Forecasting Tangency Portfolios and Investing in the Minimum Euclidean Distance Portfolio to Maximize Out-of-Sample Sharpe Ratios

Titolo del Lavoro

Previsione dei Portafogli di Tangenza e Investimento nel Portafoglio a Distanza Euclidea Minima per Massimizzare i Rapporti di Sharpe Fuori Campione

1. Il Problema

La teoria moderna del portafoglio (MPT) di Markowitz si basa sull'ottimizzazione media-varianza per costruire la frontiera efficiente. Il portafoglio ideale è solitamente identificato come il portafoglio di tangenza, che massimizza il rapporto di Sharpe (rendimento in eccesso rispetto al tasso privo di rischio diviso per la volatilità).

Tuttavia, l'approccio standard presenta una limitazione critica: assume che i rendimenti futuri attesi e le matrici di covarianza siano stazionari e possano essere stimati direttamente dai dati storici. In pratica, i mercati sono non stazionari e gli errori di stima di questi parametri portano a:

• Pesi del portafoglio instabili.
• Scarse prestazioni fuori campione (out-of-sample).
• Modelli esistenti (come Black-Litterman, shrinkage della covarianza, DCC MV-GARCH) che, sebbene migliorino le stime, richiedono input complessi, sono difficili da interpretare o non forniscono stime dirette del vettore dei rendimenti.

L'obiettivo di questo studio è superare la dipendenza dalla stima diretta dei parametri stazionari, proponendo un metodo che preveda direttamente la posizione futura del portafoglio di tangenza.

2. Metodologia

Gli autori propongono un modello innovativo in due fasi che evita la stima diretta di rendimenti e covarianze future, focalizzandosi invece sulla previsione della geometria della frontiera efficiente.

A. Decomposizione della Frontiera Efficiente

Invece di utilizzare la forma standard, gli autori derivano una rappresentazione funzionale della frontiera efficiente come un polinomio di secondo ordine sotto radice quadrata, scomposto in tre coefficienti interpretabili:

1. $r_{mvp}$: Il rendimento associato al punto di varianza minima (Minimum Variance Point).
2. $\sigma_{mvp}$: La deviazione standard associata al punto di varianza minima.
3. $u$: Il tasso di curvatura della funzione di utilità della frontiera efficiente. Questo coefficiente misura l'utilità dell'insieme di asset per l'ottimizzazione media-varianza; una $u$ più alta indica una frontiera che decade più lentamente, offrendo migliori compromessi rischio-rendimento.

Questi coefficienti sono funzioni matematiche dei coefficienti classici di Merton ($A, B, C$) e permettono di calcolare analiticamente il rendimento e la volatilità del portafoglio di tangenza previsto.

B. Previsione dei Coefficienti (VARX)

Per prevedere l'evoluzione futura della frontiera efficiente, il modello utilizza un Modello VARX (Vector Autoregression with Exogenous Variables) online con ordine di lag 1.

• Input: I coefficienti storici ($r_{mvp}, \sigma_{mvp}, u$) e una media mobile dei rendimenti equamente ponderati.
• Orizzonte: Previsione a 1 mese (21 giorni lavorativi).
• Approccio: I modelli sono "online", aggiornando i coefficienti ogni giorno man mano che arrivano nuovi dati, evitando l'overfitting grazie a un set di feature ridotto (massimo 2 predittori significativi).

C. Selezione del Portafoglio: Distanza Euclidea Minima

Poiché la frontiera efficiente prevista non fornisce direttamente i pesi degli asset (mancano vettore di rendimenti e matrice di covarianza futuri) e il portafoglio di tangenza previsto potrebbe non esistere sulla frontiera efficiente corrente (a causa della non stazionarietà), il modello adotta una strategia di prossimità:

1. Si calcola il portafoglio di tangenza previsto ($\hat{r}_{tan}, \hat{\sigma}_{tan}$) utilizzando i coefficienti previsti.
2. Si identifica il portafoglio sulla frontiera efficiente corrente che minimizza la distanza euclidea rispetto al portafoglio di tangenza previsto.
3. Questo problema di ottimizzazione viene risolto derivando la funzione obiettivo quadratica e trovando la radice con il metodo di Newton.
4. Infine, si eseguono i pesi del portafoglio tramite ottimizzazione media-varianza sul rendimento target trovato.

3. Contributi Chiave

1. Nuovi Coefficienti Interpretativi: Introduzione di $r_{mvp}$, $\sigma_{mvp}$ e $u$ come parametri fondamentali per descrivere la frontiera efficiente, offrendo una visione più chiara della struttura di rischio-rendimento rispetto ai coefficienti matematici astratti di Merton.
2. Metodo di Previsione: Sviluppo di un approccio basato su regressione temporale (VARX) per prevedere direttamente la geometria della frontiera efficiente, aggirando la necessità di stimare matrici di covarianza future complesse.
3. Strategia di Investimento Robusta: Proposta di investire nel portafoglio a "distanza euclidea minima" rispetto alla tangenza prevista, una strategia che si è dimostrata più robusta ai movimenti di mercato rispetto all'assunzione che la tangenza prevista sia esattamente raggiungibile.
4. Validazione Empirica: Dimostrazione che questo approccio supera i benchmark tradizionali in termini di rapporto di Sharpe fuori campione.

4. Risultati Empirici

Lo studio è stato testato su due universi di asset distinti (copertura del mercato):

• Set 1 (GVMC): 6 fondi comuni (Growth/Value, Large/Small Cap) + Bond. Periodo di test: 2000-2022.
• Set 2 (Settori): 9 ETF settoriali S&P + Bond. Periodo di test: 2008-2022.

Prestazioni rispetto ai Benchmark:
Il modello proposto è stato confrontato con:

• Portafoglio di Tangenza (finestra mobile 1 mese).
• Portafoglio Equally Weighted (pesi uguali).
• S&P 500 Total Return.
• Portafoglio 60/40 (Azioni/Obbligazioni).

Risultati Principali:

• Rapporto di Sharpe: Il modello proposto ha ottenuto il rapporto di Sharice più alto in entrambi gli universi (es. 1.00 contro 0.67 per il benchmark di tangenza nel Set 1; 0.76 contro 0.01 nel Set 2).
• Drawdown: Il modello ha mostrato drawdown massimi significativamente inferiori durante le crisi (2008, 2020) rispetto ai benchmark azionari puri.
• Ritorno Annuo: Ha mantenuto rendimenti annuali competitivi (10.7% nel Set 1) con una volatilità ridotta.
• Significatività Statistica: Le regressioni alfa hanno confermato che il modello supera statisticamente tutti i benchmark con p-value < 0.05 (spesso < 1x10^-4).

5. Significatività e Conclusioni

Questo lavoro rappresenta un cambio di paradigma rispetto alla tradizione di "stimare meglio i parametri" (rendimenti e covarianze) per costruire portafogli ottimali. Invece, propone di prevedere la struttura della frontiera efficiente stessa.

• Interpretabilità: Il modello è trasparente e non richiede input soggettivi complessi come il modello Black-Litterman.
• Robustezza: La strategia di "distanza minima" gestisce l'incertezza intrinseca delle previsioni di mercato, offrendo una soluzione pratica alla non stazionarietà dei dati finanziari.
• Impatto: I risultati suggeriscono che la decomposizione della frontiera efficiente in coefficienti geometrici prevedibili è un metodo superiore per massimizzare il rapporto di Sharpe fuori campione, rendendo l'allocazione degli asset più resiliente ai cambiamenti di regime di mercato.

Gli autori indicano come lavoro futuro l'espansione a universi di asset più ampi, l'analisi dell'impatto della leva finanziaria e l'integrazione di indicatori tecnici e modelli non lineari (es. LASSO, alberi decisionali) per migliorare la previsione dei coefficienti.