💰 quantitative finance

Asset pre-selection for a cardinality constrained index tracking portfolio with optional enhancement

Questo articolo dimostra, attraverso un'analisi dell'S&P 500 in due fasi, che l'allentamento dei vincoli di cardinalità migliora la precisione del tracking e i rendimenti corretti per il rischio, mentre un vincolo più stringente di 10-20 asset è ottimale per il potenziamento del portafoglio.

Autori originali: N. Meade, C. A. Valle, J. E. Beasley

Pubblicato 2026-07-07

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: N. Meade, C. A. Valle, J. E. Beasley

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di voler copiare la performance di una massiccia e famosa orchestra (l'indice del mercato azionario, come l'S&P 500). L'orchestra ha 500 musicisti che suonano perfettamente insieme. Il tuo obiettivo è assumere un gruppo più piccolo di musicisti (un "portafoglio") per suonare la stessa canzone così bene che nessuno possa notare la differenza, ma vuoi pagare meno stipendi e gestire meno persone.

Questo articolo è uno studio su come scegliere il miglior piccolo gruppo di musicisti e su quanti musicisti ti servano effettivamente per svolgere il lavoro correttamente.

Ecco la ripartizione delle loro scoperte in parole semplici:

1. Il Grande Problema: Il dilemma dei "Troppi Musicisti"

Se provi ad assumere l'intera orchestra, è costoso e difficile da gestire. Se scegli solo 5 musicisti a caso, probabilmente non suoneranno affatto come l'orchestra. I ricercatori volevano trovare il numero "Goldilocks" (il giusto mezzo): la dimensione perfetta per un piccolo team che suoni quasi esattamente come la grande banda.

Hanno testato una strategia specifica: Scegli prima i musicisti, poi capisci quanto forte deve suonare ognuno di loro. Invece di cercare di risolvere l'intero puzzle tutto in una volta (che è un incubo matematico), hanno usato due semplici passaggi:

Selezione: Usa la statistica per scegliere i migliori 10, 20 o 50 musicisti tra i 500 disponibili.
Ponderazione: Una volta scelto il team, calcola esattamente quanto di quella canzone deve suonare ogni persona per eguagliare l'originale.

2. I Metodi di Selezione: Come Scegliere la Squadra

I ricercatori hanno provato otto modi diversi per scegliere la squadra, come diversi allenatori con diversi manuali tattici:

Selezione Forward (Avanti): Parti da zero musicisti. Aggiungi il singolo migliore. Poi aggiungi il prossimo migliore che si adatta al primo. Continua finché non hai la tua squadra.
Eliminazione Backward (Indietro): Parti con tutti i 500 musicisti. Licenzia il peggiore. Licenzia il successivo peggiore. Continua finché non hai la tua squadra.
Gli Strumenti Matematici: Hanno usato due diverse formule matematiche per decidere chi fosse il "migliore":
- OLS (Lo Standard): Presuppone che la musica si comporti in modo normale e prevedibile.
- LAD (Il Duro): Presuppone che la musica possa avere scossoni o picchi selvaggi e imprevedibili (code grasse/fat tails) e che gestisca meglio queste situazioni.

Il Vincitore: Lo studio ha scoperto che la Selezione Backward (partire da tutti e licenziare gli anelli deboli) utilizzando la Matematica Standard (OLS) è stata l'allenatore più affidabile. Ha scelto costantemente squadre che suonavano più come l'orchestra originale.

3. La Scoperta sul "Il Numero Conta"

La scoperta più interessante riguardava il numero di musicisti (cardinalità) necessari.

Per la Copia Pura (Seguire l'Indice):
I ricercatori hanno scoperto una regola semplice: più musicisti hai, meglio suoni.
- Se hai 5 musicisti, potresti sbagliare di circa il 4%.
- Se hai 50 musicisti, potresti sbagliare solo dell'1%.
- Hanno scoperto che l'errore diminuisce approssimativamente con la radice quadrata del numero di musicisti. È come aggiungere più pixel a una foto; più ne aggiungi, più l'immagine diventa nitida, ma il beneficio rallenta man mano che si raggiungono numeri molto alti.
- Analogia: Se stai cercando di copiare un dipinto, aggiungere più pennellate (asset) rende sempre l'aspetto più accurato.
Per Battere l'Indice (Rendimenti Migliorati):
Qui le cose si fanno complicate. A volte gli investitori non vogliono solo copiare l'orchestra, ma suonarla meglio (fare più soldi).
- Lo studio ha scoperto che per battere il mercato, i piccoli team funzionano meglio.
- Squadre di circa 10-20 musicisti erano il punto di equilibrio ideale per generare profitti extra.
- Analogia: Se provi a battere l'orchestra aggiungendo 100 musicisti, finirai solo per creare un caos rumoroso. Ma se scegli una piccola squadra d'élite di 15 giocatori super talentuosi, potrebbero trovare un ritmo unico che fa risplendere la canzone più dell'originale.

4. Il Test "Pratica vs Performance"

I ricercatori non si sono limitati a guardare quanto bene i team si fossero esercitati (dati in-sample); hanno osservato come si esibivano nel mondo reale (dati out-of-sample).

Scoperta Sorprendente: A volte, i piccoli team (bassa cardinalità) si sono effettivamente comportati meglio nel mondo reale rispetto a quanto fatto durante la pratica.
Perché? Le sessioni di pratica (i dati usati per scegliere il team) erano spesso molto caotiche e rumorose (come un concerto in una sala tempestosa). La performance reale era più calma. I piccoli team, che erano stati "accordati" per il caos, si sono ritrovati accidentalmente molto stabili quando il rumore si è placato.

5. Conclusione

Se vuoi copiare perfettamente il mercato: Hai bisogno di un team più grande (più asset). Più asset hai, più ti avvicini alla realtà e meno la tua performance dipenderà da quanto sarà selvaggio il mercato in quell'anno.
Se vuoi battere il mercato: Hai bisogno di un team più piccolo e compatto (circa 10-20 asset). Un piccolo team è abbastanza agile da trovare un vantaggio, mentre un grande team finisce solo per diluire il vantaggio.
Il Metodo Migliore: Usa la "Selezione Backward" (parti grande, taglia i legami deboli) con la matematica standard per scegliere i tuoi asset.

In breve: Per copiare, prendi un grande team. Per vincere, prendi un piccolo team d'élite.

Sintesi Tecnica: L'Impatto della Pre-selezione degli Asset per un Portafoglio di Index Tracking con Vincolo di Cardinalità con Miglioramento Opzionale

Definizione del Problema
Il documento affronta il problema del Portafoglio di Index Tracking con Vincolo di Cardinalità (CCITP), che consiste nella selezione di un sottoinsieme di $n$ asset da un universo più ampio di $M$ componenti dell'indice per replicare il rischio e il rendimento di un indice di mercato (nello specifico l'S&P 500). Mentre la replica completa è accurata, essa comporta elevati costi di gestione; viceversa, la selezione di un piccolo sottoinsieme riduce i costi ma aumenta l'errore di tracking. Il problema è computazionalmente difficile perché richiede la scelta simultanea del set di asset e dei loro pesi, un compito che storicamente si è affidato a euristiche per cardinalità elevate. Inoltre, il documento distingue tra puro index tracking (minimizzazione dell'errore di tracking) e index tracking migliorato (ricerca di rendimenti superiori all'indice pur minimizzando l'errore di tracking).

Metodologia
Gli autori propongono un approccio innovativo in due fasi che separa la selezione degli asset dalla stima dei pesi, contrapponendosi alla letteratura che spesso tratta la selezione e la stima come un problema di ottimizzazione congiunta.

Fase 1: Pre-selezione degli Asset: Gli autori impiegano procedure di regressione statistica per identificare l'insieme ottimale di $n$ asset prima dell'ottimizzazione dei pesi. Valutano otto distinti procedimenti di pre-selezione basati su due direzioni (Selezione Progressiva [Forward Selection] ed Eliminazione Retrograda [Backward Elimination]) e due obiettivi di regressione (Minimi Quadrati Ordinari [OLS] e Deviazione Assoluta Minima [LAD]), ciascuno testato con e senza una costante di regressione.
- Selezione Progressiva (Forward Selection): Aggiunge iterativamente l'asset che massimizza il potere esplicativo (coefficiente $R^2$ corretto per OLS, minimizzazione della Deviazione Assoluta Media per LAD) del rendimento dell'indice o della variazione residua.
- Eliminazione Retrograda (Backward Elimination): Parte dall'intero universo e rimuove iterativamente l'asset con il minor potere esplicativo (il valore t più basso per OLS, il coefficiente assoluto più piccolo per LAD).
- Miglioramento (Enhancement): Un target di miglioramento ( $\lambda$ ) può essere aggiunto al rendimento dell'indice per facilitare l'index tracking migliorato.
Fase 2: Ottimizzazione dei Pesi: Una volta fissato il set di asset, i pesi vengono ottimizzati per minimizzare una specifica funzione obiettivo su un periodo in-sample ( $T_1$ ). La funzione obiettivo minimizza il quadrato dell'Errore Quadratico Medio (RMSE) del tracking più un termine di penalità per la differenza tra i rendimenti medi del portafoglio e dell'indice. Viene utilizzato un metodo quasi-Newton (BCONF) per questa ottimizzazione non lineare.
Quadro di Valutazione: Lo studio utilizza un approccio a finestra temporale mobile su dati giornalieri dell'S&P 500 dal 3 gennaio 2005 al 29 dicembre 2023. Il processo prevede la selezione di un portafoglio su un periodo in-sample ( $T_1$ ) e la valutazione delle sue prestazioni out-of-sample su un periodo successivo ( $T_2$ ). Il volume transattivo è approssimato dalla somma dei cambiamenti assoluti nei pesi degli asset tra i periodi di ribilanciamento.

Risultati Chiave

Performance della Pre-selezione: Tra gli otto procedimenti, l'Eliminazione Retrograda utilizzando l'OLS senza costante (BE-OLS(n)) si è classificata costantemente al primo posto in termini di errore di tracking in-sample, errore di tracking out-of-sample e volume transattivo. I procedimenti di selezione progressiva hanno generalmente prodotto errori di tracking più elevati, così come i procedimenti basati su LAD, che hanno performato scarsamente, in particolare nell'eliminazione retrograda, probabilmente a causa della degenerazione nella programmazione lineare con ampi set di asset.
Cardinalità ed Errore di Tracking: Lo studio dimostra sperimentalmente che l'errore di tracking out-of-sample diminuisce secondo la radice quadrata inversa della cardinalità ( $1/\sqrt{cardinality}$ ). Nello specifico, la relazione è modellata come $TE \approx \theta n^{-\omega}$ , dove $\omega \approx 0.58$ per gli errori out-of-sample, supportando l'approssimazione che l'errore sia proporzionale a $1/\sqrt{n}$ .
Dipendenza dalla Volatilità: L'errore di tracking out-of-sample è fortemente correlato alla volatilità dell'indice. Tuttavia, all'aumentare della cardinalità, la dipendenza del portafoglio dalla volatilità dell'indice diminuisce, portando a una maggiore stabilità.
Tracking Migliorato: Per i portafogli che cercano rendimenti superiori, i risultati differiscono significativamente dal puro tracking. Sebbene cardinalità maggiori riducano l'errore di tracking, non massimizzano necessariamente i rendimenti in eccesso. Lo studio rileva che le cardinalità nell'intervallo tra 10 e 20 sono le più efficaci per generare rendimenti migliorati.
Analisi di Sensibilità: Periodi in-sample ( $T_1$ ) più lunghi riducono generalmente l'errore di tracking e il volume transattivo. Periodi di valutazione out-of-sample ( $T_2$ ) più brevi riducono l'errore di tracking ma aumentano il volume transattivo a causa del ribilanciamento più frequente. Per il tracking migliorato, un periodo in-sample di 3 anni e un periodo out-of-sample di 6 mesi hanno prodotto il miglior equilibrio.

Significatività e Rivendicazioni
Il documento rivendica un contributo distinto alla letteratura proponendo la separazione tra la fase di selezione degli asset e quella di stima dei pesi. Gli autori sostengono che questo approccio rimuova la difficoltà computazionale associata all'ottimizzazione congiunta di set di asset e pesi, consentendo l'analisi di cardinalità più ampie (fino a 100 asset) senza ricorrere a complesse euristiche.

Lo studio fornisce prove empiriche che:

La pre-selezione degli asset tramite regressione statistica è un'alternativa valida ed efficace all'ottimizzazione congiunta tramite euristiche.
La relazione tra errore di tracking e cardinalità segue una legge di potenza prevedibile ( $1/\sqrt{n}$ ), offrendo una regola pratica per la costruzione del portafoglio.
Esiste un compromesso tra accuratezza di tracking e miglioramento del rendimento; mentre portafogli più ampi minimizzano l'errore di tracking, portafogli più piccoli (cardinalità 10–20) sono più efficaci nel generare rendimenti in eccesso.

Gli autori rimangono modesti riguardo all'universalità delle loro scoperte, osservando che l'efficacia della pre-selezione dipende dalle specifiche proprietà statistiche dei rendimenti degli asset (es. code larghe) e che il portafoglio "ottimale" non è unico, poiché diversi procedimenti ad alte prestazioni selezionano componenti di asset significativamente differenti.

1. Il Grande Problema: Il dilemma dei "Troppi Musicisti"

2. I Metodi di Selezione: Come Scegliere la Squadra

3. La Scoperta sul "Il Numero Conta"

4. Il Test "Pratica vs Performance"

5. Conclusione

Articoli simili