Portfolio competitive advantage

Attualmente sto lavorando a questo gioiellino “Portfolio Competitive Advantage” (PCA) è un progetto in fase di ultimazione.

Ecco alcune shermate...

Studio dei Cluster della matrice di correlazione.

L’analisi dei cluster applicata alla matrice di correlazione rappresenta una delle frontiere più sofisticate della moderna gestione di portafoglio, segnando il passaggio da un approccio puramente statistico a uno di tipo topologico e strutturale.

Quando parliamo di "studio dei cluster", non ci riferiamo semplicemente alla misurazione di quanto due titoli si muovano in sincronia, ma cerchiamo di mappare l’architettura profonda dei mercati per identificare raggruppamenti naturali di rischio che spesso sfuggono all’occhio inesperto.

Utilizzare tecniche di clustering (come quelle impiegate nel modello HRP - Hierarchical Risk Parity visibile nella tabella) significa riconoscere che il mercato non è una massa informe di titoli isolati, ma un ecosistema organizzato. Attraverso algoritmi di apprendimento statistico, gli asset vengono raggruppati in sotto-insiemi basati sulla loro distanza di correlazione; questo permette di costruire un portafoglio che non si limita a diversificare i nomi dei titoli, ma diversifica le fonti di rischio. Se due settori diversi mostrano una correlazione estremamente elevata, il clustering li identificherà come un unico "polo di rischio", impedendo all'investitore di sovraesporsi involontariamente a una dinamica comune. Ma ne riparleremo con approfondimenti...

Per rendere le cose più facili soprattutto per quelli che non vogliono andare a vedere cosa c’è sotto il cofano ho creato una specie di tachimetro come interfaccia visiva non è una mera semplificazione grafica, ma rappresenta un raffinato ponte cognitivo tra la complessità computazionale della finanza quantitativa e l’intuizione immediata necessaria alla gestione operativa. In un ambito dove la "matrice di correlazione" o il "rischio sistemico" possono apparire come componenti ermetiche di un motore sperimentale, il tachimetro funge da cruscotto intelligente, traducendo migliaia di calcoli in un’informazione univoca e azionabile.

Fiore all’occhiello è la pagina ottimizzazione di cui c’è un primo assaggio.
Per esempio la pagina che vedete è molto rassicurante perché comunica con estrema chiarezza che il portafoglio è migliorabile, ma l'intervento suggerito è talmente piccolo da risultare quasi neutro sotto il profilo economico. Non siamo davanti a una schermata "drammatica" che urla all'emergenza, ma a un raffinato esercizio di micro-ottimizzazione. Ed è un ottimo segno, perché significa che il sistema non sta cercando di forzare la mano all'utente suggerendo azioni inutili tanto per fare qualcosa.

Per capire bene cosa puoi farci, immagina di avere una lista di asset — azioni, ETF o criptovalute — e una serie storica dei loro prezzi. Il problema classico è: come distribuisco il capitale tra questi asset per ottenere il miglior equilibrio tra rendimento e rischio? Ecco Portfolio Competitive Advantage” (PCA) è progettato esattamente per fare questo.

L’idea di base: trasformare dati storici in decisioni di investimento

Quando inizi a lavorare con PCA, il primo passaggio è sempre lo stesso: prendi una matrice di prezzi storici degli asset e la trasformi in due elementi fondamentali.

Il primo sono i rendimenti attesi. In altre parole una stima di quanto ogni asset potrebbe rendere in futuro. PCA offre diversi modi per calcolarli. Puoi usare la media storica dei rendimenti, che è il metodo più semplice, oppure versioni più sofisticate come rendimenti esponenzialmente pesati che danno più importanza ai dati recenti. Questo è già un primo aspetto importante perché nella pratica la scelta di come stimare i rendimenti cambia molto il risultato finale. PCA implementa il CAPM (Capital Asset Pricing Model), che stima i rendimenti in base alla relazione dell'asset con il mercato.

Il secondo elemento è la matrice di covarianza, cioè una misura di come gli asset si muovono insieme. Non conta solo quanto un asset è volatile, ma anche quanto è correlato con gli altri. Due asset molto volatili ma poco correlati possono comunque creare un portafoglio stabile. PCA ti permette di stimare questa matrice in diversi modi, compresi metodi più robusti come lo shrinkage di Ledoit-Wolf o o l'OAS che serve a ridurre il rumore statistico. Queste tecniche "restringono" i valori estremi della matrice di covarianza, riducendo l'errore di stima e rendendo il portafoglio risultante molto più robusto di fronte a shock imprevisti.

Queste due informazioni – rendimenti attesi e covarianza – sono le fondamenta su cui costruire l’ottimizzazione.

Ottimizzazione secondo la teoria moderna del portafoglio

PCA implementa direttamente la Modern Portfolio Theory, cioè il framework sviluppato da Harry Markowitz negli anni ’50. L’idea è semplice ma potentissima: non bisogna guardare gli asset singolarmente ma il portafoglio nel suo insieme.

Con questa app puoi costruire diversi tipi di portafoglio.

Uno dei più classici è il portafoglio a massima Sharpe ratio. Qui l’algoritmo cerca la combinazione di pesi che massimizza il rapporto tra rendimento atteso e rischio. Questo produce quello che spesso viene chiamato “portafoglio tangente”, cioè il punto più efficiente sulla frontiera dei portafogli possibili. Nel parleremo a breve nell’altra parte del thread: “LA GIUSTA STRATEGIA PER OGNI MERCATO”

Un’altra possibilità è il portafoglio a minima volatilità. Qui l’obiettivo non è massimizzare il rendimento ma ridurre il rischio complessivo. È spesso usato quando si vuole costruire una strategia molto difensiva.
Puoi anche fissare un livello di rendimento target e chiedere all’algoritmo di trovare il portafoglio con il minimo rischio possibile dato quel rendimento o viceversa

Tutti questi risultati fanno parte della cosiddetta efficient frontier, cioè l’insieme dei portafogli ottimali che offrono il miglior rendimento possibile per ogni livello di rischio.
La cosa interessante è che PCA rende tutto questo accessibile e alla portata di chiunque voglia costruirsi un suo portafoglio da gestire in autonomia.

Vincoli realistici nella costruzione del portafoglio

Una delle cose più utili dell’app è la possibilità di aggiungere vincoli realistici.
Nel mondo reale raramente puoi distribuire i pesi come vuoi. Ad esempio potresti voler impedire che un asset pesi più del 20% del portafoglio, oppure vietare le posizioni short.

Ebbene PCA permette di specificare facilmente:

• vincoli sui pesi minimi e massimi,
• portafogli long-only,
• limiti su singoli asset o gruppi di asset

Puoi quindi costruire portafogli molto più vicini a quelli usati nella pratica.

Funzioni obiettivo personalizzate


Un aspetto molto interessante è che PCA non è limitata solo alla classica teoria di Markowitz. Puoi definire funzioni obiettivo personalizzate.
Ad esempio puoi aggiungere penalizzazioni per:

• portafogli troppo concentrati,
• eccessiva volatilità,
• o turnover elevato.

Questo permette di modellare strategie molto più sofisticate rispetto alla semplice ottimizzazione rischio-rendimento.

Black-Litterman: integrare opinioni di mercato

Una delle funzionalità più potenti è l’implementazione del modello Black–Litterman model, sviluppato da Fischer Black e Robert Litterman. Questo modello serve a risolvere uno dei problemi principali della teoria di Markowitz: i rendimenti attesi sono difficilissimi da stimare.

Il modello Black-Litterman parte da un equilibrio di mercato implicito (ad esempio i pesi di mercato degli asset) e poi permette di incorporare le opinioni personali su alcuni asset. Ad esempio potresti pensare che il settore tecnologico renderà più della media. Il modello combina queste opinioni con i dati di mercato producendo rendimenti attesi più stabili.

PCA implementa tutto questo in modo relativamente semplice.