia che si rispetta ha anche dei punti di debolezza. Prima di tutto esiste una barriera all’entrata in termini di costi da sostenere per dotarsi di un certo tipo di software. Poi, il mercato del lavoro non è ancora quantamental-investing oriented. Esistono pochi profili che matchano le richieste delle istituzioni finanziarie, deve ancora verificarsi un adeguamento dei profili universitari alle skill richieste. C’è anche un problema nella struttura del mercato stesso: è in fase embrionale, dominato da tanti piccoli player che non hanno la forza di fare sistema e, per ora, di scalare. Bisogna scalare velocemente per diventare leader di questa categoria.

Gli alternative data che vengono utilizzati possono essere:

  • Immagini di satelliti: ad esempio Orbital riesce a dire quante sono le auto parcheggiate di fronte ai retail store, informazione di grande importanza perché permette di stimare le revenue di un determinato punto vendita
  • Website scraping: sono una categoria di API che estraggono i dati dai siti web, come ad esempio i siti di e-commerce. Questo permette di effettuare un profiling dettagliato delle attività commerciali di una determinata azienda, e anche di una nazione intera. Tracciando i consumi infatti si può captare lo stato di benessere dei cittadini, e quindi dell’economia.
  • Geolocalizzazione, per capire il comportamento dei consumatori, individuare i punti più frequentati, e quindi avere gli strumenti per effettuare una profilazione sempre più dettagliata delle revenues del punto vendita.

Ci sono alcune startup che stanno cavalcando il trend degli alternative data e dell’analisi di portafoglio utilizzando motori di ML. Regina di tutte è Finscience, fondata da ex senior manager di Google.

Si inserisce in un mercato in competizione con Morgan Stanley, che sta implementando soluzioni di quantamental portfolio, Axyon AI, società tutta italiana che offre soluzioni deep learning per il mercato dei capitali e il settore dell’asset management e Sentifi, start-up svizzera che usa gli alternative data per offrire segnali di trading.

La scena competitiva dell’uso degli alternative data è molto vasta, si divide principalmente tra Europa (focus particolare su UK) e gli Stati Uniti, e comunque molto sensibile alla tematica regolatoria dell’uso dei dati, che se effettuato in modo scorretto può compromettere la privacy dell’utente finale, che va sempre tutelata, in ogni modo e situazione.

La finanza tradizionale sta per essere stravolta per sempre, forse non c’è ancora chiara percezione del cambiamento che stiamo attraversando.

Luca Carlomagno


Ringrazio il mio team della Bocconi Students Fintech Society, per aver condotto un analisi molto dettagliata dello stato attuale del Quantamental Investing. Grazie al Presidente Amedeo Monchiero, al Senior Associate Pietro Pizzato, agli Associate Alessandro Astore e Lorenzo Barucco. Qui è possibile trovare il link dell’analisi svolta.