Diversification and Stochastic Dominance: When All Eggs Are Better Put in One Basket

Il documento dimostra che, in presenza di perdite con media infinita, la diversificazione può paradossalmente aumentare il rischio di coda rispetto a una strategia concentrata su un singolo elemento, fornendo condizioni sufficienti per cui il portafoglio diversificato domina stocasticamente il benchmark "un solo paniere".

L'essenziale

Ecco una spiegazione semplice e creativa di questo articolo, pensata per chiunque, anche senza un background matematico.

Il Paradosso del "Non mettere tutte le uova nello stesso paniere"

Tutti conosciamo il vecchio proverbio: "Non mettere tutte le uova nello stesso paniere". In finanza e nella gestione del rischio, questo significa che se vuoi proteggerti, devi dividere i tuoi soldi (o i tuoi rischi) in tanti piccoli cestini diversi. Se uno si rompe, gli altri ti salvano. È la regola d'oro della diversificazione.

Ma questo articolo, scritto da Léonard Vincent, ci racconta una storia sorprendente: in certi casi molto specifici, mettere tutte le uova in un solo paniere è in realtà più sicuro che dividerle.

Sembra un paradosso? È esattamente quello che succede quando si tratta di "mostri" statistici chiamati rischi a coda pesante (o heavy-tailed risks).

1. I Mostri della Coda Pesante

Immagina di giocare a un gioco d'azzardo.

• Il caso normale: Se giochi alla lotteria, la maggior parte delle volte vinci poco o nulla, e raramente vinci un milione. La diversificazione funziona bene qui.
• Il caso "Mostro": Immagina un gioco dove, ogni tanto, succede qualcosa di così assurdo e catastrofico che il tuo guadagno (o la tua perdita) diventa infinito. Parliamo di eventi come un'apocalisse nucleare, un virus globale letale o un crollo finanziario totale. Questi eventi sono così rari che la loro "media" matematica non esiste (è infinita).

Quando hai a che fare con questi mostri, la matematica classica smette di funzionare.

2. La Metafora del "Paniere" vs. Il "Mix Casuale"

L'autore confronta due strategie per gestire questi mostri:

1. Il Paniere Diversificato (La strategia classica): Prendi 100 mostri diversi. Ne prendi un pezzetto da ognuno e li mescoli tutti insieme in un unico grande calderone.
2. Il "Paniere Singolo" (La strategia "One-Basket"): Prendi lo stesso numero di mostri, ma invece di mescolarli, lanci una moneta. Se esce testa, ti prendi tutto il primo mostro. Se esce croce, ti prendi tutto il secondo. Non mescoli mai nulla: o tutto o niente, a seconda del caso.

La scoperta scioccante:
Per i mostri a coda pesante (con media infinita), il Paniere Diversificato (il calderone mescolato) è spesso più pericoloso del Paniere Singolo.
In termini matematici, il paniere mescolato ha una probabilità più alta di superare qualsiasi soglia di disastro, anche quelle piccole.

3. Perché succede? (L'Analogia del Fiume in Piena)

Immagina che ogni rischio sia un ruscello che può trasformarsi in un fiume in piena.

• Nel paniere singolo: Se il ruscello si trasforma in un fiume, ti allaga tutto. Ma se non succede, sei asciutto. È un rischio "tutto o niente".
• Nel paniere diversificato: Tu prendi un po' d'acqua da 100 ruscelli diversi. Se uno di questi ruscelli diventa un fiume in piena, l'acqua si mescola con quella degli altri 99.
  • Il trucco: Con i mostri a coda pesante, l'acqua degli altri 99 ruscelli "diluisce" il disastro in modo tale che, paradossalmente, il livello dell'acqua totale nel tuo calderone sale più velocemente e più spesso rispetto al caso in cui avessi aspettato che un solo ruscello esondasse da solo.

In parole povere: dividere il rischio con questi mostri non riduce la probabilità di un disastro, anzi, la aumenta.

4. Il Teorema del "Paniere Singolo" (One-Basket Theorem)

L'autore ha trovato una formula matematica (il "Teorema del Paniere Singolo") che ci dice esattamente quando succede questo.
Non serve che succeda per tutti i possibili modi di dividere le uova. Basta che succeda per il modo specifico in cui hai deciso di dividere il paniere.

Questo è importante perché ci permette di dire: "Ok, per questo tipo di rischio specifico e con queste percentuali specifiche, è meglio concentrarsi su un solo rischio piuttosto che dividerlo".

5. Esempi Reali

Dove troviamo questi mostri?

• Cyber-sicurezza: Un attacco informatico che distrugge tutto il sistema.
• Pandemie: Un virus che uccide milioni di persone.
• Incidenti nucleari: Eventi rari ma con conseguenze infinite.

In questi casi, l'articolo suggerisce che la diversificazione classica potrebbe essere un'illusione. A volte, è meglio avere una copertura totale su un singolo rischio (magari assicurandosi contro quel rischio specifico) piuttosto che avere una copertura parziale su mille rischi diversi, perché la somma delle parti parziali potrebbe essere più rischiosa del tutto.

6. La Lezione Finale: Il Piccolo è il Nuovo Grande

C'è un'ultima cosa affascinante. L'autore ci dice che questo effetto "diversificazione = pericolo" non è un errore della natura, ma l'estremo di una regola più generale:

• Vicino allo zero: La diversificazione sempre aumenta la probabilità di superare piccole soglie (piccoli problemi).
• Lontano dallo zero: Di solito, la diversificazione riduce i grandi disastri.
• Il punto di svolta: Con i mostri a coda pesante, l'effetto "piccolo problema" diventa così forte che si estende fino a coprire anche i "grandi disastri".

In sintesi:
Se vivi in un mondo normale, metti le uova in 100 paniere. Se vivi in un mondo dove possono accadere catastrofi "impossibili" (con costi infiniti), a volte è meglio mettere tutte le uova in un unico paniere, perché mescolarle potrebbe farle rompere tutte insieme più facilmente.

È un promemoria potente: le regole di buon senso che funzionano per la vita quotidiana, a volte, si rompono quando affrontiamo l'ignoto estremo.

Sommario tecnico

Ecco un riassunto tecnico dettagliato del documento "Diversification and Stochastic Dominance: When All Eggs Are Better Put in One Basket" di Léonard Vincent.

1. Il Problema: Il Fallimento della Diversificazione

Tradizionalmente, la diversificazione è considerata un pilastro della gestione del rischio, giustificata dalla Legge dei Grandi Numeri e dalla Teoria Moderna del Portafoglio. L'idea intuitiva è che distribuire l'esposizione su più rischi indipendenti riduca la variabilità complessiva (ordine convesso) senza sacrificare il rendimento atteso.

Tuttavia, il paper affronta un fenomeno controintuitivo: in presenza di perdite con code pesanti e media infinita, la diversificazione può paradossalmente aumentare il rischio.
Il problema specifico è che, per certi tipi di distribuzioni (es. Pareto con parametro di forma $\alpha \in (0, 1]$), un portafoglio diversificato (media ponderata di rischi indipendenti) può dominare stocasticamente di primo ordine un portafoglio "concentrato" (dove l'intero capitale è esposto a un singolo rischio scelto casualmente). In termini pratici, questo significa che la probabilità di superare qualsiasi soglia di perdita è più alta nel portafoglio diversificato rispetto a quello concentrato, rendendo preferibile per un decisore avverso al rischio "mettere tutte le uova in un solo paniere".

2. Metodologia e Impostazione Teorica

L'autore utilizza la teoria dell'ordinamento stocastico e le funzioni di sopravvivenza per analizzare il confronto tra due strategie:

1. Portafoglio Diversificato ($P_D$): La media ponderata $\sum_{i=1}^n \theta_i X_i$, dove $X_i$ sono variabili casuali indipendenti e $\theta_i$ sono pesi che sommano a 1.
2. Portafoglio Concentrato (o "One-Basket", $P_C$): Un modello di miscela (mixture) definito come $\sum_{i=1}^n I_i X_i$, dove $(I_1, \dots, I_n)$ segue una distribuzione categorica con probabilità $\theta_i$. In questo modello, l'esposizione è interamente concentrata su un singolo rischio $X_i$ scelto casualmente secondo i pesi $\theta_i$.

Strumenti Matematici:

• Dominio Stocastico di Primo Ordine ($\le_{st}$): $X \le_{st} Y$ se $P(X > x) \le P(Y > x)$ per ogni $x$. Questo implica che $Y$ è "più rischioso" di $X$ per qualsiasi decisore con funzione di utilità decrescente rispetto alle perdite.
• Subscalabilità: Viene introdotto il concetto di subscalabilità per caratterizzare le distribuzioni che soddisfano la disuguaglianza chiave $\theta F(x) \le F(x/\theta)$, dove $F$ è la funzione di sopravvivenza.
• Analisi Locale-Global: L'approccio dimostra che la diversificazione aumenta sempre la probabilità di superare soglie piccole (vicino allo zero) e indaga le condizioni sotto le quali questo effetto locale si estende a tutte le soglie (dominio globale).

3. Contributi Chiave e Risultati Principali

A. Il Teorema "One-Basket" (Teorema 4.2)

Questo è il risultato centrale del paper. Fornisce condizioni sufficienti nuove e specifiche per i pesi affinché il portafoglio diversificato domini stocasticamente quello concentrato:
$$I_1X_1 + \dots + I_nX_n \le_{st} \theta_1X_1 + \dots + \theta_nX_n$$
Condizione: La dominazione vale se, per ogni rischio $X_i$ e per ogni sottoinsieme di indici $K$ contenente $i$, la disuguaglianza $\theta_K F_i(x) \le F_i(x/\theta_K)$ vale per ogni $x \ge 0$.

• Innovazione: A differenza di lavori precedenti che richiedevano condizioni uniformi su tutti i vettori di pesi possibili, questo teorema permette di verificare la dominazione per un vettore di pesi specifico. Questo è cruciale per distribuzioni discrete o casi in cui la dominazione non è universale.

B. Classi di Rischi: $\theta$-Subscalabili e Completamente Subscalabili

L'autore definisce due classi di distribuzioni basate sulla proprietà di subscalabilità:

1. $\theta$-subscalabili: Rischi per cui la disuguaglianza di subscalabilità vale per un dato $\theta$.
2. Completamente subscalabili: Rischi per cui la disuguaglianza vale per tutti $\theta \in (0, 1)$.

• Risultato: Qualsiasi rischio non banale $\theta$-subscalabile ha code estremamente pesanti e media infinita.
• Connessione: La classe dei rischi completamente subscalabili include la famiglia Super-Fréchet (studiata da Chen e Shneer) ma è più ampia, permettendo di trattare rischi con diversi estremi essenziali (non necessariamente tutti zero).

C. Applicazioni a Distribuzioni Specifiche

Il paper risolve casi aperti o fornisce nuove dimostrazioni per:

• Pareto Discreta: Dimostra che la media di copie i.i.d. di una variabile Pareto discreta (con media infinita) domina stocasticamente una singola copia, anche se la dominazione non vale per tutti i pesi, ma vale specificamente per i pesi uguali ($\theta_i = 1/n$).
• Lotterie di St. Petersburg: Fornisce una prova alternativa e generalizzata dell'ordinamento stocastico per le medie di lotterie di St. Petersburg, mostrando che la dominazione vale quando il rapporto tra il numero di copie è una potenza di 2.

D. Il Fenomeno Locale vs Globale (Sezione 7)

L'autore offre una prospettiva unificante: la diversificazione sempre aumenta la probabilità di superare soglie molto piccole (vicino allo zero), indipendentemente dalla distribuzione.

• Il Teorema One-Basket identifica le condizioni esatte in cui questo effetto "locale" si estende a tutte le soglie ($x \ge 0$), trasformandosi in una dominazione stocastica globale. Se le condizioni non sono soddisfatte, la diversificazione potrebbe essere dannosa solo per le code estreme, ma benefica o neutra per le piccole perdite.

4. Significato e Implicazioni

1. Ridefinizione della Gestione del Risco: Il lavoro sfida il dogma "non mettere tutte le uova in un paniere" per i rischi con code pesanti infinite. Suggerisce che in contesti di catastrofi rare ma estreme (es. incidenti nucleari, pandemie, cyber-rischi), la concentrazione del rischio potrebbe essere preferibile alla diversificazione.
2. Flessibilità nei Pesi: La capacità di verificare la dominazione per pesi specifici (invece che per tutti i pesi) rende il risultato applicabile a scenari reali più complessi, come le distribuzioni discrete dove le condizioni uniformi spesso falliscono.
3. Riassicurazione Randomizzata: Il paper ha implicazioni dirette per la riassicurazione randomizzata. Mostra che, sotto certe condizioni di code pesanti, un contratto che copre l'intero danno con una certa probabilità (schema randomizzato) può essere stocasticamente migliore per entrambe le parti (riassicuratore e assicurato) rispetto a un contratto di quota fissa (quota-share), invertendo l'intuizione classica.
4. Generalizzazione Teorica: Il lavoro unifica risultati precedenti (su Pareto, Fréchet, Cauchy, InvSub) sotto il concetto di subscalabilità, fornendo un quadro teorico coerente per comprendere quando e perché la diversificazione fallisce.

In sintesi, il paper dimostra che la diversificazione non è intrinsecamente sicura; per rischi con media infinita, essa può amplificare il rischio di eventi estremi, e il Teorema One-Basket fornisce gli strumenti matematici precisi per identificare quando questo paradosso si verifica.