💰 quantitative finance

Portfolio Optimization under Heavy Tails and Asymmetric Volatility: Evidence from Taiwan-Exposed ETFs

Questo articolo analizza trenta ETF quotati negli Stati Uniti ed esposti verso Taiwan dal 2015 al 2025 per dimostrare che, sebbene la concentrazione dei semiconduttori guidi rischi a coda pesante e volatilità asimmetrica, l'ottimizzazione del rischio di coda (CVaR) produce portafogli più concentrati e classifiche di performance differenti rispetto ai tradizionali framework media-varianza, evidenziando l'insufficienza dei modelli basati sulla varianza per gli investimenti concentrati nel settore tecnologico.

Autori originali: Ting-Jung Lee, Abootaleb Shirvani, Farzana Afroz, Svetlozar T. Rachev, Frank J. Fabozzi

Pubblicato 2026-07-21

📖 7 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Ting-Jung Lee, Abootaleb Shirvani, Farzana Afroz, Svetlozar T. Rachev, Frank J. Fabozzi

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ 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

Immaginate di essere un cacciatore di tesori che naviga in un mare in tempesta. Per secoli, i marinai hanno usato una mappa semplice che assume che l'oceano sia per lo più calmo, con onde che si alzano e si abbassano secondo un modello prevedibile e simmetrico. Questa mappa funziona bene per le brezze leggere, ma fallisce miseramente quando colpisce un uragano. Nel mondo della finanza, questa mappa dell' "oceano calmo" è chiamata varianza, uno strumento che misura quanto i prezzi saltano su e giù. Tratta un improvviso calo dei prezzi (un disastro) e un improvviso picco di prezzi (un jackpot) come ugualmente rischiosi, solo perché entrambi sono movimenti grandi. Ma nella realtà, gli investitori si preoccupano molto di più di perdere la propria nave che di trovare oro extra.

Quando si osservano i mercati guidati dalle industrie high-tech, come quello di Taiwan, l'oceano non è solo tempestoso; è pieno di onde massicce e nascoste che possono far naufragare una nave senza preavviso. Queste sono chiamate code pesanti (gli eventi estremi accadono più spesso di quanto la mappa del calmo preveda) e volatilità asimmetrica (le cattive notizie fanno sì che le onde diventino più grandi più velocemente di quanto le buone notizie le facciano rimpicciolire). Per navigare in questo modo, gli esperti usano un radar speciale chiamato CVaR (Conditional Value-at-Risk), che non chiede solo: "Quanto è grande l'onda più grande?", ma piuttosto: "Se l'onda peggiore colpisce, quanta acqua inonderà effettivamente la barca?". Questo articolo si immerge nelle acque specifiche dei fondi esposti a Taiwan per vedere se le vecchie mappe ci stanno mentendo e se il nuovo radar può aiutarci a costruire una barca migliore.

La tempesta dei semiconduttori di Taiwan

Gli autori di questo studio hanno deciso di testare queste idee su trenta diversi fondi di investimento (ETF) che hanno un forte legame con Taiwan. Perché Taiwan? Perché è il cuore dell'industria globale dei semiconduttori, il luogo in cui vengono realati i chip per il tuo telefono, la tua IA e i tuoi computer. Questo rende questi fondi incredibilmente sensibili agli alti e bassi del mondo tecnologico, nonché alle tensioni geopolitiche. I ricercatori hanno esaminato i dati da febbraio 2015 a febbraio 2025, un periodo che ha incluso la calma prima della pandemia, il caos del crollo del 2020 e il massiccio boom dell'IA che ne è seguito.

Si sono posti una domanda semplice ma cruciale: Se costruiamo un portafoglio usando la vecchia mappa della "varianza", ci proteggerà dai veri pericoli di questi fondi ad alta intensità tecnologica, o ci lascerà esposti?

La vecchia mappa contro il nuovo radar

In primo luogo, il team ha controllato la "forma" del rischio. Hanno utilizzato uno strumento chiamato stimatore di Hill per misurare quanto fossero "pesanti" le code della distribuzione del rischio. Pensate a questo come a misurare quanto sia probabile trovare uno tsunami nell'oceano. Sorprendentemente, hanno scoperto che la forma del pericolo era in realtà piuttosto simile in tutti i fondi, che fossero focalizzati su una singola azienda di semiconduttori o distribuiti in tutto il mondo. La "probabilità di tsunami" era approssimativamente la stessa.

Tuttiché, la dimensione delle onde era molto diversa. I fondi focalizzati sui semiconduttori (come SMH e SOXX) avevano onde molto più grandi complessivamente perché i loro prezzi si muovevano in modo più selvaggio. Questa è una scoperta chiave: il pericolo extra in questi fondi tecnologici non era dovuto al fatto che il tipo di rischio fosse strano, ma semplicemente perché la scala del movimento era enorme. Le vecchie mappe basate sulla varianza hanno mancato questa sfumatura, facendo apparire i fondi dei semiconduttori solo leggermente più rischiosi di quelli sicuri, quando in realtà le loro potenziali perdite erano massicce.

Il mistero della "memoria lunga"

Successivamente, i ricercatori hanno investigato un fenomeno inquietante chiamato memoria lunga. In finanza, questa è l'idea che se un'onda si infrange oggi, potrebbe continuare a infrangersi per molto tempo, come un fantasma che si rifiuta di andarsene. Alcuni modelli suggeriscono che questa sia una caratteristica permanente del mercato. Ma gli autori hanno testato questo filtrando il "rumore" della volatilità quotidiana utilizzando un modello chiamato GJR-GARCH (che tiene conto del fatto che le cattive notizie spaventano le persone più di quanto le buone notizie le eccitino).

Dopo aver filtrato il rumore, il "fantasma" è svanito. La memoria lunga è scomparsa. Ciò suggerisce che il mercato non sia infestato da una maledizione permanente; piuttosto, le onde sembrano solo spaventose perché si raggruppano quando le cose vanno male. Gli autori concludono che non abbiamo bisogno di complessi modelli a "memoria lunga" per prevedere questi fondi; un modello più semplice che tenga conto di come le cattive notizie facciano aumentare la volatilità è sufficiente.

Costruire la barca: Due diversi progetti

La parte più eccitante dello studio è stata la costruzione dei portafogli. I ricercatori hanno provato due diversi progetti:

Il Progetto Media-Varianza: L'approccio classico che cerca di bilanciare il rendimento rispetto al movimento totale (su e giù).
Il Progetto CVaR: Il nuovo approccio che cerca di minimizzare il danno specifico dagli scenari peggiori.

Quando hanno costruito la barca Media-Varianza, era un vascello equilibrato e diversificato. Distribuiva il suo peso su molti fondi diversi per rendere la navigazione più fluida. Non scommetteva pesantemente su nulla.

Ma quando hanno costruito la barca CVaR, il risultato è stato scioccante. Il nuovo progetto ha deciso che il modo migliore per sopravvivere alle peggiori tempeste era caricare pesantemente il fondo SMH (un ETF focalizzato sui semiconduttori). Perché? Perché durante il boom dell'IA post-pandemia, SMH era così bravo a generare rendimenti che, nonostante le sue enormi onde, offriva il miglior rapporto "sopravvivenza-ricompensa". La barca CVaR è diventata un racer concentrato e ad alta velocità, scommettendo molto sul settore tecnologico, mentre la vecchia barca era una nave da crociera lenta e costante.

Chi vince la corsa?

Infine, hanno fatto gareggiare queste barche nell'ultimo decennio per vedere quale performasse meglio. I risultati dipendevano interamente da come si giudicava il vincitore:

Se si giudica secondo le vecchie regole (Rapporto di Sharpe): Il Portafoglio a Pesi Uguali (una barca semplice dove compri un po' di tutto) ha vinto. Era robusto, non ha commesso grandi errori ed è riuscito a cavalcare l'onda dell'IA abbastanza bene da battere le barche ottimizzate e complesse. La matematica sofisticata delle barche ottimizzate ha effettivamente danneggiato loro perché la matematica ha amplificato piccoli errori.
Se si giudica secondo le nuove regole (Rapporto di Rachev): Le barche basate su CVaR hanno vinto. Quando si guarda specificamente all'equilibrio tra guadagni estremi e perdite estreme, i portafogli che si concentravano sul rischio di coda hanno performato meglio. Sono riusciti a gestire i giorni peggiori in modo più efficace.

La conclusione

L'articolo suggerisce che in un mondo dominato dalla tecnologia e dalle code pesanti, la vecchia mappa della "varianza" è incompleta. Nasconde la vera scala del pericolo nei fondi dei semiconduttori. Sebbene la semplice strategia di "comprare tutto" sia stata la vincitrice più robusta in questa specifica gara, lo studio dimostra che se ti interessa profondamente evitare perdite catastrofiche, hai bisogno di un tipo diverso di mappa.

Gli autori non pretendono di aver trovato una soluzione magica che risolva tutti i problemi di investimento. Invece, mostrano che il modo in cui misuri il rischio cambia la barca che costruisci. Se guardi solo alle onde medie, costruisci una nave da crociera. Se guardi agli tsunami, potresti finire per costruire un racer ad alta velocità. Nel volatile mondo del settore tecnologico di Taiwan, sapere quale mappa stai usando è la differenza tra una navigazione tranquilla e un naufragio.

Sintesi Tecnica: Ottimizzazione del Portafoglio sotto Code Pesanti e Volatilità Asimmetrica: Evidenze dagli ETF con Esposizione a Taiwan

Problematica
Il ruolo centrale di Taiwan nella produzione globale di semiconduttori crea un ambiente di investimento unico per gli ETF con esposizione a Taiwan. Questi asset sono soggetti a concentrazione tecnologica, incertezza geopolitica e interruzioni della catena di approvvigionamento, portando a distribuzioni di rendimento caratterizzate da code pesanti, clustering della volatilità e risposte asimmetriche agli shock negativi. I tradizionali framework di portafoglio, basati principalmente sull'ottimizzazione media-varianza di Markowitz (1952), trattano le deviazioni positive e negative in modo simmetrico e si affidano alla varianza come unica misura del rischio. Tale approccio è insufficiente per mercati in cui i rendimenti esibiscono skewness, eccesso di curtosi e grandi movimenti verso il basso. Il documento affronta se le misure basate sulla varianza sottostimino sistematicamente il rischio di coda in questo contesto, se la presunta memoria lunga nella volatilità rifletta una reale integrazione frazionaria o eteroschedasticità condizionale, e se l'ottimizzazione sensibile alle code (Conditional Value-at-Risk, o CVaR) produca allocazioni di portafoglio e classifiche di performance materialmente differenti rispetto all'ottimizzazione media-varianza.

Metodologia
Lo studio analizza trenta ETF quotati negli Stati Uniti con esposizione a Taiwan, mercati emergenti, Asia-Pacifico e settori tecnologici/semiconduttori nel periodo compreso tra il 20 febbraio 2015 e il 20 febbraio 2025. Il framework empirico integra quattro distinti componenti metodologici:

Diagnostica del Rischio di Coda: Gli autori utilizzano lo stimatore di Hill per stimare l'indice di coda ( $\alpha$ ) delle distribuzioni dei rendimenti, caratterizzando il decadimento asintotico delle perdite estreme. Ciò è completato dal calcolo del Value-at-Risk (VaR) storico e del Conditional Value-at-Risk (CVaR) ai livelli di confidenza del 95% e 99%.
Modellazione della Volatilità: Per investigare la persistenza della volatilità e l'asimmetria, il documento utilizza modelli GJR-GARCH(1,1) con innovazioni Student-t per catturare le risposte asimmetriche della volatilità (effetti leva). Inoltre, vengono stimati modelli FIGARCH(1,d,1) a finestra mobile per distinguere tra vera memoria lunga (integrazione frazionaria) e persistenza guidata dall'eteroschedasticità condizionale. Le diagnostiche della memoria lunga includono lo stimatore Geweke–Porter–Hudak (GPH), lo stimatore Local Whittle e l'esponente di Hurst, applicati sia ai rendimenti quadratici grezzi che ai residui standardizzati filtrati dal modello GJR-GARCH.
Ottimizzazione del Portafoglio: Due framework di ottimizzazione vengono confrontati utilizzando una finestra mobile di quattro anni (1.008 giorni di trading):
- Media-Varianza: Minimizzazione della varianza del portafoglio soggetta a vincoli di rendimento atteso (Markowitz, 1952).
- Ottimizzazione CVaR: Minimizzazione del CVaR e massimizzazione del rapporto STARR (rendimento in eccesso rispetto al CVaR) utilizzando la formulazione di programmazione lineare basata su scenari di Rockafellar e Uryasev (2002).
  Entrambi i framework sono valutati sotto vincoli long-only e long-short.
Valutazione delle Performance: Le classifiche dei portafogli sono valutate utilizzando tre misure distinte di rendimento-rischio: lo Sharpe ratio (basato sulla varianza), il rapporto Rachev (che confronta i guadagni estremi con le perdite estreme) e il rapporto STARR (rendimento in eccesso rispetto al CVaR).

Contributi Chiave e Risultati

Rischio di Coda e Scala vs. Spessore: L'analisi conferma che gli ETF con esposizione a Taiwan esibiscono un comportamento a code pesanti, con stime dell'indice di coda di Hill che ricadono generalmente tra 2,5 e 3,5. Sebbene il comportamento di decadimento asintotico della coda (indice di coda) sia ampiamente simile in tutto l'universo degli ETF, gli ETF focalizzati sui semiconduttori (es. SMH, SOXX) presentano stime di VaR e CVaR sostanzialmente più elevate rispetto ai benchmark diversificati. Il documento conclude che queste differenze trasversali nel rischio di coda estremo sono guidate principalmente dalle differenze nella scala dei rendimenti (volatilità) piuttosto che dalle differenze nello spessore della coda. Le misure basate sulla varianza, come lo Sharpe ratio, non riescono a catturare queste differenze di scala nel rischio di coda.
Natura della Persistenza della Volatilità: Le diagnostiche iniziali sui rendimenti quadratici grezzi suggeriscono la presenza di un comportamento di memoria lunga. Tuttavia, dopo aver filtrato le serie di rendimento attraverso un modello GJR-GARCH(1,1), le diagnostiche della memoria lunga (GPH, Local Whittle, Hurst) collassano verso lo zero e perdono significatività statistica. Ciò indica che la presunta memoria lunga è ampiamente attribuibile all'eteroschedasticità condizionale asimmetrica e al clustering della volatilità piuttosto che a una reale integrazione frazionaria. Di conseguenza, i modelli GARCH asimmetrici standard sono ritenuti sufficienti per modellare la volatilità in questo contesto senza la necessità di specifiche frazionariamente integrate complesse.
Divergenza nelle Allocazioni di Portafoglio: L'ottimizzazione basata sul CVaR produce portafogli materialmente più concentrati rispetto all'ottimizzazione media-varianza. Mentre il portafoglio tangente media-varianza rimane diversificato tra molteplici ETF, il portafoglio tangente CVaR alloca un peso dominante all'ETF dei semiconduttori SMH, in particolare durante l'espansione post-COVID guidata dall'IA. Ciò suggerisce che l'ottimizzazione del rischio di coda favorisce asset con caratteristiche favorevoli del rapporto rendimento atteso-rischio di coda, anche se altamente concentrati.
Dipendenza delle Classifiche dalle Misure di Performance: Lo studio rileva che le classifiche delle performance dei portafogli sono altamente sensibili alla metrica di valutazione scelta.
- Lo Sharpe ratio e la misura STARR favoriscono il portafoglio a peso uguale (EWP), che beneficia della robustezza contro l'errore di stima e della ampia esposizione all'apprezzamento del mercato guidato dai semiconduttori.
- Il rapporto Rachev favorisce i portafogli basati su CVaR, poiché queste strategie gestiscono esplicitamente l'equilibrio tra guadagni estremi e perdite estreme.
- Sotto vincoli long-short, i portafogli ottimizzati generalmente sottoperformano l'EWP in termini di rendimenti cumulativi e Sharpe ratio, probabilmente a causa dell'amplificazione dell'errore di stima, sebbene possano offrire profili di rischio di coda differenti.

Significatività e Rivendicazioni
Il documento sostiene che, negli ambienti di investimento con concentrazione tecnologica, i framework basati sulla varianza forniscono una caratterizzazione incompleta del rischio. I risultati dimostrano che le misure di rischio sensibili alle code (VaR, CVaR) rivelano differenze economicamente significative nel rischio di ribasso che le metriche basate sulla varianza oscurano. Inoltre, lo studio evidenzia che la scelta della misura di performance altera fondamentalmente la valutazione della qualità del portafoglio; un portafoglio che è ottimale secondo un criterio sensibile alla coda (rapporto Rachev) può essere subottimale secondo un criterio basato sulla varianza (Sharpe ratio).

Gli autori affermano che, per gli ETF con esposizione a Taiwan, la presunta memoria lunga nella volatilità è meglio spiegata dall'eteroschedasticità condizionale asimmetrica che dall'integrazione frazionaria, suggerendo che i modelli GJR-GARCH più semplici siano preferibili per la gestione del rischio. Infine, il documento postula che, sebbene l'ottimizzazione CVaR porti ad allocazioni più concentrate (specificamente negli asset dei semiconduttori), il portafoglio a peso uguale rimane un benchmark robusto che spesso supera le strategie ottimizzate in termini di performance fuori campione, specialmente quando l'errore di stima è un problema. I risultati sottolineano la necessità di utilizzare molteplici misure di performance per valutare i portafogli in mercati caratterizzati da code pesanti e volatilità asimmetrica.