Londra – Prevedere con ragionevole accuratezza i rendimenti del mercato azionario è il Sacro Graal della finanza. Oggi, un nuovo modello di intelligenza artificiale sviluppato dalla Bayes Business School della City St. George’s University di Londra propone un approccio sorprendentemente efficace, fondato su un principio controintuitivo: meno è meglio. Questo modello, che utilizza i Large Language Models (LLM), ha dimostrato di ridurre gli errori di previsione di circa il 30% rispetto ai metodi tradizionali basati sulla semplice media storica, indicando sistematicamente la direzione corretta del mercato.
La ricerca, guidata da Parastoo Mousavi, Lecturer in Quantitative Finance and Data Science alla Bayes, ribalta la convinzione comune secondo cui i modelli di machine learning più sofisticati e complessi siano automaticamente i più accurati. "Nessun modello è in grado di prevedere risultati precisi", afferma Mousavi. "Quello che conta è che indichi la direzione giusta e si avvicini ragionevolmente alla portata del movimento al rialzo o al ribasso, riflettendo i fondamentali del mercato ma non il 'rumore' casuale. Nelle previsioni su base annua, il nostro modello ha sempre indovinato la direzione del mercato".
Il modello si concentra sul prevedere di quanto i rendimenti dell'S&P 500 supereranno il tasso "senza rischi" ed evidenzia un'altra caratteristica fondamentale: la sua accuratezza aumenta con l'orizzonte temporale. Gli errori si riducono della metà per le previsioni a cinque anni, poiché l'effetto distorsivo del rumore di mercato a breve termine si attenua, lasciando spazio all'analisi delle metriche fondamentali. Questa peculiarità lo rende particolarmente interessante per investitori istituzionali, consulenti finanziari e, in generale, per chiunque gestisca piani pensionistici o risparmi a lungo termine.
La vera innovazione non risiede nell'uso dell'IA in sé, ormai onnipresente nella finanza, ma nella sua architettura filosofica. Contrariamente ai sistemi "scatola nera" che producono risultati incomprensibili anche per i loro stessi creatori, il modello della Bayes è stato concepito per essere trasparente e interpretabile. Si basa su uno stimatore principale e su un numero limitato di predittori economicamente significativi e ben costruiti, come i rapporti di valutazione e i tassi di interesse, il cui comportamento può essere monitorato e compreso in tempo reale dagli operatori.
Un elemento chiave del suo successo è il "doppio benchmarking", una tecnica spesso trascurata che calibra sia i rendimenti azionari sia le variabili usate per prevederli rispetto a due benchmark fondamentali come l'inflazione e il tasso privo di rischio. Questo approccio, unito alla filosofia della "casa di vetro" (glass-house), permette di filtrare il rumore di fondo e concentrarsi sulle variabili davvero determinanti. "Concentrarsi sulle variabili giuste è più importante che accumulare livelli di complessità nella modellizzazione", spiegano i ricercatori.
In un panorama finanziario sempre più dominato da algoritmi – si stima che l'IA gestisca circa l'89% del volume di trading globale – questo modello rappresenta una boccata d'aria fresca. Dimostra che l'avanzamento tecnologico non deve necessariamente sacrificare la comprensibilità. Mentre il settore continua a esplorare l'uso degli LLM per analisi di rischio sempre più raffinate e piattaforme ibride offrono analisi combinate con strategie quantitative, il lavoro della Bayes Business School ricorda che, a volte, la strada più semplice e trasparente può essere anche la più efficace per navigare la complessità dei mercati.
Redazione
