🤖 AI

Quant Convergence: Bridging Classical Value Investing and Modern Factor Models for Systematic Equity Selection

Questa ricerca dimostra che l'integrazione dei classici principi di value investing di Benjamin Graham con i moderni modelli fattoriali funge efficacemente da meccanismo di controllo del rischio, consentendo a una strategia ibrida Random Forest di superare complessi modelli di IA come AutoGluon nel fornire rendimenti superiori con drawdown significativamente inferiori in un periodo di quattro anni.

Autori originali: Augusto Eiji Yamazaki, Hugo Garrido-Lestache Belinchon

Pubblicato 2026-06-24

📖 4 min di lettura☕ Lettura da pausa caffè

CC0 1.0

Autori originali: Augusto Eiji Yamazaki, Hugo Garrido-Lestache Belinchon

Articolo originale dedicato al pubblico dominio sotto CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di trovare le mele migliori in un frutteto enorme e rumoroso (il mercato azionario). Per decenni, le persone più intelligenti hanno usato due strumenti molto diversi per farlo.

Strumento 1: Il Contadino della Vecchia Scuola (Benjamin Graham)
Questo è l'approccio degli anni '40. È come una lista di controllo rigorosa. Il contadino sceglie solo le mele che sono:

Grandi e robuste (non piccoli germogli).
Con molta acqua nelle radici (liquidità a disposizione).
Con una storia di crescita di frutti ogni anno (profitti costanti).
Vendute a un prezzo equo e basso (non sovrapprezzate).

Il contadino ignora le "super-mele" appariscenti e costose che potrebbero crescere velocemente ma che potrebbero marcire durante una tempesta. Questo è un filtro passa-basso: blocca le cose rumorose e rischiose e lascia passare solo ciò che è solido e sicuro.

Strumento 2: Il Drone High-Tech (IA Moderna)
Questo è il nuovo approccio. Utilizza computer complessi e machine learning (come XGBoost e AutoGluon) per scansionare l'intero frutteto. Esamina migliaia di punti dati: quanto forte soffia il vento, il colore delle foglie, la storia del suolo e persino l'umore delle previsioni meteorologiche. Cerca di trovare schemi nascosti che gli esseri umani non possono vedere.

L'Esperimento
Gli autori di questo articolo volevano vedere quale strumento funzionasse meglio quando il tempo diventa brutto. Hanno organizzato una gara utilizzando 20 anni di dati dell'S&P 500 (il più grande frutteto degli Stati Uniti). Hanno testato cinque squadre diverse:

Il Puro Contadino: Usando solo le vecchie regole degli anni '40.
Il Puro Drone: Usando solo dati moderni e high-tech.
L'Ibrido: Cercando di mescolare le vecchie regole con la nuova tecnologia.
Il Super-Drone: Un'IA molto complessa che combina molti modelli insieme.
Il Benchmark: Comprare semplicemente tutto il frutteto (l'indice S&P 500).

Hanno corso questa gara attraverso un periodo specifico di quattro anni (2022–2026) che ha incluso un massiccio crollo del mercato (una "tempesta") seguito da una ripresa.

I Risultati: Chi ha vinto?

Il Drone High-Tech (AutoGluon): Questa squadra ha guadagnato molti soldi (rendimento del 222%), ma è stata un'altalena. Poiché ha inseguito i titoli tecnologici "appariscenti", quando la tempesta ha colpito, ha perso quasi il 40% del suo valore. È stato come un'auto da corsa che va veloce ma si schianta duramente.
Il Puro Contadino (Regole di Graham): Questa squadra ha guadagnato più soldi complessivi (rendimento del 232%). Ancora meglio, quando la tempesta ha colpito, hanno perso solo il 35%. Non sono precipitati così tanto perché detenevano aziende solide e ricche di liquidità.
La Squadra Ibrida: Quando hanno cercato di mescolare le vecchie regole con la nuova tecnologia, i risultati sono peggiorati. Il computer si è confuso, ha iniziato a inseguire nuovamente i titoli rischiosi e ha guadagnato meno del Puro Contadino.
Il Super-Drone (XGBoost): Questo è fallito completamente nel test, guadagnando meno del semplice acquisto dell'intero mercato. Aveva "memorizzato" troppo bene il passato e non è riuscito a gestire la nuova tempesta.

La Grande Lezione
L'articolo conclude che la complessità non è sempre meglio.

Pensa alle vecchie regole degli anni '40 non come "superate", ma come un imbracatura di sicurezza. Quando si inserisce un motore IA ad alta potenza in un'imbracatura di sicurezza (le regole di Graham), questa performa meglio rispetto a lasciare che l'IA corra libera.

Il "margine di sicurezza" di cui parlava Benjamin Graham non è solo una bella idea; agisce come un filtro matematico che impedisce all'IA di eccitarsi troppo e comprare titoli rischiosi e volatili proprio prima di un crollo.

Il "margine di sicurezza" che Benjamin Graham menzionava non è solo un'idea piacevole; agisce come un filtro matematico che impedisce all'IA di eccitarsi troppo e acquistare titoli rischiosi e volatili proprio prima di un crollo.

In breve:

L'IA Complessa è come un'auto da corsa: veloce, ma pericolosa in una tempesta.
L'Investimento in Valore della vecchia scuola è come un camion robusto: parte più lentamente, ma ti guida in sicurezza attraverso la tempesta e ti porta al traguardo con più soldi in tasca.
Mescolarli è come mettere il motore di un'auto da corsa in un camion; rende solo il veicolo instabile.

Lo studio dimosta che nel mondo rumoroso e caotico delle azioni, attenersi alle regole semplici e noiose del fondamentale di "comprare buone aziende a un prezzo equo" è in realtà il modo più intelligente di usare i computer moderni.

Sintesi Tecnica: Convergenza Quant

Definizione del Problema

La finanza quantitativa moderna si affida sempre più a modelli complessi di machine learning (ML), come XGBoost e ensemble di AutoML, per identificare pattern nei mercati azionari. Tuttavia, gli autori sostengono che, all'aumentare della complessità di questi modelli, essi rischino di incorrere nell' "overfitting" (sovra-apprendimento) rispetto al rumore di breve termine e all'hype del mercato, piuttosto che identificare aziende con un valore reale a lungo termine. Ciò porta a portafogli che possono generare rendimenti assoluti elevati durante i mercati rialzisti (bull markets), ma che possono subire drawdown catastrofici durante gli shock di mercato a causa della mancanza di vincoli di rischio strutturali. La domanda di ricerca centrale è se il classico framework di investimento value di Benjamin Graham, basato su regole, possa servire come un "filtro passa-basso" matematico per regolarizzare i moderni modelli di IA, impedendo loro di assumere un rischio eccessivo pur mantenendo o migliorando le prestazioni predittive.

Metodologia

Lo studio ha impiegato un rigoroso protocollo di backtesting ventennale (marzo 2006 – marzo 2026) sull'universo S&P 500, utilizzando una rigorosa suddivisione temporale 80/20 per garantire l'assenza di look-ahead bias. La finestra di addestramento ha coperto 4.021 giorni, mentre la finestra di test fuori campione (out-of-sample) ha coperto 1.006 giorni (marzo 2022 – marzo 2026), un periodo caratterizzato da una severa contrazione macroeconomica seguita da un rally concentrato.

Dati e Ingegneria delle Caratteristiche (Feature Engineering)

I ricercatori hanno costruito tre distinti set di caratteristiche per testarli contro cinque diverse architetture di modelli:

Strategia A (Pure Graham): 19 caratteristiche basate strettamente sui sette criteri difensivi di Graham (es. Current Ratio ≥ 2, P/E ≤ 15, P/E × P/B ≤ 22,5), codificate come soglie binarie e integrate con ratio fondamentali.
Strategia B (Modern Quant): 15 caratteristiche derivate da operazioni vettorializzate, inclusi metriche rischio-rendimento (Alpha CAPM, Beta, Sharpe), segnali di momentum e un segnale di integrità dei dati basato sulla Legge di Benford.
Strategia C (Combined Hybrid): Un'aggregazione di 36–40 caratteristiche, inclusi termini di interazione cross-domain (es. Value × Momentum).

Architetture dei Modelli

Sono stati valutati cinque modelli utilizzando l'ottimizzazione degli iperparametri tramite Optuna (Tree-structured Parzen Estimator) e cross-validation mediante TimeSeriesSplit:

Random Forest (RF): Addestrato sulle Strategie A, B e C.
XGBoost: Addestrato sul dataset ibrido combinato (Strategia D).
AutoGluon: Un framework di machine learning automatizzato configurato per impilare (stacking) più modelli (Strategia E).

Protocollo di Esecuzione

Lo studio ha simulato una rigorosa strategia di "buy-and-hold". All'inizio del periodo di test, ogni modello ha selezionato i primi 20 titoli in base alla probabilità di sovraperformance predetta. Questi sono stati acquistati con pesi uguali e detenuti senza ribilanciamento per l'intera durata quadriennale.

Risultati Chiave

I risultati fuori campione hanno sfidato l'assunto secondo cui una maggiore complessità algoritmica e dati non strutturati garantiscano rendimenti corretti per il rischio superiori.

Rendimenti Assoluti: Il Pure Graham Random Forest (Strategia A) ha ottenuto il rendimento totale più elevato del 232,13%, superando il benchmark S&P 500 (68,00%) e il modello AutoGluon non strutturato (222,68%).
Rischio e Drawdown: Sebbene AutoGluon abbia generato rendimenti elevati, ha subito un massimo drawdown del 39,78% durante lo shock di mercato del 2022, significativamente peggiore del 24,00% del benchmark. Al contrario, il modello Pure Graham ha registrato un drawdown del 35,01%, mentre il Combined Hybrid RF (Strategia C) ha ottenuto il drawdown più basso del 34,53%.
Performance Corrette per il Rischio: Il modello Pure Graham ha ottenuto il Calmar Ratio più elevato (1,38), indicando una rendimento superiore per unità di rischio di ribasso. Il Combined Hybrid RF (Strategia C) è seguito con 1,22, mentre AutoGluon è sceso a 1,16.
Penalità di Complessità: Quando i fattori quantitativi moderni sono stati mescolati con le regole di Graham (Strategia C), il rendimento totale è sceso al 202,91% rispetto al 232,13% del modello Pure Graham. Inoltre, il modello XGBoost applicato al dataset combinato (Strategia D) è crollato a un rendimento del 56,79%, sottoperformando il benchmark, indicando un grave overfitting.
Significatività Statistica: Un t-test di Welch ha confermato che la sovraperformance della strategia Pure Graham era statisticamente significativa al livello $\alpha = 0,10$ ( $p = 0,098$ ) rispetto all'S&P 500. Al contrario, il modello AutoGluon non è riuscito a rifiutare l'ipotesi nulla ( $p = 0,106$ ), suggerendo che i suoi rendimenti fossero matematicamente indistinguibili dalla varianza casuale data la sua alta volatilità.

Significato e Rivendicazioni

Il documento sostiene che il "margine di sicurezza" di Benjamin Graham non sia un concetto superato, ma una altamente efficace tecnica di regolarizzazione per il moderno trading algoritmico.

Filtro Passa-Basso: Lo studio dimostra che limitare i modelli ML a metriche classiche di bilancio agisce come un filtro passa-basso matematico, rimuovendo efficacemente le aziende finanziariamente fragili e impedendo al modello di fare overfitting su momentum o volatilità di breve termine.
Diluizione del Valore: La ricerca suggerisce che tentare di "modernizzare" le regole di Graham aggiungendo contemporanei fattori di momentum diluisce effettivamente il loro potere predittivo. La pura logica fondamentale si è dimostrata strutturalmente superiore rispetto agli approcci ibridi in questo specifico regime di mercato.
Sopravvivenza Strutturale: I risultati indicano che, nell'intersezione tra IA e finanza, i modelli più robusti sono quelli ancorati alla realtà economica fondamentale. Gli ensemble complessi e non strutturati possono catturare il momentum rialzista, ma falliscono nel fornire una sopravvivenza strutturale durante gli shock di mercato, laddove i modelli fondamentali vincolati offrono un profilo rischio-rendimento superiore.

Gli autori concludono che i vincoli fondamentali sono necessari per isolare l'alpha vero e statisticamente significativo, trasformando il framework difensivo di Graham degli anni '40 in uno strumento vitale per la gestione del rischio nei sistemi di machine learning ad alta dimensionalità.