Quasi-average predictions and regression to the trend: an application the M6 financial forecasting competition

Lo studio dimostra che, nel contesto della competizione M6 e dell'ipotesi dei mercati efficienti, l'uso di metodi predittivi a bassa dispersione come le medie quasi-attese e la regressione verso la tendenza offre vantaggi consistenti rispetto ai benchmark, risultando più efficace della previsione dei valori effettivi in condizioni di alta incertezza.

L'essenziale

🎯 La scommessa contro il mercato: Come "non indovinare" ha vinto la gara

Immagina di partecipare a una gara di previsione del tempo. Ma c'è un trucco: il meteo è così caotico e imprevedibile che, secondo la teoria più famosa (l'Ipotesi dei Mercati Efficienti), il prezzo di un'azione oggi contiene già tutto ciò che si sa. È come se il cielo avesse già scritto la sua previsione nel prezzo del biglietto dell'aereo.

In questo scenario, la maggior parte dei "profeti" (i gestori di fondi attivi) cerca di indovinare il tempo perfetto per guadagnare, ma alla fine fallisce. La statistica dice che meno del 10% riesce a battere il mercato per anni.

L'autore di questo articolo, Jose Vilar, ha partecipato alla gara M6, una sfida mondiale per prevedere l'andamento delle azioni, e ha scoperto un segreto controintuitivo: per vincere, non devi cercare di essere un genio che indovina il futuro, ma un saggio che si affida alla media.

Ecco come ha fatto, spiegato con delle metafore.

1. La strategia del "Non cercare l'ago nel pagliaio" (Previsioni)

Immagina di dover indovinare quale di 100 studenti prenderà il voto più alto in un esame difficile.

• L'approccio sbagliato: Cercare di indovinare esattamente chi sarà il primo, il secondo o l'ultimo. È come cercare di indovinare se pioverà esattamente alle 14:03. Se sbagli anche di poco, perdi punti.
• L'approccio di Jose: Invece di cercare l'indovino perfetto, ha guardato la media. Ha detto: "So che gli studenti di Matematica tendono ad avere voti alti e quelli di Arte voti più bassi, ma non so esattamente chi sarà il primo".
  • Ha diviso gli asset in due grandi gruppi: Azioni (più rischiose, come studenti molto vivaci) e ETF (più stabili, come studenti tranquilli).
  • Ha previsto che, in media, le azioni avranno più probabilità di finire agli estremi (voti altissimi o bassissimi) rispetto agli ETF.
  • Il risultato: Invece di cercare di essere precisi al millimetro (e sbagliare), ha puntato sulla probabilità statistica. È come dire: "Non so chi vincerà la corsa, ma so che i corridori veloci tendono a finire primi". Questo approccio "noioso" e medio gli ha permesso di battere la maggior parte dei concorrenti che cercavano di essere troppo intelligenti.

2. La strategia del "Non farsi prendere dall'euforia" (Investimenti)

Per la parte di investimento (costruire un portafoglio), Jose ha usato una regola d'oro basata su un fenomeno psicologico chiamato regressione alla media.

Immagina un atleta che corre un tempo record oggi. La probabilità che domani corra ancora meglio è bassissima; è più probabile che domani torni al suo livello normale.

• Il trucco: Jose ha guardato le azioni che avevano avuto un successo troppo grande negli ultimi 40 giorni (i "supereroi" del momento). Ha pensato: "Sono esagerati, ora si stancheranno e scenderanno". Quindi, le ha evitate.
• Cosa ha comprato: Ha scelto le azioni che avevano avuto un buon rendimento negli ultimi 120 giorni (lungo termine), ma che non erano impazzite di recente.
• Il tocco magico (L'assicurazione): Per rendere il tutto più sicuro, ha fatto una scommessa opposta sugli ETF (i "tranquilli"). Ha venduto in corto (ha scommesso che sarebbero scesi o sarebbero rimasti stabili) per compensare i rischi delle azioni.
  • Metafora: È come andare in bicicletta. Se giri troppo veloce (azioni), rischi di cadere. Se metti i pedali di sicurezza (vendita di ETF), la bici oscilla meno e arrivi più lontano senza cadere, anche se non vai velocissimo.

3. Il risultato: La noia paga

Il risultato è stato sorprendente.

• La maggior parte dei partecipanti alla gara (163 squadre) ha cercato di essere complessa e ha perso contro il mercato.
• Jose, usando un approccio semplice basato su medie, gruppi e un po' di buon senso, è arrivato 5º su 163.
• Ha battuto sia gli indici di riferimento (il "mercato medio") sia i gestori attivi.

💡 La lezione per la vita quotidiana

Il messaggio finale dell'articolo è potente: In un mondo caotico e incerto, cercare di prevedere l'imprevedibile è inutile.

Se il mercato è un oceano in tempesta:

1. Non cercare di prevedere ogni singola onda (è impossibile).
2. Invece, guarda la direzione generale della marea (la media).
3. Non farti prendere dall'euforia quando vedi un'onda gigante (regressione alla media).
4. Usa un timone di sicurezza (diversificazione) per non affondare.

In sintesi, l'autore ci dice che essere mediocri ma costanti è spesso meglio che essere geniali ma imprevedibili. La vera intelligenza finanziaria, in un mercato efficiente, è sapere quando non cercare di essere geniali.

Sommario tecnico

Ecco un riassunto tecnico dettagliato del documento in italiano, strutturato secondo le sezioni richieste.

Titolo: Previsioni quasi-medie e regressione verso la tendenza: un'applicazione alla competizione di previsione finanziaria M6

1. Il Problema

Il paper affronta la sfida fondamentale della previsione finanziaria alla luce dell'Ipotesi dei Mercati Efficienti (EMH). Secondo l'EMH, tutte le informazioni disponibili sono già riflesse nei prezzi delle attività, rendendo impossibile ottenere rendimenti superiori alla media in modo coerente basandosi su dati pubblici.

• Contesto empirico: La maggior parte dei fondi azionari gestiti attivamente sottoperforma i propri indici di riferimento (benchmark) su periodi lunghi. Studi recenti mostrano che meno del 7% dei fondi supera il benchmark su 10 anni e meno dell'1% mantiene una performance nel "top half" per cinque anni consecutivi, suggerendo un effetto di regressione verso la media (le performance estreme tendono a normalizzarsi).
• La sfida M6: La competizione M6 ha richiesto ai partecipanti di prevedere il rendimento relativo di 100 asset (50 azioni S&P500 e 50 ETF internazionali) su 12 periodi di quattro settimane. L'obiettivo era duplice:
  1. Prevedere il rango di rendimento (track delle prestazioni relative).
  2. Costruire un portafoglio con posizioni lunghe e corte per massimizzare il rendimento aggiustato per il rischio (track delle decisioni di investimento).

2. Metodologia

L'autore propone un approccio basato sulla previsione di valori attesi (medie) piuttosto che sulla previsione di valori esatti, sfruttando la proprietà statistica per cui la media minimizza l'errore quadratico medio in contesti ad alta variabilità.

A. Previsione delle Prestazioni (Ranking)

• Metrica: Ranked Probability Score (RPS), che misura l'accuratezza della distribuzione di probabilità prevista per i quintili di rendimento.
• Strategia: Invece di tentare di prevedere il movimento specifico di un singolo asset, il metodo combina due tipi di medie:
  1. Media per classe di asset: Differenziazione tra Azioni (alta volatilità) e ETF (bassa volatilità).
  2. Media temporale: Utilizzo di medie mobili su finestre temporali diverse (ultimi 5, 10 e 400 periodi) con pesi specifici (0.2, 0.2, 0.6).
• Logica: In sistemi non lineari ad alta variabilità, deviazioni significative dalla media sono spesso rumore. Prevedere la distribuzione media attesa riduce il rischio di overfitting sui dati passati.

B. Decisioni di Investimento (Portafoglio)

• Strategia "Regressione alla Tendenza" (RtT):
  • Selezione di azioni che hanno performato meglio della mediana su 120 giorni (lungo termine).
  • Esclusione di azioni che hanno performato meglio dell'85% su 40 giorni (breve termine). L'idea è che i "sovraperformatori" recenti siano soggetti a una correzione verso la media (regressione alla media).
• Strategia "Compensata" (Compensated):
  • Per migliorare il rapporto rischio/rendimento, il portafoglio è stato modificato includendo posizioni corte sugli ETF.
  • Allocazione: 2/3 del portafoglio in azioni selezionate (lunghe) e 1/3 in ETF (corti).
  • Obiettivo: Gli ETF, avendo volatilità inferiore, fungono da stabilizzatore. Le posizioni corte riducono la volatilità complessiva del portafoglio, migliorando il Sharpe Ratio (o Information Ratio in questo contesto) anche se i rendimenti assoluti si avvicinano a quelli del benchmark.

3. Risultati Chiave

• Performance di Previsione (RPS):
  • L'approccio basato sulle medie combinate ha ottenuto un RPS globale di 0.1573, posizionandosi 8° su 163 team (il migliore ha avuto 0.1565).
  • Questo risultato è significativamente migliore del benchmark "naïve" (distribuzione uniforme dei quintili, RPS = 0.16) e di approcci più complessi che tentano di prevedere valori specifici.
  • La strategia ha raggiunto il 1° posto nel primo trimestre della competizione.
• Performance di Investimento (Information Ratio - IR):
  • La strategia RtT ha superato il benchmark, ma la strategia Compensata ha ottenuto un IR globale di 1.301, contro lo 0.4535 del benchmark.
  • La strategia Compensata si è classificata 36ª globalmente per IR, ma la combinazione delle due strategie (previsione + investimento) ha raggiunto il 5° posto globale nel punteggio combinato.
• Analisi Statistica: I risultati confermano che in condizioni di alta incertezza, prevedere i valori attesi (quasi-medie) è più efficace che cercare di indovinare i valori reali. La variabilità delle previsioni deve essere altamente correlata al rango reale per essere utile; altrimenti, la media è l'opzione ottimale.

4. Contributi Principali

1. Validazione dell'approccio "Quasi-Medio": Dimostrazione empirica che, in mercati efficienti e ad alta variabilità, la strategia di prevedere la distribuzione media attesa (specialmente differenziando per classe di asset) supera approcci più sofisticati che tentano di catturare il rumore di mercato.
2. Gestione del Rischio tramite Shorting sugli ETF: L'idea di utilizzare posizioni corte su ETF per ridurre la volatilità del portafoglio senza sacrificare eccessivamente il rendimento, migliorando così l'Information Ratio.
3. Sfruttamento della Regressione alla Media: Applicazione pratica del concetto statistico di regressione alla media nelle decisioni di investimento, evitando di seguire le "mode" recenti (overreaction) e privilegiando la sostenibilità a lungo termine.
4. Semplicità ed Efficacia: Il metodo utilizza solo i dati storici degli asset della competizione (nessun dato esterno, indicatori macro o news), dimostrando che strategie semplici e robuste possono competere con modelli complessi in scenari di mercato efficienti.

5. Significato e Implicazioni

Il paper offre una prospettiva critica sulla difficoltà di battere il mercato, allineandosi con l'Ipotesi dei Mercati Efficienti.

• Per la teoria finanziaria: Suggerisce che la ricerca di "alpha" (rendimenti anomali) attraverso previsioni puntuali è spesso destinata a fallire a causa dell'overfitting. La vera opportunità risiede nella gestione della variabilità e nella previsione delle distribuzioni di probabilità.
• Per la pratica degli investimenti: Conferma che la maggior parte dei fondi attivi sottoperforma i benchmark passivi non solo per costi e commissioni, ma per la natura intrinseca della previsione in mercati efficienti.
• Limiti e Futuro: L'autore nota che i margini di miglioramento sono piccoli (i primi classificati hanno punteggi RPS molto simili), suggerendo che la complessità aggiuntiva (es. approcci Bayesiani avanzati o clustering più granulare) potrebbe non giustificare il costo computazionale. Tuttavia, l'approccio proposto rimane un modello solido per la gestione del rischio in condizioni di alta incertezza.

In sintesi, il lavoro dimostra che in un ambiente di mercato efficiente, la strategia vincente non è prevedere il futuro con precisione, ma gestire l'incertezza prevedendo ciò che è statisticamente più probabile (la media) e strutturando il portafoglio per resistere alla volatilità.