Machine Learning & Black Swans

I cigni neri (Black Swans) sono stati definiti da Nassim Taleb nel 2007 come eventi che si caratterizzano per la loro rarità e imprevedibilità, la gravità delle loro conseguenze e la tendenza a razionalizzarli a posteriori. In finanza, questi eventi hanno la caratteristica di poter essere esogeni: eventi naturali, pandemia, guerra, ma anche di poter essere generati dai mercati finanziari stessi sotto forma di bolle speculative. I mercati economici e finanziari hanno così conosciuto diversi eventi mondiali di questo tipo, ad esempio la bolla immobiliare del 2008, spesso classificati nella categoria dei cigni neri. L'imprevedibilità di queste bolle si fonda sul determinare se esse esistano realmente o meno, sul misurarne l'evoluzione e la capacità di esplodere e, soprattutto, il loro impatto potenziale sui mercati e sull'economia.

L'irruzione di ChatGPT-4 nel 2023 ha costituito un punto di svolta nella comprensione delle possibilità dell'IA e nell'accelerazione degli strumenti utilizzati fino ad allora. Nella finanza di mercato, il rapido sviluppo di nuovi dispositivi ha permesso di generalizzare ed estendere algoritmi che erano, per alcuni, già avanzati (trading ad alta frequenza, robot-advisory, web scraping), moltiplicando anche il numero di attori attivi nel settore. Mentre l'accento è stato posto in un primo momento sui trattamenti massivi di documenti, sulla sintesi e sulla riscrittura da parte dei Large Language Models (LLM), oggi l'intelligenza è sempre più utilizzata nell'investimento stesso, applicando in particolare i principi del machine learning.

Gli algoritmi di machine learning sono concepiti per apprendere sulla base di vasti volumi di dati finanziari e per individuare le tendenze e formulare previsioni o decisioni senza intervento umano o con un intervento umano limitato. Tuttavia, per quanto impressionante possa essere, la capacità dell'IA di prevedere o attenuare l'impatto degli eventi particolari non è garantita. Ciò è legato sia al carattere per definizione imprevedibile del cigno nero, sia alle caratteristiche dell'apprendimento.

Infatti, l'obiettivo generale dell'apprendimento è minimizzare l'entropia affinché la distribuzione prevista sia il più possibile vicina alla distribuzione osservata, tendendo così a trattare a parte o a ignorare gli outlier, siano essi aberranti o difficili da spiegare. L'apprendimento è anche tributario dell'accesso e della lunghezza dei dati storici, della loro disponibilità a seconda dei domini, ma anche dell'ipotesi che i dati passati, massivamente impiegati, permettano di determinare tendenze dotate di un certo potere predittivo. Infine, una parte importante della messa a punto consiste nell'evitare l'«overfitting», ossia il funzionare favorendo i dati di apprendimento a scapito della capacità di previsione. Ciò porta naturalmente a scartare o minimizzare gli eventi particolari che non rientrano nella media.

Le caratteristiche dell'apprendimento, che sia supervisionato o non supervisionato, pongono la questione della generazione di una bolla particolare e dell'autoproduzione di un cigno nero di nuovo genere attraverso la moltiplicazione di attori automatizzati la cui diversità sarebbe fittizia. Secondo i principi stabiliti da Shannon, il numero e la moltiplicazione degli attori non significa che vi sia più informazione, né che essa sia differenziata. Ciò è illustrato dal paradosso del gioco inventato da Shannon nel 1948, che crea un predittore universale discreto che trae profitto dai bias dell'informazione fornita (nella fattispecie uno sperimentatore che genera numeri che in realtà non sono casuali). L'accesso facilitato ad algoritmi avanzati provoca una moltiplicazione degli attori, ma questi rischiano di trattare le informazioni in modo simile. È probabile che questi attori, formulando ipotesi simili e utilizzando essenzialmente gli stessi dati e gli stessi algoritmi, ottengano risultati simili e rafforzino le stesse previsioni limitando le possibilità di arbitraggio. Un parallelo può essere tracciato con il trading ad alta frequenza, che permetteva di generare una sovraperformance significativa finché il numero di attori era limitato.

Ci si può allora chiedere se l'utilizzo di modelli di apprendimento permetta di ottenere una migliore efficienza dei mercati, moltiplicando gli attori, o al contrario aumenti il rischio di inefficienza riproducendo attori clonati artificialmente. Il paradosso sarebbe allora che la maturità dell'investimento tramite IA finisca per riprodurre i bias rimproverati agli investimenti indicizzati: concentrazione eccessiva, timore di creazione di bolle, comportamenti gregari. Tuttavia, essa non presenta a priori gli stessi svantaggi maggiori associati a questi fondi indicizzati: mancanza di sovraperformance, mancanza di flessibilità e impossibilità di poter approfittare delle opportunità sul mercato.

Thierry Vessereau è entrato in BCGE Asset Management nel luglio 2019 come gestore istituzionale sui fondi passivi e attivi della gamma Synchrony. In precedenza, ha lavorato dal 2005 al 2019 presso la banca Pictet & Cie come responsabile di progetto e di sviluppo, poi come specialista d'investimento del servizio Indicizzazione di Pictet Asset Management. Thierry Vessereau è titolare di un master in scienze informatiche e Dottore in economia.