Zero Variance Portfolio

1. Il Problema: Ottimizzazione di Portafoglio in Regimi ad Alta Dimensionalità

Il lavoro affronta una sfida fondamentale nella finanza moderna: la costruzione di portafogli a varianza minima (Minimum Variance Portfolio - MVP) quando il numero di asset ($N$) supera significativamente la dimensione del campione temporale ($T$), ovvero nel regime $N \gg T$.

• Contesto: Nella pratica finanziaria, gli investitori spesso devono gestire centinaia o migliaia di asset (es. S&P 500 o portafogli globali) disponendo solo di dati storici limitati (es. 22 giorni di trading al mese).
• Il Fallimento degli Approcci Classici: L'estimatore standard che utilizza la matrice di covarianza campionaria ($S_0$) fallisce in questo regime. Quando $N > T$, $S_0$ è singolare (non invertibile). L'uso della pseudoinversa (metodo "Ridgeless") porta a un'interpolazione perfetta dei dati di training, risultando in una varianza intra-campione nulla (Zero Variance Portfolio - ZVP). Tuttavia, questo comportamento è patologico: il modello soffre di un grave overfitting e la sua performance fuori campione (OOS) diverge, rendendo il portafoglio inutilizzabile.
• L'Ipotesi di Lavoro: Il paper sfida il dogma convenzionale secondo cui in alta dimensionalità si debba sempre evitare la matrice di covarianza grezza. Si chiede se un approccio semplice, basato su una regolarizzazione minima, possa sfruttare l'abbondanza di informazioni trasversali per generalizzare bene.

2. Metodologia: L'Estimatore "Ridgelet"

Gli autori propongono una soluzione innovativa ispirata ai recenti progressi nell'apprendimento automatico (Machine Learning), in particolare al fenomeno del "double descent" e all'interpolazione benigna.

2.1 Ridgelet1 (L'approccio base)

Invece di utilizzare la pseudoinversa ($S_0^+$) o di cercare di invertire $S_0$ direttamente, gli autori introducono una piccola costante positiva $\tau$ (es. $10^{-8}$) alla matrice di covarianza campionaria:
$$S_\tau = S_0 + \tau I_N$$
L'estimatore dei pesi del portafoglio, denominato Ridgelet1, è definito come:
$$\hat{\omega}_\tau = \frac{S_\tau^{-1} \mathbf{1}}{\mathbf{1}^\top S_\tau^{-1} \mathbf{1}}$$

• Differenza chiave rispetto alla Ridge Regression classica: Nella regressione Ridge standard, $\tau$ è un parametro di regolarizzazione ottimizzato (tramite cross-validation) per bilanciare bias e varianza. In Ridgelet, $\tau$ è una costante predefinita, estremamente piccola e fissa, indipendente da $N$ e $T$. Non serve a migliorare la stima di $S_0$, ma a guidare la soluzione verso un ZVP specifico (quello con norma $\ell_2$ minima) evitando la discontinuità della pseudoinversa.
• Interpretazione Teorica: Ridgelet1 approssima la soluzione esatta al problema di minimizzare la norma $\ell_2$ tra tutti i possibili portafogli a varianza zero intra-campione.

2.2 Ridgelet2 (L'approccio raffinato)

Per ottenere l'ottimalità asintotica in modelli a fattori, gli autori propongono una versione raffinata che incorpora la struttura della covarianza dei residui (idiosincratica).

• Sostituendo $\tau I_N$ con $\tau \hat{\Omega}$, dove $\hat{\Omega}$ è un stimatore consistente della matrice di covarianza idiosincratica (ottenuto, ad esempio, tramite il metodo POET di Fan et al., 2013, che sfrutta la sparsità).
• Questo permette di allineare la regolarizzazione con la vera struttura del rumore, raggiungendo la varianza ottimale del "oracolo" (il portafoglio che conosce la vera matrice di covarianza $\Sigma$).

3. Contributi Teorici Chiave

Il paper utilizza la Teoria delle Matrici Casuali (Random Matrix Theory - RMT) per analizzare il comportamento asintotico degli stimatori quando $N, T \to \infty$.

1. Fenomeno del Double Descent: Gli autori dimostrano che il rischio fuori campione di Ridgelet1 esibisce il fenomeno del "double descent".
   • Quando $N < T$, il rischio diminuisce all'aumentare di $N$.
   • Quando $N \approx T$, il rischio raggiunge un picco.
   • Quando $N > T$ (regime sovraparametrizzato), il rischio scende nuovamente, superando spesso le performance degli stimatori classici.
2. Fallimento di Ridgeless: Viene dimostrato teoricamente che l'uso della pseudoinversa (Ridgeless) porta a una varianza relativa che diverge all'infinito ($RV \to \infty$) quando $N \gg T$, rendendolo peggio persino di un portafoglio a pesi uguali (Equal Weight).
3. Ottimalità di Ridgelet2: Sotto un modello a fattori approssimato, se la matrice di covarianza idiosincratica $\Omega$ è stimata in modo consistente, Ridgelet2 raggiunge asintoticamente la varianza del portafoglio oracolo. Questo sfrutta il "blessing of dimensionality" (il beneficio della dimensionalità): più asset ci sono, meglio il modello può eliminare il rischio sistematico e isolare il rischio idiosincratico.

4. Risultati Sperimentali ed Empirici

Gli autori hanno condotto estese simulazioni e studi empirici su dati reali.

• Simulazioni:
  • In scenari con distribuzioni normali e pesanti (heavy-tailed, distribuzione $t$), Ridgelet1 e Ridgelet2 hanno mostrato performance superiori rispetto agli stimatori di riferimento (Linear Shrinkage di Ledoit-Wolf, Nonlinear Shrinkage, e Equal Weight).
  • Ridgelet2 ha dimostrato di essere particolarmente efficace quando $N$ è molto grande e la struttura idiosincratica è sparsa.
• Studi Empirici (S&P 500 e Nikkei 225):
  • Utilizzando i dati giornalieri degli indici S&P 500 (1999-2023) e Nikkei 225, gli autori hanno costruito portafogli con finestre di training brevi (22, 44, 63 giorni).
  • Risultati: Ridgelet2 ha ottenuto i rischi annualizzati più bassi, superando sia Ridgelet1 che gli stimatori di shrinkage avanzati (FNLS).
  • Scalabilità: Il metodo ha permesso di allocare pesi a oltre 700 asset (S&P 500 + Nikkei) utilizzando solo un mese di dati, mantenendo una performance stabile e riducendo il rischio rispetto ai metodi tradizionali.

5. Significato e Implicazioni

Questo lavoro è significativo per diversi motivi:

1. Ridefinizione dell'Overfitting: Dimostra che in finanza, come nell'AI moderna, l'interpolazione perfetta dei dati di training (ZVP) non è necessariamente dannosa se ottenuta attraverso la giusta regolarizzazione (Ridgelet). Al contrario, può portare a una generalizzazione eccellente.
2. Semplificazione Pratica: Offre una soluzione "tuning-free" (senza bisogno di ottimizzare parametri complessi) che è computazionalmente efficiente e robusta. Basta aggiungere un numero molto piccolo alla diagonale della matrice di covarianza.
3. Teoria vs. Pratica: Colma il divario tra la teoria della matrice casuale e l'applicazione finanziaria pratica, fornendo una giustificazione teorica per l'uso di modelli sovraparametrizzati nella gestione del rischio.
4. Impatto sulla Gestione del Rischio: Suggerisce che, in mercati con molti asset e dati limitati, la diversificazione estrema (inclusi molti asset) combinata con una regolarizzazione minima è superiore alle tecniche di riduzione della dimensionalità tradizionali.

In sintesi, il paper propone che, nel regime $N \gg T$, l'approccio "Ridgelet" (con una regolarizzazione infinitesimale fissa) è superiore agli stimatori classici e alla pseudoinversa, offrendo un nuovo paradigma per l'ottimizzazione di portafogli ad alta dimensionalità.