Un cambio di paradigma porta con sé un cambio di governance. La gestione dell’emergenza sanitaria nel mondo avrà conseguenze anche politiche
Siamo alla fine di un ciclo. Per la prima volta nella storia, le ragioni del business stanno convergendo con le ragioni dell’economia circolare. La trasformazione digitale ha avuto una accelerazione nell’emergenza. Ma l’emergenza non è il terreno più adatto per coltivarla. Le imprese sono sul confine. Il rischio più grave che stiamo correndo è quello di tornare alle vecchie abitudini. «Il 2020 sarà ricordato come l’anno della pandemia o come l’anno zero della rivoluzione digitale. Dipende dalle risposte che governi e imprese saranno capaci di dare» – come ci spiega in questa intervista Donato Guarino, analista strategico di Citigroup, specializzato in mercati emergenti e America Latina.
Quali sono le previsioni di ripresa?
Marzo è stato il peggior mese di sempre per gli hedge fund equity di tutto il mondo e il mercato non era mai sceso tanto velocemente. Io credo che ci sarà una V-shape recovery per i settori industriali, mentre alcuni settori dell’economia non recupereranno il terreno perduto altrettanto velocemente. Per esempio, quello turistico con tutta la sua filiera di servizi. Nel lungo periodo, ci saranno dei cambiamenti radicali.
La pandemia è un altro tassello nel processo di de-globalizzazione che stiamo vivendo. Ma non può essere un alibi per nascondere debolezze strutturali.
L’industria finanziaria rappresenta il settore di ricerca e applicazione più avanzato su intelligenza artificiale e machine learning…
La tecnologia sta già sconvolgendo il settore finanziario. A Wall Street, in alcune banche ci sono già più programmatori che a Facebook. Le fintech company stanno raccogliendo enormi capitali.
Intelligenza artificiale e machine learning sono le tecnologie alla base di questo cambiamento.
Quali sono le principali applicazioni?
Le imprese finanziarie utilizzano il machine learning per testare combinazioni di investimenti. Le banche stanno sperimentando software di elaborazione per “ascoltare” le conversazioni con i clienti ed esaminare le loro operazioni in modo da suggerire ulteriori vendite o anticipare richieste future. Le banche utilizzano il machine learning per analizzare arbitraggi tra diverse piattaforme di prezzo, rendendo il mercato più efficiente. Ci sono software che monitorano i messaggi dei clienti nelle caselle di posta in arrivo e nelle piattaforme elettroniche per determinare come vogliono allocare i fondi o quale sono le idee di investimento. E poi ancora, ci sono applicazioni finalizzate a studiare correlazioni tra i prezzi degli asset finanziari per prevedere cosa può succedere nella gestione del rischio di cambio/trading. Molte banche stanno offrendo ai clienti – anche a cifre di accesso basse – la possibilità di gestire il loro patrimonio tramite applicazioni che, a partire dal livello di rischio e dall’età del cliente, consigliano la combinazione migliore di investimenti.
Non solo. Gli algoritmi analizzano diversi set di dati, per esempio, il sentiment dei consumatori verso i marchi e le concessioni di trivellazioni petrolifere. Dati come immagini satellitari ed elenchi di proprietà possono essere utilizzati per tenere traccia delle tendenze economiche. L’elaborazione del linguaggio naturale analizza anche le trascrizioni delle chiamate, legge le notizie e monitora i social media. Anche i commenti delle banche centrali e delle conferenze vengono analizzati per parole chiave e sentiment.
Come è cambiato il lavoro dell’analista finanziario?
Negli ultimi 20 anni, l’analista finanziario per essere competitivo ha dovuto adattarsi alla miriade di informazioni disponibili. In questo processo, la tecnologia è stata essenziale. Il modo con cui i risparmi vengono gestiti ha avuto un impatto importante nella nostra professione. Inoltre, la tecnologia ha favorito l’espansione di passive funds, cambiando il ruolo degli analisti che di solito servono gestori di portafogli “attivi”. Come punto finale, la regolamentazione che ha imposto molte restrizioni per limitare i rischi che si sono verificati durante la crisi finanziaria del 2008. Negli ultimi cinque anni, abbiamo sviluppato tecnologie di web scraping, per fare previsioni macroeconomiche su inflazione nei paesi emergenti e tradurle in strategie di investimento. Le banche si sono già da tempo avviate nel processo innovativo che la tecnologia fornisce. Gli analisti non saranno rimpiazzati dall’intelligenza artificiale, ma il loro numero senza dubbio diminuirà nel prossimo futuro. La trasformazione digitale è qui con noi e nei prossimi cinque anni cambierà il panorama bancario.
Con quali vantaggi e svantaggi?
La velocità e la possibilità di far leva su volumi enormi di dati offrono grandi vantaggi. I modelli sono sempre più accurati e sofisticati. A volte però, questi strumenti sono come delle “black box” che si sovradattano alle informazioni dato il numero eccessivo di parametri rispetto al numero di osservazioni, ma senza fornire qualcosa di vantaggioso.
Come si governa la complessità in un mondo iperconnesso?
Mantenendo il controllo degli asset. Non si può tagliare il ramo su cui si è seduti.
Internet come il luogo della competizione perfetta?
Dipende da cosa si intende per competizione perfetta. Se le regole sono le stesse del programmatic ADV, certamente no. Con una visone della realtà diversa per ogni investitore. Le imprese, soprattutto quelle quotate, devono creare valore da distribuire agli stakeholder. Le imprese non sono organizzazioni empatiche. La competizione ha alla radice il significato di convergenza verso il medesimo obiettivo.
Nel sistema dei beni esclusivi e delle quote di mercato, la logica non è mai veramente win-win. Anche il mercato dovrà evolvere verso una finanza sostenibile per l’economia reale come indicato negli SDGs dell’ONU. Per questo, è necessario costruire ecosistemi e piattaforme che favoriscono la collaborazione.
Parliamo di algoritmi e finanza…
Si tratta di un mondo invisibile, non sempre trasparente, qualche volta addirittura illecito, come nei casi di spoofing, pinging, quote stuffing, tutte operazioni che simulano proposte o ordini di vendita con il solo fine di generare informazioni fittizie e orientare le contrattazioni. È il lato oscuro della finanza speculativa che utilizza la stessa potenza di fuoco degli algoritmi utilizzati per sferrare attacchi malware. La MiFid2 ha imposto regole più stringenti per i trader mitraglia e sta determinando comportamenti più corretti perché il rischio non è solo quello economico della sanzione, ma soprattutto reputazionale.
È il momento di fare una distinzione netta tra prezzo e valore?
Il prezzo di un’azione è dato dal rendimento. Il suo valore – però – è determinato da quello che c’è dietro quel prezzo in termini di know-how, qualità, rispetto delle norme, sostenibilità. Nell’era della turbofinanza, il ruolo degli analisti è distinguere tra prezzo e valore, cosa che i boot non possono fare. Certo, anche prima della turbofinanza, ci sono stati molti casi di false notizie con l’obiettivo di creare turbolenze sui mercati. Un rischio che diventa ancora più alto nei momenti di emergenza. Alla base, ci sono gli algoritmi di machine learning, gli stessi che si utilizzano anche per prevedere come si diffonderanno le epidemie, per fare previsioni sul tempo o la diffusione dell’inquinamento ambientale, per la valutazione dei curricula, per concedere un prestito o aumentare il premio dell’assicurazione.
Ma gli algoritmi di machine learning imparano da i dati. Che cosa c’è di più neutro dei dati?
La vera domanda è cosa imparano, come e da chi. Il rischio è di trasferire gli stessi “bias” e comportamenti scorretti anche alle macchine. La catena delle interferenze è sempre più difficile da tracciare. L’ecosistema ipertecnologico delle Borse può essere terra di conquista e indurre gli operatori a prendere posizione su informazioni non corrette, con un rischio altissimo di manipolazione del mercato.
Una moltiplicazione di realtà parallele che però inizia dalla fisica dei comportamenti umani. Dalle reazioni istintive dettate dalla paura e dalla gestione del rischio. Gli agenti economici e finanziari non sono completamente razionali, non agiscono in un ambiente di piena informazione. Gli algoritmi non giudicano, imparano. Il bias parte prima dalla nostra testa poi arriva alle macchine.
Quanto è importante l’educazione finanziaria di un paese?
È fondamentale. Bisognerebbe insegnare educazione finanziaria fin dalla scuola primaria come l’ABC.
Nelle classifiche internazionali, l’Italia è sempre al di sotto della media degli altri Paesi, anche se alcune classifiche, a mio parere, esagerano un po’. Oltre al problema di educazione finanziaria, gioca un ruolo importante anche il senso di sfiducia e insicurezza verso il futuro che è direttamente proporzionale ai fondamentali strutturali di un paese, le cui debolezze emergono proprio nei momenti di emergenza.
Il mercato più razionale o emotivo?
Nel passaggio progressivo dal modello quantitativo classico a un altro guidato dall’intelligenza artificiale, si tratta di leggere i comportamenti umani nelle serie storiche, generalizzare l’apprendimento e scoprire costanti in questi comportamenti. In pratica, gli algoritmi imparano da noi e – non sempre – è una buona notizia. Per il momento, gli algoritmi non sono completamente predittivi ma forniscono dei segnali di riconoscimento del rischio di calo generalizzato del mercato, riconoscendo rapporti di causalità non lineari, che però hanno bisogno di una supervisione umana per evitare di andare fuori strada.
Quindi la lezione fondamentale è che il mercato non è un luogo astratto ma è la derivata dei nostri comportamenti non sempre razionali. Sono i comportamenti che fanno il mercato, la pandemia, la politica.
Nel breve periodo, le emozioni sono importanti, ma nel lungo periodo, i fondamentali dominano.
Donato Guarino è membro del Global Fixed-Income Reserch team di Citigroup con sede a New York. È analista finanziario, specializzato nel mercato obbligazionario area America Latina. Ha fatto consulenze per emissione titoli e derivati a vari governi, inclusi Messico, Brasile e Colombia. Nel 2019 – secondo Institutional Investor Magazine – è risultato “Top-three” nella classifica mondiale degli analisti finanziari area America Latina. In precedenza, ha lavorato a Londra in Credit Suisse e Barclays.
