A Deep Learning Framework for Medium-Term Covariance Forecasting in Multi-Asset Portfolios

Sintesi Tecnica: Un Framework di Deep Learning per la Previsione della Covarianza a Medio Termine nei Portafogli Multi-Attivo

Enunciato del Problema
La previsione accurata della matrice di covarianza è fondamentale per l'allocazione dei portafogli, la gestione del rischio e la determinazione del prezzo delle attività. Sebbene la letteratura esistente offra soluzioni robuste per gli orizzonti a breve termine (spesso utilizzando dati ad alta frequenza e modelli basati su GARCH) e per gli orizzonti a lungo termine (basati su modelli fattoriali o shrinkage ingenuo), permane un significativo divario nella previsione a medio termine (finestre da più settimane a più mesi). Questo divario è particolarmente critico per gli investitori istituzionali che ribilanciano i portafogli su tali periodi. Inoltre, i modelli econometrici classici spesso faticano con la "maledizione della dimensionalità" in grandi sezioni trasversali e possono fallire nel catturare cambiamenti strutturali lenti o shift di regime (ad esempio, shift nella correlazione tra azioni e obbligazioni) che definiscono le dinamiche a medio termine. Inoltre, vi sono limitate evidenze empiriche riguardo a se la scelta tra rendimenti grezzi e rendimenti in eccesso impatti sistematicamente le previsioni di covarianza su questi orizzonti.

Metodologia
Gli autori propongono un nuovo framework di Deep Learning (DL), denominato CAB, progettato per catturare complesse dipendenze spaziotemporali nei portafogli multi-attivo. L'architettura integra tre componenti distinte:

1. Reti Neurali Convoluzionali 3D (CNN): Il modello tratta le matrici di covarianza rolling come griglie $(N \times N)$ impilate nel tempo. Uno strato CNN 3D applica filtri attraverso le dimensioni temporali e spaziali per identificare pattern di interazione locale tra sottoinsiemi di attività, andando oltre le assunzioni lineari.
2. Memoria a Breve Termine Bidirezionale (BiLSTM): A seguito della CNN, le sequenze appiattite vengono elaborate da una BiLSTM. A differenza delle LSTM standard che elaborano solo sequenze in avanti, la BiLSTM cattura il contesto sia dai punti dati passati che da quelli futuri all'interno della finestra di osservazione, potenziando la capacità del modello di comprendere le dipendenze temporali.
3. Auto-attenzione Multi-Testa: Per affinare le dipendenze temporali, viene applicato un meccanismo di attenzione multi-testa agli output della BiLSTM. Ciò permette al modello di pesare dinamicamente l'importanza di diversi passi temporali, concentrandosi sui pattern più rilevanti per la previsione.

Elaborazione dei Dati e Vincoli:

• Input: Il modello utilizza sequenze di matrici di covarianza rolling scalate, derivate da rendimenti giornalieri (vengono testati sia rendimenti grezzi che rendimenti in eccesso).
• Vincoli di Output: Per garantire che la matrice prevista sia una matrice di covarianza valida, l'output subisce una specifica post-elaborazione:
  • Simmetrizzazione: La matrice di output viene mediata con la sua trasposta.
  • Definita Positiva (PSD): Viene eseguita una decomposizione agli autovalori e qualsiasi autovalore negativo viene impostato a zero prima della ricostruzione.
  • Shrinkage: Un passo finale di shrinkage lineare fonde l'output DL con la matrice di covarianza storica più recente per incorporare informazioni preziose dalle condizioni di mercato recenti.

Setup Sperimentale

• Dati: Dati giornalieri da 14 principali ETF (che coprono azioni, immobiliare e reddito fisso) dal gennaio 2017 al dicembre 2023. Un controllo di robustezza più ampio ha utilizzato 260 ETF.
• Benchmark: Il modello CAB è confrontato con 10 benchmark categorizzati come:
  • Ingenui: Covarianza realizzata con ritardo (NA), Campione completo (NAF), Media Mobile Ponderata Esponenzialmente (EWMA).
  • De-noising: Analisi delle Componenti Principali (PCA), Teoria delle Matrici Casuali (RMT), Shrinkage Ledoit-Wolf (LW, LW F).
  • Basati su GARCH: Correlazione Condizionale Costante (CCC), Correlazione Condizionale Dinamica (DCC), Shrinkage Non Lineare DCC (DCCNL).
• Metriche di Valutazione: Distanza Euclidea ($L_E$) e distanza di Frobenius ($L_F$) tra le matrici di covarianza previste e quelle realizzate.
• Regimi di Mercato: Il periodo di test (2021–2023) è suddiviso in tre regimi: Bull-1 (rendimenti bassi, azioni stabili), Bear (tassi in aumento, crollo del mercato) e Bull-2 (tassi alti, ripresa delle azioni).

Risultati Chiave

• Accuratezza della Previsione: Il modello CAB ha costantemente superato tutti i benchmark classici durante l'intero periodo di test. Ha ridotto le metriche di distanza Euclidea e di Frobenius fino al 20% rispetto ai modelli classici migliori (ad esempio, DCC ed EWMA).
• Robustezza tra i Regimi: CAB ha dimostrato prestazioni superiori in tutti e tre i regimi di mercato (Bull-1, Bear, Bull-2). Sebbene tutti i modelli abbiano subito una diminuzione dell'accuratezza durante il turbolento periodo Bear, CAB ha mantenuto i tassi di errore più bassi, in particolare nel periodo Bull-2 caratterizzato da shift dinamici tra le attività.
• Scalabilità: Nel contesto ad alta dimensionalità (260 ETF), CAB ha continuato a superare i benchmark, confermando la sua capacità di gestire efficacemente la maledizione della dimensionalità.
• Specificazione dei Rendimenti: Il vantaggio di prestazioni del modello è rimasto valido indipendentemente dal fatto che fossero utilizzati rendimenti grezzi o rendimenti in eccesso come input. Ciò suggerisce che l'efficacia del framework non dipende dalla sottrazione del tasso privo di rischio.
• Orizzonti di Previsione: Il modello ha eccellato negli orizzonti a medio termine (ad esempio, $F=20, 40, 90$ giorni). Sebbene i modelli GARCH abbiano performato in modo competitivo a orizzonti molto brevi, hanno sottoperformato all'aumentare dell'orizzonte. CAB è rimasto il miglior performer per gli orizzonti medio-lunghi.

Valore Economico nella Gestione dei Portafogli
Gli autori hanno valutato l'utilità economica delle previsioni utilizzando una strategia di portafoglio a Varianza Minima Globale (GMV) senza vincoli di vendita allo scoperto.

• Riduzione del Rischio: I portafogli costruiti utilizzando le previsioni CAB hanno raggiunto una volatilità fuori campione inferiore rispetto a quelli che utilizzavano altri modelli e il benchmark a peso uguale ($1/N$).
• Turnover: Crucialmente, CAB ha ottenuto questa riduzione del rischio con un turnover moderato. A differenza di alcuni modelli dinamici che richiedevano un ribilanciamento frequente (alto turnover) per ottenere riduzioni marginali della varianza, CAB ha offerto un equilibrio stabile tra reattività ai cambiamenti di mercato ed efficienza dei costi di transazione.
• Adattamento al Regime: Nel regime Bear, CAB si è classificato vicino alla cima negli orizzonti giornalieri e settimanali, bilanciando un turnover inferiore con la volatilità.

Significato e Affermazioni
Il documento afferma che architetture avanzate di deep learning, in particolare quelle che combinano convoluzioni 3D, LSTM bidirezionali e meccanismi di attenzione, offrono una soluzione pratica alla sfida poco esplorata della previsione della covarianza a medio termine. Lo studio evidenzia che:

1. Approcci Ibridi: L'integrazione di tecniche DL basate sui dati con concetti econometrici tradizionali (come lo shrinkage) produce guadagni sostanziali nell'accuratezza predittiva, specialmente durante lo stress di mercato.
2. Applicabilità Pratica: Il framework fornisce benefici economici tangibili per gli investitori istituzionali riducendo la volatilità del portafoglio senza incorrere in costi di trading eccessivi.
3. Robustezza: Le prestazioni del modello sono robuste rispetto a diverse specifiche dei rendimenti (grezzi vs. in eccesso) e si scalano efficacemente a grandi universi di attività.

Gli autori concludono che, sebbene il loro lavoro colmi il divario tra l'innovazione del machine learning e i principi finanziari, la ricerca futura dovrebbe esplorare l'adattamento a distribuzioni a code pesanti per una migliore cattura del rischio di coda e l'incorporazione esplicita dei costi di transazione nel processo di ottimizzazione.