Asset management, le nuove frontiere dell'automation - Fintech e digital banking Aprile 2019 - Prometeia
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
Fintech e digital banking
Asset management,
le nuove frontiere
dell’automation
Aprile 2019
Edoardo Colombari
Università Bocconi
3009192@studbocconi.it
Riccardo Tedeschi
Partner Prometeia, Enterprise Risk Management area
riccardo.tedeschi@prometeia.comAsset management, le nuove frontiere dell’automation Prometeia
INDICE
1. Introduzione .................................................................................................................... 3
2. Robo-advisory ................................................................................................................. 5
2.1 Robo for advisor .............................................................................................................................................. 5
2.2 Robo-advisor “ibrido” e “puro” .................................................................................................................. 6
3. Strategie di investimento con dati alternativi ........................................................ 9
4. Retail trading ................................................................................................................. 12
4.1 Social trading................................................................................................................................................... 12
4.2 No commission trading ................................................................................................................................ 14
5. Considerazioni finali ..................................................................................................... 15
6. Bibliografia ..................................................................................................................... 16
)2(Asset management, le nuove frontiere dell’automation Prometeia
“Do not put all your eggs in one basket."
Warren Buffett
1. Introduzione
A prima vista potrebbe apparire strano che tecniche di automazione e di
intelligenza artificiale possano spingersi fino a coprire delle aree di
consulenza su tematiche complesse quali la gestione di portafogli finanziari. In
realtà tale fenomeno è una naturale conseguenza dell’evoluzione della teoria
della gestione del portafoglio degli ultimi 60 anni.
Fin dai primi scritti pionieristici di Markowitz all’inizio degli anni ‘50 apparve
chiaro che, nella definizione di un portafoglio “ottimale” per l’investitore, occorre
miscelare opportunamente le esposizioni verso le varie tipologie di attività,
tenendo conto dei loro rendimenti attesi, del loro grado incertezza 1 e della
correlazione tra tali rendimenti. Già nell’impostazione originaria dello stesso
autore, venivano utilizzati metodi matematici di ottimizzazione per individuare il
“portafoglio ottimale” tenuto conto del grado di propensione al rischio
(Markowitz, 1952).
Nel corso degli anni ‘60 e nei primi anni ’70, periodo in cui si sviluppò gran
parte della moderna teoria di gestione dei portafogli, emerse l’idea che per il
singolo gestore fosse assai difficile “battere sistematicamente il mercato”, ossia
generare per lunghi periodi di tempo rendimenti superiori a quelli di un indice
rappresentativo di un ampio mercato finanziario.
Negli anni ’80 e ’90 nacquero le tecniche di “gestione passiva” e gli
Exchange Traded Fund (ETF), fondi concepiti con lo scopo di replicare la
performance, in termini di rendimento e rischio, di determinati indici
rappresentativi di mercati finanziari (azionari, obbligazionari o altri). I costi degli
ETF sono assai più contenuti rispetto a quelli dei fondi “a gestione attiva”, perché
i gestori utilizzano tecniche di composizione fortemente automatizzate e non
1
Misurabile in vari modi ad esempio come deviazione standard della distribuzione di
probabilità dei rendimenti.
)3(Asset management, le nuove frontiere dell’automation Prometeia
hanno bisogno di investire in attività di analisi sui singoli titoli quotati, come
accade invece per la gestione attiva.
Il limite delle tecniche di ottimizzazione del portafoglio sviluppate da
Markowitz e affinate dagli autori successivi è sempre stato però la difficoltà di
stimare correttamente il valore dei parametri necessari – rendimento, rischio e
correlazioni attesi in futuro – a causa della loro intrinseca instabilità. Tali tecniche,
inoltre, sono difficilmente applicabili a portafogli estremamente granulari,
formati cioè da una miriade di titoli: le difficoltà computazionali e di stima dei
parametri, infatti, crescono rapidamente all’aumentare della numerosità delle
posizioni gestite.
Per questi motivi le tecniche di ottimizzazione del portafoglio sono state
tradizionalmente confinate alla asset allocation “strategica”, ovvero la scelta di
composizione dei portafogli tra poche macro-asset class di rilievo: monetario,
azionario, obbligazionario, commodity, altro. Inoltre, l’uso di tali tecniche è
sempre stato “temperato” dalle valutazioni discrezionali degli analisti che
vengono incorporate nei parametri di redditività e rischio (Black & Litterman,
1991), o da una serie di vincoli dettati dal buon senso, posti al fine di evitare
eccessive concentrazioni di rischio nel portafoglio.
Negli anni più recenti una serie di fattori ha reso possibile l’offerta di servizi
di asset management automatizzati per la clientela privata a costi estremamente
ridotti: l’aumento della velocità di calcolo dei computer, l’affinarsi dei modelli
statistici ed econometrici per la stima dei rendimenti attesi e delle loro volatilità
e correlazioni, il moltiplicarsi dell’offerta di ETF a copertura di sempre più
tipologie di asset class e mercati finanziari.
Il diffondersi poi di tecniche di analisi di “big data” provenienti da diverse
fonti (mercati, notizie giornalistiche, dati societari, previsioni di organi ufficiali, etc.)
e di “sentiment analysis” (social network, motori di ricerca, etc.) lasciano presagire
la possibilità di elaborare previsioni di evoluzione dei rendimenti e dei rischi delle
attività finanziarie in maniera sempre più rapida e al tempo stesso sofisticata.
Il panorama dei servizi a supporto delle attività di investimento e asset
management sta dunque mutando rapidamente. Nel seguito si cercherà di offrire
un panorama di massima delle principali novità emergenti.
)4(Asset management, le nuove frontiere dell’automation Prometeia
2. Robo-advisory
I servizi di consulenza e di gestione del portafogli rivolti alla clientela retail,
come in altri ambiti del settore finanziario, hanno visto l’emergere di nuovi
operatori fintech. Tali operatori si sono concentrati sul “Robo-advisory”, ovvero
l’automatizzazione del processo di gestione del risparmio, dalla “profilazione”
della clientela al ribilanciamento dei portafogli, in modo da offrire un servizio
completo, riducendo i costi.
A seconda del tipo e del grado di automatizzazione apportato al processo,
si possono individuare tre diversi modelli operativi (vedi Figura 1):
• Robo for advisor: l’automatizzazione del processo di consulenza è
sviluppata per il consulente, al fine di supportarlo nelle sue decisioni e
nella sua relazione con il cliente;
• Robo advisor “ibrido”: l’automatizzazione copre le diverse fasi del
processo di consulenza e gestione del portafogli, ma in modo tale da
consentire l’intervento del consulente, se richiesto dall’investitore;
• Robo advisor “puro”: il processo di consulenza e gestione è pressoché
completamente automatizzato, senza che vi sia l’intervento di un
consulente che si interfacci con il cliente.
Figura 1
Robo Advisory:
Modelli
operativi
2.1 Robo for advisor
Il robo for advisor è una soluzione “advisor facing”, ovvero uno strumento
messo a disposizione del consulente, che lo aiuta nella gestione della clientela.
)5(Asset management, le nuove frontiere dell’automation Prometeia
L’obiettivo è quello di facilitare il processo di consulenza tramite la proposta
automatica di nuovi prodotti alla clientela, in funzione della profilatura fatta.
Un esempio: ipotizziamo che il dipartimento di ricerca della banca che
utilizza tale strumento abbia una previsione di rendimento negativa su una asset
class, come l’obbligazionario dei mercati emergenti. Il robo for advisor
comunicherà al consulente quali dei suoi clienti abbiano in portafoglio tale asset
class, proponendo un ri-bilanciamento. Il robo for advisor, in funzione delle
preferenze del cliente, sarà poi in grado di proporre un investimento sostitutivo,
corredando l’intera operazione con una breve spiegazione.
Lo strumento, oltre a migliorare la qualità del servizio a favore del cliente,
permette al consulente di gestire un maggior numero di soggetti, diminuendo il
costo del servizio (cost to serve). Permette anche una maggiore omogeneità nei
prodotti distribuiti alla clientela.
Dal punto di vista qualitativo, la soluzione aumenta l’efficienza del processo
di consulenza e gestione del risparmio, senza tuttavia apportare fondamentali
modifiche alla customer experience, ovvero al canale attraverso il quale il cliente
fruisce del servizio, che rimane prevalentemente un contatto diretto “faccia a
faccia”.
2.2 Robo-advisor “ibrido” e “puro”
Al contrario, i servizi di robo-advisory “ibridi” e “puri”, comparsi prima negli
USA per poi approdare altrove, prevedono un limitato contatto diretto tra cliente
e consulente (Potenza, Schena, Arlotta, & Tanda, 2018). Essi si caratterizzano per
un cambio nel canale di distribuzione del servizio, che diviene quasi
esclusivamente digitale, anche tramite la proposizione di chatbots 2, e per una
completa automatizzazione del processo di ribilanciamento dei portafogli.
Il modello “ibrido” prevede ancora la possibilità di una eventuale
interazione tra consulente e cliente finale, che ad esempio si può rivolgere per
telefono al consulente nei periodi di maggiore incertezza, o per ricevere
2
Le chatbox sono programmi che simulano normali conversazioni con altre persone,
permettendo alla macchina di avere un’interazione “botta e risposta” con il cliente.
)6(Asset management, le nuove frontiere dell’automation Prometeia
chiarimenti, o ancora, può recarsi in sede per colloqui personali. Il modello “puro”,
invece, non prevede alcun contatto diretto tra cliente e consulente, che viene
sostituito completamente dall’interfaccia online.
La value proposition di questi nuovi attori di generare reddito si fonda su
quattro pilastri:
• Bassi costi di gestione: la riduzione della componente umana e
l’allocazione in ETF permettono ai nuovi operatori di applicare
commissioni di gestione significativamente inferiori a quelle applicate dai
gestori tradizionali, aumentando la trasparenza nei confronti della
clientela. I costi complessivi per la sottoscrizione di questi strumenti sono
dunque contenuti, non superando solitamente il punto percentuale sugli
attivi gestiti, da un lato grazie ai bassi costi di gestione, dall’altro per le
basse commissioni sugli ETF 3;
• Investimento minimo: il capitale da allocare inizialmente varia a seconda
del gestore, ma è solitamente basso, per favorire l’entrata di utenti che si
approcciano al mondo del risparmio gestito per la prima volta;
• Target: i bassi costi di gestione, il ridotto investimento minimo richiesto e
la predisposizione di interfacce user friendly, sia web che app,
permettono di attrarre una clientela giovane, solitamente esclusa dai
canali di distribuzione tradizionali;
• Goal based investing: l’attrazione della clientela avviene anche
attraverso la proposta di investimenti alternativi, non focalizzata sul
singolo prodotto o fondo, ma piuttosto sul raggiungimento di un obiettivo.
Questo avvicina il cliente al servizio, rendendolo più comprensibile. Gli
obiettivi proposti sono diversi, come ad esempio la pensione, l’acquisto
della prima casa, l’educazione dei figli, o un normale piano di accumulo.
La diffusione di strumenti di robo-advisory “puri” e “ibridi” dipende da diversi
fattori, come l’educazione finanziaria degli utenti o la loro propensione a investire
in maniera indipendente. In effetti, l’adozione di tali soluzioni può rappresentare
3
I costi di sottoscrizione di ETF sono in continua discesa; ad esempio, Fidelity, asset
manager americano, ne ha recentemente lanciati due a costo zero (Stein, Massa, & Maranz, 2018).
)7(Asset management, le nuove frontiere dell’automation Prometeia
un compromesso tra la gestione tradizionale e l’investimento diretto.
Non a caso i robo-advisor sono emersi prima nei paesi anglosassoni,
caratterizzati da una forte presenza di investitori indipendenti. L’investimento
“fai da te” è meno diffuso in Italia, dove tali servizi sono ad oggi scarsamente
utilizzati.
Le stime sugli AUM dei robo-Advisor nel mondo sono discordanti, ma si
aggirano intorno al trilione di dollari (Backend Benchmarking, 2018), di cui gran
parte negli Usa. Le prime società a proporre tali servizi sono state fintech, come
Betterment e Wealthfront, per poi essere imitate dai principali asset manager
presenti sul mercato, come ad esempio Charles Schwab con Intelligent Portfolio;
BlackRock tramite l’acquisizione di Future Advisors; Vanguard con Personal
Advisor Services. Gli operatori bancari presenti sul mercato sono: WellsFargo
(Intuitive Portfolio), Morgan Stanley e JP Morgan.
In Europa sono attive fintech come MoneyFarm, Nutmeg e Scalable Capital
(che ha avviato una collaborazione con ING) mentre incumbent come HSBC e
Royal Bank of Scotland hanno annunciato di voler proporre servizi simili (vedi
Figura 2).
Figura 2
Robo Advisory:
Caratteristiche dei
principali operatori
del mercato
)8(Asset management, le nuove frontiere dell’automation Prometeia
3. Strategie di investimento con dati
alternativi
D all’impronta digitale che ognuno di noi lascia sul web fino alle immagini
catturate dai satelliti, nell’era digitale qualsiasi evento viene registrato,
trasformandosi in dato.
Se la quantità di dati ad oggi disponibili può sembrare già enorme 4 , il
consolidarsi dell’Internet of Things, che porterà sempre più oggetti di uso
quotidiano o industriale ad essere connessi in rete, la farà crescere a dismisura.
La capacità di sfruttare tali dati diventerà cruciale in un’ottica competitiva.
Le competenze analitiche richieste per estrarre informazioni a partire da questi
dati fanno parte dei campi del machine learning e dell’artificial intelligence,
intrecciati con matematica, statistica e computer science.
In ambito finanziario, ed in particolare in quello degli investimenti, l’avvento
di device elettronici connessi ad internet mette a disposizione degli investitori
dati praticamente in tempo reale. Questi vengono solitamente raccolti da società
specializzate, al fine di rivenderli, o dalle stesse società di investimento, che li
utilizzano internamente. Tali dati sono raggruppati in insiemi tematici e possono
essere utilizzati per formulare strategie di investimento alternative.
I dati possono provenire dalle fonti più varie. Una possibile classificazione
separa le fonti per tipologia di emittente (Kolanovic & Krishnamachari, 2017):
• Consumer data: tracce lasciate online dagli utenti sul web, dai commenti
lasciati sui social network alle review online di prodotti e servizi, fino ai
trend di ricerca. Tali dati sono solitamente di natura testuale e vengono
utilizzati per costruire indicatori di sentimento;
• Business data: tracce lasciate dalle società, che possono riguardare i
settori più diversi. Ad esempio ci sono agenzie che mettono a disposizioni
dataset sul numero di concessioni edilizie rilasciate in una determinata
4
Tanto che solamente lo 0,5% viene analizzato (Regalado, 2013)
)9(Asset management, le nuove frontiere dell’automation Prometeia
zona o il numero di polizze assicurative sottoscritte in un certo periodo
o, ancora, il livello di vendite dei negozi in funzione delle transazioni
avvenute tramite POS;
• Sensor data: probabilmente i più noti, riguardano soprattutto immagini
satellitari e dati di geolocalizzazione. Le immagini satellitari possono
essere utilizzate, ad esempio, per valutare l’attività economica di un’area
(quali estrazioni minerarie, attività marittime, produzione agricola) o
valutare il successo di un esercizio commerciale in funzione
dell’occupazione dei suoi parcheggi. I dati di geolocalizzazione vengono
estratti dai dispositivi mobili utilizzati dagli utenti, come gli smartphone,
e possono servire a valutare il livello di clientela presente in un negozio
o i trend di mobilità degli utenti.
Dalla prospettiva dell’investitore i dataset disponibili possono avere diversi
gradi di utilità, in funzione di:
• Tipologia di asset class: le informazioni estratte possono riguardare le
diverse asset class. Solitamente sono utilizzabili per mercati azionari e
commodities, mentre scarseggiano per tassi di interesse e tassi di cambio;
• Qualità: la qualità del dataset dipende dalla profondità storica dei dati
disponibili, dalla frequenza con cui sono resi disponibili, dall’eventuale lag
temporale tra rilevazione e disponibilità degli stessi e, infine, dalla
presenza o meno di un rischio legale derivante dal loro utilizzo;
• Strategie di investimento supportate: i dataset sono spesso focalizzati
su azioni o settori azionari, risultando più utili per strategie di tipo long-
short 5;
• Stato di analisi dei dati: i provider possono già aver sviluppato indicatori
facilmente utilizzabili dall’investitore acquirente o essersi limitati a
processarli per renderli più leggibili, o ancora, non averli del tutto
5
Una strategia long-short consiste nel simultaneo acquisto e vendita delle azioni di due
società dello stesso settore, in modo da guadagnare sulle variazioni relative dei prezzi, a
prescindere dalla direzionalità del mercato.
) 10 (Asset management, le nuove frontiere dell’automation Prometeia
processati (raw data);
• Alpha generabile: per valutare l’utilità del dataset bisogna confrontare i
costi sostenuti per l’utilizzo dello stesso (da corrispondere al provider o
connessi all’impiego di risorse umane per analizzarli) con gli extra-
rendimenti generabili.
Pur risultando fondamentale l’originalità delle informazioni ricavabili dal
dataset, spesso un singolo dataset non permette di sviluppare strategie
sufficientemente redditizie, rendendo necessario integrare le informazioni con
quelle di altre fonti disponibili.
La diffusione di un medesimo dataset tra più investitori porta
inevitabilmente all’erosione del vantaggio competitivo. Tuttavia è elevata la
disponibilità di dati non ancora pienamente utilizzati: gli operatori che per primi
riescono a sfruttare tali opportunità possono ricavare rendimenti non correlati
con l’andamento del mercato (vedi Figura 3).
Figura 3
Esempi di
utilizzo di dati
alternativi
Fonte: JP Morgan
Le informazioni ricavate sono utilizzate da diversi operatori del mercato.
Tra i primi a trarne vantaggio sono generalmente i cosiddetti “fondi quantitativi” 6,
che globalmente gestiscono circa 1 trilione di dollari. Tuttavia la percentuale di
6
“Quant Funds”, spesso rientrano nella categoria degli Hedge Funds.
) 11 (Asset management, le nuove frontiere dell’automation Prometeia
operazioni eseguite da tali fondi in funzione di strategie elaborate con tecniche
di machine learning su dati alternativi non è nota, né risulta facilmente
quantificabile (Financial Stability Board, 2017). Secondo il Financial Stability
Board, i fondi che utilizzano esclusivamente strategie elaborate con tecniche di
machine learning gestiscono una decina di miliardi, mentre la maggior parte dei
fondi quantitativi le utilizza come supporto alle decisioni di investimento degli
asset manager.
4. Retail trading
G li investitori retail sono ormai da diverso tempo abituati ad utilizzare
piattaforme online per negoziare titoli. La user experience digitale dei
risparmiatori è un ambito sul quale le case di brokeraggio si sono sempre più
concentrate negli ultimi anni. La possibilità di controllare il proprio portafoglio
da remoto, via web o tramite app, non è ormai più l’unica innovazione nel settore.
In particolare due nuovi modelli di business stanno riscuotendo il successo del
pubblico: il social trading e il no commission trading.
4.1 Social trading
Proprio come avviene all’interno dei social network, le piattaforme di social
trading nascono con l’obiettivo di creare una community in cui gli utenti possano
condividere tra loro le idee. Il lato social di tali piattaforme, di cui la più famosa a
livello europeo è eToro7, le distingue dai normali broker. In particolare, gli utenti
possono copiarsi a vicenda le strategie di trading tramite la modalità del “copy-
trading” 8.
All’interno della community emergono due tipi di utenti: i trader di
successo, i “leader”, le cui strategie sono apprezzate e copiate dagli altri utenti,
7
Vanta oltre 6 milioni di utenti distribuiti tra 140 paesi.
8
qualsiasi operazione effettuata da un utente che copiato viene automaticamente
eseguita anche sui portafogli degli utenti che lo copiano.
) 12 (Asset management, le nuove frontiere dell’automation Prometeia
e i trader che li replicano, i “follower” (vedi Figura 4). I “leader” ricevono un
compenso monetario dalla piattaforma in funzione del seguito ottenuto 9, mentre
i follower possono personalizzare il proprio portafoglio con diverse funzioni, ad
esempio impostando stop loss, o copiando la strategia di più trader alla volta,
comunque mantenendo la possibilità di ritornare a gestire i propri portafogli in
maniera autonoma in qualsiasi momento. Solitamente le piattaforme che offrono
servizi di copy-trading agiscono anche da normali broker, permettendo ai clienti
di gestire i portafogli senza copiare altri utenti.
Tramite la creazione di una community, le piattaforme riescono ad attirare
clienti che, non fidandosi di investire in modo completamente indipendente,
trovano beneficio nei consigli degli altri utenti.
Figura 4
Social Trading
Modello Operativo
A livello normativo, la European Securities and Markets Authority (ESMA)
ha precisato che l’attività della piattaforma è classificabile come gestione diretta
di portafogli se il copy-trading è effettuato in maniera automatica, mentre viene
considerata invece consulenza finanziaria se per ogni modifica è espressamente
richiesta l’autorizzazione del cliente (IOSCO, 2017). Nel primo caso il cliente
concede un mandato di gestione alla piattaforma, che da quel momento in poi
esegue ogni segnale di trading mandato dal “leader”, fino a che il cliente non
revoca tale mandato. Nel secondo caso, la piattaforma agisce come consulente,
trasmettendo i segnali di trading mandati dal “leader” al cliente, delegando però
a quest’ultimo la decisione finale se eseguirli o meno.
9
eToro garantisce una remunerazione fino al 2% degli AUM, e l’esenzione dalle
commissioni di trading
) 13 (Asset management, le nuove frontiere dell’automation Prometeia
4.2 No commission trading
Per gli investitori c’è anche la possibilità di effettuare trading senza pagare
commissioni, né sotto forma di “fee” per la compravendita, né di spread tra
prezzo di acquisto e vendita. Tale modello è proposto per ora da RobinHood (ad
oggi attiva solamente negli USA), piattaforma di trading online che offre un
servizio di brokeraggio completamente gratuito da commissioni e vanta ad oggi
poco più di 6 milioni di utenti.
La piattaforma permette l’investimento in azioni scambiate sulle borse
americane (e su cripto valute) e rende sostenibile l’offerta di questo servizio
guadagnando in tre modi:
• Interessi sulle somme lasciate negli account degli utenti ma non investite;
• Commissioni dai market maker verso i quali indirizzare gli ordini degli
investitori (garantendo determinati volumi su particolari azioni).
• Servizi premium a pagamento per gli utenti, che permettono, ad
esempio, l’extended-hours trading.
L’offerta attrae soprattutto gli investitori più giovani, che, date le limitate
somme a disposizione per l’investimento, sono particolarmente sensibili alle
commissioni. C’è anche la possibilità di controllare e gestire il proprio portafogli
tramite smartwatch.
Dato il successo del broker americano, altri operatori si sono dichiarati
interessati a lanciare proposte affini. In particolare, la banca digitale Revolut,
famosa in UK ed Europa per offrire servizi bancarie con basse commissioni
(utilizzo delle carte di pagamento e ritiro di contanti all’estero senza commissioni),
ha dichiarato di voler proporre un servizio di trading senza commissioni, a partire
dal 2019; Wealthsimple, start-up con base a Toronto, ha recentemente lanciato il
medesimo servizio per il mercato canadese, così come JP Morgan, che ha
lanciato YouInvest, app che permette agli utenti di effettuare fino a 100
operazioni di trading all’anno senza pagare commissioni 10.
10
La banca applicava commissioni medie pari a circa 25 dollari per operazione
) 14 (Asset management, le nuove frontiere dell’automation Prometeia
5. Considerazioni finali
A nalizzando il fenomeno del robo-advisory, l’applicazione dei big data alle
strategie di investimento e le novità nel trading per investitori retail, come
il social trading e il no commission trading, sono evidenti due trend che
riguardano l’asset management a livello mondiale.
Il primo è la “race to zero commission”, ovvero la crescente pressione
competitiva sui margini a cui sono soggetti gli operatori del mercato. Essi vedono,
da un lato, sempre più clienti migrare da prodotti a gestione attiva a quella
passiva e, dall’altro, una costante competizione sulle commissioni.
Il secondo trend, invece, riguarda le prospettive di cambiamento nei
bisogni dei clienti: se ora, infatti, la ricchezza è detenuta da una generazione
meno incline al canale digitale per la fruizione dei servizi finanziari, saranno ben
presto le generazioni di “nativi digitali” a rappresentare gran parte della
domanda. La capacità di catturare, sin da oggi, le loro esigenze influirà in modo
determinante sulle probabilità di successo o di fallimento degli attuali attori del
mercato.
E' ancora presto per dire quali nuovi trend si imporranno, caratterizzando
in maniera strutturale l’industria dell’asset management. La situazione è in rapida
evoluzione.
Sicuramente l’arricchimento delle fonti informative e la crescente
sofisticazione dei modelli di analisi spingono verso una crescente
automatizzazione dei processi e un contenimento dei costi.
In ogni caso, dati la natura intrinseca dell’asset management – basata sulla
capacità di prevedere rendimenti attesi e la relativa incertezza – e il fatto che le
opportunità di investimento, se note a tutti, vengono rapidamente “assorbite” e
“livellate” dal mercato, la componente umana continuerà a svolgere un ruolo non
secondario nell’elaborazione delle strategie finanziarie.
) 15 (Asset management, le nuove frontiere dell’automation Prometeia
6. Bibliografia
Backend Benchmarking. (2017). The Robo Report, Fourth Quarter 2017.
Backend Benchmarking. (2018). The Robo Report, Fourth Quarter 2018.
Banca d'Italia. (2017). Fintech in Italia: Indagine conoscitiva sull'adozione delle
innovazioni tecnologiche applicate ai servizi finanziari.
Black, & Litterman. (1991). Asset Allocation Combining Investor Views with Market
Equilibrium. Journal of Fixed Income, Vol. 1, No. 2: pp. 7-18.
Dunkley, E. (1 giugno 2017). HSBC to roll out robo-advice for small savers. Financial Times.
Dunkley, E. (17 novembre 2017). Royal Bank of Scotland to launch robo-advice under
NatWest brand. Financial Times.
Evans, R. (2017, dicembre 4). Morgan Stanley Woos Millennials Via Robo-Adviser With
ETFs. Retrieved from Bloomberg:
https://www.bloomberg.com/news/articles/2017-12-04/morgan-stanley-woos-
millennials-with-robo-adviser-built-on-etfs
Financial Stability Board. (2017). Artificial intelligence and machine learning in financial
services.
Garmhausen, S. (2018, aprile 6). With UBS Launch, All Wirehouses Have Robo-Advisors.
Retrieved from Barron's: https://www.barrons.com/articles/with-ubs-launch-all-
wirehouses-have-robo-advisors-1523045858
Henry, D., & Dilts, E. (2017, dicembre 20). JPMorgan Chase powers up robo-adviser for
fintech race. Retrieved from Reuters: https://www.reuters.com/article/us-
jpmorgan-wealth-roboadviser/jpmorgan-chase-powers-up-robo-adviser-for-
fintech-race-idUSKBN1EE280
IOSCO. (2017). Research Report on Financial Technologies (Fintech).
Kolanovic, M., & Krishnamachari, R. T. (2017). Big Data and AI Strategies: Machine
Learning and Alternative Data Approach to Investing. JP Morgan.
Markowitz, H. (1952). Portfolio Selection. The Journal of Finance 7 (1), 77–91.
Noonan, L., & Verbrigghe, D. (2018, august 22). JPMorgan launches online trading
platform. Financial Times.
Potenza, Schena, Arlotta, & Tanda. (2018). Lo sviluppo del Fintech: opportunità e rischi
per l'industria finanziaria nell'era del digitale. CONSOB.
Regalado. (2013, maggio). The data made me do it. MIT Technology Review.
Robinhood Financial. (second quarter 2018). SEC Rule 606 Report Disclosure.
Robo-Advisors worldwide. (2018). Retrieved from Statista:
https://www.statista.com/outlook/337/100/robo-advisors/worldwide
Stein, C., Massa, A., & Maranz, F. (2018, agosto 1). Free Fidelity Funds Stoke Price War
in Bid to Catch Index Giants. Retrieved from Bloomberg:
https://www.bloomberg.com/news/articles/2018-08-01/fidelity-to-offer-index-
mutual-funds-with-zero-expense-ratio.
) 16 (Twitter: @PrometeiaGroup Linkedin: prometeia YouTube: prometeia Facebook: prometeiagroup www.prometeia.com
Puoi anche leggere
