Milano, 25 Giugno - AI Italia {3} Meetup @ Microsoft Home
Il modello presentato ha come obiettivo quello di individuare le variabili macroeconomiche premiate in un determinato intervallo temporale ed i titoli che beneficiano della spinta derivante da questo trend di fondo
1. Dall’ «Intelligent» Investor
all’ «Augmented» Investor:
AI a supporto dello stock-picking
Alessandro Greppi, PhD
Socio Ordinario Affiliate - SIAT
Milano, 25 giugno - AI Italia {3} Meetup @ Microsoft House
2. “
“To invest successfully over a lifetime does not require a
stratospheric IQ, unusual business insights, or inside
information. What’s needed is a sound intellectual framework for
making decisions and the ability to keep emotions from corroding
that framework.”
Benjamin Graham, author of “The Intelligent Investor” (1949)
3. 1949: «The Intelligent Investor»
Benjamin Graham – mentore di Warren Buffett –
scrisse «The Intelligent Investor» nel 1949.
Libro ancora attuale anche se i mercati finanziari si
sono evoluti con il tempo.
«Never trust Mr. Market»
Mr. Market non è molto intelligente, assolutamente
imprevedibile e soffre di improvvisi sbalzi di umore.
4. “Solo attraverso un’analisi approfondita, l’investitore intelligente può individuare le
azioni sottovalutate. Questa scoperta è possibile analizzando la storia della società e i
valori del management…”
… e oggi?
1949: L’importanza dei dati
5. I mercati finanziari si sono velocizzati, trasformandosi in sistemi in cui la
complessità è «in movimento».
Le dinamiche sono influenzate dall’ interazione competitiva tra i numerosi
operatori.
Oggi: mercati come sistema complesso
6. Rispetto al 1949, abbiamo una
maggiore disponibilità di
informazioni generata, in alcuni
casi, da fonti non convenzionali
(big data).
Necessità di definire nuove
metodologie per estrapolare,
gestire e processare i dati.
AI potrebbe essere lo strumento
adatto per gestire questa
complessità.
Le informazioni nel 2018
7. Studiare i mercati oggi
Gli investitori, in particolar modo gli istituzionali, hanno strumenti che
consentono di setacciare una grande quantità di informazioni finanziarie.
Generalmente il processo prevede che l’investitore crei dei filtri che permettono
di individuare all’interno di un database i titoli che rispondono a quei parametri.
In questo approccio, tutto è molto soggettivo. Il risultato dipende da come l’uomo
decide di impostare la propria ricerca.
9. I principi di base
Applicare il machine learning per identificare i titoli «sostenuti» da un
trend di mercato riconducibile ad una serie di grandezze finanziarie…
… cercando di utilizzare modelli congruenti con la base dati a disposizione, con
l’obiettivo di evitare il più possibile l’ overfitting.
10. Le variabili in input sono derivate
dall'osservazione dell'ambiente;
quelle in output, identificano la
decisione da intraprendere
Ogni nodo verifica una condizione
su una particolare variabile
dell'ambiente e ha due o più
diramazioni
La decisione finale si trova nei
nodi terminali
Random Forest
11. Cosa facciamo
DATI: classificazione settoriale dei titoli e prezzi storici, dati finanziari dei titoli,
dati macroeconomici (andamenti oro, petrolio, tassi, …)
ANALISI: selezione di un intervallo temporale di analisi e del livello di
complessità degli alberi decisionali
OUTPUT 1° LIVELLO
L’algoritmo individua
un elenco di variabili
«premiate» dai mercati
finanziari nell’
intervallo indicato
OUTPUT 2° LIVELLO
L’algoritmo propone un
elenco di titoli «caldi» in
base al trend di mercato
individuato dal modello
Si elimina la
discrezionalità
umana nel processo
di screening dei
mercati!
12. 100 titoliinseriti nel database appartenenti a SP500 e con mkt. cap. maggiore
180.000alberi decisionali generati per simulazione
30 variabili
associate a grandezze macro, di mercato o di bilancio
14. Investitore indica un intervallo di
tempo da analizzare: dal 1 Gen. al 31
Mar.‘18
Numero di variabili per albero: 3*
*processo di selezione previsto solo in fase beta
Step 1: Selezione dell’intervallo
15. Il modello elabora e restituisce
una serie di combinazioni di
variabili «premiate» dal mercato
(non c’è componente soggettiva),
ordinandole per «forza».
Variabile_High (Low): i titoli
vengono ordinati in senso
decrescente (crescente) rispetto
alla variabile in questione.
Step 2: Individuazione delle variabili
16. Le variabili selezionate nello step
precedente vengono inserite nel
box «Variable for stocks selection»
Questo passaggio innesca un
processo di selezione dei titoli
automatizzato
Step 3: Processo di selezione
17. Il modello restituisce un elenco di
titoli «caldi».
Questi nomi non rappresentano un
vero e proprio portafoglio ma il
risultato di uno screening del
mercato avanzato.
Step 4: Selezione dei titoli «caldi»
Next steps: costruzione di portafogli AI-driven + trading system