Forecasting accuracy to portfolio value: Model risk and regime dependence in an emerging equity market
Questo studio analizza i titoli del mercato azionario di Mosca per dimostrare che, sebbene CatBoost offra la migliore accuratezza di previsione statistica, PatchTST garantisce una performance di portafoglio superiore, e nessuna strategia di selezione del modello o di cambio di regime può superare in modo affidabile il fondamentale disallineamento tra precisione di previsione e capacità di classificazione trasversale nei mercati emergenti.
Articolo originale sotto licenza CC BY 4.0 (https://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
Gli investitori che gestiscono grandi pool di denaro affrontano un dilemma costante e silenzioso: devono indovinare quali azioni saliranno e quali scenderanno, ma non possono mai essere sicuri se il loro metodo di valutazione sia quello corretto. Non si tratta solo di una questione di sfortuna; è un problema fondamentale di incertezza. Su un livello, un investitore teme che la sua stima del rendimento futuro di un titolo sia errata. Su un livello più profondo, teme che l'intero quadro matematico che sta utilizzando per formulare quella stima possa essere difettoso. In tempi stabili, le regole semplici spesso funzionano bene, ma quando l'ambiente economico cambia — quando l'inflazione aumenta, i mercati diventano volatili o i prezzi crollano — quelle stesse regole possono fallire. La domanda diventa se un metodo più complesso e flessibile possa adattarsi meglio a queste condizioni mutevoli rispetto a uno più diretto, e se un metodo statisticamente accurato nel prevedere i numeri porti effettivamente a migliori risultati di investimento.
Un team di ricercatori si è proposto di testare queste domande nel mercato azionario russo, un luogo in cui le condizioni economiche sono cambiate drasticamente nell'ultimo decennio. Hanno raccolto dati su quasi trecento società quotate sulla Borsa di Mosca, coprendo un periodo che va dalla fine del 2016 al 2025. Questo arco temporale ha incluso anni di inflazione costante, lo shock globale della pandemia e un periodo di intense tensioni geopolitiche e di restrizione monetaria. I ricercatori volevano vedere se la relazione tra le caratteristiche di un'azienda e i suoi rendimenti futuri cambiasse a seconda che il mercato fosse calmo o sotto stress. Per farlo, hanno costruito un esperimento controllato in cui otto diversi metodi di previsione competevano tra loro. Questi metodi variavano da semplici equazioni lineari, che assumono una relazione costante tra fattori e rendimenti, a sofisticati algoritmi di machine learning capaci di rilevare schemi complessi e non lineari e di adattarsi a nuovi dati.
I ricercatori hanno fornito a tutti gli otto modelli esattamente le stesse informazioni: dati sulla dimensione, sul valore, sul momentum e sulla liquidità delle società, combinati con indicatori di stress di mercato come l'alta inflazione e i bruschi cali dei prezzi. Hanno poi chiesto a ciascun modello di prevedere i rendimenti delle azioni nei tre mesi successivi. Fondamentalmente, non hanno lasciato che i modelli competessero in un libero confronto; invece, hanno costretto ogni modello a utilizzare le stesse regole per costruire un portafoglio. Hanno selezionato i venticinque titoli con i rendimenti previsti più elevati, hanno limitato l'importo investito in ogni singolo titolo e hanno gestito il rischio in modo identico. Ciò ha garantito che qualsiasi differenza nei risultati finali derivasse puramente dalla qualità delle previsioni, e non da come il denaro veniva allocato.
I risultati hanno rivelato un sorprendente distacco tra accuratezza statistica e valore reale. Uno dei modelli di machine learning più avanzati, noto come CatBoost, ha prodotto gli errori medi più piccoli nella previsione dei rendimenti. Era il più preciso nel indovinare i numeri. Tuttavia, quando i ricercatori hanno osservato se i modelli potessero classificare correttamente i titoli migliori rispetto ai peggiori, tutti gli otto metodi sono stati scarsi. Nessuno di essi è riuscito a identificare costantemente i top performer meglio del caso casuale. Questo reperimento suggerisce che anche gli algoritmi più sofisticati faticano a trovare un segnale affidabile nel rumore di un mercato emergente, specialmente quando quel mercato sta attraversando rapidi cambiamenti strutturali.
Ancora più importante, lo studio ha scoperto che il modello con la migliore accuratezza statistica non ha prodotto il portafoglio di investimento migliore. Un modello diverso, basato su un'architettura di apprendimento sequenziale chiamata PatchTST, aveva una accuratezza complessiva relativamente scarsa nelle sue previsioni. Eppure, quando le sue previsioni sono state utilizzate per costruire un portafoglio, ha fornito rendimenti corretti per il rischio competitivi con le migliori strategie e ha subito perdite minori durante i ribassi del mercato. Questo risultato evidenzia una lezione critica: un modello non ha bisogno di essere perfetto nel prevedere ogni numero per essere utile agli investimenti. Deve solo essere abbastanza bravo da identificare i titoli specifici che performeranno bene, anche se sbaglia il resto del mercato.
I ricercatori hanno anche testato se fosse possibile passare da un modello all'altro a seconda delle attuali condizioni di mercato, come l'utilizzo di un modello durante l'alta inflazione e di un altro durante i crolli del mercato. Hanno creato una regola che selezionerebbe automaticamente il modello con le migliori prestazioni in base ai risultati recenti o allo stato attuale dell'economia. Sebbene questa regola di commutazione abbia prodotto i rendimenti nominali più elevati nel loro backtest, il vantaggio non era statisticamente affidabile. I risultati erano così vicini a quelli delle strategie fisse che la differenza poteva facilmente essere dovuta al caso. Inoltre, poiché la regola è stata progettata dopo aver esaminato i dati, non può essere considerata una strategia provata per il futuro. Lo studio suggerisce che, sebbene sapere che il mercato è sotto stress sia utile per capire quando le previsioni potrebbero essere inaffidabili, ciò non fornisce un segnale chiaro e automatico su quale strumento matematico utilizzare.
In definitiva, il documento conclude che non esiste un unico "miglior" modello per prevedere i rendimenti azionari in un mercato emergente. I modelli più flessibili e complessi non superano automaticamente quelli più semplici, e il modello che vince in un concorso statistico non è necessariamente quello che costruisce il portafoglio più redditizio. L'incertezza che gli investitori affrontano è duplice: devono gestire la difficoltà intrinseca di prevedere il futuro e devono anche accettare che non possono sapere con certezza quale metodo di previsione sia quello giusto per il momento. In questo ambiente, l'approccio più robusto potrebbe non essere la ricerca di una macchina di previsione perfetta, ma il riconoscimento che tutti i modelli comportano rischi e che il valore di un modello non risiede nella sua accuratezza media, ma nella sua capacità di guidare decisioni di investimento oculate sotto pressione.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.