Oltre l’Arbitraggio: Come l’IA Sta Rivoluzionando la Finanza d’Impatto (e Perché Dovrebbe Interessarti!)

Amici, parliamoci chiaro. Per anni, quando si parlava di finanza e investimenti, la parola d’ordine sembrava essere una sola: profitto. Magari speculativo, magari a breve termine, cogliendo al volo quelle che in gergo chiamiamo “opportunità di arbitraggio”. Un gioco interessante, per carità, ma che spesso lasciava un po’ l’amaro in bocca se pensavamo al quadro generale, al nostro pianeta, alla società. Oggi, però, sento che qualcosa sta cambiando, e in meglio! C’è una crescente consapevolezza che il capitale può, e deve, fare di più. Deve generare un impatto positivo, concreto, misurabile. E qui, entra in gioco la mia grande passione: l’Intelligenza Artificiale.

L’Intelligenza Artificiale al Servizio dell’Impatto: Non Solo Arbitraggio

Vedete, l’IA, e in particolare il Machine Learning (ML) e l’IA Generativa (GenAI), non sono solo strumenti per scovare micro-guadagni sui mercati. Possono essere molto, molto di più. Immaginate di poter usare queste tecnologie per indirizzare gli investimenti verso progetti che non solo portano un ritorno economico, ma contribuiscono attivamente a raggiungere gli Obiettivi di Sviluppo Sostenibile (SDGs) delle Nazioni Unite. Parliamo di crescita virtuosa, di riduzione delle disuguaglianze, di un minor impatto ambientale. Un sogno? No, una possibilità sempre più concreta.

Certo, investire con impatto solleva nuove questioni etiche. Come definiamo l’intenzionalità? Come distribuiamo il benessere tra generazioni e beneficiari? E come usiamo l’IA per modellare e misurare questo impatto senza cadere nella trappola del cosiddetto “impact washing”, cioè far sembrare d’impatto ciò che in realtà non lo è? Sono sfide complesse, ma affrontabili.

FermiKNet: Una Rete per Capire l’Economia Reale

Nel mio lavoro, ci siamo concentrati sullo sviluppo di nuovi metodi basati sull’IA che sfruttano la teoria delle reti, le dinamiche complesse di “fitness” delle reti e le tecniche di machine learning. L’obiettivo? Identificare più efficacemente gli investimenti promettenti e prevedere con maggiore accuratezza il loro probabile impatto. Abbiamo introdotto un concetto che chiamiamo FermiKNet, una rete di attività socioeconomica. Pensatela come una mappa dettagliatissima che collega dati granulari provenienti da diverse fonti: reti commerciali globali, dipendenze tecnologiche, competenze professionali, mobilità e molto altro.

Questa rete di conoscenza ci permette di caratterizzare l’impatto derivante dalla competizione, dalla competitività, dalla crescita futura e dalle capacità produttive attraverso una serie di indicatori di “fitness”. Questi indicatori non sono campati in aria:

• Misurano l’importanza all’interno della rete di conoscenza, aggiungendo una dimensione di “capacità” alle tipiche misure di crescita (come il PIL).
• Sono sviluppati rigorosamente con modelli nulli di rete (ne parleremo tra poco, è affascinante!).
• Sono implementati in modo affidabile, creando fiducia nell’uso collaborativo con esperti umani e gestendo problemi come il recupero di segnali da dati rumorosi, la riduzione della dimensionalità, la deriva dei dati sottostanti, i bias e la governance delle MLOps (Machine Learning Operations).

I nostri risultati mostrano che i modelli di IA e le rappresentazioni di rete possono essere sviluppati e implementati eticamente, aggiungendo una preziosa “trama” dal settore privato ai metodi di investimento d’impatto.

L’IA ha già rivoluzionato molti ambiti della finanza: trading algoritmico, pricing di asset e derivati, automazione, modellazione finanziaria, rilevamento frodi, underwriting creditizio e assicurativo, prevenzione del rischio finanziario, sentiment analysis e regolamento delle transazioni. Negli ultimi anni, l’attenzione si è concentrata soprattutto sulle reti neurali e sul deep learning, suddivisi in apprendimento supervisionato, non supervisionato e con rinforzo. Altre branche dell’IA applicate alla finanza, come algoritmi genetici o logica fuzzy, sono diventate più di nicchia.

I modelli econometrici tradizionali, spesso basati su regressioni lineari multivariate, sono apprezzati per la loro semplicità, ma i dati economici e finanziari si sono evoluti enormemente. Non abbiamo più solo informazioni macroeconomiche poco frequenti o dati di mercato a bassa dimensionalità. Ora disponiamo di dati alternativi come testi non strutturati, registrazioni vocali, articoli di notizie, post sui social media e immagini satellitari. Qui il Machine Learning fa la differenza: ci aiuta a decifrare pattern complessi in contesti ad alta dimensionalità e può essere applicato per esplorazioni più profonde, previsioni, inferenze causali e visualizzazioni rispetto ai modelli econometrici classici. L’ML supera i limiti dei modelli tradizionali nel gestire non linearità trasformative, cambiamenti strutturali, rilevare outlier, estrarre feature e classificare dati complessi, limitando al contempo i rischi di “p-value hacking” grazie a metodi di inferenza basati sulla randomizzazione.

Cosa Sono gli Indicatori di “Fitness” Economica?

Le tradizionali funzioni di produzione economica, pur utili, aggregano troppo i dati (ad esempio, le ore totali di lavoro) e non offrono la granularità necessaria per strategie di investimento che contribuiscano agli SDGs. Le reti o grafi di conoscenza, invece, sono strutture di dati che noi umani comprendiamo bene perché visualizzano facilmente interazioni e relazioni complesse. Forniscono inoltre una struttura agli algoritmi di machine learning, riducendo lo sforzo computazionale. Nel nostro caso, la Fermi Knowledge Network (FermiKNet) collega l’innovazione tecnologica con la produzione, espressa ad esempio attraverso il commercio.

Esistono altri progetti di Knowledge Network per gli SDGs, come SustainGraph e SustainBench, che forniscono informazioni preziose sui legami tra gli obiettivi e il monitoraggio dei progressi, ma non sulla funzione di produzione disaggregata intrinseca a FermiKNet. Gli SDGs, firmati da tutti i paesi ONU nel 2015, richiedono una nuova forma di IA e ML che operi su una rete di attività socioeconomica capace di catturare le dinamiche di crescita della produzione, del lavoro e dell’innovazione, e le complesse interazioni tra dimensioni sociali, ambientali ed economiche. Questa visione dell’economia, come sistemi all’interno di sistemi, necessita di nuovi modi per valutare le dinamiche di competizione e cooperazione e nuove misure per prevedere crescita e opportunità.

La finanza, in fondo, è allocazione di capitale a progetti. Tradizionalmente, si stimano i flussi di cassa futuri escludendo le “esternalità”, cioè gli impatti esterni al progetto. Ma gli SDGs ci dicono che non possiamo più ignorare gli impatti su terzi nelle dimensioni ambientali o sociali. Gli investitori devono considerare le relazioni e gli impatti (positivi e negativi) su tutte queste dimensioni. Questo richiede una prospettiva senza precedenti, resa possibile da big data, internet e digitalizzazione.

La nostra suite di indicatori di “fitness” (vedi Tabella 1 nel paper originale, per chi volesse approfondire) fornisce viste prospettiche su crescita, opportunità produttive, innovazione e disuguaglianza a un livello granulare, coprendo 191 paesi con aggiornamenti frequenti su migliaia di beni e servizi, tecnologie, competenze, ricerca e istruzione. Questi indicatori sono stimati usando tecniche dei sistemi dinamici e complessi e del machine learning su una rete di conoscenza che rappresenta i principali fattori di un’economia. La “fitness” può essere usata a diverse scale, dai blocchi di paesi fino alle città.

Dalla Teoria alla Pratica: Prevedere la Crescita e l’Innovazione

Il framework dell’Economic Fitness and Complexity (EFC) sposta l’attenzione da considerazioni puramente monetarie (“quanto produci?”) a una prospettiva sistemica (“cosa puoi produrre?”). Esaminare i dati economici in termini di diversità della produzione rivela pattern tipici delle reti ecologiche. Essere diversificati si correla a maggiore resilienza, capacità di innovare più velocemente, minore disuguaglianza, migliori impronte di carbonio e crescita economica più forte.

L’Economic Fitness è un indicatore sistemico che quantifica la diversità e l’efficacia combinatoria delle capacità di un sistema economico. Si calcola sulla base di dati sul commercio internazionale, brevetti, pubblicazioni di ricerca, ecc. È composto da due parti interconnesse: la Fitness degli attori economici e la Complessità delle attività economiche. La Fitness misura la diversificazione degli output di un attore, ponderata per la loro Complessità; la Complessità degli output è una funzione non lineare della Fitness degli attori che possono produrre quell’output. Tecnicamente, sono misure di centralità non lineare per reti bipartite.

La Fitness è un indicatore estremamente efficace. Combinata con indicatori monetari intensivi (es. PIL pro capite PPP) nel tempo, genera una descrizione a bassa dimensionalità dei sistemi che cattura le principali caratteristiche dello sviluppo a medio termine (5-10 anni). Questi sistemi sono circa il 25% più accurati delle metodologie standard ad alta dimensionalità, come le previsioni del FMI. Il nostro metodo, chiamato Velocity-SPS, pondera l’evoluzione osservata delle traiettorie passate nello spazio PIL-Fitness (gli “analoghi”) per la loro distanza dallo stato attuale del paese che si vuole prevedere. L’evoluzione media degli analoghi, ponderata per la loro distanza, è l’evoluzione prevista del paese. Questo metodo produce errori di previsione non solo inferiori a quelli del FMI, ma anche non correlati ad essi, il che significa che le due previsioni possono essere combinate per migliorarle ulteriormente!

Il “Product Progression”: Come l’IA Prevede le Nuove Frontiere Produttive

Lo sviluppo delle capacità di un paese si osserva nell’evoluzione dei suoi output. La sequenza con cui gli output si sviluppano competitivamente è scopribile come un insieme di percorsi attraverso cui gli attori economici possono aumentare la diversità e la sofisticazione della loro produzione. L’approccio del “Product Progression” usa questa nozione per valutare la probabilità che gli attori entrino con successo in nuove attività (la “fattibilità”) e può essere usato come strumento quantitativo per guidare lo sviluppo economico. Ad esempio, la fornitura competitiva di servizi di alloggio alberghiero apre il potenziale per sviluppare competenze manageriali e legali appropriate per impegnarsi in servizi media (concerti, rappresentanza di talenti, ecc.).

Il paper “Product Progression: a Machine Learning Approach to Forecasting Industrial Upgrading” descrive il metodo per prevedere l’emergere di nuovi prodotti nel paniere di esportazione di un paese. L’obiettivo è prevedere quali prodotti un paese esporterà tra diversi anni, usando il concetto di Vantaggio Comparato Rivelato (RCA), che indica se la quota di mercato di un paese per un particolare prodotto è superiore alla sua quota commerciale internazionale complessiva. Tra vari modelli, XGBoost è stato scelto per la sua maggiore accuratezza. Una cosa importante che abbiamo imparato è che l’addestramento deve essere fatto, controintuitivamente, su sottoinsiemi di dati da cui sono stati rimossi gli esempi passati del paese che vogliamo prevedere. Questo evita che il modello impari a identificare la struttura dei paesi piuttosto che le relazioni tecnologiche tra i prodotti, rendendolo più capace di prevedere cambiamenti strutturali.

L’Importanza dei Modelli Nulli: Separare il Segnale dal Rumore

Quando descriviamo un sistema come una rete, assumiamo una struttura rilevante per le sue dinamiche. È fondamentale capire la significatività della struttura osservata nei dati reali. Questo si fa formulando e usando modelli nulli. L’obiettivo è quantificare quanto la presenza di una certa struttura potrebbe essere solo una coincidenza non significativa dovuta a una configurazione casuale di molti altri effetti. Ad esempio, nello strato commerciale di FermiKNet, vogliamo capire l’importanza della “nestedness” (strutture gerarchiche e cooperazione/competizione tra attori) nella nostra rete bipartita paese-prodotto. Confrontiamo la nestedness della nostra rete con quella di un insieme di reti casuali generate con certi vincoli (es. stessa distribuzione dei gradi). Usiamo metodi di massima entropia dalla fisica statistica per garantire un approccio analitico e insiemi non distorti. Questo ci assicura che i legami in FermiKNet non siano meramente accidentali.

MLOps e Fiducia: Rendere l’IA Affidabile per le Decisioni Strategiche

Se investitori e aziende devono incorporare la fitness e le probabilità di progressione nelle loro strategie, è necessaria fiducia. L’operazionalizzazione del modello di previsione della progressione del prodotto in un processo formale di MLOps (Machine Learning Operations) aumenta questa fiducia perché:

• Supporta l’esecuzione ovunque tramite un ambiente containerizzato.
• Permette di far girare il modello di deployment accanto a modelli “sfidanti” e scambiarli secondo metriche di performance definite.

La fiducia è attesa anche durante la previsione. Il modello deve essere disponibile in modo affidabile e capace di identificare quando i dati di input cambiano in modi imprevisti (cambi di regime, non stazionarietà). Un modello affidabile dovrebbe supportare le sue decisioni fornendo una spiegazione: quali input (feature) contano e l’impatto di queste feature a livello di caso.

È cruciale resistere all’impulso di automatizzare tutto per risparmiare sui costi e assicurare invece che un umano qualificato sia coinvolto nel ciclo (human in the loop). Questo significa avere qualcuno che conosca l’obiettivo del mondo reale e la sensibilità del modello ai cambiamenti dell’ambiente operativo. Il nostro processo di “trust” si basa su un ciclo a sei fasi: dall’obiettivo del mondo reale, alla preparazione dei dati, al design del modello ML, al deployment in ambiente MLOps, alla spiegazione delle predizioni, fino al monitoraggio proattivo e al versioning. Per noi, MLOps significa garantire una produzione fluida e una comprensione più profonda del cambiamento e della previsione della rete.

Considerazioni Etiche: Un’IA Responsabile per un Futuro Sostenibile

Infine, non possiamo parlare di tutto questo senza toccare un tasto fondamentale: l’etica. Abbiamo considerato e implementato diversi livelli di considerazioni etiche nell’uso di FermiKNet e degli indicatori di fitness per l’impact investing. Queste includono:

• La formulazione e l’espressione delle affermazioni sull’impatto di integrazione e competitività, comprese le prospettive multigenerazionali e dei beneficiari.
• La costruzione, l’addestramento e la valutazione di FermiKNet e dei predittori basati sulla fitness.
• Il deployment, il monitoraggio e la governance.

Per ogni fase del flusso di lavoro, ci chiediamo: le azioni dell’IA saranno un bene netto per la società? L’IA discrimina su caratteristiche sensibili (influenzando l’inclusione)? C’è sufficiente trasparenza e interpretabilità per gli stakeholder? Gli standard di governance sono applicati in base al rischio? (Per i dettagli, vi rimando alla Tabella 2 del paper originale). Ad esempio, non usiamo dati personali identificabili e i legami di rete si basano su attività reali. I modelli ML sono progettati come predittori/effetti causali e non contengono feature protette (es. la categoria di reddito di un paese non viene usata).

Conclusione: Verso un Futuro Finanziario più Intelligente e d’Impatto

Insomma, il messaggio è forte e chiaro: le tecniche di Machine Learning e Intelligenza Artificiale non servono più solo a prevedere serie storiche finanziarie per lucrare su opportunità di arbitraggio momentanee. Sempre di più, l’IA è necessaria per apprendere le dinamiche trasformative delle reti globali di attività economica, per identificare opportunità di espansione per attori del settore privato che portino avanti le “5P” (Persone, Prosperità, Pianeta, Pace e Partnership) e, soprattutto, che contribuiscano positivamente al raggiungimento degli SDGs. Quello che vi ho raccontato oggi, con la stima della probabilità di progressione del prodotto su una rete di conoscenza della produzione commerciata (uno strato di FermiKNet), è solo un esempio. Ma evidenzia come il rischio possa essere quantificato (attraverso la generazione di modelli nulli di rete) e come i modelli possano essere gestiti attraverso processi di MLOps e con il coinvolgimento umano, per fornire stimatori affidabili da usare nelle stanze dei bottoni e nel processo decisionale aziendale. La strada è tracciata, e sono entusiasta di percorrerla insieme a voi!

Fonte: Springer