A cura di Natalia Sigrist, Partner Private Equity e Marco Perfetto, Quantitative Analyst Private Equity di Unigestion
Il private equity è stato a lungo immune dai radicali cambiamenti guidati dalla tecnologia che altre asset class hanno sperimentato nell’ultimo decennio, a causa della sua limitata trasparenza, della mancanza di dati coerenti e di orizzonti di investimento più lunghi. Infatti, l’approccio classico di selezione degli investimenti in Pe, che dipende fortemente dal fattore umano, è rimasto pressoché invariato dagli anni ’80.
Finora, questo approccio ha permesso agli investitori di ottenere rendimenti sistematicamente superiori a quelli di altre asset class, nonostante la durata e i costi associati. Tuttavia, man mano che l’industria del private equity raggiunge la maturità e affronta uno scrutinio crescente da parte degli investitori in termini di commissioni e rendimenti, sta diventando sempre più importante per questi ultimi prendere decisioni convinte e accurate in modo rapido ed efficiente. Per questo motivo riteniamo che sia essenziale integrare le nuove tecnologie nel processo decisionale d’investimento, così da essere all’avanguardia anticipando i cambiamenti radicali.
L’intelligenza artificiale sta ridisegnando il mondo finanziario, cambiando il modo in cui vengono analizzati e selezionati gli investimenti. Sono state condotte ampie ricerche nei settori finanziari più tradizionali, come il public equity, per valutare se il machine learning possa aumentare il potere predittivo dei modelli esistenti. Il lavoro di Gu et al. [2019] sulla previsione dei premi al rischio del public equity va in questa direzione e ha aperto la strada a ulteriori ricerche da condurre per altre asset class più illiquide, come il private equity.
Integrare la valutazione umana con l’analisi delle macchine
In Unigestion integriamo l’esperienza di due diligence che abbiamo acquisito negli ultimi decenni per determinare quali caratteristiche dei fondi siano i principali driver per ottenere rendimenti superiori corretti per il rischio, tramite un’analisi machine-driven di un’ampia gamma di caratteristiche. Basandoci sull’esperienza accumulata, abbiamo sviluppato uno strumento che assegna un punteggio, basandosi sul machine learning, per prevedere quali fondi avranno successo, sulla base delle informazioni disponibili, per i potenziali investitori durante la fase di raccolta capitali. Combinando i dati di performance dei fondi di Pe di Preqin con altre fonti, selezioniamo i criteri più rilevanti, tra cui la strategia d’investimento, la composizione del team, le condizioni di mercato, l’esecuzione della strategia e i risultati ottenuti.
Il modello è stato creato per seguire l’approccio di classificazione binaria, che determina la probabilità che la performance di un fondo superi un tasso minimo di rendimento finanziario (c.d. hurdle rate) predefinito. Pertanto, l’output di ciascun algoritmo sarà un punteggio compreso tra 0 e 1 che rappresenta tale probabilità. In questo modo, l’output del modello può essere facilmente trasformato in un’indicazione d’investimento.
Abbiamo calibrato il modello attraverso un’ampia selezione di algoritmi di machine learning per ottenere le migliori prestazioni fuori dal campione. Come metrica per valutare la performance, utilizziamo l’area sotto la curva Roc (Auc), che rappresenta la probabilità che a un fondo di successo scelto casualmente (Irr sopra l’hurdle rate) venga attribuito un punteggio più alto rispetto ad un fondo scelto casualmente ma non di successo. In questi termini, un Auc di 0,5 equivale al lancio di una moneta. Quindi, più l’Auc è vicino a 1, migliore è il “potere discriminatorio” del modello.
Per ogni algoritmo, calibriamo il modello due volte: la prima utilizzando come target i fondi che alla fine hanno ottenuto risultati migliori dell’hurdle rate e la seconda con quelli che hanno ottenuto risultati inferiori. Il punteggio finale viene calcolato come media dei due modelli. Questo rende il sistema più solido e ci permette di dare pesi diversi alle caratteristiche analizzate nella previsione dei fondi di successo e non.
La Figura 1 mostra le prestazioni in termini di Auc dei vari algoritmi di machine learning esaminati e li confronta con il più semplice classificatore lineare Ols. Tutti gli algoritmi mostrano una potenza di previsione significativamente superiore al lancio di una moneta (Auc superiore a 0,5), ma sorprendentemente, allo stato attuale, le non-linearità catturate da questi modelli di machine learning non riescono a spiegare la maggior parte delle performance del fondo di Pe. Ciò potrebbe essere dovuto all’insufficiente granularità dei set di dati, che potrebbero essere parzialmente mitigati in future implementazioni, incorporando i nostri dati proprietari, che coprono più di 20 anni di performance del fondo.
La Figura 2 mostra la curva Roc per il Random Forest Classifier, l’algoritmo più performante, e la confronta con la linea retta, che corrisponde al lancio di una moneta.
La performance dei modelli di classificazione finora considerati può essere valutata anche attraverso la matrice di confusione (confusion matrix), una tabella che mostra la proporzione di casi classificati correttamente e non, sia per i fondi di successo che per quelli non di successo. La Figura 3 mostra la matrice di confusione per la performance al di fuori del campione del Random Forest Classifier, l’algoritmo che ha ottenuto i migliori risultati in termini di Auc.
I punteggi prodotti dagli algoritmi finora considerati possono essere trasformati in decisioni d’investimento attraverso un’analisi economica di costi/benefici, basata sulla combinazione della matrice di confusione e della matrice costi/benefici. Quest’ultima presenta quattro voci che associano un costo o un beneficio a ciascuno dei quattro possibili risultati del problema predittivo. Interpretando le voci della matrice di confusione come probabilità, possiamo calcolare il valore atteso di guadagni/perdite totali, data una certa soglia del punteggio oltre la quale il fondo è considerato vincente. In questo modo si ottiene un quadro di valori attesi che può essere calibrato in base alle esigenze di business (che sarà oggetto di ulteriori ricerche).
Accrescere i rendimenti attraverso l’intelligenza collaborativa
L’integrazione di uno screening iniziale – effettuato dai computer – delle potenziali opportunità di investimento aumenta la potenza di elaborazione del team d’investimento e dovrebbe consentire a questo di considerare più opportunità nel dealflow. L’analisi di un pool più ampio di possibilità d’investimento aumenta la probabilità di identificare e investire in “gemme nascoste”, il che può avere un impatto positivo sui rendimenti complessivi del portafoglio.
Anche solo concentrandosi sulla de-selezione di fondi con una bassa probabilità di raggiungere l’hurdle score è possibile migliorare i rendimenti complessivi del portafoglio incrementandone la performance media. Dovrebbe inoltre aumentare l’efficienza del team di investimento, consentendo a questo di concentrarsi su attività che creano valore, riducendo al tempo stesso i c.d. abort costs (ossia i costi irrecuperabili quando un potenziale investimento viene abbandonato in una fase avanzata di due diligence).
In particolare, il punteggio quantitativo ha rilevanza per i fondi raccolti successivamente da manager affermati. Mentre i primi due fondi raccolti da manager emergenti richiederanno ancora una forte dose di sapiente valutazione umana. Oltre a non avere un track record, questi ultimi devono essere scelti in base a prove più intangibili, quali competenze specifiche, chimica del team e incentivi ben bilanciati.
Oltre ad uno strumento di valutazione basato sul machine learning, un’analisi costi-benefici potrebbe essere molto utile nel processo decisionale d’investimento. Se l’attuale valutazione del rischio durante il processo di valutazione dell’investimento viene integrata dall’attribuzione del valore reale, l’intero processo può beneficiare di significativi guadagni di efficienza. Il team d’investimento può ripartire meglio il tempo tra i vari progetti e flussi di lavoro e i comitati d’investimento avranno basi più tangibili per un processo decisionale più coerente e trasparente.
What next: una strategia d’investimento sistematica per il private equity?
Lo screening e la valutazione iniziale delle opportunità sono solo l’inizio. La potenza delle tecnologie legate all’intelligenza artificiale può essere applicata all’intero ciclo d’investimento, dalla creazione del deal a quella del valore. Questo sconvolgerà un’industria conservatrice come quella del private equity: anzi, abbiamo già visto i primi tentativi sul mercato.
Poiché le risorse e gli strumenti di data science stanno diventando sempre più accessibili e potenti, è probabile che nel settore emergano nuovi modelli e strategie di business. Crediamo che le strategie sistematiche basate sui fattori diventeranno parte integrante dell’investimento in Pe.
La scelta dei giusti fattori e l’accesso a volumi sufficienti di dati storici sono cruciali per l’identificazione e la verifica di modelli basati sui dati. Unigestion è ben posizionata per far progredire la sua ricerca quantitativa e continuare il suo viaggio verso un mondo del private equity digitalizzato, facendo leva sugli oltre 20 anni di esperienza nel campo e sui dati accumulati in questo periodo.