AI e modelli di machine learning nelle analisi di riallocazione dei portafogli: l’analisi di Banca d’Italia
Lo scorso 10 marzo 2025 Banca d’Italia ha pubblicato lo studio n. 913 sull’uso delle tecniche di machine learning nell’individuazione dei fattori alla base delle riallocazioni di portafoglio decise dai gestori di fondi comuni azionari che investono nei paesi emergenti. Lo studio, anche attraverso l’utilizzo di un ampio insieme di caratteristiche riferite ai singoli titoli, […] L'articolo AI e modelli di machine learning nelle analisi di riallocazione dei portafogli: l’analisi di Banca d’Italia proviene da Iusletter.
Lo scorso 10 marzo 2025 Banca d’Italia ha pubblicato lo studio n. 913 sull’uso delle tecniche di machine learning nell’individuazione dei fattori alla base delle riallocazioni di portafoglio decise dai gestori di fondi comuni azionari che investono nei paesi emergenti.
Lo studio, anche attraverso l’utilizzo di un ampio insieme di caratteristiche riferite ai singoli titoli, svolge un’analisi granulare di ciò che influenza e determina le oscillazioni di portafoglio nei fondi comuni di investimento azionari.
L’analisi si concentra quindi sulle variazioni di portafoglio determinate dalle decisioni dei gestori, piuttosto che dalla rivalutazione dei prezzi, e abbina queste informazioni con altre 54 caratteristiche, raggruppate in sette macrocategorie:
- informazioni sulla società
- liquidità
- mercato
- redditività
- solvibilità
- dimensioni e investimenti
- rating
Utilizzando modelli di gradient boosting (GBM), vengono quindi approfondite 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, che le dimensioni delle imprese e le caratteristiche di mercato dei titoli, come la capitalizzazione ed il volume degli scambi, sono i fattori che maggiormente incidono sulle riallocazioni di portafoglio. La loro importanza relativa cambia nel tempo (ad esempio nei periodi di turbolenze finanziarie), in funzione delle caratteristiche dei fondi comuni (come una strategia di investimento attiva o passiva) e in relazione al tipo di investitori cui il fondo si rivolge (professionali o al dettaglio).
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).
L'articolo AI e modelli di machine learning nelle analisi di riallocazione dei portafogli: l’analisi di Banca d’Italia proviene da Iusletter.
