Cosa accadrebbe se inserissi tutti i tipi di dati finanziari, economici e aziendali in una rete neurale all’avanguardia e li utilizzassi per prevedere i rendimenti del mercato azionario statunitense nel prossimo decennio?

Che tipo di rivelazioni magiche questo campo dell’intelligenza artificiale – in cui strati di neuroni che imitano la struttura del cervello umano sputano previsioni non lineari – produrrà agli indagatori ricercatori finanziari?

Aspetta, perché questo potrebbe farti impazzire: è probabile che l’S&P 500 restituisca l’8% all’anno nei prossimi 10 anni (abbastanza vicino alla sua media a lungo termine) e le azioni supereranno le obbligazioni in quel periodo.

Dal gruppo strategico a lungo termine di JPMorgan guidato da Jan Loeys:

– Costruiamo un modello di rete neurale basato sui fondamentali per prevedere i rendimenti a 10 anni dell’S&P 500.

– Il modello non fa ipotesi sul futuro e si basa esclusivamente su fondamentali attualmente osservabili. Ciò produce previsioni più obiettive e ci consente di stimare il rischio attorno alle previsioni sulla base delle prestazioni fuori campione del modello storico.

– I fondamentali includono diverse misure del tasso di rendimento interno dell’indice, fattori macroeconomici e rendimenti ritardati. I fattori macroeconomici includono l’asset allocation delle famiglie, i rendimenti reali e la recente crescita economica.

– Il modello mostra un forte potere predittivo sui rendimenti a 10 anni, con errori di previsione relativamente piccoli e bias statistico approssimativamente pari a zero, il che implica che le previsioni non erano né troppo ottimistiche né troppo pessimiste in media.

– Il modello prevede un rendimento SPX dell’8,0% annuo nei prossimi 10 anni. Questa previsione comporta un rischio di un sigma di ~1,5%, che implica una probabilità di 2/3 di un rendimento compreso tra il 6,5% e il 9,5% all’anno. Questa misura del rischio si basa sugli errori di previsione fuori campione del nostro modello e, quindi, non deve essere confusa con gli errori all’interno del campione.

– Questo rischio condizionale intorno al rendimento composto a 10 anni è molto inferiore a quello che sarebbe implicato dalla volatilità del rendimento annuo del 17,4% e dalla volatilità storica dei rendimenti a 10 anni.

– Sulla base dell’attuale rendimento del 4,8% sul mercato obbligazionario aggregato statunitense, che è la migliore stima per il suo rendimento a 10 anni, è molto probabile che le azioni superino le obbligazioni nel prossimo decennio dal punto di ingresso di oggi, producendo rendimenti comparabili anche con un rendimento di due -sigma sottoperformance delle azioni rispetto alla nostra previsione.

– Insieme, queste previsioni di rendimento azionario e obbligazionario implicano un rendimento decennale del 6,7% annuo su un’allocazione strategica 60-40 in azioni e obbligazioni statunitensi. Questa previsione comporta un rischio di un sigma di ~1%, che implica una probabilità di circa 2/3 di un rendimento compreso tra il 5,7% e il 7,7% all’anno.

Ciò rafforza l’opinione di FT Alphaville secondo cui un sacco di lavoro certamente interessante sull’utilizzo di vari approcci di intelligenza artificiale per affrontare grandi questioni economiche e finanziarie tende solo a produrre risposte “bene, doh” – come la Banca d’Inghilterra che scopre che i boom del credito e le curve dei rendimenti invertite tendono a presagire crisi finanziarie.

Ad essere onesti, il team di JPMorgan composto da Alexander Wise e Loeys ha testato la propria rete neurale su dati quasi fuori campione, con risultati decenti. Aveva utilizzato i dati dal 1952 in poi per addestrarlo, e poi ha iniziato a prevedere i risultati 30 anni dopo, dandogli tipo risultati live dai primi anni ’90 in poi.

I poteri predittivi del modello sono migliorati nel tempo, stima JPMorgan. Ecco come appariva in forma di grafico:

Ma applicare l’intelligenza artificiale a domande più ampie come questa tende a essere l’equivalente dell’utilizzo di una macchina Rube Goldberg per le attività quotidiane: interessante ma eccessivamente elaborato, e il risultato spesso sembra un umido squib.

Questo però non rende gli esercizi completamente inutili. A volte puoi scoprire cose interessanti per caso, anche se la conclusione principale è dolorosamente ovvia fin dall’inizio. E la prossima volta forse la domanda è più precisa e adatta agli strumenti utilizzati.