Come codificare il comportamento di macchine e trader umani per aumentare i guadagni. La capacità di fare previsioni corrette non corrisponde sempre alla somma delle singole performance
In maniera molto sintetica, è andata più o meno così. Un bel giorno, uno dei fondatori di Renaissance Technologies, l’hedge fund più profittevole al mondo, basato su sistemi matematico-statistici, ha investito nella ICO Numerai. In poche parole, la ICO premia i migliori algotrader e li mette in competizione sostanzialmente l’uno contro l’altro. Perché lo fa? Ipotesi: mettiamo che io sia Numerai. Raccolgo i dati di tutti. Osservo prima il backtesting dei modelli sul mercato azionario, e poi faccio i confronti con la mia strategia. Successivamente – giorno per giorno – osservo le strategie di tutti coloro i quali caricano la loro strategia in cambio di un premio se – e solo se – riesce a fare risultati migliori degli altri. Tralasciando ancora il reward, colleziono dati. Ma perché lo faccio? Il mercato azionario è oramai gestito in maggioranza da algoritmi e non più da uomini. E il sentiment, le opinioni dei trader umani, non vengono più tanto prese in considerazione. L’obiettivo è quello di far studiare da macchine la strategia – la “psicologia” – di altre macchine. Quelle in grado di coglierla riescono a sfruttarla, e in poche parole a fare profitto.
Quindi – continuando sempre nella ipotesi iniziale – io come Numerai non colleziono dati tanto per studiarli con strumenti econometrici classici. No. Perché sono dati partoriti da algoritmi guidati da intelligenza artificiale. Quindi, se centinaia di algoritmi mi dicono che domani Apple dovrebbe salire cosa faccio? Compro. No? E invece non sempre è così. Tanti hedge fund quantitativi – anche molto famosi – si rivolgono ad altri fondi o gestori di fondi con un approccio stile Numerai. A loro non interessa seguire la massa di trader o un algotrader in particolare, oppure sistemi di trading. Ritengo che lo facciano esclusivamente per un motivo. Mettiamo che io volessi analizzare accuratamente un indice azionario. Semplifichiamo che l’indice azionario somigli a un oggetto. Mettiamo che sia come una bottiglia. Cosa faccio per studiare ogni piccola parte di quella bottiglia? Mi munisco di strumenti in grado di cogliere tutte le caratteristiche. La larghezza, la profondità e così via. Quanto più lo strumento è preciso, tanto più riesco a misurarlo in maniera accurata.
Io posso osservare e misurare la bottiglia da un’angolazione e posso vederla in un determinato modo. Magari un altro può vederla da un’altra angolazione e con strumenti diversi da quello che io ho a disposizione. E così via. Per avere una misura il più possibile corrispondente a quella reale mi converrebbe – a questo punto – integrare le visioni di tutti gli osservatori. Ovviamente, tali osservazioni potrebbero risultare decorrelate le une dalle altre. E questo non significa che siano sbagliate, quanto invece che ogni osservatore ha visto la stessa bottiglia in maniera molto diversa.
Cosa succede se metto insieme osservazioni molto decorrelate? Torniamo all’indice azionario. Se la maggior parte dei segnali decorrelati mi danno l’indicazione di comprare l’indice – allora – lo compro. Perché è il risultato di migliaia di decisioni prese da macchine, le quali processano migliaia di informazioni diverse tra loro all’interno degli algoritmi. È così che sembra lavorino molti di questi fondi. O meglio, magari sperimentano nuove strategie, giocando con i numeri e con la decorrelazione di vari modelli. Dai meno complessi a quelli con maggiori complessità.
VALIDITÀ DELL’APPROCCIO
Ma un metodo di questo tipo è sempre valido? Mettere tanti dati in un calderone, dandogli lo stesso peso ha sempre senso? E no. In questo caso, interviene l’intelligenza artificiale sull’insieme delle intelligenze artificiali che lavorano su ogni singolo sottoinsieme. Cosa può andare storto? Innanzitutto, il premio da dividere tra i più performanti è molto basso. Per esempio, Numerai per molto tempo ha allocato seimila dollari di premio a settimana da dividere tra i 100 trader migliori. Chiaramente, per un’industria come quella finanziaria queste cifre spesso non sono abbastanza stimolanti.
Questi stimoli bassi fanno sì che a partecipare siano trader che tentano la fortuna, con conoscenze molto basilari. A livello tecnologico, c’è una discrepanza tra ciò che insegnano nei corsi di machine learning e l’ambiente AI nella finanza. Spesso a chi vuole imparare machine learning, si insegna l’Image Recognition e ci si concentra sulla gestione dei big data. La finanza però è l’opposto. Se si prendesse come dataset il prezzo delle azioni Apple sin dall’IPO ogni giorno, avremmo circa diecimila data point – oppure – circa 4 milioni se prendessimo il prezzo ogni minuto. Se questi numeri sembrano dapprima molto elevati, nell’Image Recognition questi data point corrisponderebbero a una singola immagine di bassa risoluzione.
Inoltre, l’approccio basilare si concentra più su scenari statici, mentre l’ambiente finanziario più di ogni altro obbliga a una continua evoluzione. Se si avesse un sistema vincente oggi, probabilmente non funzionerebbe domani. Per questi motivi, nel breve tempo in cui le piattaforme cercano di valutare i migliori trader, le performance migliori risulterebbero semplicemente quelle dei trader più fortunati, destinati a fallire nel periodo successivo.
MOLTO RUMORE DI FONDO
Per quanto riguarda la tecnologia – e qui parliamo di intelligenza artificiale – ci sono fin troppe risorse in rete ma spesso molti algotrader utilizzano la tecnologia standard. I paper di Facebook o Google non cercano – il più delle volte – percorsi alternativi. Paradossalmente, il problema non è tanto la ricerca quanto la selezione. E c’è tantissimo rumore. E in un mondo come quello della finanza, difficilmente gli attori condividono i loro “segreti”. Proprio per via dell’estrema competizione e del prezzo di tale formazione.
Si sa, quello che funziona con 100 euro, generalmente può essere replicato anche con centinaia di milioni. Forse, non esiste un mondo tanto scalabile quanto quello finanziario.
Gli scienziati più brillanti alimentano la competizione giorno dopo giorno. Scrivono codice e istruiscono le macchine in modo da codificare – in silenzio e con una logica spesso nascosta – il comportamento di altre macchine o degli esseri umani. Non esiste una formula che funziona per sempre. Ricerca e sviluppo continuo possono “nutrire” gli algoritmi di machine learning per cogliere anche i cambiamenti di psicologia dei mercati. La stessa intelligenza artificiale comincia a crearsi da sola.
Come? Imparando dai propri errori. Ma qual è lo scenario evolutivo e temporale? E soprattutto qual è il giudizio del mercato? Il Numeraire, ovvero il token di Numerai, ha perso circa il 90% dall’emissione della ICO. Basta a volte anche un semplice numero.
