LE CORRELAZIONI MEDIE

Tendono A Essere Ingannevoli In Quanto Variano Nel Tempo

l’elemento essenziale. Come ha dimostrato Markowitz (1952) gli investitori dovrebbero prendere in considerazione, al fine di diversificare la propria esposizione ed effettuare un’efficiente ripartizione del proprio patrimonio, come si muovono i singoli asset in relazione con gli altri. Il problema è che le correlazioni medie tendono ad essere ingannevoli in quanto variano nel tempo.

Se questo è vero, e lo si è visto con le perdite durante le passate crisi finanziarie e una vasta letteratura in merito, gli investitori potrebbero ritrovarsi con portafogli correttamente diversificati solamente per specifici scenari di mercato e risultare, di contro, molto più concentrati in altri contesti. Se fosse stato possibile disporre di un metodo per rilevare valori anomali o irregolarità nelle relazioni tra le asset class è probabile che tali perdite sarebbero state più contenute.

Mahalanobis Rule

Ci siamo chiesti: “quale indicatore ha queste caratteristiche?” ovvero di catturare movimenti estremi dei prezzi e cambiamenti nella struttura di correlazione? La risposta ci è stata data già nel 1927 da Mahalanobis, statistico e scienziato indiano, conosciuto appunto per la distanza di Mahalanobis che è stata usata per analizzare i caratteri del cranio al fine di determinare le distanze e le somiglianze tra le varie caste e tribù in India.

Sostituendo i rendimenti degli strumenti finanziari alle caratteristiche del cranio è possibile identificare i momenti in cui i prezzi di mercato si muovono in maniera insolita misurando sia la distanza tra i rendimenti, rispetto ai rispettivi rendimenti medi, sia prendendo in esame i differenti schemi delle correlazioni. Gli studi hanno dimostra- to che valori storici relativamente alti di questa misura coincidono con periodi turbolenti. Dal 1980 al 2009, infatti questi picchi possono essere associati ad eventi di instabilità di vario genere come stagflazione, bolle speculative, crisi finanziarie, guerre e attentati.

Questa misura ha diverse applicazioni sia per quanto riguarda la branchia dell’intelligenza artificiale, apprendimento supervisionato e clustering, sia nell’ambito della finanza quantitativa. Riuscendo ad identificare i periodi di maggiore turbolenza si è pensato, al fine di migliorare, il rapporto rischio rendimento, di costruire una media mobile esponenziale e confrontare tali valori con i percentili calcolati sulla distribuzione stessa.

Si è scelto, per saggiare la bontà della strategia, di applicarla al mercato americano per il periodo dal 2004 al 2020, comparandola con i risultati ottenuti dal benchmark (Buy and Hold). La strategia si conferma vantaggiosa avendo evitato il 100% delle perdite ottenute dal benchmark e dal mercato azionario. La riduzione dell’esposizione al rischio ha inoltre permesso di ottenere un miglior rapporto rischio/rendimento. Ciò è stato particolarmente evidente durante la crisi finanziaria del 2007-2008 (+23,47%) e nel sell-off causato dal Covid-19 (+9,33%). Di contro i risultati ottenuti durante le fasi non turbolente mostrano una minor performance dovuta essenzialmente ad alcuni falsi segnali generati da leggeri picchi di volatilità rientrati quasi immediatamente.

Questi risultati preliminari sono stati confermati recentemente permettendo di contenere le potenziali perdite di inizio 2022 dovute alla forte volatilità/incertezza causata dallo scoppio del conflitto.

Confortati da questi promettenti risultati il nostro sguardo si sta rivolgendo alla possibilità di isolare il fattore correlazione per poter comprendere meglio i segnali forniti. Un ulteriore passo avanti sarà di utilizzare tale metrica per indagare le dinamiche del ciclo economico, ovvero la costruzione di un leading indicator.