Interpretable Systematic Risk around the Clock

Questo studio presenta la prima analisi completa e continua delle 24 ore del rischio sistematico di salto, combinando dati di mercato ad alta frequenza con narrazioni news classificate da un LLM, rivelando che le notizie macroeconomiche generano il premio per il rischio più elevato e permettendo la costruzione di un portafoglio che isola tale rischio con rendimenti significativi.

L'essenziale

🌍 Il Titolo: "Il Rischio Sistematico che Non Dorme Mai"

Immagina il mercato azionario americano non come un negozio che apre alle 9:30 e chiude alle 16:00, ma come un mercato globale che gira 24 ore su 24.

Fino a poco tempo fa, gli studiosi guardavano il mercato solo mentre era "aperto" (dalle 9:30 alle 16:00). Ma questo è come guardare un film di un'ora e mezzo e ignorare tutto il resto della trama. La verità è che molte delle notizie più importanti (come i dati economici o le guerre) accadono mentre gli americani dormono o mentre l'Europa è già sveglia.

Questo studio dice: "Basta guardare solo di giorno! Dobbiamo guardare tutto il giorno e tutta la notte."

---

🕵️‍♂️ L'Investigatore: L'Intelligenza Artificiale (LLM)

Per capire perché il mercato sale o scende di colpo (i famosi "salti" o jumps), l'autore ha usato un super-investigatore digitale: un'intelligenza artificiale chiamata Qwen (un modello di linguaggio avanzato).

Ecco come funziona la sua magia:

1. Il Rilevamento: L'AI osserva il mercato ogni 15 minuti. Quando vede un movimento improvviso (un "salto"), si ferma.
2. L'Interrogatorio: Prende tutte le notizie che sono uscite in quel preciso momento (come se fossero centinaia di giornali sparsi sul tavolo) e chiede all'AI: "Qual è la storia dietro questo movimento?".
3. La Classificazione: L'AI legge le notizie, capisce il contesto e le divide in 5 categorie principali, come se mettesse le notizie in 5 scatole diverse:
   • 🏛️ Notizie Macro: (Es. Disoccupazione, inflazione, PIL).
   • 🏢 Notizie Aziendali: (Es. Guadagni di giganti come Apple o Microsoft).
   • 🌍 Effetti Internazionali: (Es. Crisi in Europa o Asia).
   • 📜 Politica: (Es. Decisioni della Federal Reserve o del governo).
   • ⚔️ Geopolitica: (Es. Guerre o tensioni internazionali).

---

💰 La Scoperta: Chi paga di più?

Una volta che l'AI ha capito perché il mercato si è mosso, l'autore ha calcolato quanto gli investitori vengono "pagati" per sopportare quel tipo di rischio. È come se il mercato dicesse: "Se ti fai male per questo motivo, ti darò una ricompensa più alta."

Ecco cosa hanno scoperto:

• Il Re delle Notizie: Le notizie macroeconomiche (come i dati sull'inflazione o sull'occupazione) sono le più importanti. Sono quelle che fanno muovere il mercato di più e offrono la ricompensa più alta agli investitori che sanno gestirle.
• Il Problema del "Solo Di Giorno": Se guardi solo le notizie che escono durante l'orario di lavoro (9:30-16:00), perdi quasi tutto. Molte notizie macro arrivano prima dell'apertura o durante la notte. Se ignori la notte, è come cercare di guidare un'auto con gli occhi chiusi per metà del viaggio: i tuoi calcoli saranno sbagliati e perderai soldi.
• La Notte è la Chiave: La maggior parte dei "salti" importanti del mercato avviene durante la notte. Ignorarli significa perdere il 70% della storia.

---

🚀 La Strategia: Costruire una Macchina da Soldi

L'autore non si è solo fermato alla teoria. Ha usato queste informazioni per costruire un portafoglio di investimento intelligente:

1. Ogni anno, guarda quali "scatole" di notizie (Macro, Politica, ecc.) hanno dato i migliori risultati l'anno prima.
2. Costruisce un portafoglio che scommette proprio su quel tipo di rischio per l'anno successivo.
3. Risultato: Questo portafoglio ha battuto il mercato tradizionale con un rendimento molto più stabile e sicuro (un "Sharpe Ratio" più alto).

L'analogia della "Scommessa Intelligente":
Immagina di scommettere su una corsa di cavalli.

• Il metodo vecchio: Scommetti a caso o guardi solo i cavalli che corrono di giorno.
• Il metodo di He: Usa un'AI per leggere le previsioni meteo, la forma dei cavalli e le notizie sui jockey prima della gara. Scopre che quando piove (notizie macro), un certo tipo di cavallo vince sempre. Così, scommette solo su quel cavallo quando piove. Risultato? Vince molto più spesso.

---

🤖 Perché l'Intelligenza Artificiale è fondamentale?

L'autore ha fatto un esperimento curioso:

• Ha usato un'AI "stupida" (che non ragiona, ma conta solo le parole). Risultato: strategia mediocre.
• Ha usato un'AI "ragionatrice" (che pensa, analizza il contesto e capisce le sfumature). Risultato: strategia vincente.

È la differenza tra un bambino che conta le parole su un giornale e un giornalista esperto che capisce il senso della notizia. L'AI ragionatrice è riuscita a collegare le notizie ai movimenti del mercato con una precisione che i metodi vecchi non potevano raggiungere.

🏁 In Sintesi

Questo studio ci insegna tre cose fondamentali:

1. Il mercato non dorme mai: Per capire il rischio, devi guardare 24 ore su 24, non solo quando la borsa è aperta.
2. Le notizie sono la chiave: Non basta sapere che il mercato è sceso, bisogna sapere perché (è colpa dell'inflazione? Di una guerra?).
3. L'AI è il nuovo analista: Usare intelligenze artificiali avanzate per leggere e capire le notizie in tempo reale permette di creare strategie di investimento più intelligenti, sicure e profittevoli rispetto a quelle tradizionali.

È come passare da una mappa disegnata a mano e incompleta a un GPS satellitare in tempo reale che ti dice esattamente dove sono le buche e dove c'è la strada più veloce.

Sommario tecnico

1. Il Problema di Ricerca

La letteratura finanziaria esistente sull'analisi del rischio sistematico e dei "salti" (jumps) di mercato si è concentrata prevalentemente sul periodo di negoziazione intraday (dalle 9:30 alle 16:00 ET), trascurando le dinamiche del periodo notturno (overnight).

• Limiti degli studi precedenti: Studi come Aleti e Bollerslev (2025) utilizzano l'analisi del testo tradizionale (NLP) solo sui dati intraday. Questo approccio soffre di un bias di variabile omessa, poiché una componente significativa del rischio sistematico si materializza durante la notte, quando i mercati azionari statunitensi sono chiusi ma i futures e le notizie globali continuano a fluire.
• La sfida tecnologica: Identificare le cause narrative dei salti di mercato in tempo reale richiede una comprensione semantica profonda delle notizie finanziarie, un compito per cui i metodi NLP tradizionali (basati su conteggio di parole o modelli LDA) sono spesso insufficienti o poco interpretabili.
• Obiettivo: Fornire la prima analisi completa "tutto il giorno" (around-the-clock) del rischio di salto sistematico, collegando i dati ad alta frequenza alle narrazioni delle notizie contemporanee utilizzando modelli linguistici avanzati.

2. Metodologia

L'autore combina tre avanzamenti recenti in un framework empirico rigoroso:

A. Dati ad Alta Frequenza "Around-the-Clock"

• Copertura temporale: Utilizza dati di frequenza millisecondica dal 1997 al 2020 per coprire quasi 24 ore su 24.
• Strumenti:
  • Per il periodo intraday: Dati TAQ (Trade and Quote) su azioni S&P 1500.
  • Per il periodo overnight: Rendimenti dei futures S&P 500 E-mini (trattati quasi 24h su 24), che fungono da proxy per la scoperta del prezzo notturno.
• Identificazione dei salti: Utilizza un stimatore di varianza troncata per distinguere i movimenti continui dai salti (jumps), applicando soglie separate per i periodi intraday e overnight per tenere conto dei diversi pattern di volatilità.

B. Framework Econometrico: Regressione Fama-MacBeth in Tempo Continuo

• Adatta la regressione Fama-MacBeth in tempo continuo (Aït-Sahalia, Jacod, e Xiu, 2025) per decomporre il rischio sistematico in componenti continue e componenti di salto specifiche per argomento.
• Portafogli "Pure-Play": Costruisce portafogli che replicano i fattori (factor-mimicking portfolios) isolando l'esposizione a un singolo tipo di rischio (es. macroeconomico) mentre si annulla l'esposizione a tutti gli altri rischi sistematici e continui. Questo permette di stimare i premi per il rischio (risk premia) specifici per categoria.

C. Integrazione dei Large Language Models (LLM)

• Modello: Utilizza Qwen3-235B-A22B, un modello open-source con capacità di ragionamento (reasoning), ospitato localmente per garantire la riproducibilità e rispettare i diritti d'autore dei dati.
• Pipeline a tre stadi:
  1. Recupero Narrativo (Prompt 1): L'LLM analizza le notizie di Dow Jones Newswires rilasciate in finestre di 15 minuti attorno a un salto di mercato per identificare la causa probabile.
  2. Definizione delle Categorie (Prompt 2): L'LLM classifica le cause in 5 categorie mutuamente esclusive: Notizie Macroeconomiche, Eventi Geopolitici, Annunci di Politica, Earnings di Aziende Chiave, Spillover Internazionali.
  3. Classificazione (Prompt 3): Assegna ogni singolo salto di mercato a una delle categorie definite.
• Validazione: Confronta i risultati con modelli tradizionali (LDA) e modelli privi di capacità di ragionamento (non-thinking) per isolare il valore aggiunto dell'LLM.

3. Risultati Chiave

Eterogeneità dei Premi per il Rischio

• Il rischio di salto legato alle notizie macroeconomiche (es. dati su inflazione, occupazione, PIL) comanda il premio più alto e persistente.
  • Rendimento: 3,65% annuo.
  • Sharpe Ratio: 0,78 (superiore allo Sharpe ratio di mercato dello 0,53 nello stesso periodo).
• Altre categorie, come il rischio legato alle politiche monetarie o agli eventi geopolitici, mostrano premi statisticamente insignificanti o inferiori una volta controllato per il rischio macroeconomico.
• Importanza del periodo Overnight: L'analisi dimostra che quasi tutti i premi per il rischio azionario negli USA si accumulano durante la notte. Limitare l'analisi al solo periodo intraday porta a stime rumorose, distorte e talvolta con segno errato.

Valore Economico e Strategia di Investimento

• Strategia in Tempo Reale: Una strategia che, ogni anno, seleziona dinamicamente il portafoglio "pure-play" con il premio per il rischio più significativo (basato sui dati aggiornati) e lo detiene per l'anno successivo, ottiene uno Sharpe ratio out-of-sample di 0,95.
• Superiorità rispetto ai benchmark: Questa strategia genera alfa significativi rispetto al modello a sei fattori di Fama-French (2018) e supera il mercato.
• Robustezza: La strategia mantiene performance solide anche dopo l'applicazione di costi di transazione (fino a 50 bps), grazie a un turnover mensile moderato (10%).

Il Valore Aggiunto dell'LLM

• Confronto con Placebo: Strategie che assegnano casualmente le categorie di salto ottengono Sharpe ratio medi di 0,31, confermando che la performance deriva dalla corretta interpretazione delle notizie.
• Confronto con NLP Tradizionale: L'uso di modelli LDA tradizionali riduce lo Sharpe ratio della strategia a 0,28.
• Capacità di Ragionamento (Thinking): Confrontando il modello Qwen con e senza la modalità di ragionamento ("Thinking"), si osserva che il modello che "ragiona" (System II) identifica correttamente la causa del 97,2% dei salti (contro il 69,7% del modello non-razionale) e genera uno Sharpe ratio di 0,95 contro 0,39. Questo dimostra che la capacità di ragionamento è cruciale per filtrare il rumore e identificare le cause sistemiche reali.

4. Contributi Principali

1. Analisi Empirica Completa: Prima decomposizione empirica del rischio di salto sistematico "around-the-clock", evidenziando come l'analisi notturna sia essenziale per una visione non distorta del rischio.
2. Integrazione LLM nell'Asset Pricing: Dimostra che gli LLM con capacità di ragionamento possono estrarre narrazioni causali economicamente significative dalle notizie, migliorando sia l'interpretabilità che le performance di investimento out-of-sample.
3. Framework Automatizzato e Riproducibile: Sviluppo di un framework completamente automatizzato che mappa le notizie ad alta frequenza a fonti di rischio interpretabili utilizzando modelli open-source, superando le barriere di copyright e di riproducibilità dei modelli proprietari.

5. Significato e Implicazioni

Il lavoro di He ha implicazioni profonde per la finanza accademica e pratica:

• Teoria del Rischio: Conferma che il rischio di salto sistematico non è omogeneo; il mercato premia specificamente l'esposizione a shock macroeconomici imprevisti, specialmente quelli che si verificano quando il mercato è chiuso.
• Strategie di Investimento: Fornisce agli investitori strumenti per costruire portafogli adattivi e interpretabili che sfruttano l'informazione notturna, offrendo un'alternativa superiore ai modelli di fattori tradizionali.
• Futuro della Finanza: Con l'espansione delle sessioni di trading verso il 24/7 (come pianificato da Nasdaq e NYSE), la capacità di analizzare e classificare il rischio in tempo reale utilizzando l'IA diventerà un requisito fondamentale per la gestione del rischio e l'allocazione degli asset.

In sintesi, il paper dimostra che combinare dati ad alta frequenza, analisi notturna e intelligenza artificiale avanzata permette di decodificare la struttura del premio per il rischio con una precisione senza precedenti, trasformando il "rumore" delle notizie in segnali di investimento interpretabili e profittevoli.