Comparative Evaluation of Modern Deep Learning Methodologies for Portfolio Optimization

1. Enunciato del Problema

I metodi tradizionali di ottimizzazione dei portafogli, come la Teoria Moderna del Portafoglio (MPT), il Capital Asset Pricing Model (CAPM) e il modello Black-Litterman, si basano pesantemente su assunzioni statiche (ad esempio, rendimenti distribuiti normalmente, matrici di covarianza statiche) e relazioni lineari. Questi modelli faticano in ambienti finanziari moderni caratterizzati da:

• Non stazionarietà e Non linearità: I mercati mostrano correlazioni variabili nel tempo e dipendenze complesse e non lineari che i modelli statici non riescono a catturare.
• Alta dimensionalità: Il volume enorme di attività e fonti di dati (notizie, sentiment, fondamentali) sovraccarica l'ingegneria delle caratteristiche tradizionale.
• Errore di stima: L'ottimizzazione media-varianza (MVO) è altamente sensibile ai parametri di input; piccoli errori nelle stime dei rendimenti attesi o della covarianza possono portare a portafogli instabili e subottimali.

Lo studio affronta il vuoto nella letteratura riguardante l'integrazione di architetture avanzate di deep learning con la teoria finanziaria tradizionale per creare strategie di portafoglio robuste, adattive e consapevoli del rischio.

2. Metodologia

Lo studio impiega un quadro comparativo utilizzando dati storici giornalieri (2015–2023) su diverse classi di attività (Azioni, ETF, Obbligazioni, Oro). La metodologia prevede la costruzione, l'addestramento e il backtesting di sette strategie distinte.

A. Dati e Preprocessing

• Attività: AAPL, TLT, AMZN, SPY, EFA, GLD, MSFT.
• Caratteristiche: Rendimenti giornalieri, indicatori tecnici (volatilità, medie mobili, momentum), standardizzati per garantire la stabilità del modello.
• Backtesting: Trading simulato con costi di transazione, ribilanciamento dinamico e vincoli di rischio (massima volatilità/maximum drawdown).

B. Architetture di Modello

La ricerca valuta quattro paradigmi principali di deep learning e le loro combinazioni ibride:

1. Reinforcement Learning Profondo (DRL):

   • Obiettivo: Imparare dinamicamente i pesi ottimali del portafoglio per massimizzare il rapporto di Sharpe.
   • Meccanismo: Utilizza un agente PPO (Proximal Policy Optimization) che interagisce con l'ambiente di mercato.
   • Limite Testato: Il DRL autonomo soffre spesso di inefficienza del campione e mancanza di consapevolezza strutturale.

2. Autoencoder (AE):

   • Obiettivo: Riduzione della dimensionalità e filtraggio del rumore.
   • Meccanismo: Codifica flussi di rendimenti ad alta dimensionalità in uno spazio latente a dimensionalità inferiore ($Z$) e li ricostruisce.
   • Utilizzo: Utilizzato come compressore di caratteristiche per gli input del DRL o come stimatore di covarianza autonomo.

3. Reti Neurali Grafiche (GNN):

   • Obiettivo: Modellare le dipendenze inter-attività e le strutture di correlazione in evoluzione.
   • Meccanismo: Tratta le attività come nodi in un grafo ($\mathcal{G} = (\mathcal{V}, \mathcal{E})$) e utilizza il passaggio di messaggi per aggiornare le rappresentazioni dei nodi in base ai vicini.
   • Utilizzo: Utilizzato specificamente per stimare la matrice di covarianza per l'ottimizzazione.

4. Trasformatori:

   • Obiettivo: Catturare dipendenze temporali a lungo raggio nei rendimenti delle attività.
   • Meccanismo: Utilizza meccanismi di auto-attenzione per pesare l'importanza dei passaggi temporali passati per la previsione dei rendimenti futuri.
   • Utilizzo: Genera vettori di rendimenti previsti ($\mu$).

C. Strategie Ibride

• Autoencoder + DRL: Utilizza caratteristiche latenti dall'AE per stabilizzare l'addestramento del DRL.
• Trasformatori + GNN: Combina i rendimenti previsti dai Trasformatori con le matrici di covarianza stimate dai GNN, alimentando entrambi in un quadro di Ottimizzazione Media-Varianza (MVO).

D. Benchmark

I modelli di deep learning sono confrontati con:

• MVO di Markowitz: Utilizzando input previsti.
• Ponderato Equamente (1/N): Una semplice base statica.
• Portafoglio 60/40: Una strategia tradizionale di allocazione fissa.

E. Metriche di Valutazione

• Rendimento: Rendimento Cumulativo, Rendimento Annualizzato (CAGR).
• Rischio: Volatilità Annualizzata, Maximum Drawdown (MDD).
• Efficienza: Rapporto di Sharpe.

3. Contributi Chiave

1. Validazione dell'Architettura Ibrida: Dimostra che combinare modelli di deep learning complementari (ad esempio, Trasformatori per le serie temporali e GNN per i dati relazionali) produce un controllo del rischio superiore rispetto ai modelli autonomi.
2. Rivalutazione dei Modelli Tradizionali: Sfida la narrazione secondo cui la MVO è obsoleta. Lo studio mostra che la MVO rimane altamente competitiva (e spesso superiore nei rendimenti grezzi) quando accoppiata a input di alta qualità derivati dal deep learning.
3. Impatto della Compressione delle Caratteristiche: Dimostra che la riduzione della dimensionalità tramite Autoencoder stabilizza significativamente l'addestramento del DRL, impedendo al DRL "naif" di performare male.
4. Quadro Completo di Backtesting: Fornisce un confronto rigoroso di sette strategie sotto vincoli realistici (costi di transazione, ribilanciamento) in un periodo di 8 anni che include vari regimi di mercato.

4. Risultati

L'analisi empirica ha prodotto i seguenti risultati chiave (basati sulla Tabella 2 nel documento):

Strategia	Rendimento Cumulativo (%)	Volatilità (%)	Rapporto di Sharpe	Maximum Drawdown (%)
MVO (con input DL)	461,31 (Più alto)	19,38	1,0885 (Più alto)	-31,82
Autoencoder	287,79	15,45	1,0546	-27,70
Autoencoder + DRL	273,76	15,26	1,0390	-26,52
Trasformatori + GNN	269,71	14,67 (Più basso)	1,0659	-18,81 (Più basso)
60/40	332,89	21,09	0,8798	-32,64
Ponderato Equamente	287,79	15,45	1,0546	-27,70
DRL Autonomo	50,06	15,71	0,3671	-37,36

• Performance di Rendimento: La strategia MVO che utilizza input di deep learning ha raggiunto il rendimento cumulativo più alto (461,31%) e il rapporto di Sharpe più alto (1,09), superando tutte le strategie basate esclusivamente su deep learning.
• Gestione del Rischio: L'ibrido Trasformatori + GNN ha dimostrato il miglior controllo del rischio, ottenendo la volatilità più bassa (14,67%) e il maximum drawdown più basso (-18,81%).
• Performance del DRL: Il DRL autonomo ha performato male (Sharpe 0,37), confermando che senza priors strutturali o compressione delle caratteristiche, il DRL fatica a imparare politiche ottimali in dati finanziari rumorosi.
• Comportamento dell'Autoencoder: La strategia Autoencoder autonoma ha rispecchiato il portafoglio Ponderato Equamente, indicando che la sola compressione delle caratteristiche non genera alpha senza un meccanismo di allocazione dinamica.

5. Significato e Conclusione

Lo studio conclude che nessuna metodologia singola domina universalmente. Piuttosto, l'approccio ottimale risiede nella sinergia tra la teoria finanziaria classica e il moderno deep learning:

• Complementarità: Il deep learning eccelle nell'estrazione di caratteristiche (Trasformatori per il tempo, GNN per la struttura, Autoencoder per la riduzione del rumore), mentre l'ottimizzazione tradizionale (MVO) eccelle nella costruzione efficiente del portafoglio dati tali input.
• Robustezza: I modelli ibridi (in particolare Trasformatori+GNN) offrono stabilità superiore e protezione al ribasso, rendendoli ideali per ambienti istituzionali sensibili al rischio.
• Praticità: La ricerca convalida che i modelli tradizionali non sono obsoleti; piuttosto, le loro prestazioni dipendono dalla qualità dei dati di input. Sostituendo le stime manuali con previsioni di deep learning, la MVO riacquista la sua competitività.

Direzioni Future: Gli autori suggeriscono di esplorare l'integrazione di rappresentazioni finanziarie latenti direttamente nei framework di ottimizzazione tradizionali per migliorare ulteriormente la scalabilità e l'interpretabilità nelle implementazioni istituzionali su larga scala.