RAM Active Investments è un asset manager sistematico con una lunga esperienza nella creazione di valore per i propri clienti in qualsiasi condizione di mercato. La casa di investimento è stata fondata a Ginevra da Thomas de Saint-Seine, Emmanuel Hauptmann e Maxime Botti (nella foto), che oggi è senior equity fund manager, specializzato nella gestione di fondi di investimento raggruppati sotto i marchi RAM Systematic Funds.

Botti, in particolare, ha avviato e svolto un ruolo chiave nel lavoro di ricerca utilizzato nella gestione dei RAM Systematic Equity Funds. Prima di entrare in RAM Active Investments nel 2004, Maxime ha lavorato come gestore alternativo di fondi presso Equinox Partners e come analista di rischio/arbitraggio presso Barep Asset Management, filiale di Société Générale. Maxime si è laureato alla NEOMA Business School (Programme Grande Ecole, Finance, 2002). Ad AdvisorOnline.it ha spiegato le strategie sistematiche dell'asset managet elevetico.

Puoi spiegare l'approccio sistematico della RAM?
La nostra strategia d'investimento sistematica applica un approccio di selezione azionaria bottom-up basato su fattori fondamentali. Utilizziamo non solo i bilanci aziendali delle società, ma anche tutte le informazioni che ci permettono di affinare la selezione dei titoli, come le stime degli analisti e i database alternativi, combinando così molteplici dimensioni all'interno delle nostre strategie. La nostra filosofia d'investimento offre quindi un potenziale di performance per tutti i cicli di mercato e combina vari fattori fondamentali con allocazioni stabili ai nostri motori generatori di alfa che costruiamo per essere scarsamente correlati tra di loro: "valore", "difensivo" e "momentum". In questo modo è possibile costruire un portafoglio con un grado di diversificazione molto elevato che porta ad una volatilità inferiore rispetto agli indici di riferimento che risultano molto più concentrati. I progressi tecnologici e la ricchezza di dati consentono ai gestori sistematici e innovativi di migliorare sempre più la qualità dei loro modelli di selezione dei titoli. Dopo due intensi anni di ricerca, a partire da maggio, abbiamo integrato in alcuni dei nostri fondi una sottostrategia "deep learning". L’implementazione della tecnologia deep learning migliora le capacità di ricerca trovando nuovi modi per analizzare una quantità sempre maggiore di dati tradizionali e alternativi. Questa nuova strategia ha un impatto positivo non solo migliorando la qualità della selezione aziendale, ma anche cogliendo altre opportunità fondamentali che aumentano la diversificazione e la liquidità. Anche in questo caso, l'evoluzione tecnologica viene portata avanti con la stessa filosofia a lungo termine.

In che modo questo approccio può aiutare gli investitori nei periodi di alta volatilità?
La gestione quantitativa, come la gestione discrezionale, mira a fornire agli investitori il miglior rendimento corretto per il rischio. Il principale vantaggio di un approccio sistematico è la sua robustezza e ripetibilità. Offriamo prodotti ad alto valore aggiunto che offrono prestazioni in un ciclo economico che offre l'asimmetria dei rendimenti che ogni investitore ricerca. Crediamo che un approccio disciplinato all'investimento consenta di sfruttare continuamente le inefficienze del mercato azionario, che catturiamo utilizzando modelli di fattori non lineari altamente complementari ad un approccio discrezionale tradizionale. In periodi di volatilità è fondamentale avere un elevato livello di diversificazione in termini di fonti di rendimento e di inefficienze che cerchiamo di cogliere, mantenere un buon controllo della liquidità e concentrarsi sul mantenimento di un approccio disciplinato e selettivo per garantire che i nostri portafogli includano società di alta qualità in termini di valutazione e fondamentali.

Qual è il fattore umano in questo approccio?
Il nostro approccio d'investimento viene continuamente migliorato integrando le ultime ricerche sviluppate internamente dal nostro team, che a volte lavora a stretto contatto con le università su progetti specifici. La ricerca gioca un ruolo chiave in RAM AI, poiché i nostri ricercatori esplorano costantemente nuovi modi per estrarre informazioni dai dati esistenti per fornire nuove fonti di alfa, aumentare la diversificazione e migliorare la liquidità. I progressi tecnologici ci permettono di sfruttare il volume esponenziale di informazioni attraverso un approccio innovativo al Machine Learning.

Come cambia il ruolo dei gestori di fondi con l'uso dell'IA nella loro attività?
I progressi tecnologici e la crescente disponibilità di dati consentono ai gestori sistematici e innovativi di migliorare sempre più la qualità dei loro modelli di selezione dei titoli. Possono così migliorare le loro capacità predittive, analizzando quantitativamente tutte le società quotate e cercando costantemente le migliori opportunità tra migliaia di azioni. Scegliamo di innovare costantemente integrando gli ultimi sviluppi tecnologici per offrire ai nostri clienti prodotti ad alto valore aggiunto. Il grande vantaggio storico della tradizionale gestione discrezionale fondamentale è quello di beneficiare di una migliore informazione da un'analisi qualitativa delle aziende come visite in loco, incontri con il management; questa analisi è purtroppo limitata ad un numero limitato di società quotate, un management qualitativo può analizzare solo poche centinaia di opportunità tra le migliaia disponibili. Con una ricchezza di informazioni finemente analizzate grazie ai più recenti sviluppi tecnologici, i gestori sistematici saranno presto in grado di analizzare migliaia di opportunità con una capacità predittiva prossima o addirittura superiore a quella dei tradizionali gestori discrezionali fondamentali, influenzando il valore aggiunto di questi ultimi. In conclusione, l'innovazione permetterà ai manager sistematici di aumentare la qualità delle loro previsioni e compensare così la mancanza di analisi qualitativa che è ancora il punto di forza della tradizionale gestione discrezionale fondamentale. In questo senso, potremmo considerare una convergenza, una fagocitosi o almeno un uso più frequente di strumenti sistematici all'interno dei team di gestione tradizionali.