La corsa dell’IA nel mondo degli investimenti: i limiti degli Llm nelle previsioni finanziarie

Nel gestire i risparmi e pianificare i propri investimenti, le persone cercano consigli anche rivolgendosi all’intelligenza artificiale. Negli ultimi mesi l’adozione di strumenti di IA nei servizi finanziari è cresciuta, si legge in un’indagine della società di consulenza EY: quasi il 49% dei consumatori nel mondo li ha utilizzati per supportare le loro decisioni in questo ambito. Al contempo, la disponibilità di applicazioni per il grande pubblico aumenta: di recente, la piattaforma di trading Robinhood ha annunciato che consentirà agli utenti di utilizzare agenti di IA che negoziano titoli in autonomia, con la creazione di un conto dedicato a queste operazioni separato da quello principale.

In passato, diverse organizzazioni hanno allertato sui rischi di impiegare tool di IA: ad esempio, pur evidenziando il potenziale innovativo di queste tecnologie, Consob ed Esma hanno sottolineato che questi strumenti possono generare consigli che potrebbero essere imprecisi o fuorvianti e che potrebbero portare a decisioni di investimento sbagliate e a perdite finanziarie significative.

In particolare, per comprendere capacità e limiti dell’intelligenza artificiale nel fare trading e nel formulare previsioni finanziarie affidabili, è necessario distinguere tra le tecnologie attualmente disponibili. “Dobbiamo dividere l’IA predittiva da quella generativa, cioè dagli strumenti basati su Llm, sulle reti transformer – per intenderci la T di ChatGPT, dove GPT è l’acronimo di Generative Pre-trained Transformer: queste reti sono disponibili dal 2018, sono fantastiche per generare contenuto ma scadenti per fare previsioni di eventi”, ci spiega Giacomo Barigazzi, co-founder e chief operating officer di Axyon AI, fintech specializzata nell’uso dell’intelligenza artificiale per l’analisi predittiva nei mercati finanziari. E aggiunge: “Per fare certi tipi di previsioni e calcoli, i modelli alla base degli Llm funzionano male. Allucinazioni, bias, e poi sono pensati per uno scopo che è proprio diverso, vale a dire generare contenuto e in quello sono eccellenti”.

Dalle reti transformer si distinguono invece altre tipologie di modelli di machine learning ideati e costruiti con l’intento di effettuare attività di previsione: “Quindi analizzare dati, individuare correlazioni tra questi dati in grado di spiegare un avvenimento futuro”, precisa l’esperto, per avere un’alta probabilità di ottenere una previsione accurata. In altre parole, “lo scopo non è generare la parola successiva che con più alta probabilità sta bene con quelle precedenti, rispondendo alla domanda o sintetizzando un testo. L’obiettivo è fare quello che si fa in statistica, di avere fondamentalmente una regressione che ti consente di individuare quanto un certo avvenimento è spiegabile da alcune variabili che ho a disposizione”.

L’applicazione dell’IA alla finanza

Di recente, una sperimentazione su Alpha Arena del lab di IA Nof1 – un progetto in cui i modelli principali (Gpt, Claude, Gemini, DeepSeek, Grok Qwen e Kimi) si sfidano facendo trading con l’obiettivo di ottenere profitto – ha mostrato che la maggior parte dei sistemi è andato in perdita. Gli Llm si sono comportati in modo diverso, pur ricevendo gli stessi prompt: sono state riscontrate differenze nei modelli in termini di propensione al rischio, pianificazione e attività di trading (ad esempio, alcuni hanno fatto molte più operazioni rispetto ad altri).

Più nel dettaglio, in questo esperimento, a ciascun Llm sono stati assegnati 10mila dollari per competere tra loro in una gara di trading senza l’intervento umano. Nella stagione 1.5, ogni modello ha dovuto gestire quattro portafogli, uno per ogni competizione caratterizzata da modalità di rischio e strategia diversa: ognuno ha dovuto processare dati quantitativi e fare operazioni solo in base ai dati numerici forniti, ricevendo lo stesso set di istruzioni per ogni gara. Uno degli obiettivi di questo esperimento è stato quello di scoprire i pregiudizi impliciti e i comportamenti di trading predefiniti dei principali Llm attraverso un’analisi comparativa.

Tra le osservazioni chiave riportate nell’analisi, sono state registrate differenze tra gli agenti in termini di inclinazione (rialzista e ribassista), frequenza delle operazioni (alcuni più attivi di altri), periodi di detenzione e considerazione del rischio. Dando un’occhiata ai punteggi dei portafogli gestiti dai modelli, su un totale di 32 risultati, solo in sei casi un sistema ha ottenuto un rendimento positivo, realizzando un profitto.

Ancora, nell’evidenziare il rischio di errori e pregiudizi nell’impiego di Llm, una ricerca pubblicata da Harvard Business School – “When LLMs Go Abroad: Foreign Bias in AI Financial Predictions” – ha messo a confronto ChatGPT di OpenAI e il modello cinese DeepSeek nel valutare 5.000 società cinesi quotate in borsa: ChatGpt ha espresso previsioni più ottimistiche – con target di prezzo più elevati e un maggior numero di raccomandazioni di acquisto – rispetto a DeepSeek: una differenza attribuita dagli autori dello studio ad asimmetrie informative, con ChatGpt che sembra incorporare meno notizie e informazioni dai media cinesi.

In generale, parlando di IA generative, evidenzia Barigazzi, l’eterogeneità delle risposte dei modelli a parità di prompt si spiega anche con la diversità dei dati e delle modalità di addestramento con cui sono stati sviluppati i sistemi. “Nel momento in cui addestro un modello, non ho una sola architettura di rete neurale a disposizione, ne ho tante. Quando parlo di architetture di reti neurali intendo le caratteristiche intrinseche della rete, come il numero di neuroni, la funzione di attivazione del neurone, il numero di strati della rete”, continua l’esperto. E aggiunge: “Sono tutti modelli basati su reti Transformer, però hanno intrinsecamente caratteristiche tecniche diverse. Quindi, pur in presenza delle stesse informazioni, se fornite a reti con architetture diverse, per quanto appartenenti alla stessa macro-famiglia della reti Transformer, avrei dei risultati diversi”.

Certo, ci possono essere casi di convergenze tra gli output dei sistemi, e su alcuni argomenti e ambiti, soprattutto quelli meno complessi, è normale che sia così, ribadisce Barigazzi. Allo stesso tempo, “per problemi molto rumorosi in termini di noise dei dati in input e molto incerti come risultati, è normale che i modelli possano sbagliare come anche possano dare una molteplicità di risposte”.

In ambito finanziario, questi modelli sono molto utili per alcune particolari funzioni, come selezione, analisi, elaborazione e sintesi di report finanziari. “Questi modelli non sono fatti per la previsione di un certo avvenimento, come l’andamento del prezzo di un titolo”, sottolinea l’esperto. Per questo tipo di attività sono più adatte altre tecnologie, vale a dire i modelli di machine learning predittivi che analizzano dati e individuano correlazioni tra essi per spiegare un avvenimento futuro. “L’obiettivo è fare quello che si fa con la statistica tradizionale avanzata, ma con una peculiarità: la correlazione tra i dati in input viene espressa con delle formule che sono estremamente più complesse e sofisticate rispetto a quelle della statistica tradizionale”. Quindi, tra le due tecnologie c’è una cruciale differenza di scopo: “I modelli predittivi sono pensati per fare una previsione il più accurata possibile; quelli generativi per generare contenuto che è verosimile”.

Axyon AI – che tra i suoi investitori conta società di venture capital italiane e internazionali, da Montage Ventures a CDP Venture Capital – utilizza diverse tecnologie di intelligenza artificiale a seconda del servizio fornito nell’ambito dell’investment management, selezionando l’approccio più adatto per ogni fase del processo di investimento: dall’IA agentica, che identifica temi emergenti sui mercati globali, all’IA predittiva, che prevede la performance relativa degli asset.

L’impatto dell’IA sul comparto finanziario

Uno studio dell’Ocse contiene una mappatura della diffusione dell’intelligenza artificiale nel settore finanziario italiano: nel complesso, il 39% degli intervistati impiega l’IA per le proprie attività. In particolare, gli operatori dei mercati finanziari come gestori di portafogli, gestori patrimoniali e consulenti d’investimento hanno dichiarato tassi di adozione vicini al 30%, mentre le società di intermediazione mobiliare si fermano al 22%. Il settore assicurativo mostra il tasso più alto di utilizzo di queste tecnologie, con il 70% dei rispondenti: un valore che scende al 59% per le banche e al 10% per i fondi pensione.

La ricerca fa notare inoltre che tra i casi d’uso più frequenti vi sono l’analisi dei dati e la generazione di output, l’individuazione e la prevenzione di frodi, l’allocazione degli attivi – che include la gestione di portafoglio, la ricerca di investimenti, la consulenza robotizzata, l’analisi di mercato – e le strategie di negoziazione – che comprendono le attività di sottoscrizione, le Ipo, la negoziazione algoritmica, la copertura dei rischi, l’analisi predittiva, le previsioni e il market-making. Altre forme di utilizzo, come la traduzione e la scrittura di codice, mostrano alti tassi di adozione.

In particolare, il report sottolinea che i risultati della ricerca sembrano suggerire un impiego dell’IA principalmente “per funzioni aziendali che esulano dalle attività tipiche dei mercati finanziari. Ciò potrebbe riflettere la composizione della popolazione degli intervistati, che include istituzioni con un’esposizione limitata al mercato, nonché un approccio prudente all’adozione dell’IA. Le imprese sembrano dare priorità ad applicazioni consolidate, come l’analisi dei dati e la prevenzione delle frodi, mentre finalità più rischiose e meno testate rimangono in secondo piano”, si legge nello studio.

Inoltre, la società di consulenza Mercer ha analizzato l’integrazione di questa tecnologia nel comparto dell’asset management coinvolgendo nell’indagine 131 operatori a livello mondiale: il 55% degli intervistati ha dichiarato di utilizzare l’intelligenza artificiale in almeno uno dei processi di investimento; il 27% l’ha adottata nell’ambito di progetti pilota e di proof of concept; mentre il restante 18% non hanno ancora impiegato l’IA. Quest’ultimo dato è destinato a diminuire, si legge nel report, visto che il 91% pianifica di aumentare l’uso di queste soluzioni nei prossimi dodici mesi. Tra gli ostacoli che frenano il trend ci sono le preoccupazioni di tipo normativo, l’accesso ai dati (e la loro qualità), l’integrazione con i sistemi esistenti e la fiducia nei risultati ottenuti dai modelli.

Per quanto riguarda le tipologie di utilizzo, i livelli di adozione più alti si riscontrano per la ricerca finanziaria e la generazione di idee, la gestione ed elaborazione di dataset esterni e non strutturati, e ancora analisi dei trend di mercato e attività di signal generation. Il 73% delle società sta usando l’IA per migliorare l’efficienza operativa dei team, automatizzando task ripetitivi, mentre il 68% come se fosse un partner nel processo di investimento (fornendo ad esempio analisi e approfondimenti). Solo una quota del 5% di organizzazioni riconosce all’IA autorità decisionale autonoma o semi-autonoma nel prendere decisioni di investimento.

In generale, fa notare Barigazzi, asset manager, banche, hedge fund, assicurazioni e grandi società particolarmente esposte alle fluttuazioni dei prezzi delle commodity stanno iniziando a impiegare queste tecnologie: c’è ancora tanto margine di miglioramento. “Anche chi non li usa dice che lo fa, altrimenti viene percepito come una realtà fuori dal mercato”, sottolinea, evidenziando poi il diverso approccio adottato dalla organizzazioni, con gli operatori più piccoli che tendono a comprare soluzioni di terze parti mentre quelli più grandi valutano se sviluppare internamente queste tecnologie o affidarsi ad aziende esterne. In ogni caso, puntualizza il co-fondatore di Axyon, “i modelli predittivi e generativi sono uno strumento, non un fine ultimo, e sarà fondamentale avere persone in grado di utilizzarli”: anche da queste competenze dipenderà la competitività e il successo delle organizzazioni.