Empirical Asset Pricing via Ensemble Gaussian Process Regression

Each language version is independently generated for its own context, not a direct translation.

Immagina di dover prevedere il tempo per i prossimi 50 anni, non solo per domani. È un compito enorme perché il clima è caotico, pieno di "rumore" e cambia continuamente. Nel mondo della finanza, prevedere quali azioni saliranno o scenderanno è esattamente la stessa cosa: è come cercare di indovinare il tempo in una tempesta.

Questo articolo di Damir Filipović e Puneet Pasricha presenta un nuovo modo per fare queste previsioni, usando un'intelligenza artificiale chiamata Regressione con Processi Gaussiani (GPR), ma con un "trucco" intelligente per renderla veloce e potente.

Ecco la spiegazione semplice, passo dopo passo:

1. Il Problema: Il Rumore di Fondo

Prevedere i rendimenti delle azioni è difficile per tre motivi principali:

C'è troppo rumore: I mercati sono caotici. È come cercare di sentire una conversazione in un concerto rock.
I dati sono complessi: Ci sono centinaia di fattori (dati aziendali, economia globale) che influenzano i prezzi.
Le regole cambiano: Ciò che funzionava ieri potrebbe non funzionare oggi.

Molti studiosi usano metodi moderni (come le reti neurali) per trovare schemi in questo caos. Funzionano bene, ma hanno un difetto: ti dicono "Questa azione salirà del 5%", ma non ti dicono quanto sono sicuri di questa previsione. È come un meteorologo che ti dice "pioverà" senza dirti se è una pioggerellina o un uragano.

2. La Soluzione: L'Ensemble (La Squadra di Esperti)

Gli autori usano un metodo chiamato GPR, che è speciale perché non ti dà solo una previsione, ma ti dice anche quanto è incerta quella previsione. È come avere un meteorologo che dice: "Pioverà, ma c'è un 90% di probabilità che sia un acquazzone, quindi prendi l'ombrello".

Tuttavia, c'è un problema: il GPR è computazionalmente molto pesante. È come cercare di far calcolare a un singolo supercomputer l'intero meteo del mondo ogni giorno: ci vorrebbe troppo tempo e memoria.

Il trucco della "Squadra di Esperti" (Ensemble Learning):
Invece di usare un solo modello gigante, gli autori dividono i dati in piccoli pezzi (mese per mese) e creano una squadra di piccoli modelli, ognuno specializzato in un periodo specifico.

Immagina di avere 100 meteorologi diversi. Ognuno guarda solo i dati degli ultimi 10 anni.
Quando devi fare una previsione, chiedi a tutti loro cosa pensano.
Poi, dai più peso a quelli che hanno indovinato meglio l'ultimo mese (un sistema di "voto ponderato").
Risultato: È molto più veloce (puoi farlo in parallelo) e si adatta meglio ai cambiamenti del mercato.

3. Il Vero Superpotere: La Gestione dell'Incertezza

Qui sta la vera magia. La maggior parte degli investitori sceglie le azioni basandosi solo su chi ha la previsione più alta. Questi autori dicono: "Aspetta, guardiamo anche chi è più sicuro!".

Hanno creato due nuovi tipi di portafogli:

Portafoglio "Pesato sull'Incertezza" (UW): Invece di scegliere solo le azioni che potrebbero salire molto, scelgono quelle per cui il modello è più sicuro che saliranno. È come investire solo nelle scommesse dove il libromaker è sicuro al 100%, evitando le scommesse rischiose anche se la vincita potenziale è alta.
Portafoglio "Pesato su Previsione e Incertezza" (PUW): Questo è il migliore. Cerca un equilibrio: vuole azioni con alte previsioni di guadagno, ma che abbiano anche un'alta sicurezza (bassa incertezza).

L'analogia del guidatore:

Un investitore normale (metodo vecchio) guida guardando solo la strada davanti, sperando di non sbattere.
L'investitore con questo nuovo metodo guarda anche il cruscotto. Se il GPS dice "Gira a destra" ma il sensore di incertezza lampeggia in rosso (perché la strada è nebbiosa), il nuovo investitore rallenta o sceglie un'altra strada sicura, anche se la prima sembrava più veloce.

4. I Risultati: Chi ha vinto?

Hanno testato questo metodo su 30.000 azioni americane dagli anni '60 al 2016.

Precisione: Il loro metodo ha previsto meglio dei modelli tradizionali (lineari) e anche meglio di alcune reti neurali complesse.
Guadagno: I portafogli costruiti usando la "sicurezza" delle previsioni (i portafogli UW e PUW) hanno guadagnato molto di più rispetto ai metodi classici.
- Hanno ottenuto un rapporto rischio/guadagno (Sharpe Ratio) di 3.44, contro lo 0.91 dei metodi tradizionali.
- In parole povere: hanno guadagnato di più con meno rischi.

5. Cosa ha funzionato meglio?

Analizzando i dati, hanno scoperto che i fattori più importanti per prevedere i prezzi non sono sempre quelli che pensiamo (come i profitti aziendali), ma:

Le tendenze dei prezzi recenti: Se un'azione è salita o scesa di recente.
La liquidità: Quanto è facile comprare o vendere quell'azione. Le azioni "difficili da scambiare" (illiquide) tendono a dare rendimenti più alti, ma sono anche più rischiose.

In Sintesi

Questo articolo ci insegna che nel mondo degli investimenti, sapere quanto siamo incerti è importante quanto sapere cosa succederà.

Usando una "squadra di piccoli modelli" invece di un "gigante lento", e ascoltando i segnali di "allarme" quando il modello non è sicuro, gli investitori possono costruire portafogli più intelligenti, che guadagnano di più e dormono meglio la notte. È passato dal dire "Credo che pioverà" al dire "Credo che pioverà, ma ho l'ombrello pronto e so che la pioggia sarà leggera".

Each language version is independently generated for its own context, not a direct translation.

Ecco una sintesi tecnica dettagliata del paper "Empirical Asset Pricing via Ensemble Gaussian Process Regression" di Damir Filipović e Puneet Pasricha, redatta in italiano.

1. Il Problema

La previsione dei rendimenti azionari attesi condizionati è un problema centrale nella finanza empirica, ma presenta sfide uniche rispetto ad altri domini (come la visione artificiale):

Basso rapporto segnale-rumore: I mercati finanziari sono estremamente rumorosi ed efficienti.
Complessità dei dati: L'insieme completo delle informazioni (caratteristiche delle aziende e variabili macroeconomiche) è vasto e non completamente osservabile.
Non linearità e non stazionarietà: La relazione tra predittori e rendimenti è non lineare e cambia nel tempo a causa delle condizioni economiche dinamiche.
Incertezza epistemica: La maggior parte dei modelli di machine learning (ML) esistenti fornisce solo stime puntuali dei rendimenti, ignorando l'incertezza intrinseca della previsione, un fattore cruciale per la selezione del portafoglio.
Complessità computazionale: L'uso diretto della Regressione tramite Processi Gaussiani (GPR) su grandi dataset (milioni di osservazioni) è proibitivo a causa della complessità temporale $O(N^3)$ necessaria per l'inversione della matrice del kernel.

2. Metodologia

Gli autori propongono un approccio ibrido che combina l'apprendimento di ensemble con la GPR per superare le limitazioni computazionali e sfruttare la natura bayesiana del metodo.

A. Framework di Regressione tramite Processi Gaussiani (GPR)

Il modello assume che i rendimenti in eccesso $r_{i,t+1}$ seguano un modello additivo:
$r_{i,t+1} = f(x_{i,t}) + \epsilon_{i,t+1}$
dove $f$ è una funzione non parametrica modellata come un processo gaussiano e $\epsilon$ è il rumore aleatorio.
La GPR fornisce non solo la previsione media ( $\hat{m}$ ), ma anche la distribuzione predittiva completa, quantificando l'incertezza epistemica (incertezza del modello) attraverso la matrice di covarianza predittiva $\hat{k}$ .

B. Approccio Ensemble (Mixture of Experts)

Per risolvere il collo di bottiglia computazionale ( $O(N^3)$ ) su dataset di grandi dimensioni (circa 30.000 azioni mensili dal 1962 al 2016), gli autori introducono un metodo di ensemble:

Partizionamento: Il campione di addestramento viene diviso in sottoinsiemi mensili.
Addestramento parallelo: Viene addestrato un modello GPR individuale per ogni mese (o finestra temporale).
Miscelazione (Mixing): Le distribuzioni predittive dei singoli modelli vengono combinate per ottenere una distribuzione predittiva globale.
- Pesi di miscelazione: Vengono utilizzati due schemi:
  - Pesi Uguali: Assegnazione uniforme ai mesi più recenti.
  - Pesi MSE (Mean Squared Error): I pesi sono inversamente proporzionali all'errore quadratico medio del modello su un mese di calibrazione. Questo permette al modello di adattarsi alla non stazionarietà dei dati finanziari, dando più peso ai regimi di mercato simili a quello attuale.

C. Valutazione e Costruzione del Portafoglio

Vengono utilizzati tre metriche di performance:

$R^2$ Pool: Misura la performance aggregata su tutte le azioni e i mesi.
$R^2$ Avg: Media temporale delle performance mensili.
Coefficiente di Informazione (IC): Correlazione di Spearman tra rendimenti previsti e realizzati (misura la capacità di ordinare le azioni).

Sulla base delle previsioni e della matrice di covarianza dell'incertezza, vengono costruiti diversi portafogli:

Portafogli tradizionali: Equal-Weighted (EW) e Value-Weighted (VW).
Portafoglio Pesato per l'Incertezza (UW): Minimizza la varianza predittiva (incertezza epistemica) per ogni decile, agendo come un portafoglio a varianza minima globale.
Portafoglio Pesato per la Previsione (PW): Assegna pesi basati sulla forza della previsione all'interno dei decili.
Portafoglio Pesato per Previsione-Incertezza (PUW): Un portafoglio ottimo media-varianza per un investitore avverso all'incertezza, che massimizza il rendimento atteso penalizzando l'incertezza della previsione.

3. Risultati Chiave

Performance Statistica

Superiorità del Modello: Il modello Ensemble GPR con kernel esponenziale ( $\gamma$ -exp) supera significativamente i benchmark lineari (Regressione Lineare Standard, Ensemble Linear Regression) e modelli GPR con kernel affini.
Metriche:
- $R^2_{pool}$ out-of-sample: 0.78% (vs 0.37% per la regressione lineare standard).
- $R^2_{avg}$ : 0.39%.
- Coefficiente di Informazione (IC): 5.89%.
Robustezza: Le performance sono superiori sia per le grandi capitalizzazioni che per le small-cap, indicando che il modello cattura strutture sistemiche e non solo inefficienze di liquidità.

Performance Economica (Portafogli)

Portafogli Ordinati: I portafogli costruiti sui decili di previsione mostrano rendimenti crescenti dai decili inferiori (D1) a quelli superiori (D10).
Impatto dell'Incertezza:
- Il portafoglio UW (minimizzazione incertezza) ottiene un $R^2_{pool}$ di 13.39% su tutti i decili, contro l'8.04% di EW e il 3.85% di VW.
- Il portafoglio PUW (avverso all'incertezza, con parametro $\zeta=20$ ) genera un Sharpe Ratio annualizzato di 3.44 per la strategia long-short (D10 - D1), superando lo Sharpe Ratio di 2.44 del portafoglio EW e 0.91 del VW.
- Il PUW offre rendimenti elevati con una volatilità significativamente inferiore rispetto ai portafogli basati solo sulle previsioni (PW).

Analisi delle Caratteristiche (Feature Importance)

Le variabili più importanti sono legate alle tendenze dei prezzi recenti (reversal a breve termine, momentum a medio/lungo termine) e alle variabili di liquidità (bid-ask spread, illiquidità di Amihud).
Le azioni con rendimenti previsti più alti tendono a essere meno liquide.
Le azioni con alta incertezza di previsione sono quelle con frizioni all'arbitraggio e illiquidità estrema.

4. Contributi Principali

Metodologico: Introduzione di un metodo di ensemble learning scalabile per la GPR che riduce la complessità computazionale, rendendo possibile l'applicazione su grandi dataset finanziari e permettendo l'apprendimento online (aggiornamento incrementale senza riaddestramento completo).
Teorico/Pratico: Sfruttamento dell'aspetto bayesiano della GPR per quantificare l'incertezza epistemica. Dimostrazione che incorporare questa incertezza nella costruzione del portafoglio (tramite portafogli UW e PUW) porta a guadagni economici significativi rispetto ai metodi che forniscono solo stime puntuali.
Empirico: Dimostrazione che un modello GPR semplice, ma con kernel non lineare e approccio ensemble, supera i modelli basati su reti neurali profonde (come quelli di Gu et al., 2020) in termini di $R^2$ out-of-sample e Sharpe Ratio, pur essendo più interpretabile e computazionalmente efficiente in contesti di dati limitati o non stazionari.

5. Significato

Il paper conferma il potenziale del machine learning nell'asset pricing, ma sposta il focus dalla sola accuratezza predittiva alla gestione dell'incertezza.

Scalabilità: Risolve il problema della scalabilità della GPR, rendendola competitiva con le reti neurali per dati finanziari.
Decisioni di Investimento: Fornisce un framework rigoroso per investitori avversi al rischio, mostrando che la riduzione dell'incertezza di previsione è economicamente rilevante e porta a portafogli con migliori profili rischio-rendimento.
Adattabilità: L'approccio ensemble si adatta naturalmente alla non stazionarietà dei mercati finanziari, un vantaggio critico rispetto ai modelli statici o alle reti neurali che richiedono riaddestramenti costosi.

In sintesi, gli autori dimostrano che la combinazione di kernel methods non lineari, apprendimento ensemble e quantificazione bayesiana dell'incertezza rappresenta uno stato dell'arte superiore per la previsione dei rendimenti azionari e la selezione dei portafogli.