Per qualsiasi organizzazione e in particolare per le imprese che si trovano a gestire mercati con elevato numero di variabili, la possibilità di disporre di previsioni affidabili e precise è un valore fondamentale. Si tratta di un valore che ha un impatto evidente e diretto sui risultati di business e sulla possibilità di “alzare lo sguardo” per cogliere nuove opportunità. Ma sempre più frequentemente i segnali importanti vanno cercati all’interno di enormi quantità di dati ed è necessario disporre di una grande capacità di intelligence e di calcolo per individuare le relazioni spesso nascoste che stanno alla base dei fenomeni di innovazione.
Ed è proprio per affrontare la grande sfida della “predittività” che nel 2016 Axyon AI partecipa e vince il programma di accelerazione di Banca ING davanti a oltre 100 startup internazionali. Una sfida basata sull’idea di sviluppare modelli predittivi lavorando su Intelligenza artificiale e Deep learning con uno sguardo speciale al mondo finanziario e in particolare all’asset management, complice anche il fatto che il rapporto con il gruppo finanziario ING ha poi segnato un nuovo investimento nel 2018, unitamente a Unicredit e ad altri investitori, che ha permesso alla società modenese di concentrarsi nello sviluppo di soluzioni per il mondo dell’asset management e del trading.
Questo percorso ha portato a una Axyon AI caratterizzata nativamente da una forte cultura ingegneristica e tecnologica a far crescere una altrettanto forte vocazione al mondo finance, ovvero verso un settore dove il valore della predittività è chiaramente strategico e in diretta relazione con il business. Non solo, non va dimenticato che il settore finance dispone anche della materia prima più importante per lo sviluppo di soluzioni di predictive analytics, vale a dire dati in grandissima quantità unita alla necessità di “governare” un crescente numero di variabili.
Per conoscere le attività e le soluzioni Axyon AI, e per capire quali prospettive si sono aperte sfruttando le potenzialità di AI e Deep Learning per la predictive analytics abbiamo incontrato Giacomo Barigazzi, co-founder e Vice President of Global Sales Axyon
In tanti settori e in tanti ambienti si avverte una crescente necessità di disporre di una maggiore capacità previsionale. Nelle imprese in particolare c’è sempre più bisogno di analisi predittive. Vediamo innanzitutto cosa significa predittività per Axyon AI e come la affrontate?
Predittività vuol dire assegnare una probabilità ad eventi/fenomeni che si presenteranno in futuro prossimo o anche lontano nel tempo. É una disciplina che vale per tutti i campi e Axyon AI l’ha voluta affrontare nell’ambito dell’asset management e della creazione delle strategie di investimento.
In questo campo noi lavoriamo per prevedere il comportamento di determinati strumenti finanziari all’interno di un orizzonte temporale stabilito. Come Axyon AI lo facciamo sfruttando le potenzialità di Intelligenza Artificiale e di Deep Learning che ci permettono di utilizzare grandissime quantità di dati e di sfruttare il loro “potere predittivo“. In particolare, AI e Deep Learning sono tecnologie che esprimono il loro potenziale nel momento in cui si devono analizzare grandissime basi dati e quando questi dati sono anche “molto rumorosi”. É qui che il Deep Learning permette di individuare relazioni nascoste ed è qui che si possono sviluppare modelli sui quali costruire una capacità predittiva che consente alle imprese di individuare e creare nuove forme di competitività (Su Deep Learning, AI e supercalcolo per la crescita digitale del mondo Finance è previsto un webinar con Axyon AI, IBM e Cineca il prossimo 16 dicembre)
.
Perché la predictive analytics è così importante nell’asset management?
É importante per le grandi potenzialità legate alla domanda di capacità previsionale del settore e per la altrettanto grande disponibilità di dati sui quali lavorare. Si tratta di un settore che utilizza da tempo modelli statistici tradizionali e che proprio grazie a una maggiore disponibilità di dati si presta a costruire strategie completamente quantitative. Si tratta di un terreno “fertile” per l’applicazione di tecnologie più complesse come AI e Deep Learning ed è nello stesso tempo un settore in cui la capacità di estrarre valore dai dati, nel senso di sfruttarne le potenzialità previsionali, può essere messo al servizio del business in modo molto diretto.
Questo processo di creazione di valore dai dati è però estremamente complesso e richiede competenze molto specifiche e software che consentano di applicare correttamente tecnologie avanzate ad un ambito, l’asset management, in cui miglioramenti anche piccoli di performance possono generare ritorni significativi.
Axyon AI propone esattamente questo tipo di soluzioni ai clienti, utilizzando la propria tecnologia proprietaria per migliorare le performance dei modelli utilizzati dai clienti per la gestione di strategie di investimento.
Quali tipologie di aziende possono trarre maggior vantaggio dalle vostre soluzioni?
Ci rivolgiamo primariamente a società finanziarie che operano nell’ambito dell’asset management e del trading. Oltre al settore finanziario la predittività è un valore fondamentale anche per i Trading Desk all’interno di grandi aziende. In questo caso ci rivolgiamo direttamente a loro, o a società satelliti dedicate, che hanno l’obiettivo di gestire portafogli legati al prezzo delle materie prime sui mercati finanziari caratterizzati da una forte volatilità. La predictive analytics permette infatti a queste realtà di creare e gestire strategie sia di copertura rispetto ai rischi collegati alla fluttuazione dei prezzi delle materie prime e sia di investimento.
I nostri prodotti rispondono in concreto alle esigenze di soggetti più tradizionali, come possono essere gli investitori istituzionali, come risposta alla domanda di ottimizzazione nelle strategie di investimento convenzionali e alla richiesta di predittività di altri soggetti che operano tipicamente con minori limitazioni, come possono essere gli hedge fund che lavorano su strumenti finanziari complessi. Gli ambiti operativi poi possono essere molto diversi: dalle materie prime alle valute e a tutti gli strumenti dei mercati finanziari .
Si tratta di soluzioni che permettono una elevata personalizzazione. Perché parlate di “tailor made solutions”?
Noi lavoriamo molto sulla personalizzazione perché siamo convinti che i migliori risultati si possono ottenere grazie a modelli basati sulle strategie di investimento studiate direttamente con il cliente.. Ci sono varie componenti che possono essere personalizzate tramite la nostra piattaforma software. Ci si può concentrare sulla tipologia di strumenti finanziari. Ad esempio nell’ambito azionario si possono creare degli “insiemi” di titoli scelti per alcune caratteristiche o nel settore energetico dei gruppi di materie prime. Il valore della nostra personalizzazione sta nella capacità di unire la conoscenza delle caratteristiche degli strumenti finanziari, in quanto dati, con la conoscenza dell’utilizzo di AI e Deep learning. La personalizzazione si può poi declinare anche in termini di orizzonte temporale di investimento. In concreto, partendo da un prodotto standard si possono trovare le forme di personalizzazione più adeguate alle strategie di investimento e di trading di ciascuna realtà.
Quali sono le figure professionali che possono sfruttare al meglio queste soluzioni?
Ci confrontiamo prevalentemente con due tipologie di interlocutori. Da un lato gli utenti finali, ossia gli asset manager, i portfolio manager, i direttori investimenti e i trader. D’altro lato, nel processo di engagement, coinvolgiamo figure che operano nell’ambito dell’innovazione per creare le condizioni affinché la capacità predittiva dei nostri prodotti si possa effettivamente concretizzare all’interno dell’organizzazione. In funzione dell’organizzazione ci rivolgiamo quindi ai responsabili dell’innovazione o dei dipartimenti di data science.
Veniamo alla tecnologia: quali sono i requisiti per ottenere questi risultati in termini di capacità predittiva?
Rispetto al tema della tecnologia occorre dire che quando si costruiscono modelli predittivi su AI e Deep Learning serve una infrastruttura hardware che consenta di addestrare modelli che hanno bisogno di tanta potenza computazionale. Il presupposto per ottenere risultati sempre più precisi sta nell’utilizzo del Deep Learning. E la capacità di apprendimento funziona bene se ci sono enormi quantità di dati che devono essere “setacciati” alla ricerca di relazioni. Inoltre, per testare e provare diverse tipologie di modelli occorre appoggiarsi ad una infrastruttura hardware molto specifica. Servono in particolare macchine dotate di elevate performance a livello di GPU Computing. In questo ambito si colloca la nostra collaborazione con IBM che dispone di macchine e di una infrastruttura che consente di addestrare modelli predittivi basati su Deep Learning con enormi quantità di dati. Grazie a questa collaborazione e alle performance di calcolo che ci mette a disposizione IBM siamo nella condizione di lavorare in modo sempre più efficace sui modelli, con una logica di miglioramento continuo che ci consente di ottenere la migliore ottimizzazione possibile. E i fattori abilitanti, occorre ripeterlo, sono nella grandissima e crescente quantità di dati e nella corrispondente e altrettanto grande, capacità di calcolo. In effetti la novità oggi non è nel Deep Learning in sé o nelle Reti neurali, tecnologie sulle quali si lavora da diverse decine di anni, la novità sta nel fatto che oggi abbiamo davanti una vera e propria esplosione di dati da governare e nello stesso tempo si dispone di una grande capacità computazione, in forme più accessibili. Una occasione unica per arrivare a nuovi obiettivi in termini di predittività.
In quale misura le performance della vostra soluzione sono collegate alle performance delle piattaforme tecnologiche?
Va detto che il valore previsionale delle soluzioni è in diretta relazione con le performance del modello e che la capacità di aumentare la precisione nella previsione dipende in larghissima misura proprio dalla capacità di affinare il modello, di testarlo e di migliorarlo costantemente. I mercati finanziari sono caratterizzati da una grande volatilità, ogni giorno generano grandissime quantità di nuovi dati.E’ necessaria quindi una infrastruttura che permetta di aggiornare i modelli con la massima velocità per andare a integrare i nuovi dati. Ovviamente il tutto dipende poi molto anche dai settori in cui operiamo. Il trading desk spesso deve confrontarsi con una grande volatilità e con la necessità di assumere decisioni in tempi estremamente ridotti operando nel mercato intra-giornaliero, in altri casi, resta ovviamente molto importante la precisione della previsione, ma il fattore tempo è meno importante.
Nell’ambito dei fenomeni emergenti come vedete le prospettive legate all’ESG, Environmental Social Governance?
In questo ambito le soluzioni basate su tecnologia AI/Deep Learning possono portare valore andando ad utilizzare anche i dati che stanno alla base degli indicatori che misurano i rating ESG per migliorare le performance dei modelli.
Occorre considerare che all’aumentare dei dati e delle variabili cresce in misura proporzionale l’esigenza di utilizzare tecnologie che hanno la necessità di estrarre valore da questi dati e nel mondo ESG ci si trova davanti a un numero crescente di variabili. Chi opera nell’ESG ha certamente bisogno di tecnologie e competenze di data science per interpretare con maggior precisione le variabili alla base delle valutazioni.
Le vostre soluzioni rispondono anche a esigenze legate al risk management, in che modo?
In questo ambito abbiamo sviluppato un’applicazione di market anomaly detection che va a intercettare, tramite AI e Deep learning, i segnali legati ad anomalie nei mercati finanziari. In questo caso non parliamo di predictive analytics, ma di una analytics che consente di analizzare e individuare segnali di “pericolo” rispetto a comportamenti determinati e standardizzati. Grazie alla capacità di lavorare sull’analisi di grandi quantità di dati e di valutare le relazioni tra i dati siamo nella condizione di capire in anticipo se si stanno creando situazioni che non corrispondono all’andamento atteso. Si tratta di uno strumento che può essere di grande supporto per i processi di risk management.
Fermo restando che la vostra missione è molto chiara e riguarda il mondo dell’asset management finanziario e del trading, è però sempre più evidente che la necessità di capacità predittiva sta emergendo in tanti altri settori. A vostro avviso quali sono gli ambiti nei quali vedete le maggiori potenzialità?
Lo spazio di sviluppo per la predictive analytics è immenso, riguarda praticamente tutti i settori dell’economia. Se dobbiamo fare un esempio non possiamo non pensare al bisogno di predittività che abbiamo nell’ambito agroalimentare, per calibrare consumi e produzione e limitare gli sprechi. La capacità previsionale nel settore primario può portare benefici anche sul campo, per avere informazioni sempre più precise anche a livello di gestione del raccolto, migliorando le performance in termini di quantità dei prodotti e di qualità. La predittività è poi sempre più fondamentale in tutto il mondo manifatturiero, dove una crescente capacità previsionale consente di gestire in modo sempre più efficace ed efficiente i prodotti, il loro ciclo di vita, la loro manutenzione e disporre di dati preziosi da utilizzare sia in fase di progettazione e sia a livello di produzione.
