Banca d’Italia ha pubblicato lo studio n. 913 di marzo 2025 sull’uso di modelli di machine learning per l’analisi delle riallocazioni di portafoglio dei fondi comuni azionari.
Si ricorda che delle implicazioni dell’uso di tecniche di machine learning nella valutazione del merito creditizio, se ne discuterà approfonditamente nel corso del prossimo webinar DB del 27 marzo 2025 “Il credit scoring nella valutazione di merito creditizio – Tra qualità dei dati e uso dell’intelligenza artificiale“.
Lo studio, in particolare, ha analizzato ciò che influenza e determina le oscillazioni di portafoglio nei fondi comuni di investimento azionari, che investono nei mercati emergenti.
L’analisi si concentra sulle variazioni di portafoglio determinate dalle decisioni dei gestori, piuttosto che dalla rivalutazione dei prezzi, e abbina queste informazioni con altre 54 caratteristiche, raggruppare in sette macrocategorie:
- informazioni sulla società
- liquidità
- mercato
- redditività
- solvibilità
- dimensioni e investimenti
- rating
Utilizzando modelli di gradient boosting (GBM), lo studio ha approfondito le relazioni non lineari tra le caratteristiche dei titoli e gli aggiustamenti del portafoglio.
I risultati dello studio sull’applicazione dei modelli di machine learning alle riallocazioni di portafoglio nei fondi di investimento, dimostrano, per gli autori, che le dimensioni delle imprese e le caratteristiche legate agli investimenti, insieme agli attributi dei titoli azionari, come la capitalizzazione di mercato e il volume degli scambi, sono le più influenti nello spiegare i movimenti di portafoglio.
Inoltre, la ricerca dimostra ulteriormente l’importanza relativa di queste caratteristiche, sulla base di una suddivisione del campione analizzato da:
- condizioni di mercato (flessione o ripresa)
- tipo di investitore (istituzionale vs. retail)
- strategie di investimento (attive vs. passive).
Lo studio, dopo una breve introduzione del contesto:
- alla sezione 2 introduce il set di dati
- alla sezione 3 presenta la tecnica di apprendimento automatico adottata nell’analisi
- alla Sezione 4 illustra i principali risultati empirici
- alla Sezione 5 si offrono alcune osservazioni conclusive e implicazioni politiche.
