Non solo consigli di investimento
Esiste una letteratura ampia e consolidata riguardo le difficoltà che gli investitori non professionali trovano nell'orientare le loro decisioni in ambito finanziario. Le attività di financial literacy volte a diffondere la conoscenza maturata a livello accademico per farla arrivare anche agli investitori più distratti, a quelle fasce di popolazione che sono maggiormente esposte ai costi delle scelte finanziarie inconsapevoli, sono ormai numerose e istituzionalizzate.
L'esperienza maturata in questi contesti mostra tuttavia l'esistenza di una distanza ancora da colmare tra il contesto in cui vengono formulati i criteri quantitativi di allocazione in ambito scientifico e l'eterogeneità delle problematiche e dei vincoli che condizionano le scelte degli investitori reali.
Analizzando per esempio i servizi commerciali di Robo Advisory, un servizio automatizzato di consulenza attiva alla clientela, si è verificato che le regole di allocazione che vengono implementate risultano spesso determinate da regole d'investimento aprioristicamente determinate, poco rispondenti alle caratteristiche individuali degli investitori e dei contesti in cui tali scelte vengono operate.
La possibilità di coprire l'ultimo miglio, l'allineamento delle prescrizioni prodotte dalla ricerca con la pratica delle decisioni finanziarie, sembra essere alla portata di una particolare classe di modelli di apprendimento, i cosidetti foundation model, ossia modelli di base pre-addestrati utilizzando datasets di grandi dimensioni. Il loro impiego come strumenti di ausilio alle decisioni è una proposta recente e promette vantaggi sostanziali, in primo luogo la possibilità di operare scelte interagendo con il decisore e di contribuire attivamente alla costituzione del dataset di training.
L'idea di base è piuttosto semplice e di fatto segue la logica perseguita dai ricercatori per risolvere limitazioni della stessa natura. In ambito scientifico si lavora da tempo utilizzando dei dataset anonimizzati, omogenei e armonizzati a livello internazionale che raccolgono le variabili necessarie a ricostruire i bilanci degli individui e delle famiglie associandoli alle allocazioni e alle scelte di investimento. Questa raccolta dati amplia il patrimonio informativo utilizzabile per discriminare i fattori alla base delle scelte individuali e contribuisce a definire dei criteri di selezione degli investimenti più coerenti con i profili osservati degli investitori.
Allo stesso modo, i modelli pre-addestrati possono generare scenari e proporre scelte in base a criteri che risultino più verosimili in base alle informazioni disponibili nei dataset che raccolgono le informazioni sugli investitori. Il vantaggio potenziale che ne deriva è la possibilità di declinare attivamente le prescrizioni di razionalità e formulare proposte di investimento più adeguate alle specifiche condizioni dei mercati, dei vincoli e delle preferenze degli investitori. Il principale ostacolo all'impiego sistematico di questo approccio deriva dalle note difficoltà nel mantenere un controllo di correttezza dell'output autoprodotto. Infatti l'utilizzo sistematico dei modelli di intelligenza artificiale si deve sempre confrontare con la necessità di operare garantendo adeguati criteri di verificabilità e di correttezza dei contenuti generati. La sfida scientifica è dunque legata alla possibilità di formulare, congiuntamente alle proposte di decisione finanziaria, anche una adeguata spiegazione delle ragioni che le hanno motivate, secondo i criteri associati alla cosidetta XAI, l'eXplainable Artificial Intelligence. Dopotutto la credibilità di un advisor, umano o cibernetico, si costruisce sempre a partire dallo stesso principio, la trasparenza.