The Gibbs Posterior and Parametric Portfolio Choice

Questo studio sviluppa un quadro bayesiano generalizzato basato sulla distribuzione di Gibbs per la scelta di portafoglio parametrica, introducendo un algoritmo KNEEDLE per selezionare in-sample il parametro di scalatura ottimale che bilancia precisione e stabilità numerica, applicando il metodo ai titoli statunitensi dal 1955 al 2024 per confermare che i guadagni basati sulle caratteristiche si sono concentrati prima del 2000 e che il parametro ottimale varia significativamente con l'avversione al rischio e i momenti di ordine superiore.

L'essenziale

Ecco una spiegazione semplice e creativa del lavoro di Christopher G. Lamoureux, pensata per chiunque, anche senza una laurea in finanza.

Il Titolo: "L'Investitore che Ascolta il Proprio Intuito (ma con un Freno di Sicurezza)"

Immagina di dover guidare un'auto su una strada piena di curve, nebbia e buche. Il tuo obiettivo è arrivare a destinazione (guadagnare) il più velocemente possibile senza schiantarti.

La maggior parte degli investitori usa mappe vecchie o modelli matematici complessi che dicono: "Se vedi questa curva, gira a sinistra". Il problema è che le strade cambiano, le mappe diventano obsolete e, se segui ciecamente la mappa, potresti finire in un burrone.

Questo paper propone un nuovo modo di guidare, chiamato Posteriore di Gibbs. Ecco come funziona, passo dopo passo.

---

1. Il Problema: Troppa Fiducia nei Dati (L'Overfitting)

Immagina di aver guidato per 20 anni su una strada specifica. Hai notato che ogni volta che c'era un albero rosso a sinistra, la strada era liscia. Quindi, hai deciso: "D'ora in poi, girerò sempre a sinistra se vedo un albero rosso!".
Questo è quello che fanno molti algoritmi finanziari: guardano i dati passati e trovano schemi perfetti.
Il problema? La prossima volta che guidi, potrebbe non esserci nessun albero rosso, o potrebbe essercene uno che indica una buca. Se ti fidi troppo dei dati passati (il "rumore"), creerai una strategia che funziona perfettamente in teoria ma fallisce miseramente nella realtà. Questo si chiama overfitting (adattarsi troppo ai dati).

2. La Soluzione: Un "Intuito" di Base (Il Prior)

L'autore dice: "Non fidarti ciecamente dei dati. Parti con un'intuizione di base".
Immagina di avere un vecchio saggio (il Prior) che ti dice: "In generale, il mercato è efficiente. Non cercare di batterlo troppo facilmente. Tieni la mano sul volante in modo neutro".
Questo saggio rappresenta la convinzione che il mercato sia difficile da battere.

3. L'Innovazione: Aggiornare l'Intuito con i Dati (Il Posteriore)

Invece di scartare il saggio o di ascoltarlo ciecamente, il metodo di Lamoureux fa una cosa intelligente: aggiorna l'intuito del saggio usando i dati, ma con un "freno".
Usa una formula matematica (il Posteriore di Gibbs) che dice:

"Ok, saggio, ho visto questi dati nuovi. Forse hai ragione tu, forse no. Aggiorniamo la tua opinione, ma non cambiamola troppo bruscamente a meno che i dati non siano schiaccianti."

Il "freno" è un parametro chiamato $\lambda$ (lambda).

• Se $\lambda$ è basso: Ascolti troppo il saggio (il Prior). Non impari nulla di nuovo.
• Se $\lambda$ è alto: Ascolti troppo i dati. Rischii di impazzire per ogni piccolo cambiamento (overfitting).
• L'obiettivo: Trovare il $\lambda$ perfetto ($\lambda^*$) che ti permette di imparare dai dati senza diventare folle.

4. Il Trucco Magico: Il "Ginocchio" (L'algoritmo KNEEDLE)

Come fai a trovare il $\lambda$ perfetto senza provare e sbagliare per anni (cosa che ti costerebbe soldi)?
L'autore ha inventato un algoritmo chiamato KNEEDLE (che significa "ago" o "ginocchio").

Immagina di disegnare una linea su un foglio:

• Da un lato c'è quanto sei preciso (quanto bene conosci la strada).
• Dall'altro c'è quanto sei fragile (quanto rischi di cadere se c'è una piccola nebbia).

All'inizio, aumentando la precisione, rischi poco. Ma dopo un certo punto, se continui a spingere per essere più preciso, la fragilità esplode. Il punto esatto in cui la fragilità inizia a crescere troppo velocemente rispetto al guadagno di precisione è il "Ginocchio" della curva.
L'algoritmo KNEEDLE trova automaticamente questo ginocchio. È come se l'auto avesse un sensore che ti dice: "Ehi, basta spingere! Se continui a spingere per essere più preciso, rischi di schiantarti. Fermati qui!".

5. Cosa hanno scoperto guardando la storia (1955-2024)

L'autore ha applicato questo metodo agli investimenti negli Stati Uniti per 70 anni. Ecco cosa è emerso:

• Prima del 2000: Funzionava benissimo! C'era una "nebbia" che rendeva i dati passati utili. Gli investitori che usavano caratteristiche specifiche (come la dimensione dell'azienda o il momentum) guadagnavano molto di più rispetto alla media. Il "ginocchio" era facile da trovare.
• Dopo il 2000: Le cose sono cambiate. Il mondo è diventato più veloce, più tecnologico e i dati sono stati analizzati da troppi computer. Le vecchie regole non funzionano più.
  • Gli investitori che hanno continuato a spingere forte sui dati (senza il "freno" giusto) hanno perso soldi.
  • Il metodo di Lamoureux ha mostrato che, dopo il 2000, la strategia migliore è stata spesso quella di ascoltare di più il "saggio" (il Prior) e meno i dati rumorosi, perché i dati non avevano più un vero segnale.

6. La Morale della Favola

Questo paper ci insegna che:

1. Non serve una sfera di cristallo: Non devi prevedere il futuro o avere un modello perfetto su come funziona il mercato.
2. L'equilibrio è tutto: Devi bilanciare la tua esperienza passata (il Prior) con le nuove informazioni (i Dati).
3. Il "freno" è intelligente: Invece di usare metodi complicati per testare le strategie su dati futuri (che non hai ancora), puoi usare la matematica per trovare il punto di equilibrio mentre stai guardando i dati attuali.

In sintesi: È come avere un navigatore GPS che non ti dice solo "gira a sinistra", ma ti chiede: "Sei sicuro che questa strada sia ancora buona? Forse è meglio mantenere la rotta che avevamo pianificato prima, perché la nebbia è troppo fitta". E lo fa calcolando automaticamente quanto fidarsi della mappa rispetto alla nebbia.

Sommario tecnico

Ecco una sintesi tecnica dettagliata del documento di ricerca intitolato "The Gibbs Posterior and Parametric Portfolio Choice" di Christopher G. Lamoureux.

1. Il Problema: Rischio di Stima e Sovradattamento nei Portafogli Parametrici

Il lavoro affronta le sfide legate alla costruzione di portafogli ottimali basati su caratteristiche azionarie (Parametric Portfolio Policies - PPP), un approccio reso popolare da Brandt, Santa-Clara e Valkanov (2009). Sebbene le PPP riducano la dimensionalità del problema mappando le caratteristiche degli asset (es. momentum, book-to-market) in pesi di portafoglio tramite un vettore parametrico $\theta$, esse non eliminano il rischio di stima.

• Il limite attuale: L'ottimizzazione empirica dei parametri $\theta$ all'interno del campione (in-sample) tende a portare al sovradattamento (overfitting), generando perdite significative fuori campione (out-of-sample), specialmente per investitori con bassa avversione al rischio.
• La sfida metodologica: Le soluzioni tradizionali spesso richiedono convalida out-of-sample (costosa e instabile in finanza) o bootstrap, che introducono assunzioni implicite sul processo generatore dei dati. Inoltre, l'approccio classico manca di una distribuzione di credenza coerente (posteriore) che quantifichi l'incertezza senza specificare una funzione di verosimiglianza (likelihood) per i rendimenti.

2. Metodologia: Inferenza Bayesiana Generalizzata e Posteriori di Gibbs

L'autore propone un quadro decisionale bayesiano coerente che sostituisce la funzione di verosimiglianza tradizionale con la funzione di utilità dell'investitore come funzione di perdita.

A. Il Posteriore di Gibbs

L'approccio utilizza l'inferenza bayesiana generalizzata (Bissiri, Holmes, e Walker, 2016). La distribuzione a posteriori sui parametri $\theta$ è definita come:
$$p(\theta | data) \propto \exp\{\lambda L(\theta, data)\} \pi(\theta)$$
Dove:

• $L(\theta, data)$ è la funzione di perdita (in questo caso, l'utilità negativa o la massimizzazione dell'utilità attesa).
• $\pi(\theta)$ è la distribuzione a priori (es. un prior centrato sul portafoglio di mercato, riflettendo la credenza nell'efficienza dei mercati).
• $\lambda$ è un parametro di scala (o "temperatura") che controlla il peso relativo dei dati rispetto al prior.

A differenza della statistica bayesiana standard, $\lambda$ non è fissato dalla verosimiglianza ma deve essere scelto. L'autore lo tratta come un dispositivo di regolarizzazione centrale.

B. Selezione Ottimale di $\lambda^*$ (Algoritmo KNEEDLE)

Il contributo metodologico principale è lo sviluppo di un algoritmo per selezionare il valore ottimale di $\lambda$ ($\lambda^*$) all'interno del campione, eliminando la necessità di dati di convalida esterni.

• Compromesso Precisione-Fragilità: L'autore analizza la geometria della matrice di covarianza a posteriori $\Sigma$.
  • Precisione: Misurata dal log-determinante di $\Sigma$ ($-\log \det \Sigma$).
  • Fragilità (Sovradattamento): Misurata dal numero di condizione di $\Sigma$ (rapporto tra autovalore massimo e minimo).
• Frontiera di Identificazione: Si traccia una curva che mette in relazione la precisione e la fragilità al variare di $\lambda$.
• Algoritmo KNEEDLE: Viene utilizzato un algoritmo per identificare il "ginocchio" (elbow) o punto di flesso di questa curva. Questo punto ($\lambda^*$) rappresenta il compromesso ottimale dove il guadagno marginale in informazione (precisione) inizia a essere superato dalla perdita marginale dovuta alla fragilità numerica.

C. Implementazione Computazionale

L'inferenza viene eseguita tramite un campionatore Metropolis-within-Gibbs.

• Vengono utilizzati 240 mesi di dati storici per costruire il posteriore.
• Si utilizzano densità di proposta stabili di tipo Paretiano per gestire funzioni di utilità non concave.
• La convergenza delle catene di Markov (MCMC) è verificata tramite il fattore di riduzione della scala potenziale multivariata (MPSRF), risultando eccellente (valori vicini a 1.0).

3. Risultati Chiave

L'analisi empirica copre le azioni statunitensi dal 1955 al 2024, suddivisa in due sottoperiodi: 1980-2000 e 2001-2024.

A. Dinamica di $\lambda^*$ e Momenti di Ordine Superiore

• Relazione con l'avversione al rischio: In un contesto di utilità quadratica, $\lambda^*$ è inversamente proporzionale al coefficiente di avversione al rischio ($\gamma$). Tuttavia, per funzioni di utilità potenza (che includono skewness e curtosi), la relazione non è strettamente proporzionale.
• Impatto dei momenti superiori: Le deviazioni dalla proporzionalità indicano che la struttura dei momenti di ordine superiore (skewness e curtosi) influenza la regolarizzazione ottimale. La "piattezza" di $\lambda^*$ in certi periodi suggerisce che l'incertezza sulla forma della distribuzione dei rendimenti diventa più critica man mano che l'avversione al rischio aumenta.

B. Crollo dell'Efficacia delle Caratteristiche (2000)

• Prima del 2000: I portafogli basati sulle caratteristiche (PPP) hanno generato guadagni di utilità significativi e coefficienti $\theta$ statisticamente diversi da zero (specialmente per momentum, book-to-market e dimensione). I rendimenti fuori campione hanno mostrato un'asimmetria positiva e una curtosi gestibile.
• Dopo il 2000: L'efficacia predittiva delle caratteristiche è svanita. I coefficienti $\theta$ tendono a zero e le bande di credibilità a posteriori includono lo zero.
• Cambiamento nella distribuzione: Nel secondo periodo, i rendimenti del portafoglio PPP mostrano una curtosi molto più elevata e una skewness negativa rispetto al benchmark, rendendo le strategie basate sulle caratteristiche meno attraenti, specialmente per gli investitori avversi al rischio.

C. Performance del Portafoglio Decisionale

L'autore costruisce un portafoglio decisionale utilizzando la media a posteriori di $\theta$.

• I rendimenti certi equivalenti (Certainty Equivalent - CE) di questo portafoglio sono superiori alla media a posteriori dei rendimenti certi equivalenti, suggerendo che l'uso della media a posteriori è uno strumento decisionale valido.
• Tuttavia, nel periodo 2001-2024, i rendimenti certi equivalenti delle strategie PPP crollano, avvicinandosi o superando di poco quelli del portafoglio di mercato (value-weighted), confermando che le strategie basate sulle caratteristiche non offrono più un'arbitraggio significativo.

4. Contributi e Significato

1. Quadro Decisionale Coerente: Fornisce un metodo per aggiornare le credenze sugli asset basandosi esclusivamente sull'utilità dell'investitore e sui dati osservati, senza assumere un processo generatore di rendimenti (model-free). Questo allinea l'ottimizzazione del portafoglio ai principi bayesiani decisionali.
2. Regolarizzazione In-Sample: L'algoritmo KNEEDLE per la selezione di $\lambda^*$ offre una soluzione elegante al problema dell'overfitting senza richiedere dati out-of-sample o bootstrap, rendendo il metodo robusto in contesti finanziari dove i processi generativi sono instabili.
3. Quantificazione dell'Incertezza: A differenza delle ottimizzazioni puntuali tradizionali, il metodo fornisce un'intera distribuzione a posteriori per i rendimenti futuri, permettendo di quantificare rischi di coda (tail risk), skewness e curtosi in modo coerente con la funzione di utilità.
4. Evidenza Empirica sulla Struttura dei Mercati: I risultati confermano e aggiornano la letteratura precedente (es. Lamoureux e Zhang, 2024) evidenziando un cambiamento strutturale nel mercato azionario USA intorno al 2000, probabilmente dovuto alla diffusione delle informazioni, alla riduzione dei costi di transazione e all'efficienza del mercato, che ha eroso i premi legati alle caratteristiche tradizionali.

In sintesi, il paper dimostra come l'uso di un posteriore di Gibbs combinato con una selezione intelligente della regolarizzazione possa trasformare l'ottimizzazione di portafoglio da un esercizio di stima puntuale rischioso in un processo decisionale robusto, quantificando esplicitamente l'incertezza e adattandosi dinamicamente alla complessità dei dati e alle preferenze di rischio dell'investitore.