Functional Clustering of Discount Functions for Behavioral Investor Profiling

Sintesi Tecnica: Clustering Funzionale delle Funzioni di Sconto per la Profilazione Comportamentale degli Investitori

Enunciato del Problema
I modelli finanziari classici operano sul presupposto di investitori razionali che utilizzano tutte le informazioni disponibili, un quadro che spesso non riesce a catturare le anomalie nelle scelte intertemporali e nel processo decisionale in condizioni di incertezza. I modelli parametrici tradizionali faticano a rendere conto delle differenze individuali nelle preferenze, in particolare di come i diversi temperamenti della personalità influenzino la valutazione dei compromessi tra risultati presenti e futuri. Sebbene il modello di Pompian dei quattro Tipi di Investitore Comportamentale (BIT) – Accumulatori, Conservatori, Seguaci e Indipendenti – colleghi la teoria dei temperamenti di Keirsey al processo decisionale finanziario, si basa su classificazioni statiche che potrebbero non catturare appieno la natura sfumata e dinamica dello sconto temporale. Gli autori identificano una lacuna nella comprensione di come questi temperamenti si manifestino specificamente nelle decisioni intertemporali e se esista un'eterogeneità significativa all'interno di queste ampie categorie.

Metodologia
Lo studio impiega l'Analisi dei Dati Funzionali (FDA) combinata con tecniche di clustering funzionale per indagare i comportamenti di sconto temporale. La ricerca si fonda sul seguente quadro metodologico:

• Raccolta Dati: Un questionario online è stato somministrato a 200 volontari (170 risposte valide) nel febbraio 2023. Lo strumento includeva compiti di scelta intertemporale progettati per costruire funzioni di sconto individuali e un Keirsey Temperament Sorter II per classificare i partecipanti nei temperamenti Artigiano, Guardiano, Idealista e Razionale. I compiti intertemporali utilizzavano un timer di 20 secondi per indurre un senso di fretta, mirando a rivelare anomalie comportamentali.
• Costruzione delle Funzioni di Sconto: Le risposte individuali sono state interpolate per creare funzioni di sconto continue, $f(t)$, che rappresentano la percezione soggettiva del tempo e dell'incertezza. Lo studio ha utilizzato il metodo di smoothing monotono (Ramsay, 2005) per garantire che le funzioni ricostruite soddisfacessero i vincoli necessari di una funzione di sconto: $f(0)=1$, $f(t)>0$, e decrescita monotona stretta.
• Metriche Funzionali: L'analisi ha utilizzato distanze $L_2$ e semi-metriche basate sulle derivate di ordine $r$ delle curve per misurare la vicinanza tra i profili degli investitori. Ciò ha permesso di quantificare la variabilità intra-gruppo (eterogeneità all'interno di un temperamento) e la variabilità inter-gruppo (differenze tra i temperamenti).
• Approccio di Clustering:
  1. Clustering Condizionale: Il clustering $k$-means funzionale è stato applicato all'interno di ciascuno dei quattro gruppi di temperamento predefiniti per identificare potenziali sottogruppi (sotto-temperamenti). Il numero ottimale di sottocluster è stato determinato utilizzando un'estensione del metodo del gomito applicato alla Somma dei Quadrati entro il Cluster (WCSS).
  2. Clustering Incondizionato: È stata eseguita un'analisi separata di clustering $k$-means funzionale sull'intero dataset senza conoscenza preliminare delle etichette di temperamento, per scoprire profili di investitori latenti basati esclusivamente sui modelli di scelta intertemporale.

Risultati Chiave

• Eterogeneità all'interno dei Temperamenti: L'analisi descrittiva preliminare e i calcoli della varianza funzionale hanno rivelato un'eterogeneità interna significativa all'interno di ciascuno dei quattro temperamenti di Keirsey. Ad esempio, gli Artigiani e gli Idealisti hanno mostrato un'alta variabilità nei loro modelli di sconto, suggerendo che un singolo profilo "medio" per questi gruppi è insufficiente.
• Identificazione dei Sottogruppi: Il clustering funzionale condizionale ha identificato sottogruppi distinti all'interno dei BIT originali. Il metodo del gomito ha indicato che gli Artigiani e gli Idealisti richiedevano fino a quattro sottocluster, mentre i Guardiani e i Razionali ne richiedevano tre e quattro, rispettivamente, per catturare adeguatamente la variabilità interna.
• Nuovi Profili di Investitore: L'analisi di clustering $k$-means funzionale incondizionata, ignorando i temperamenti predefiniti, ha convergito su quattro profili distinti di investitori basati puramente sulla forma delle loro funzioni di sconto:
  1. Cluster Verde: Curve in forte declino, indicanti forte impulsività e una forte sottovalutazione dei risultati futuri.
  2. Cluster Ciano: Decrescita graduale, che rappresenta un approccio equilibrato con una leggera preferenza a breve termine ma apertura verso opzioni a lungo termine.
  3. Cluster Viola: Funzioni di sconto piatte, indicanti alta pazienza e una valutazione stabile delle ricompense future.
  4. Cluster Rosso: Un pattern dinamico in cui i tassi scendono bruscamente inizialmente ma si stabilizzano, suggerendo un passaggio dal focus a breve termine a quello a lungo termine a seconda dei rendimenti immediati.
• Analisi delle Derivate: L'analisi delle derivate prima e seconda ha evidenziato che il tasso di cambiamento (velocità) e l'accelerazione dei comportamenti di sconto variano significativamente tra i gruppi e nel tempo, confermando ulteriormente che i processi decisionali sono dinamici e non statici.

Significato e Affermazioni
Il documento afferma che l'integrazione di FDA e clustering funzionale offre un avanzamento metodologico rispetto agli approcci parametrici tradizionali nella finanza comportamentale. Il significato principale risiede nel dimostrare che i classici Tipi di Investitore Comportamentale (BIT) sono troppo rigidi per abbracciare la complessità del comportamento reale degli investitori.

• Raffinamento della Classificazione: Lo studio mette in discussione l'adeguatezza delle categorizzazioni statiche (ad esempio, i BIT di Pompian) rivelando che esistono sottopattern significativi all'interno di queste ampie categorie. I risultati suggeriscono che i profili degli investitori sono molto più diversificati di quanto si pensasse in precedenza.
• Comprensione Dinamica: Analizzando le derivate funzionali, gli autori sostengono che le preferenze temporali non sono statiche ma evolvono, influenzate da impulsi emotivi e contesti situazionali.
• Implicazione Pratica: La classificazione raffinata fornisce una base per i consulenti finanziari per andare oltre modelli rigidi. Invece, possono adattare le strategie ai specifici comportamenti di sconto temporale e alle preferenze di rischio dei singoli clienti, riconoscendo la diversità all'interno dei gruppi di temperamento tradizionali.

Gli autori concludono che, sebbene i loro risultati validino l'importanza dell'identificazione dei sottopattern, sono necessarie ricerche future per applicare questi metodi a campioni più ampi e diversificati per validare la generalizzabilità dei sottogruppi identificati.