Cosa può fare oggi il mondo della finanza rispetto al passato grazie all’intelligenza artificiale?

L’obiettivo dell’intelligenza artificiale è far sì che i computer eseguano le operazioni richieste in modo autonomo sulla base di algoritmi, riuscendo ad adattare il proprio comportamento a situazioni sempre nuove.

Partiamo dall’asset management: in questo campo si possono prendere oggi decisioni d’investimento personalizzate, tagliate su misura per le esigenze dei singoli clienti, calcolate dal computer in modo completamente automatico. In passato, invece, questo processo era molto lungo e complesso o veniva sostituito da soluzioni standard. Passiamo a un altro esempio legato al settore dell’investment banking dove l’intelligenza artificiale è già in grado di prendere decisioni ottimali sulle modalità e scadenze di esecuzione degli ordini di azioni in modo automatizzato, mentre fino a qualche anno fa la maggior parte degli ordini di acquisto e di vendita veniva gestita manualmente per telefono. Il Capital Asset Pricing Model, sviluppato negli anni Sessanta del secolo scorso, che formula le aspettative di rendimento delle azioni sulla base di dati storici del mercato dei capitali partiva ancora da una relazione lineare tra il singolo titolo e il mercato globale. Ma il nostro mondo non è lineare. Grazie all’intelligenza artificiale, oggi siamo in grado di calcolare il rendimento atteso e i prezzi di derivati tenendo conto della complessità. Questo calcolo non viene tuttavia eseguito a partire da un’equazione lineare, ma attraverso una funzione matematica articolata che può essere costituita da milioni di parametri.

Cosa favorisce l’adozione dell’intelligenza artificiale?

In primis i volumi di dati, in secondo luogo i metodi matematici e infine le capacità dei computer odierni. Mai prima d’ora abbiamo avuto a disposizione una quantità simile di dati provenienti da così tante fonti diverse che possiamo mettere in relazione tra loro grazie all’intelligenza artificiale, in un modo impensabile fino a qualche anno fa. Mentre oggi una capacità di un miliardo di operazioni di calcolo al secondo costa circa 4 centesimi, nel 1950 la stessa prestazione, opportunamente convertita, costava circa 1800 miliardi di dollari.

Che tipo di valore aggiunto potrebbe trarre il settore finanziario dalle applicazioni dell’intelligenza artificiale?

Le banche possono sfruttare questa tecnologia sia per ridurre i costi sia per aumentare i ricavi. Ad esempio possono applicare l’apprendimento automatico al processo di credito per ottimizzarne le decisioni: l’intelligenza artificiale è in grado di scoprire nei dati modelli che non vengono individuati dall’uomo per prendere decisioni di credito migliori, anche quando il processo non è completamente automatizzato. Nel complesso l’IA favorisce così la competitività. 

In quali settori bancari si può applicare l’intelligenza artificiale?

L’intelligenza artificiale concerne tutti i settori bancari, dal retail banking all’asset management all’investment banking, a livello di front office, per lo sviluppo di nuovi prodotti e servizi per la clientela, di middle office, ad esempio per il riconoscimento di frodi, o ancora di back office, per l’automatizzazione dei processi.

L’intelligenza artificiale ha dei limiti?

Da un lato nell’infrastruttura informatica della rispettiva azienda che deve essere in grado di gestire i dati, collegare tra loro le banche dati più disparate e fornire la capacità di calcolo necessaria. Dall’altro si deve tenere conto delle disposizioni in materia di protezione dei dati e si devono rispettare i requisiti regolatori. Non tutto ciò che è teoricamente possibile può essere realizzato. In Svizzera e in molti altri paesi deve essere sempre possibile dimostrare in modo chiaro come si è giunti a un determinato risultato. Ritorniamo all’esempio delle decisioni di credito: se come cliente voglio sapere perché mi è stato negato un credito, la banca deve spiegarmi in modo plausibile come è arrivata a questa conclusione. Se le decisioni di credito dell'istituto si fondano su modelli matematici molto complessi contenenti milioni di parametri sarà quasi impossibile riuscire a farlo. Se, invece, si applicano servizi di machine learning meno complessi basati su regole come il robo advisory, i risultati saranno generalmente più comprensibili.

L’intelligenza artificiale diventerà un fattore competitivo chiave nel settore finanziario?

Già oggi l’IA viene utilizzata con successo da banche leader in diversi settori. Questa tecnologia continuerà ad affinarsi al punto tale che tutte le società finanziarie dovranno utilizzare determinate funzionalità di base per restare competitive. Possedere un’infrastruttura informatica efficiente è indispensabile. Ma non tutte le banche devono assumere un ruolo di pioniere da questo punto di vista.

Quali sono i temi di cui si occupa attualmente nella ricerca legata all’intelligenza artificiale?

Insieme al mio team partecipo a numerosissimi progetti di ricerca finanziati sia dal Fondo nazionale svizzero, da Innosuisse e dall’Unione europea sia dal settore finanziario. Gli argomenti su cui ci concentriamo spaziano dai modelli di rischio di credito nel peer-to-peer lending al riconoscimento delle frodi nei pagamenti blockchain alle decisioni di negoziazione ottimali. Ma ci occupiamo anche di rendere comprensibili i modelli complessi utilizzati dall’intelligenza artificiale indagando il settore dell’intelligenza artificiale spiegabile o Explainable AI, ovvero quella serie di processi e metodi che consentono agli essere umani di capire e interpretare i compiti e gli output generati da algoritmi di machine learning. Un altro settore di ricerca molto interessante è quello del cosiddetto reinforcement learning, una tecnica attraverso la quale il computer prende autonomamente decisioni ottimali in un ambiente complesso. La macchina può eseguire milioni di simulazioni per continuare a perfezionarsi.

E qual è il campo d’applicazione di questo metodo nel settore finanziario?

L’investment banking, ad esempio. Operando sul mercato finanziario, gli investment banker sono esposti ogni giorno alla concorrenza di altri attori di mercato per prendere decisioni di vendita e acquisto. Nei nostri progetti di ricerca cerchiamo di capire come poter applicare il reinforcement learning per prendere decisioni ottimali in modo automatizzato. Diversamente dal gioco degli scacchi, ad esempio, che segue regole ben precise, i mercati finanziari sono estremamente complessi. Qui entrano in gioco moltissimi eventi incerti e casuali creando un cosiddetto rapporto segnale/rumore elevato.

Come si fa a trasformare il computer in un negoziatore di titoli di successo?

Diamo al computer l’obiettivo di totalizzare alla fine della giornata il massimo utile possibile e gli lasciamo analizzare un numero enorme di varianti. All’inizio vende e acquista in maniera casuale per poi ottimizzare il comportamento in base al guadagno totalizzato a fine giornata. Nonostante le grandi potenze di calcolo a disposizione è assolutamente impossibile calcolare tutte le possibilità e pertanto servono procedimenti matematici sofisticati per trovare una soluzione.