L'AI sta fare stock picking? Una ricerca dimostra come i segnali generati dall’IA possano generare alpha

L’intelligenza artificiale non è più soltanto uno strumento di supporto, ma una componente centrale nei processi di investimento. È questo il punto di partenza del white paper From AI Signals to Active Returns: A Portfolio Manager's Guide to Capturing Consistent Alpha, realizzato congiuntamente da SimCorp, leader globale nella tecnologia finanziaria, e Axyon AI, fintech specializzata in soluzioni predittive avanzate basate sull’IA, che dimostra come i segnali AI possano tradursi in rendimenti attivi concreti.

La ricerca analizza un periodo di 10 anni, dal 2015 al 2025, concentrandosi sull’universo US All Cap con benchmark l’indice Russell 3000. L’obiettivo è verificare se i segnali di ranking generati dall’intelligenza artificiale, combinati con strumenti istituzionali di costruzione del portafoglio, siano in grado di generare una sovraperformance costante lungo un intero ciclo di mercato.

Come emerge dallo studio, il punto chiave è che “un segnale di alpha è valido solo quanto il portafoglio che lo utilizza” . Per questo SimCorp e Axyon AI hanno integrato segnali predittivi avanzati con strumenti di ottimizzazione e gestione del rischio, dimostrando che la combinazione è superiore alla somma delle singole componenti.

I risultati sono significativi: nel periodo analizzato, le strategie testate hanno generato rendimenti attivi positivi nel 61%-65% dei mesi, confermando la capacità dell’IA di produrre valore nel tempo.

Il cuore della ricerca di SimCorp e Axyon AI è rappresentato dai segnali predittivi sviluppati dalla piattaforma AI. Questi segnali sono progettati per identificare titoli destinati a sovraperformare o sottoperformare all’interno di specifici universi di investimento.

Il processo si basa su un’enorme quantità di dati: ogni giorno vengono elaborati oltre 2 milioni di righe di dati, attraverso infrastrutture cloud scalabili e sistemi ad alte prestazioni. I modelli utilizzano un framework automatizzato di Learning-to-Rank, che addestra tra 10.000 e 100.000 modelli candidati per ogni universo, selezionando poi le combinazioni ottimali tramite un processo di ensemble.

Questo approccio consente di ridurre l’overfitting, migliorare la stabilità tra diversi regimi di mercato e aumentare la coerenza predittiva. I segnali vengono generati su diversi orizzonti temporali (una settimana, un mese e tre mesi) e distribuiti quotidianamente prima dell’apertura dei mercati europei.

Per trasformare questi ranking in previsioni di rendimento, la ricerca di SimCorp utilizza metodologie consolidate, convertendo le classifiche in z-score e aspettative di rendimento, seguendo approcci accademici come quello di Grinold. Questo passaggio è fondamentale: consente di rendere i segnali operativi e utilizzabili nella costruzione di portafoglio.

La validazione dei segnali è un passaggio centrale. SimCorp e Axyon AI hanno utilizzato portafogli factor-mimicking per isolare il contributo dei segnali AI rispetto ai fattori tradizionali come size, momentum o settore.

I risultati mostrano forte evidenza di rendimenti positivi e consistenti lungo il periodo 2015-2025. Anche considerando fasi di drawdown, in particolare nell’ultima parte del campione, i segnali hanno mantenuto information ratio interessanti e stabilità nel tempo.

In circa due terzi dei mesi analizzati, i portafogli hanno generato rendimento positivo, confermando che la performance non dipende da pochi episodi isolati ma da una capacità strutturale di generare alpha.

Come sottolineato anche da Daniele Grassi, CEO di Axyon AI, la maggior parte dell’alpha generato è specifico per singolo titolo, segno che l’IA è in grado di individuare fonti di rendimento che vanno oltre i fattori tradizionali.

Una delle parti più rilevanti dello studio riguarda il passaggio dai test teorici alla costruzione di portafogli reali. SimCorp ha utilizzato il proprio Axioma Portfolio Optimizer insieme a modelli di rischio per simulare strategie long-only con diversi livelli di rischio attivo.

I risultati mostrano che, all’aumentare del rischio attivo, crescono anche i rendimenti, con il miglior rapporto rischio-rendimento osservato a livelli contenuti di tracking error. In particolare, con un target di rischio attivo dell’1%, si registra un information ratio di 1,26, mentre a livelli superiori i rendimenti aumentano ma con una lieve riduzione dell’efficienza.

Un aspetto fondamentale è la consistenza nel tempo: anche nei portafogli long-only, il rendimento attivo resta positivo nel 61%-65% dei mesi, confermando che i segnali AI mantengono efficacia anche in contesti più realistici.

Dal punto di vista del rischio, la maggior parte dell’esposizione deriva da componenti specifiche dei titoli, mentre fattori e settori contribuiscono in misura limitata. Questo indica che l’IA individua caratteristiche non replicabili con modelli fattoriali tradizionali.

La ricerca di SimCorp evidenzia anche un aspetto cruciale per gli investitori istituzionali: l’impatto dei vincoli di portafoglio. L’introduzione di restrizioni, ad esempio sui pesi settoriali o fattoriali, tende a ridurre l’efficienza della strategia, limitando il contributo positivo dell’alpha.

I portafogli non vincolati hanno infatti sovraperformato quelli vincolati lungo l’intero periodo di analisi, anche se i vincoli hanno mostrato una certa utilità nelle fasi di drawdown più marcato.

Un altro tema centrale è il turnover. Senza limiti, il portafoglio può raggiungere livelli di turnover del 100% mensile, con costi di transazione elevati. Tuttavia, lo studio dimostra che è possibile ridurre significativamente il turnover senza compromettere i rendimenti, mantenendo information ratio simili anche con livelli intorno al 30%.

Questo significa che l’alpha generato dall’IA è robusto e sfruttabile anche in contesti operativi realistici, dove i costi e i vincoli giocano un ruolo determinante.

La conclusione della ricerca di SimCorp è chiara: i segnali AI di Axyon non solo mostrano potere predittivo oltre i fattori tradizionali, ma si traducono anche in alpha implementabile in portafogli reali.

Il contributo principale resta quello dello stock picking: la maggior parte del rendimento deriva da scelte sui singoli titoli, confermando che l’intelligenza artificiale riesce a individuare inefficienze non catturate dai modelli classici.

Allo stesso tempo, come sottolinea Melissa Brown di SimCorp, la qualità delle previsioni deve essere accompagnata da un processo di costruzione del portafoglio robusto e disciplinato, capace di bilanciare rendimento e rischio in modo coerente e replicabile.

L’integrazione tra segnali AI e strumenti di ottimizzazione e gestione del rischio emerge quindi come una combinazione vincente, in grado di aiutare gli investitori a ottenere rendimenti corretti per il rischio in modo costante.