A Quadratic Resource-Allocation Reduction for Portfolio Selection in the ε-Contaminated Binomial Model

Gli investitori hanno sempre affrontato una tensione fondamentale: il desiderio di far crescere la ricchezza contro la paura che il futuro non assomigli al passato. Nel mondo della finanza, questa incertezza viene spesso modellata immaginando un mercato che si comporta in modo prevalentemente come previsto, ma che occasionalmente devia in modi imprevedibili. Questo è l'ambito della selezione del portafoglio, dove l'obiettivo è decidere come ripartire il denaro tra diversi asset. Quando il futuro è incerto, un investitore prudente non pianifica solo per l'esito più probabile; pianifica per lo scenario peggiore possibile che potrebbe comunque verificarsi entro un intervallo ragionevole di possibilità. Questo approccio, noto come ottimizzazione robusta, pone una domanda difficile: se il mercato si rivoltesse contro di noi nel modo più dannoso consentito dai nostri dati, come avremmo dovuto investire per sopravvivere?

Per decenni, risolvere questo problema in un modello di mercato multi-step è stato un incubo computazionale. Il numero di possibili percorsi che il mercato potrebbe intraprendere cresce in modo esplosivo con ogni giorno che passa, rendendo quasi impossibile calcolare la strategia ottimale per qualsiasi intervallo temporale tranne quelli molto brevi. I ricercatori hanno faticato a trovare un modo per semplificare questa complessità senza perdere la protezione essenziale contro l'incertezza. Uno studio recente di Federica Ricca e Andrea Scozzari offre una soluzione chiara ed efficiente a questo specifico problema. Hanno sviluppato un metodo che trasforma un complicato gioco di ipotesi ad alta posta in gioco in un compito di ordinamento diretto, permettendo agli investitori di trovare la strategia ottimale per orizzonti temporali lunghi che prima erano fuori portata.

I ricercatori si sono concentrati su un modello matematico specifico del mercato chiamato modello binomiale, che immagina il prezzo di un'azione che sale o scende a ogni passaggio. Hanno aggiunto uno strato di "contaminazione" a questo modello, rappresentando l'idea che, sebbene abbiamo una stima migliore di come si comporta il mercato, esiste una piccola possibilità che la realtà sia leggermente diversa. L'obiettivo era trovare il modo migliore per allocare il denaro tra tutti i possibili esiti futuri per massimizzare la soddisfazione, anche se il mercato si comportasse nel modo peggiore consentito da quella piccola possibilità di errore. Nel lavoro precedente, risolvere questo problema richiedeva la verifica di un numero astronomico di diverse combinazioni di esiti. Per un orizzonte temporale di appena poche centinaia di passi, il numero di possibilità diventava così grande che anche computer potenti non riuscivano a completare il calcolo in un tempo ragionevole. Il vecchio metodo era come cercare di trovare un singolo granello di sabbia specifico su una spiaggia esaminandoli uno per uno.

Ricca e Scozzari si sono resi conto che il problema non doveva essere risolto controllando ogni singola possibilità. Invece, hanno scoperto che lo scenario peggiore poteva essere identificato attraverso un processo molto più semplice. Hanno dimostrato che la chiave della soluzione risiede nel trovare un insieme specifico di pesi, o probabilità, che rappresentano il comportamento di mercato più dannoso. Trovare questi pesi si è rivelato essere un classico problema di allocazione delle risorse, simile al riempire un contenitore con articoli di diversi valori per massimizzare il valore totale senza superare un limite di peso. Nel loro caso, il "contenitore" era l'insieme di tutte le possibili deviazioni di mercato, e gli "articoli" erano le probabilità assegnate ai diversi stati futuri.

La svolta è stata comprendere che questa ricerca difficile poteva essere ridotta a un semplice esercizio di ordinamento. Disponendo gli stati del mercato in un ordine specifico basato sulla loro probabilità e sul rischio, i ricercatori potevano determinare l'esatto punto in cui lo scenario peggiore cambia. Questo processo, che chiamano costruzione di una soglia (threshold construction), permette loro di bypassare la necessità di controllare ogni combinazione. Invece di esaminare miliardi di percorsi, il nuovo metodo richiede un unico passaggio attraverso la lista ordinata. Ciò riduce lo sforzo computazionale da qualcosa che cresce esponenzialmente e diventa rapidamente impossibile, a qualcosa che cresce linearmente e rimane gestibile anche per orizzonti temporali molto lunghi.

Una volta identificato questo scenario peggiore, il resto della soluzione si colloca naturalmente. I ricercatori hanno dimostrato che la strategia di investimento ottimale può essere ricostruita utilizzando una formula semplice che dipende da questo scenario identificato. Fondamentalmente, la parte del calcolo che trova lo scenario peggiore non dipende dalle preferenze specifiche dell'investitore o dall'importo di capitale iniziale. Ciò significa che il lavoro pesante di trovare il comportamento di mercato peggiore deve essere fatto una sola volta. Se un investitore cambia idea su quanto rischio è disposto a correre, o se inizia con un importo di capitale diverso, non deve ricominciare l'intero calcolo. Può semplicemente riutilizzare lo stesso scenario peggiore e applicare un rapido aggiustamento per trovare la nuova strategia ottimale.

Gli autori hanno testato il loro metodo rispetto al precedente approccio più esaustivo utilizzando dati di mercato simulati. Hanno confrontato il tempo impiegato da un computer per risolvere il problema usando il nuovo metodo di ordinamento rispetto al vecchio metodo di verifica delle combinazioni. Per periodi temporali brevi, entrambi i metodi funzionavano, ma il nuovo metodo era già più veloce. Man mano che l'orizzonte temporale aumentava, la differenza diventava drammatica. Per un orizzonte temporale di cinquecento passi, il nuovo metodo risolveva il problema in una frazione di secondo, mentre il vecchio metodo richiedeva oltre un minuto. Quando l'orizzonte è stato esteso a mille passi, il vecchio metodo non è riuscito a trovare una soluzione entro il limite di tempo, mentre il nuovo metodo produceva ancora una risposta quasi istantaneamente.

Lo studio ha esaminato anche l'accuratezza dei risultati. Sebbene il nuovo metodo sia molto più veloce, i ricercatori hanno osservato che, per orizzonti temporali molto lunghi, la capacità del computer di gestire numeri estremamente piccoli può introdurre piccoli errori. Nello specifico, a un orizzonte di 500 passi, il nuovo metodo era più veloce ma non soddisfaceva il rigoroso criterio di accuratezza dell'obiettivo, mentre il vecchio metodo lo soddisfaceva. A 1.000 passi, il nuovo metodo restituiva soluzioni fattibili che tuttavia non soddisfacevano il criterio di accuratezza, mentre il vecchio metodo andava in timeout senza restituire alcuna soluzione. Inoltre, a questo orizzonte estremo, nessuno dei due metodi soddisfaceva il criterio di accuratezza componente per componente prescritto. L'articolo conclude che questo approccio fornisce un modo pratico ed efficiente per gestire la selezione del portafoglio in condizioni di incertezza, trasformando un problema che un tempo era computazionalmente intrattabile in uno che può essere risolto con algoritmi standard e veloci. Collegando il problema dell'incertezza finanziaria a uno strumento matematico ben noto per l'allocazione delle risorse, i ricercatori hanno fornito una strada chiara per gli investitori che hanno bisogno di pianificare a lungo termine in un mondo incerto, sebbene la precisione numerica rimanga una sfida agli orizzonti temporali più lunghi.