eMAF2020: nuovi approcci da intelligenza artificiale e machine learning

condividi
condividi

Il 25 settembre 2020 si è conclusa la nona edizione del convegno internazionale "Mathematical and Statistical Methods for Actuarial Sciences and Finance - eMAF2020". Una tre giorni in remoto, organizzata da Marco Corazza e Claudio Pizzi del Dipartimento di Economia, durante la quale studiosi ed esperti si sono collegati da oltre quindici paesi per presentare i risultati delle loro ricerche.

Le tematiche affrontate sono state relative allo sviluppo ed all'applicazione di nuovi approcci matematici e statistici per le discipline attuariali, per quelle assicurative e per la finanza. Dall'analisi dell'impatto del cambiamento demografico sui sistemi pensionistici ai metodi per la valutazione di contratti assicurativi, dagli strumenti per la gestione del rischio degli investimenti a modelli per la comprensione del comportamento dei mercati finanziari. I vari studi hanno adottato svariati approcci metodologici, tra i più recenti dei quali è emerso con una certa evidenza quello basato sui metodi dell'Intelligenza Artificiale, dell'Apprendimento Automatico, o Machine Learning, e dei Sistemi Bio-ispirati.

Si tratta di potenti strumenti quantitativi che si ispirano a come gli esseri umani e la Natura "producono" processi intelligenti. Ad esempio, prendendo ispirazione da come apprende il cervello degli esseri viventi superiori, ecco le cosiddette Reti Neurali Artificiali, che si sono dimostrate abili nell'apprendere i comportamenti dei mercati finanziari, e quindi anche di prevederli. Oppure, a partire dai comportamenti messi in atto da un banco di pesci per gestire i rischi degli attacchi dei predatori, ecco i cosiddetti sistemi di Intelligenza Collettiva, che hanno trovato applicazione nella gestione dei rischi derivanti da investimenti finanziari.

Gli argomenti affrontati nel convegno attraverso l'utilizzo di approcci intelligenti sono stati molteplici. Dalla previsione dei prezzi delle cosiddette criptovalute, alla gestione di complessi portafogli finanziari. Dalla virtualizzazione dei comitati (umani) di gestione di fondi di capitali, all'analisi delle relazioni esistenti tra la capacità di innovazione delle imprese e la diversità di genere nei consigli di amministrazione delle imprese stesse. Dalla previsione di quantità demografiche di utilità per la gestione dei fondi pensione e del sistema pensionistico, all'individuazione delle principali determinanti del riciclaggio del cosiddetto denaro sporco.

A scopo esemplificativo, due degli studi ora elencati possono essere utili. Il primo. Esiste una consolidata letteratura scientifica secondo cui esiste una correlazione tra la diversità di genere nei consigli di amministrazione (cda) delle aziende e l'atteggiamento di queste stesse aziende nei confronti dell'innovazione. L'esistenza di questa correlazione è stata studiata attraverso una rete neurale artificiale, cioè, sommariamente, un particolare tipo di cervello artificiale. I primi risultati mostrano che la diversità di genere nei cda non sembra giocare un ruolo significativo nelle aziende dei settori economici tradizionali, mentre risulta avere una certa importanza nelle aziende di settori innovativi. Secondo studio. Di solito, nell'ambito dell'analisi del riciclaggio del denaro sporco non è semplice individuare i nessi e le relazioni tra le determinanti di varia natura che influenzano questo fenomeno. Ad esempio, qual è l'effetto congiunto su questa attività  criminosa del contesto ambientale, di quello legislativo e di quello economico? Ovviamente, alcuni saranno negativi ed altri, purtroppo, positivi. Nello studio si propone uno strumento per l'analisi di queste relazioni complesse conosciuto come rete bayesiana, cioè, di nuovo a grandi linee, un altro tipo di piccolo cervello artificiale. I primi risultati mostrano che è possibile individuare con una certa precisione l'insieme di tutti questi legami.

In generale, è evidente la tendenza degli strumenti e dei metodi quantitativi intelligenti ad affermarsi nell'ambito delle discipline attuariali, di quelle assicurative e della finanza. Le ragioni di ciò sono molteplici ed interrelate tra loro. Tra queste, sicuramente il fatto che, nel corso degli ultimi 30-40 anni, i sistemi economico-sociali siano diventati sempre più complessi (non necessariamente più complicati), il che ha posto in crescente evidenza i limiti di alcuni degli strumenti quantitativi utilizzati per la ricerca in quegli anni. La seconda ragione, legata alla disponibilità  di sistemi informatici sempre più potenti ed all'avvento dei social network, è la vera e propria inondazione di dati non sempre omogenei (i cosiddetti Big Data) che si è vissuta nelle discipline economiche. E per trovare relazioni interessanti all'interno di moli così enormi di dati disomogenei, alle volte può risultare più utile uno strumento che, seppur formale, al proprio interno incorpori qualcosa di analogo ad un intuito biologico.

Infine, si deve sottolineare che l'uso di metodi quantitativi intelligenti nelle discipline attuariali, assicurative e finanziarie richiede competenze (oltre che attuariali, assicurative e finanziarie) anche matematiche, statistiche ed informatiche. In altri termini, ciò implica la collaborazione tra diverse aree scientifico-disciplinari, aspetto che fin dal 2004 sta a fondamento della serie di convegni internazionali "Mathematical and Statistical Methods for Actuarial Sciences and Finance".

A cura di Rachele Svetlana Bassan