Il benchmarking può aiutare a demistificare le competenze e i talenti dei gestori patrimoniali, ma solleva preoccupazioni sui disincentivi all’acquisizione di nuove informazioni. Ricerche precedenti hanno sostenuto che man mano che un titolo diventa più benchmark, i professionisti degli investimenti potrebbero diventare meno interessati a quel titolo, perché la domanda diventa più una questione di copertura del rischio e c’è meno offerta di asset a disposizione degli investitori per speculare sui fondamentali della società. Secondo questo punto di vista, il benchmarking incoraggia la sostituzione degli investimenti passivi con quelli attivi.

Bo Hu, assistente professore di finanza presso il Donald G. Costello College of Business della George Mason University, sostiene che questa visione del benchmarking non tiene conto in modo accurato del modo in cui i gestori patrimoniali apprendono i mercati.

"La teoria esistente presuppone che i gestori patrimoniali acquisiscano informazioni esclusivamente o specificamente su un asset alla volta, anziché su un portafoglio", afferma Hu. "Questa non è la realtà. L'obiettivo dei gestori patrimoniali è ottimizzare il rendimento del loro portafoglio."

È coautore del documento di lavoro pubblicato su SSRN Electronic Journal illustra questo principio modellando e confrontando due tipi distinti di tecnologie di apprendimento. L'apprendimento separativo riguarda ogni risorsa isolatamente.

Come spiega Hu, "Con l'apprendimento separativo, l'informazione complessiva rivelata dai prezzi è additiva. Uno più uno fa due." L'apprendimento integrativo consente agli investitori di elaborare segnali a livello di portafoglio, ottenendo un "effetto informativo tra asset" in cui il mercato supera a livello informativo la somma delle sue parti.

I ricercatori quantificano l’efficienza informativa dei mercati attraverso un nuovo uso della teoria dell’informazione. Hu spiega:"Utilizziamo una misura di informazione reciproca che può dirti quanta incertezza su tutti i profitti delle azioni può essere ridotta se si osservano tutti i prezzi delle azioni. Questo è diverso dalla misura standard dell'informatività dei prezzi, che si basa su un modello di regressione o può catturare solo le relazioni lineari. Per quanto ne so, siamo i primi a utilizzare questa misura per quantificare l'efficienza dei prezzi a diversi livelli."

Come previsto, la relazione inversa tra il livello di benchmarking di un asset e la sua informativa sui prezzi è rimasta stabile nell’apprendimento separativo. Ma i risultati per l’apprendimento integrativo sono stati più sfumati. Man mano che aumentava l'incertezza sui rendimenti finali di un asset (come potrebbe accadere nei primi mesi del mandato di un amministratore delegato o qualsiasi altro importante cambiamento imminente all'interno dell'azienda), esso ha attirato maggiore attenzione da parte degli investitori, a causa dei suddetti effetti incrociati sugli asset.

In un’economia multi-asset, i ricercatori hanno dimostrato che il benchmarking potrebbe effettivamente migliorare l’efficienza complessiva del mercato. In altre parole, l’efficienza del mercato può essere maggiore della somma dell’informatività sui prezzi di tutti gli asset. Ciò avviene nell’ambito dell’apprendimento integrativo poiché gli investitori continuano a prestare maggiore attenzione alle azioni ad alto rischio. Tuttavia, quando il livello di benchmarking di un asset rischioso supera una certa soglia, l'efficienza del mercato potrebbe diminuire perché quell'asset attira troppo l'attenzione degli investitori nonostante la sua offerta ridotta.

I ricercatori hanno anche studiato l’impatto combinato degli effetti di cui sopra sui prezzi degli asset non sottoposti a benchmark. Hanno scoperto che nell’apprendimento separativo, un aumento del livello di benchmarking per un titolo ha sempre aumentato il prezzo dell’altro. Ma con l’apprendimento integrativo, il prezzo dell’asset non sottoposto a benchmark potrebbe diminuire, ancora una volta, a seconda che l’asset sottoposto a benchmark fosse più o meno volatile della sua controparte. L'asset meno rischioso potrebbe essere relativamente ignorato data la limitata attenzione degli investitori.

"Penso che si possano considerare molte cose come sistemi di elaborazione delle informazioni. Il mercato finanziario è un ecosistema gigantesco e intricato che produce costantemente dati e accumula informazioni disperse dagli investitori. La loro tecnologia di apprendimento è fondamentale per il modo in cui le loro informazioni vengono incorporate nei prezzi", afferma Hu. . Le dinamiche tra asset dell'apprendimento integrativo sembrano più vicine a ciò che desiderano gli investitori del mondo reale rispetto alla logica additiva dell'apprendimento separativo.

L'introduzione di nuove tecnologie come modelli linguistici di grandi dimensioni come ChatGPT può rendere l'apprendimento integrativo ancora più vantaggioso.

"Le macchine possono aiutarci a estrarre informazioni utili a un livello coerente con l'obiettivo della gestione del portafoglio", afferma Hu. "Penso che l'apprendimento integrativo diventi più fattibile oggigiorno e sembri la scelta migliore."