Translate

domenica 1 maggio 2016

ECCO COME, IN FUTURO, GLI ALGOS DEI FONDI METTERANNO NEL MIRINO LE BANCHE DA SHORTARE (O DA COMPRARE). PT. 1

Tra Gennaio e Febbraio 2016, nel mentre molti fondi europei iniziavano a vendere allo scoperto le banche italiane, alcuni pseudopatrioti si espressero in senso favorevole alla messa al bando del covered short selling, causa -a loro dire- della distruzione della ricchezza finanziaria degli azionisti. Si tratta di una tesi assolutamente strampalata, assurda, che presuppone un'ignoranza grossolana circa il funzionamento dei mercati finanziari in generale e circa il ruolo imprescindibile degli short sellers anche con riguardo alla significatività dei prezzi che ogni giorno si formano sui mercati. In realtà, la funzione socio-economica degli short sellers rileva per tanti altri motivi: dalla prevenzione esercitata -in alcuni casi- rispetto al rischio di formazione di potenziali bolle settoriali, alla facilitazione della scoperta di vere e proprie frodi societarie: a questi temi dedicherò, in futuro, altri posts.
Come viene deciso cosa sia meritevole di vendita allo scoperto o meno? Prescindendo dalle questione tecniche in ordine al prestito dei titoli, non è possibile dare una risposta onnicomprensiva. C'è chi vende sulla base dell' analisi tecnica (retail), chi sulla base di un' approfondita analisi fondamentale condotta a mezzo umani o a mezzo algos, chi on the news e così via.
In questo post vorrei soffermarmi su quella che – a mio modestissimo parere- sarà una delle tendenze prevalenti del futuro prossimo nell' ambito della costruzione di algos orientati a rilevare la presenza, sui mercati, di titoli bancari sopravvalutati -e quindi meritevoli di short selling- poiché attinenti ad istituzioni creditizie ritenute – in base a quanto elaborato dalle macchine- prossime a vivere fasi più o meno acute di stress finanziario.
Punto di partenza e di supporto nella trattazione del tema di cui al titolo non può che essere lo studio condotto da alcuni docenti cechi Hájek, Olej e Myšková, limitato -nel caso- di specie al sistema bancario USA ma astrattamente applicabile, mutatis mutandis, a tutti i sistemi bancari del mondo. Il punto cruciale dello studio e della tendenza futura nella costruzione di algoritmi è quello concernente l'utilizzo di un modello poggiante su di un random subspace method (per saperne di più clicca qui) e volto a predire gli investment/non investment rating grades attribuiti alle banche, impiegando support vector machines (SVMs -clicca qui) in qualità di base learners (clicca qui) quali parti di un modello di meta-learning (clicca qui), tendente a sfruttare, a sua volta, tanto le informazioni finanziarie propriamente dette quanto quelle non finanziarie (sentiment) quali variabili utili a prevedere future condizioni di stress (di banche e società appartenenti ad altri settori industriali).
La ratio seguita può essere così riassunta ed approssimata:

  • uno dei problemi principali da evitare nel momento in cui vengono istruiti i base learners è l'over-ftting (clicca qui). Al fine di superare tale problema, il random subspace method (RSS) andrà a rappresentare un learning algorithm parallelo in grado di generare ogni base learner in maniera indipendente, dimostrandosi utile per i processi computazionali paralleli e di fast learning evitando, al contempo, il rischio del local optimum trapping.
  • I meta-learning algorithms, dal canto loro, dovrebbero dimostrarsi particolarmente utili in ragione del fatto che i vari base learners tenderanno ad imitare le decisioni di singoli esperti finanziari, producenti una decisione definitiva considerabile frutto di un decision-making process di tipo collettivo e quindi, verosimilmente, più affidabile.
  • A differenza del passato, allorquando venivano utilizzati esclusivamente indicatori di performance finanziaria nell'ottica previsionale della sola bancarotta, i nuovi sistemi tenderanno a processare sia il singolo -nonché sintetico- rating grade fornito dalle agenzie sia i dati finanziari e non finanziari (qualitativi) considerati utili nella valutazione/previsione delle condizioni di stress finanziario. In particolar modo, quelli qualitativi verranno estrapolati anche dalle componenti testuali dei reports annuali degli istituti di credito e sottoposti ad una sentiment analysis.