ASSET ALLOCATION RAZIONALE

Modelli euristici e bayesiani a supporto delle scelte di portafoglio

 Indice
CAPITOLO 1: UN APPROCCIO GENERALE ALLA COSTRUZIONE DI PORTAFOGLIO ....................... 2
1.1 Introduzione .............................................................................. 2
1.2 Le fasi della portfolio construction .............................................................................................. 3
1.2.1 Identificazione delle preferenze dell’investitore.............................................................. 3
1.2.2 Stima dell’andamento futuro delle asset class............................................................... 10
1.2.3 L’ottimizzazione............................................................................................................ 10

CAPITOLO 2: LE ORIGINI: L’OTTIMIZZAZIONE MEDIA-VARIANZA ............................................ 13

2.1 Introduzione ............................................................................ 13
2.2 L’investitore di Markowitz ....................................................................................................... 15
2.3 Rendimento e rischio di portafoglio ......................................................................................... 20
2.4 La costruzione della frontiera efficiente .................................................................................. 25
2.4.1 Il caso di due soli asset in portafoglio ........................................................................... 25
2.4.2 Il caso generico di n asset in portafoglio ....................................................................... 29
2.5 Tecniche di calcolo dei portafogli efficienti ............................................................................. 32
2.6 Una applicazione pratica........................................................................................................... 36
2.7 La selezione del portafoglio ottimo per l’investitore............................................................... 40
2.8 Markowitz, tra mito e false credenze ....................................................................................... 46
Appendice A.2.1: La stima dei portafogli efficienti con il metodo della critical line .......................... 50
Appendice A.2.2: La costruzione dei portafogli efficienti con il metodo della Lagrangiana........ 67

CAPITOLO 3: ESTIMATION ERROR ED ALTRI PROBLEMI DELLA MARKOWITZ-BASED PORTFOLIO

CONSTRUCTION ............................................................................................................. 77
3.1 Introduzione................................................................................................................................... 77
3.2 Le critiche mosse alle ipotesi del modello .................................................................................... 78
3.2.1 L’ottimizzazione basata sul principio media-varianza ignora qualsiasi preferenza verso
momenti statistici di ordine superiore al secondo .......................................................... 78
3.2.2 Il modello di Markowitz suppone che gli investitori siano caratterizzati da un unico
orizzonte temporale........................................................................................................ 86
3.2.3 La deviazione standard è una misura di rischio troppo semplificata ............................. 92
3.3 Le critiche mosse all’applicazione pratica del modello ............................................................ 100
3.4 L’instabilità dei portafogli efficienti .......................................................................................... 107
3.5 Le conseguenze degli errori di stima ........................................................................................... 118
3.5.1 L’esperimento di Jobson e Korkie (1980) ................................................................... 122
3.5.2 L’esperimento di Frankfurter, Phillips e Seagle (1971)............................................... 130
3.5.3 Efficient versus Naive portfolio ................................................................................... 139
3.6 Conclusioni................................................................................................................................... 143

CAPITOLO 4: LE TECNICHE EURISTICHE .................................................................................. 146

4.1 Introduzione .......................................................................... 146
4.2 La soluzione dei vincoli di peso............................................................................................... 152
4.2.1 Vincoli infra-gruppo e scostamento dai portafogli neutrali ......................................... 157
4.2.2 Efficient versus Constrained portfolio......................................................................... 167
4.3 La tecnica del ResamplingTM ................................................................................................... 171
4.3.1 La scelta dell’ampiezza N dei rendimenti simulati...................................................... 183
4.3.2 ResamplingTM versus Efficient portfolio ...................................................................... 190
CAPITOLO 5: ASSET ALLOCATION BAYESIANA ...................................................................................... 197
5.1 Introduzione .......................................................................... 197
5.2 Gli stimatori bayesiani............................................................................................................. 200
5.3 Gli shrinkage estimator ............................................................................................................ 206
5.3.1 Dalla teoria alla pratica................................................................................................ 211
5.3.2 Shrinkaged versus sampled portafoglio....................................................................... 226
5.3.3 Una riflessione finale................................................................................................... 231
5.4 Il modello di Black e Litterman.............................................................................................. 232
5.4.1 Le analytics del modello .............................................................................................. 237
5.4.2 Applicazione pratica.................................................................................................... 250
5.5 Combinare modelli euristici e bayesiani ................................................................................ 271
 Prefazione

Il tema della costruzione di portafoglio suscita da sempre un forte interesse sia in

ambito accademico che operativo. Le scelte di asset allocation costituiscono un
problema ricorrente: ogni investitore è impegnato - personalmente o con il supporto di
un gestore - a combinare diverse asset class per giungere ad un investimento coerente
con le proprie preferenze. L’esigenza di supportare gli asset manager nello svolgimento
di questo esercizio ha alimentato una vastissima letteratura sul tema che, privilegiando
un’interpretazione matematica e statistica dell’asset allocation, ha apportato un enorme
contributo in termini di rigore formale. In pratica, a fronte di un processo intuitivo e
all’apparenza semplice (per costruire un portafoglio è sufficiente combinare più
attività), la letteratura finanziaria riconduce l’asset allocation all’interno di un
framework matematico che impone la stima di parametri statistici e lo sviluppo di
ottimizzazioni finalizzate alla massimizzazione delle preferenze degli investitori.
Ciò nonostante, le evidenze empiriche suggeriscono che la produzione di modelli
formali di portfolio construction appare sproporzionata rispetto al loro reale utilizzo. É
infatti più usuale imbattersi in gestori di portafoglio che sviluppano strategie di
investimento qualitative, piuttosto che in asset manager che alimentano modelli
riconducibili a rigorosi processi matematici. Quali sono le ragioni alla base dello scarso
utilizzo della quantitative finance?
In primo luogo, un modello matematico, per complesso ed articolato che sia, si basa pur
sempre su ipotesi semplicistiche che rendono il processo di costruzione di portafoglio
incapace di incorporare tutte le problematiche operative che accompagnano le scelte di
asset allocation. In secondo luogo, gli asset manager sono restii a delegare le scelte di
investimento ad un modello matematico che, non essendo fedele al loro modus
operandi, conduce a portafogli dalla composizione sovente irragionevole, perché
contrastante con le regole di costruzione abitualmente utilizzate.
Il lettore non avvezzo alla prassi quotidiana dell’asset management potrà trovare
singolare l’assunto che un gestore rifiuti aprioristicamente una logica matematica; in
realtà, nei comportamenti umani è piuttosto frequente la tendenza a rigettare modelli dal
funzionamento “oscuro”, dai risultati contrastanti con la propria operatività e la cui
accettazione è assimilabile ad un “atto di fede”.
Questi fattori rischiano di provocare un pericoloso scollamento tra teoria e pratica:
- la letteratura finanziaria sull’asset allocation può diventare fine a se stessa, un
esercizio formale privo di qualsiasi risvolto operativo;
- l’asset manager può essere assimilato più ad un artigiano o ad un “chiaroveggente”
che ad uno scienziato.
Se nelle realtà finanziarie più sviluppate, tipiche del mondo anglosassone, questo
pericolo è scongiurato, nei mercati – come quello italiano – ove la cultura della
distribuzione prevarica la cultura della gestione, è forte il rischio di depauperare la
portfolio construction di contenuti matematico-statistici. Il passaggio da una logica
artigianale ad una scientifica presuppone, quindi, anche un cambiamento culturale.
Negli ultimi venti anni si è assistito ad una moltiplicazione dei contributi scientifici
dedicati alla creazione di modelli di asset allocation il più possibile coerenti con
l’operatività dei gestori. Questi lavori non presentano certo la “nobiltà” scientifica di
contributi storici come quelli di Markowitz (1952, 1956, 1959), Tobin (1958), Sharpe
(1964), Lintner (1965), Mossin (1966) e Ross (1976, 1977), che hanno contribuito alla
nascita e allo sviluppo della Modern Portfolio Theory. Tuttavia, questo nuovo filone di
ricerca ha il pregio di avere accostato la teoria alla pratica. Il libro che vi accingete a
leggere si colloca all’interno di questo ambito.
L’obiettivo è quello di fornire una illustrazione delle diverse tecniche di costruzione
del portafoglio. Partendo dai limiti dell’approccio media-varianza di Markowitz, si
passano in rassegna alcuni modelli innovativi che, superando tali limiti, si candidano a
soluzioni di equilibrio tra rigore metodologico ed applicabilità pratica. I temi centrali,
ampiamente approfonditi nel lavoro, sono quello della gestione dell’incertezza delle
stime dei parametri che alimentano l’ottimizzazione e della costruzione di portafogli
dalla composizione giudicata (dai gestori) ragionevole. L’analisi si focalizzerà sulla
costruzione di portafogli di mercati, ignorando il tema della selezione dei singoli titoli.
Per tipologia di argomenti trattati questo lavoro è assimilabile ai contributi di
Michaud (1998), Scherer (2002), Satchell e Scowcroft (2003) e Meucci (2005). Non
esistendo, a conoscenza di chi scrive, libri in lingua italiana raffrontabili per taglio e
contenuti, questo testo ambisce a colmare un vuoto della letteratura finanziaria del
nostro paese. Al di là degli spunti che garantiscono un apporto di originalità al tema
della costruzione di portafoglio, il contributo dell’attività di ricerca alla base del
presente volume riguarda soprattutto la natura innovativa del percorso logico seguito
nella trattazione.
La selezione di portafoglio è uno dei temi verso i quali confluisce una pluralità di
discipline; la natura dei temi trattati ne favorisce infatti una lettura poliedrica:
- la Teoria della Finanza e l’Economia dei Mercati Monetari e Finanziari propongono
una interpretazione economica, riconducendo la costruzione del portafoglio
nell’alveo delle scelte in condizioni di incertezza e approfondendo temi quali il
comportamento dell’investitore in situazioni rischiose e la definizione della funzione
di utilità attesa da massimizzare (cfr. Beltratti, 1996);
- la Matematica Finanziaria pone l’accento sulla natura quantitativa della portfolio
construction, interpretando quest’ultima alla stregua di un problema di
ottimizzazione, da risolvere con il supporto di algoritmi diretti ed iterativi (cfr.
Szegö, 1981);
- l’Economia del Mercato Mobiliare predilige un approccio aziendalistico, studiando
il tema in oggetto nell’ottica delle imprese (nello specifico, delle investment
company) e focalizzandosi sulle concrete esigenze degli operatori impegnati
nell’attività di gestione di portafoglio (cfr. Fabrizi, 2003 e Caparrelli, 2004).
Questo testo si colloca all’interno della disciplina dell’Economia del Mercato
Mobiliare; ne sono una prova la posizione centrale che viene attribuita alla figura
dell’asset manager, nonché la tendenza a giudicare i modelli sulla base della loro
capacità di imitare il modus operandi dei gestori.
L’attore principale è il gestore di portafoglio e non, come accade negli scritti
economici sulla Teoria di Portafoglio, l’investitore. Si assume che quest’ultimo,
finanziariamente impreparato e quindi irrazionale, attribuisca al gestore il mandato ad
operare per suo conto. Pertanto, in virtù delle imperfezioni di mercato (qui identificabili
nella incapacità dell’investitore di gestire autonomamente le scelte di portafoglio), è
l’asset manager che costruisce i portafogli, mentre l’investitore ha il ruolo del mandante
impegnato nel mero trasferimento delle informazioni necessarie per l’interpretazione
delle sue preferenze.
L’obiettivo che si persegue non è quello di valutare la correttezza formale dei
modelli di asset allocation, bensì quello di analizzarne le potenzialità applicative. Il
testo si prefigge infatti di:
- indagare la coerenza tra i modelli quantitativi e l’operatività dei gestori;
- valutare i modelli statistico-matematici sulla base della loro concreta applicabilità.
In sintesi, non si rincorre il modello formalmente più elegante, ma quello con i
risvolti applicativi più interessanti. Il tema della costruzione del portafoglio è
multidisciplinare ed è pertanto improponibile proporre una analisi completa senza
sconfinare nella matematica e nella statistica. In ogni caso le trattazioni quantitative non
saranno mai fini a se stesse, ma utilizzate per una migliore comprensione degli
argomenti. Il cospicuo ricorso ad esempi numerici sarà comunque di ausilio per
l’apprendimento. La maggior parte delle esemplificazioni potrà essere facilmente
replicata dal lettore, così da verificare la comprensione degli argomenti (e degli
algoritmi).
Spero che il tentativo di putting theory at-work, sia riuscito. L’esperienza didattica
maturata dallo scrivente nei corsi graduate e post-graduate presso l’Università di Roma
“Tor Vergata”, l’Università “Luigi Bocconi” e la SDA Bocconi è incoraggiante e
conferma un generalizzato apprezzamento per il taglio qui proposto.

Struttura del lavoro

Il libro è suddiviso in 5 Capitoli.
Il Capitolo 1 propone una rapida descrizione dell’iter di costruzione del portafoglio.
Lo scopo è quello di identificare le fasi elementari alla base della creazione di una
strategia di investimento: identificazione delle preferenze dell’investitore, stima
dell’andamento futuro delle asset class e ottimizzazione. Il taglio della trattazione è
volutamente qualitativo, lasciando ai capitoli successivi il compito di effettuare gli
approfondimenti analitici.
 Il Capitolo 2 offre una review del modello di Markowitz. Questa è la parte più
tradizionale dell’intero volume: chiunque abbia una conoscenza consolidata
dell’approccio media-varianza può ignorala, passando direttamente ai capitoli
successivi. Non mancheranno, tuttavia, alcuni approfondimenti relativi a tematiche
raramente trattate all’interno dei testi più convenzionali; tra questi, un esempio di
applicazione della ottimizzazione matematica originariamente proposta da Markowitz
(il metodo della critical line) e l’analisi delle “false credenze” che ruotano attorno al
modello.
Il Capitolo 3 si focalizza sulle critiche mosse all’approccio di Markowitz. Nella
prima parte si analizzano le problematiche riconducibili alle ipotesi di base:
− l’ottimizzazione basata sul principio media-varianza ignora qualsiasi preferenza
verso momenti statistici di ordine superiore al secondo;
− il modello suppone che gli investitori siano caratterizzati da un unico orizzonte
temporale;
− pur in un contesto bidimensionale, la deviazione standard (la varianza) è una misura
di rischio troppo semplificata, incapace di discriminare tra fenomeni premianti e
penalizzanti.
Si propone una review della letteratura e si presentano delle soluzioni utili allo
scopo di rimuovere alcune delle ipotesi semplificatrici relative al comportamento degli
investitori.
Nella parte finale del Capitolo ci si focalizza su alcune problematiche relative alla
applicazione pratica del modello: l’instabilità dei portafogli efficienti, la loro
composizione irragionevole e le conseguenze riconducibili agli errori di stima.
Il Capitolo 4 si focalizza sull’uso delle tecniche euristiche come soluzione ai
problemi dell’estimation error e della instabilità ed irragionevolezza dei portafogli. Si
passano in rassegna le ottimizzazioni con vincoli di peso e la tecnica del resamplingTM.
Il Capitolo 5 affronta il tema dell’uso degli stimatori bayesiani nella costruzione di
portafoglio. L’indagine si focalizza sull’utilizzo degli shrinkage estimator e del modello
di Black-Litterman.

Limiti del lavoro e prospettive future di ricerca

Questo volume non ha aspirazioni enciclopediche e non ambisce quindi a coprire
tutto lo scibile umano che ruota attorno alla portfolio construction. L’analisi si focalizza
sulle scelte di asset allocation relative ad orizzonti uniperiodali, ignorando dunque la
stock-bond selection e le strategie di market timing. Inoltre, vi sono alcuni temi che, se
pur di indubbia rilevanza, sono stati trattati superficialmente o ignorati; tra gli argomenti
che avrebbero meritato un approfondimento, citiamo:
- i modelli di portafoglio multiperiodali;
- l’introduzione di variabili comportamentali all’interno della funzione di preferenze
dell’investitore;
- i modelli econometrici di stima dei parametri alla base delle ottimizzazioni (nella
trattazione ci si è “rifugiati” nell’ipotesi che i rendimenti delle asset class siano
serialmente indipendenti ed identicamente distribuiti);
- le strategie di portfolio insurance;
- l’utilizzo dell’intelligenza artificiale per l’ottimizzazione di funzioni di preferenze
complesse.
Soprattutto quest’ultimo argomento suggerisce ambiti di ricerca ancora inesplorati, che
chi scrive di ripromette di approfondire, analizzando l’utilizzo degli algoritmi genetici
nella ottimizzazione di portafoglio.

Target audience ed implicazioni di policy

Mutuando le parole di Markowitz (1959): «The monograph is written primarily
with the non-mathematician in mind». Questo libro è stato scritto pensando
principalmente agli operatori dell’investment industry: gestori, consulenti e analisti
quantitativi. Il lavoro è di ausilio sia per coloro che intendono affinare i modelli di asset
allocation, sia per gli scettici verso i modelli quantitativi, che troveranno in questo libro
delle proposte utili al fine di attribuire un maggior rigore formale alla loro operatività,
senza stravolgerla. Il volume può rappresentare un punto di riferimento per tutti gli
attori economici, istituzionali (fondi pensione, banche, SGR, SIM, società di
assicurazione) e non, impegnati nella prestazione dei servizi di investimento. Dati i temi
trattati, il testo è di ausilio sopratutto nello sviluppo del servizio di asset allocation
strategica.
Il libro può essere un valido testo di riferimento per quei corsi graduate e post-
graduate sull’asset management che hanno l’ambizione di andare oltre una trattazione
“scolastica” del principio media-varianza, affrontando le problematiche operative che
accompagnano l’utilizzo dei modelli di portfolio construction.
Il volume può essere di ausilio alla folta schiera di soggetti con forti competenze
quantitative (fisici, matematici, ingegneri e statistici) che operano o aspirano ad operare
nell’ambito dei mercati finanziari. Il contributo offerto a questi soggetti sta nella analisi
dei requisiti che un asset manager chiede ad un modello quantitativo di asset allocation
affinché questo possa essere concretamente applicato.
Infine, il libro è accessibile a tutti coloro che hanno una conoscenza di base dei
mercati finanziari, del calcolo matematico, della statistica e dell’algebra matriciale.

Ringraziamenti
Le persone a cui essere grato sono, per mia fortuna, tante. Un grazie ad Alessandro
Carretta per i suoi preziosi suggerimenti e per il ruolo di guida, svolto con maestria ed
autorevolezza. Un grazie a Andrea Sironi per i suoi spunti utilissimi, frutto della sua
competenza poliedrica. La mia gratitudine va a Andrea Resti, Roberto Rocci e Sergio
Scarlatti le cui profonde competenze matematico-statistiche sono state di grosso
supporto per affinare il rigore metodologico di questo lavoro. E, last but not least,
desidero ringraziare Emanuele Carluccio, Paolo Cucurachi e Davide Maspero, non solo
per i preziosi suggerimenti, ma per il tempo passato insieme a discutere delle tematiche
trattate in questo libro; il contributo di questi dibattiti nella maturazione della mia
visione dell’asset allocation è stata determinante. Grazie di cuore.
Ho un grosso debito di riconoscenza nei confronti di tutti gli studenti e
professionisti che mi hanno “sopportato” nei corsi graduate, post-graduate ed executive
e dai quali ho raccolto preziosi spunti che hanno contribuito ad accrescere le mie
capacità didattiche e di ricerca. Un grazie particolare ai miei ex-tesisti, molti dei quali
sono oggi professionisti di successo.
Infine, un ringraziamento generalizzato va alle persone del Dipartimento di Studi
Economico-Finanziari e Metodi Quantitativi (SEFeMeQ) dell’Università di Roma “Tor
Vergata”, dell’Istituto di Economia dei Mercati e degli Intermediari Finanziari (IEMIF)
dell’Università “Luigi Bocconi” di Milano e dell’Area Intermediazione Finanziaria e
Assicurazioni (AIFA) della SDA Bocconi. Queste organizzazioni, grazie alle persone
che le compongono, hanno rappresentato degli ambienti di lavoro straordinari,
umanamente accoglienti ed intellettualmente stimolanti.
 BIBLIOGRAFIA

Alexander, G., Baptista, A. (2002), “Economic Implications of Using Mean-VaR Model

for Portfolio Selection: A Comparison with Mean-Variance Analysis”, Journal of
Economic Dynamics Control, 26.

Anderson, T.W. (1984), “An Introduction to Multivariate Statistical Analysis”, Wiley.

Arditti, F. (1967), “Risk and the Required Return on Equity”, Journal of Finance, 12,
n°1, March.

Arditti, F., Levy, H. (1975), “Portfolio Efficiency Analysis in Three moments: The
Multiperiod Case”, Journal of Finance, 30, n°3, June.

Avramov, D. (2002), “Stock return predictability and model uncertainty”, Journal of

Financial Economics, n°64.

Baldick, R. (2006), “Applied Optimization. Formulation and Algorithms for

Engineering System”, Cambridge University Press.

Barry, C.B. (1974), “Portfolio Analysis Under Uncertain Means, Variances, and
Covariances”, Journal of Finance, Vol.29, n°2, May.

Barry, C.B. (1975), “Specification Uncertainty in Portfolio Analysis”, Proceedings of

the American Statistical Association, Business and Economics Statistic Section.

Barry, C.B. (1978), “Effect of Uncertain and Non-Stationary Parameters Upon Capital
Market Equilibrium Conditions”, Journal of Financial and Quantitative Analysis,
Vol. 13, n°3, September.

Barry, C.B., Winkler, L.R. (1975), “A Bayesian Model for Portfolio Selection and
Revision”, Journal of Finance, 30, March.

Barry, C.B., Winkler, L.R. (1976), “Nonstationarity and Portfolio Choice”, Journal of
Financial and Quantitative Analysis, 11, June.

Basak, S., Shapiro, A. (2001), “Value-at-Risk Based Risk Management: Optimal

Policies and Asset Pricing”, Review of Financial Studies, 14.

Bawa, V.S., Brown, S.J., Klein, R.W. (1979), “Estimation Risk and Optimal Portfolio
Choice”, Studies in Bayesian Econometrics Bell Laboratories Series, New York,
North Holland.

Beltratti, A. (1996), “Teoria della Finanza”, Laterza, Roma-Bari.

Berger, J. (1978), “Minimax Estimation of a Multivariate Normal Mean under

Polynomial Loss”, Journal of Multivariate Analysis, 8, June.
Bernoulli, D. (1738), Specimen theoriae novae de mensura sortis, in Commentarii
Academiae Scientiarum Imperialis Petropolitannae; tradotto dal latino in inglese
da Sommer, L., Exposition of a New Theory on the Meaurement of Risk,
Econometrica 22.

Best, M.J., Grauer, R.R. (1991a), “Sensitivity Analysis for Mean-Variance Portfolio
Problems”, Management Science, Vol. 37, n°8, August.

Best, M.J., Grauer, R.R. (1991b), “On the Sensitivity of Mean-Variance-Efficient

Portfolios to Changes in Asset Means: Some Analytical and Computationals
Results”, The Review of Financial Studies, Vol. 4, n°2.

Bevan, A., Winkelmann, K. (1998), “Using the Black-Litterman Global Asset

Allocation Model: Three Years of Practical Experience”, Fixed Income Research,
Goldman Sachs Company, December.

Black, F., Litterman, R. (1990), “Asset Allocation: Combining Investor Views with
Market Equilibrium”, Goldman Sachs Fixed Income Research, September.

Black, F., Litterman, R. (1992), “Global Portfolio Optimization”, Financial Analysts

Journal, 48, September-October.

Black, F. (1993), “Estimating Expected Return”, Financial Analyst Journal, September-

October.

Brandt, M.W. (1995), “Portfolio Choice Problems”, in Ait-Sahalia, Y., Hansen, L. (eds)
“Handbook of Financial Econometrics”, North-Holland, Amsterdam.

Brealey, R.A. (1991), “Harry M. Markowitz’s Contributions to Financial Economics”,

Scand. Journal of Economics, 93.

Britten-Jones, M. (1999)., “The Sampling Error in Estimates of Mean-Variance

Efficient Portfolio Weights”, The Journal of Finance, Vol. 54, n°2, April.

Brown, L.D. (1966), “On the Admissibility of Invariant Estimators of One or More
Location Parameters ”, Annals of Mathematical Statistics, 37, August.

Brown, L.D. (1975), “Estimation with Incompletely Specified Loss Function ”, Journal
of the American Statistical Association, 70, June.

Brown, S. (1978), “The Portfolio Choice Problem: Comparison of Certainty Equivalent

and Optimal Bayes Portfolio”, Communications in Statistics: Simulation and
Computation, B7.

Caparrelli, F. (2004), “Economia del Mercato Mobiliare”, McGraw-Hill, Milano

Chambers, S. P. (1934), Fluctuations in Capital and the0020Demand for Money,

Review of Economic Studies, 2.

Chan, L., Karcerski, J., Lakonishok, J. (1999), “On Portfolio Optimization: Forecasting
 Covariances and Choosing the Risk Model”, Review of Financial Studies, 12.

Chen, N.F., Roll, R., e Ross, S.A. (1986), “Economic Forces and the Stock Market”,
Journal of Business, 59.

Christodoulakis, G.A. (2002), “Bayesian Optimal Portfolio Selection: The Black-

Litterman Approach”, Unpublished.

Chunhachinda, P., Dandapani, S., Hanrid, S., Prakash, A. (1997), “Portfolio selection
and Skewness: Evidence from International Stock Markets”, Journal of Banking
and Finance, 21.

Connor, G. (1997), “Sensible return forecasting for portfolio management”, Financial

Analyst Journal, n°53

Connor, G., Korajczyk, R. (1988), “Risk and Return in an Equilibrium APT:

Application of a New Test Methodology”, Journal of Financial Economics, 49

Cuoco, D., He, H., Issaenko, S. (2001), “Optimal Dynamic Trading Strategies with Risk
Limits”, working paper, University of Pennsylvania.

de Athayde, G.M., Flores R.G. (2004), “Finding a Maximum Skewness Portfolio - A

General Solution to Three-Moments Portfolio Choice, Journal of Economics
Dynamics and Control, 28.

de Finetti (1940), “Il Problema dei Pieni”, Giornale dell’Istituto italiano degli Attuari,
n° 8.

Dennis, J.E., Schnabel, R.B. (1983), “Numerica Methods for Unconstrained

Optimization and Nonlinear Equations”, Prentice Hall, Englewood Cliffs, NJ.

Dickenson, J.P. (1974a), “The Reliability of Estimation Procedures in Portfolio

Analysis”, Journal of Financial and Quantitative Analysis, 9.

Dickenson, J.P. (1974b), “Some Statistical Aspects of Portfolio Analysis”, The

Statistician, 23.

Drobetz, W. (2001), “How to Avoid the Pitfalls in Portfolio Optimization? Putting the
Black-Litterman Approach at Work”, Financial Markets and Portfolio
Management, Vol. 15, n°1.

Dybvig, P.H. (1984), “Short Sales Restrictions and Kinks on the Mean Variance
Frontier”, Journal of Finance, 39, March.

Elton, E. J., Gruber, M.J. (1974), “Portfolio Theory when Investment Relatives are
Lognormally distributed”, Journal of Finance, 29.

Elton, E. J., Gruber, M.J. (1999 a), “Modern Portfolio Theory, 1950 to Date”, in Elton,
E. J., Gruber, M.J., Investments. Volume 1: Portfolio Theory and Asset Pricing,
The MIT Press, Cambridge, Massachusetts.
Elton, E. J., Gruber, M.J. (1999 b), “On the Optimality of Some Multi-period Portfolio
Selection Criteria”, in Elton, E. J., Gruber, M.J., Investments. Volume 1: Portfolio
Theory and Asset Pricing, The MIT Press, Cambridge, Massachusetts.

Fabozzi, F.J., Focardi, S.M., Kolm, P.N. (2006), “Incorporating Trading Strategies in
the Black-Litterman Framework”, Journal of Trading, Spring.

Fabozzi, F.J., Giacometti, R., Bertocchi, M., Rachev, S.T. (2007), “Stable distributions
in the Black-Litterman approach to asset allocation”, Quantitative Finance; Vol.
7, n°4, August.

Fabrizi, P.L. (2003), “L’Economia del Mercato Mobiliare”, Egea, Milano.

Fama, E.F. (1965), “Portfolio Analysis in a Stable Paretian Market”, Management

Science, 11.

Fama, E.F. (1976a), “Foundation of Finance”, New York: Basic Books.

Fama, E.F. (1976b), “Forward Rated as Predictors of Future Spot Rates ”, Journal of
Financial Econmics, 3, October.

Fama, E.F., French, K. (1993), “Common Risk Factors in the Returns of stocks and
Bonds”, Journal of Financial Economics, 33.

Feiring, B.R., Wong, W.L., Poon, M., Chan, Y.C. (1994), “Portfolio Selection in
Downside Risk Optimization Approach – Application to the Hong Kong Stock
Market”, International Journal of System Science, 25.

Fisher, I. (1906), The Nature of Capital and Income, Macmillan, London.

Fisher, L. (1975), “Using Modern Portfolio Theory to Maintain an Efficiently

Diversified Portfolio”, Financial Analyst Journal, May/June.

Frankfurter, G.M., Phillips, H.E., Siegle, J.P. (1971), “Portfolio Selection: The Effects
of Uncertain Mean, Variances, and Covariances”, The Journal of Financial and
Quantitative Analysis, Vol.6, n°5, December.

Fried, J. (1970), “Forecasting and Probability Distribution for Models of Portfolio

Selection”, Journal of Finance, 25, June.

Frost, P.A., Savarino, J.E. (1986), “An Empirica Bayes Approach to Efficient Portfolio
Selection”, The Journal of Financial and Quantitative Analysis, Vol.21, n°3.

Frost, P.A., Savarino, J.E. (1988), “For Better Performance: Constrain Portfolio
Weights”, Journal of Portfolio Management, 14.

Fusai, G., Meucci, A. (2003), “Al di là delle Opinioni”, Risk Italia, Novembre,

Gill, P.E., Murray, W., Wright, M.H. (2005), “Practical Optimization”, Academic Press
Inc., London.
Grauer, R., Hakansson, N. (1982), “Higher Return, Lower Risk: Historical Return on
Long-Run, Actively Managed Portfolios of Stocks, Bonds and Bills, 1936-1978”,
Financial Analyst Journal, 38

Grauer, R., Hakansson, N. (1984), “Returns on Levered, Actively Managed Long-Run

Portfolios of Stocks, Bonds and Bills, 1934-1984”, Financial Analyst Journal, 41.

Grauer, R., Hakansson, N. (1993), “On the Use of Mean-Variance and Quadratic
Approximation in Implementing Dynamic Investment Strategies: A Comparison of
Returns and Investment Policies”, Management Science, Vol. 39, n°7.

Green, R.C., Hollifield, B. (1992), “When Will Mean-Variance Efficient Portfolios Be

Well Diversified?”, Journal of Finance, Vol. 47, n°5, December.

Hakansson, N. (1971), “Capital Growth and the Mean-Variance Approach to Portfolio

Selection”, Journal of Financial and Quantitative Analysis, 6, January.

Hakansson, N. (1974), “Convergence to Isoelastic Utility and Policy in Multiperiod

Choice ”, Journal of Financial Economics, 1, September.

Harlow, W. (1991), “Asset Allocation in a Downside Risk Framework”, Financial

Analyst Journal, 47.

He, G., Litterman, R. (1999), “The Intuition Behind Black-Litterman Model Portfolios”,
Goldman Sachs Investment Management Research..

He, G., Litterman, R. (2002), “The Intuition Behind Black-Litterman Model Portfolios”,
Working Paper, [Link].

Hicks, J.R. (1935), A Suggestion for Simplifying the Theory of Money, Economica,
February.

Idzorek, T.M. (2004), “A Step-by-Step Guide to the Black-Litterman Model:

Incorporating User-Specified Confidence Levels”, Working Paper.

Ingersoll, J.E. Jr (1987), Theory of Financial Decision Making, Rowman and Littlefield,
Savage, MD.

Jagannathan, R., Ma, T. (2003), “Risk Reduction in Large Portfolios: Why Imposing the
Wrong Constraints Helps”, Journal of Finance, 58.

James, W., Stein, C. (1961), “Estimation with Quadratic Loss”, Proceedings of the
Fourth Berkeley Symposium on Mathematics and Statistics.

Jobson, J.D., Korkie, B. (1980), “Estimation for Markowitz Efficient Portfolios”,

Journal of the American Statistical Association, Volume 75, n. 371, September.

Jobson, J.D., Korkie, B. (1981a), “Potential Performance and Tests of Portfolio

Efficiency”, Journal of Financial Economics, Vol.10, n°4, December.
Jobson, J.D., Korkie, B. (1981b), “Putting Markowitz Theory to Work”, Journal of
Portfolio Management, 7.

Jobson, J.D., Korkie, B., Ratti, V. (1979), “Improved Estimation for Markowitz
Portfolios Using James Stein Type Estimators”, Proceedings of the American
Statistical Association, Business and Economic Statistics Section.

Jones, R., Lim, T., Zangari, P.J., (2007), “The Black-Litterman Model for Structured
Equity Portfolios”, Journal of Portfolio Management, Vol. 22, n° 2.

Jorion, P. (1985), “International Portfolio Diversification with Estimation Risk”, The

Journal of Business, Vol.58, n°3, July.

Jorion, P. (1986), “Bayes-Stein Estimation for Portfolio Analysis”, The Journal of

Financial and Quantitative Analysis, Vol.21, n°3, September.

Jorion, P. (1992),“Portfolio optimization in practice”, in Financial Analysts Journal,

Vol.8, n°1, January-February.

Jorion, P. (2001), “Value at Risk: The New Benchmark for Managing Financial Risk”,
McGraw-Hill, New York, Second edition.

Kalymon, B.A. (1971), “Estimation Risk in the Portfolio Selection Model”, Journal of
Financial and Quantitative Analysis, Vol.6, n°1, January.

Kallberg, J.G., Ziemba, W.T. (1983), Comparison of Alternative Utility Functions in

Portfolio Selection Problems, Management Science, Vol. 29, No.11.

Kandel, S., Stambaugh, R.F. (1996), “On the Predictability of Stock Returns: An Asset
Allocation Perspective”, Journal of Finance, n°51.

Kane, A. (1982), Skewness Preferences and Portfolio Choice, Journal of Financial and
Quantitative Analysis, 17.

Kaplan, P., Siegel, L. (1994), “Portfolio Theory is Alive and Well”, Journal of Investing,
3.

Kataoka, A. (1963), “A stochastic Programming Model”, Econometrica, 31.

Kelley, C.T. (1995), “Iterative Methods for Linear and Nonlinear Equations”, SIAM,
Philadelphia, PA.

Klein, R.W., Bawa, V.S. (1975), “The Effect of Estimation Risk on Optimal Portfolio
Choice Under Uncertainty”, Journal of Financial and Quantitative Analysis, Vol.
10, n°4, November.

Klein, R.W., Bawa, V.S. (1976), “The Effect of Estimation Risk on Optimal Portfolio
Choice”, Journal of Financial Economics, 3.

Klein, R.W., Bawa, V.S. (1977), “The Effect of Limited Information and Estimation
 Risk on Optimal Portfolio Diversification”, Journal of Financial and Quantitative
Analysis, Vol. 12, n°4, November.

Konno, H., Shirakawa, H., Yamazaki, H., (1993) “A Mean-Absolute Deviation-

Skewness Portfolio Optimization Model”, Annals of Operation Research, 45.

Konno, H., Suzuki, K.I. (1995), “A Mean-Varaince-Skewness Portfolio Optimization

Model”, Journal of The Operations Research Society of Japan, 38.

Kraus, A., Litzemberger, R.H. (1976), Skewness Preferences and the Valuation of Risky
Assets, Journal of Finance, 31.

Kroll, Y., Levi, H., Markowitz, H.M. (1984), Mean-Variance Versus Direct Utility
Maximization, Journal of Finance, 39, No. 1, March.

Lai, T. (1991), “Portfolio Selection with Skewness: A Multiple-Objective Approach”,

Review of Quantitative Finance and Accounting, 1.

Ledoit, O., Wolf, M. (2003), “Improved Estimation of the covariance Matrixof Stock
Returns with Application to Portfolio Selection”.

Lee, C.F. (1977), “Functional Form, Skewness Effect and the Risk Return
Relationship”, Journal of Financial and Quantitative Analysis, 12, 55.

Lee, W. (2000), “Advanced Theory and Methodology of Tactical Asset Allocation”,

John Wiley & Sons, New York.

Lehmann, B. (2003), “Is It Worth the While”, University of Konstanz, Center of Finance
and Econometrics, Working Paper, April

Leibowitz, L.M., Kogelman, S. (1991), “Asset Allocation under Shortfall Constraints”,

The Journal of Portfolio Management, Winter.

Leland, H. (1972), “On Turnpike Portfolios”, in Shell, K. and Szego, G.P. (eds),
Mathematical Methods in Investment Finance, North-Holland, Amsterdam.

Lindley, D.W. (1962), “Discussion on Professor Stein’s Paper”, Journal of Royal

Statistical Society, 24.

Lintner, J. (1965), “The Valuation of Risk Assets and the Selection of Risky
Investments in Stock Portfolios and Capital Budgets”, Review of Economics and
Statistics, 47, February.

Litterman, B. e Quantitative Resources Group di Goldman Sachs (2003), “Modern

Investment Management: An Equilibrium Approach”, New Jersey: John Wiley &
Sons.

Luce, R.D., Raiffa H. (1957), Games and Decisions, Wiley, New York.

Mao, J.C.T., Särnal, C.E. (1966), “A Decision Theory Approach to Portfolio Selection”,
 Management Science, 12, April.

Mardia, K.V., Kent, J.T., Bibby, J.M. (1979), “Multivariate Analysis”, Academic Press.

Markowitz, H.M. (1952), Portfolio Selection, The Journal of Finance, Vol. VII, n° 1,
March.

Markowitz, H.M. (1956), The Optimization of a Quadratic Function Subject to Linear

Constraints, Naval Research Logistics Quarterly, Vol. III.

Markowitz, H.M. (1959), Portfolio Selection. Efficient Diversification of Investments,

John Wiley & Sons, New York.

Markowitz, H.M. (1999), The Early History of Portfolio Theory: 1600 – 1960, Financial
Analyst Journal, July-August.

Markowitz, H.M. (2006), “de Finetti Scoops Markowitz”, Journal of Investment

Management, Vol. 4, n°3.

Markowitz, H.M. e Usmen, N. (2003), “Resampled Frontiers versus Diffuse Bayes: An

Experiment”, Journal of Investment Management, forth quarter.

Merton, R.C. (1972), “An Analytic Derivation of the Efficient Portfolio Frontier”,
Journal of Financial and Quantitative Analysis, 7, September.

Merton, R.C. (1973), “An Intertemporal Capital Asset Pricing Model”, Econometrica,
n°41.

Meucci, A. (2005), “Risk and Asset Allocation”, Springer.

Meucci, A. (2006), “Beyond Black-Litterman: views on non-normal markets”, Risk,

February, [Link].

Michaud, R.O. (1989), “The Markowitz Optimization Enigma: Is ‘Optimized’

Optimal?”, Financial Analysts Journal, Vol. 45, n°1, January-February.

Michaud, R.O. (1998), “Efficient Asset Management: A Practical Guide to Stock

Portfolio Optimization and Asset Allocation”, Harvard Business School Press,
Cambridge. MA.

Michaud, R.O., Michaud, R. (2003), “The Past and the Future of Resampled
EfficiencyTM”, Inquire, Fall Seminar, September.

Michaud, R.O., Michaud, R. (2004), “Resampled EfficiencyTM Fallacies”, Working

Paper, New Frontier Advisors, LLC, Boston.

Mood, A.M, Graybill, F.A., Boes, D.C. (1997), “Introduzione alla Statistica”, McGraw-
Hill, Milano.

Mossin, J. (1966), “Equilibrium in a Capital Asset Market”, Econometrica, 34, n°4,

 October.

Mossin, J. (1968), “Optimal Multiperiod Portfolio Policies”, Journal of Business, 41,

April.

Nawrocki, D. (1991), “Optimal Algorithms and Lower Partial Moments: Ex Post

Results”, Journal of Applied Economics, 23.

Nawrocki, D. (1996), “Portfolio Analysis with Large Universe of Assets”, Applied

Economics, 28.

Pastor, L. (2000), “Portfolio selection and asset pricing models”, Journal of Finance,
n°50.

Pastor, L., Stambaugh, R.F. (2000), “Comparing asset pricing models: An investment
perspective”, Journal of Financial Economics, n°56.

Peiro, A. (1994), “The Distribution of Stock Returns: International Evidence”, Journal

of Applied Financia Economics, 4.

Peiro, A. (1999), “Skewness in Financial Returns”, Journal of Banking and Finance, 23.

Resti, A., Sironi, A. (2007), “Risk Management and Shareholders’ Value in Banking”,
John Wiley & Sons, Ltd, The Atrium, Southern Gate, Chichester, England.

Rom, B., Fergurson, K. (1993), “Post Modern Portfolio Theory Comes of Age”, Journal
of Investing, 23.

Rom e Fergurson (1994), “Portfolio Theory is Alive and Well: A Response”, Journal of
Investing, 2.

Rosemberg, B., Rudd, A. (1978), “The Yield/Beta/Residual Risk Trade-Off”, Working

Paper 66, Research Program in Finance, Institute of Business and Economic
Research, University of California, Berkeley.

Rosemberg, B., Rudd, A. (1979), “Realistic Portfolio Optimization”, in Elton, E. J.,

Gruber, M.J., Studies in Management Sciences, Portfolio Theory: 25 Years After,
Vol. 11, North-Holland, Amsterdam.

Ross, S. (1974), “Portfolio Turnpike Theorems for Constant Policies”, Journal of

Financial Economics, 1.

Ross, S. (1976), “The Arbitrage Theory of Capital Asset Pricing”, Journal of Economic
Theory, 1.

Ross, S. (1977), “Return, Risk and Arbitrage”, in Friend, I., Bicksler, J. (eds), Risk and
Return in Finance, Cambridge, Ballinger.

Roy, A.D. (1952), Safety First and the Holding of Assets, Econometrica, 20, July.
Rubinstein, M. (2002), “Markowitz’s “Portfolio Selection”: A Fifty-Year
Retrospective”, The Journal of Finance, Vol.57, n°3, June.

Rubinstein, M. (2006), “Bruno de Finetti and Mean-Variance Portfolio Selection”,

Journal of Investment Management, Vol.4, n°3.

Saita F. (2000), Il risk managemnt in banca. Performance corrette per il rischio e

allocazione del capitale, Egea, Milano.

Samuelson, P. (1958), “The Fundamental Approximation Theorem of Portfolio Analysis

in Terms of Means, Variances and Higher Moments”, Review of Economic
Studies, 25, February.

Satchell, S., Scowcroft, A. (2000), “A Demystification of the Black–Litterman Model:

Managing Quantitative and Traditional Portfolio Construction”, Journal of Asset
Management,1.

Satchell, S., Scowcroft, A. (2003), “Advances in Portfolio Contruction and

Implementation”, Butterworth-Heinemann, Elsevier.

Scherer, B. (2002), “Portfolio Resampling: Review and Critique”, Financial Analysts

Journal, November-December.

Scherer, B. (2004), “Portfolio Construction and Risk Budgeting”, Second Edition, Risk
Books.

Scowcroft, A., Sefton, J. (2003), “Enhanced Indexation”, in Satchel, S., Scowcroft, A.

(eds.), Advances in Portfolio Construction and Implementation, Butterworth-
Henemann, New York.

Sharpe, W.F. (1963), “A Simplified Model for Portfolio Analysis”, Management

Science, n°9.

Sharpe, W.F. (1964), “Capital Asset Prices: A Theory of Market Equilibrium under
Conditions of Risk”, Journal of Finance, 19, September.

Sharpe, W.F. (1974), “Imputing Expected Security Returns from Portfolio

Composition”, Journal of Financial and Quantitative Analysis, 9, June.

Simaan, Y. (1993), Portfolio Selection and Asset Pricing Three Parameter Framework,
Management Science, 5.

Singleton, J., Wingender, J. (1986), “Skewness Persistence in Common Stock Returns”,

Journal of Financial and Quantitative Analysis, 21.

Sironi A. (2005), Rischio e valore nelle banche. Risk management e capital allocation,
Egea, Milano.

Stabile, D.R. (2005), “Forerunners Of Modern Financial Economics: A Random Walk

In The History Of Economic Thought, 1900-1950”, Edward Elgar , Cheltenham,
 UK.

Stein, C. (1955), “Inadmissibility of the Usual Estimator foe the Mean of a multivariate
Normal Distribution”, Proceedings of the 3rd Symposium on Probability and
Statistics.

Swets, J.A. (1996), “Signal Detection Theory and ROC Analysis in Psychology and
Diagnostics”, Laurence Erlbaum Associates, Mahwah, New Jersey.

Szegö, G. (1981), “Portfolio Analysis”, Academic Press, New York, 1981.

Theil, H., Golberger, A. (1961), “On Pure and Mixed Estimation in Economics”,
International Economic Review, 2.

Telser, R.G. (1956), “Safety First and Hedging”, Review of Economic Studies, 23.

Tobin, J. (1958), “Liquidity Preference as Behavior towards Risk”, Review of

Economic Studies, vol.25, n°1, February.

Von Neumann, J., Morgenstern, O. (1944), Theory and Games and Economic
Behaviour, Princeton University Press, Princeton, NJ.

Williams, J.B. (1938), The Theory of Investment Value, Harvard University Press,
Cambridge, MA (ristampato nel 1997), Fraser Publishing, Burlington, VT.

Zellner, Z.A., Chetty, V.K. (1965), “Prediction and Decision Problems in Regression
Models from the Bayesian Point of View”, Journal oh the American Statistical
Association, 60.
 INDICE CAPITOLO 1

CAPITOLO 1: UN APPROCCIO GENERALE ALLA COSTRUZIONE DI PORTAFOGLIO .......................2

1.1 Introduzione ..............................................................................2
1.2 Le fasi della portfolio construction ..............................................................................................3
1.2.1 Identificazione delle preferenze dell’investitore ..............................................................3
1.2.2 Stima dell’andamento futuro delle asset class ...............................................................10
1.2.3 L’ottimizzazione ............................................................................................................10
Articolo I. CAPITOLO 1: UN APPROCCIO GENERALE ALLA
COSTRUZIONE DI PORTAFOGLIO

«A good portfolio is more than a long

list of good stocks and bonds. It is a
balanced whole, providing the investor
with protection and opportunities with
respect to a wide range of
contingencies. The investor should build
toward an integrated portfolio which
best suits his needs».
(Harry Markowitz)

1.1 Introduzione
Mezzo secolo di letteratura sulla Portfolio Theory ha contribuito alla nascita di una
molteplicità di tecniche di costruzione delle strategie di investimento. Se esuliamo da un
piano puramente teorico, includendo nel novero delle soluzioni possibili anche le
metodologie sviluppate all’interno delle società di investimento (e non sempre in linea
con i principi della letteratura finanziaria), il basket di tecniche dal quale attingere è
pressoché sterminato. Tale vastità di soluzioni implica una eterogeneità di vedute circa
il modus operandi ottimale.
Il processo di costruzione del portafoglio può essere analizzato anche all’interno
della dicotomia Arte-Scienza. In ambito accademico la strategia di investimento nasce
da un processo scientifico, mentre in un contesto operativo molti asset manager negano
l’utilità di un framework matematico, difendendo il ruolo delle intuizioni e delle
opinioni difficilmente processabili all’interno in un rigoroso modello di ottimizzazione.
Ciò suggerisce due riflessioni:
1. l’interesse accademico per i modelli matematici di asset allocation appare
sproporzionato se comparato al loro concreto utilizzo;
2. un modello di asset allocation che ambisca ad essere applicato nella realtà deve

2
 incorporare le logiche operative degli asset manager; in assenza di ciò, il modello è
destinato alla (possibile) fama scientifica, ma all’oblio operativo.

Al di là delle differenze che accompagnano le logiche di portfolio construction, è

possibile identificare un iter generale comune a tutte le metodologie. Il compito di
questo primo capitolo è quello di descrivere il processo di investimento, in modo da
chiarire quali siano gli step obbligatori che un asset manager è chiamato a seguire.
Volendo descrivere un approccio generale, l’analisi verrà sviluppata senza alcun
riferimento a specifici modelli finanziari. Inoltre, si prediligerà una trattazione con
taglio qualitativo, lasciando ai capitoli successivi il compito di approfondire
analiticamente le problematiche introdotte.

1.2 Le fasi della portfolio construction

Possiamo suddividere il processo di creazione di una strategia di investimento nei
punti seguenti:
1. identificazione delle preferenze dell’investitore;
2. stima dell’andamento futuro delle asset class;
3. ottimizzazione.
Questa articolazione è largamente condivisibile: l’asset manager, una volta
identificati i fabbisogni degli investitori, deve prevedere l’andamento futuro dei mercati,
focalizzandosi sugli aspetti a cui l’investitore è sensibile; acquisite le informazioni
necessarie è possibile “lanciare” l’ottimizzazione che restituirà il portafoglio migliore.
La Figura 1.1 propone una rappresentazione grafica dell’iter testé descritto.

1.2.1 Identificazione delle preferenze dell’investitore

Esiste una pluralità di informazioni relative all’investitore da considerare al fine di
alimentare la selezione del portafoglio. In primo luogo, occorre valutare l’orizzonte
temporale di investimento, la cui definizione assume la natura di condicio sine qua non:
in caso di mancata esplicitazione, l’asset manager non saprebbe su quali rendimenti
futuri orientare le previsioni.

3
Figura 1.1: Le tre fasi della costruzione di portafoglio.

1) Identificazione delle preferenze 2) Previsione dell'andamento futuro

dell'investitore dei mercati

3) Ottimizzazione

Portafoglio

Le preferenze degli investitori si esplicitano anche nella selezione delle asset class
nelle quali essi intendono investire. Il soggetto razionale non dovrebbe limitare le
opportunità di investimento, considerando così tutti i comparti disponibili sui mercati
domestici ed internazionali. Tuttavia non è raro assistere a comportamenti irrazionali, a
causa dei quali gli investitori limitano l’insieme, escludendo aprioristicamente i mercati
poco conosciuti e/o molto rischiosi. L’analista dovrà tenere in debita considerazione
queste preferenze, al fine di evitare che l’inclusione di mercati indesiderati conduca ad
un portafoglio giudicato irragionevole. L’investitore potrebbe esprimere delle
preferenze circa la numerosità degli asset da inserire in portafoglio e il grado di
diversificazione dello stesso. L’asset manager è obbligato ad incorporare anche queste
richieste, pena l’irragionevolezza del portafoglio.
Un modello di portfolio selection non può prescindere dalla conoscenza degli
obiettivi che l’investitore intende perseguire. Assumiamo che la finalità sia quella di
massimizzare il rendimento r conseguito nell’holding period desiderato o,
alternativamente, che l’investitore intenda massimizzare il montante M del capitale
iniziale C:
(1.1) M = C ⋅ (1 + r )
Ipotizzando che il rendimento sia una variabile deterministica, non soggetta ad
aleatorietà1 (non rischiosa), la stima della soluzione ottimale è immediata e coincide con
l’identificazione dell’attività dal rendimento (certo) più elevato. Così, prese le sette

1
Ciò implica che gli investimenti siano tutte attività risk-free.

4
asset class della Figura 1.2, la prescelta è quella (G) caratterizzata dal maggior
rendimento risk-free.

Figura 1.2: La selezione del portafoglio ottimale in presenta di attività non

aleatorie.
Prob.
A B C D E F G
100%

-10% -6% -2% 2% 6% 10%

Rendimenti

L’ipotesi che i rendimenti siano variabili deterministiche rappresenta tuttavia una

pura astrazione dalla realtà, poiché in tal modo si nega l’incertezza dei rendimenti
futuri. Rimuovendo questo limite, l’investitore è chiamato ad interpretare i portafogli
come variabili aleatorie e, ai fini della selezione della strategia migliore, è obbligato ad
esprimere una preferenza considerando l’intera distribuzione futura dei rendimenti.
Ipotizziamo che le distribuzioni dei rendimenti dei portafogli siano note; lo scopo è
quello di definire un criterio normativo che, tenendo conto delle esigenze degli
investitori, permetta di identificare quale sia il portafoglio caratterizzato dalla migliore
distribuzione dei rendimenti. Se mai esistesse un portafoglio in grado di produrre un
rendimento superiore a tutti gli altri in ogni possibile scenario (in termini statistici, il
portafoglio domina stocasticamente gli altri in forma forte), la scelta dell’investitore
sarebbe semplice, poiché questi si orienterebbe verso la soluzione dall’esito sì incerto,
ma pur sempre migliore di quello delle restanti alternative. Dati i 5 portafogli della
Tabella 1.1, la soluzione ottimale è la E che è in grado di massimizzare il rendimento in
ciascuno dei dieci possibili stati del mondo.

5
Tabella 1.1: La selezione del portafoglio in presenza di una attività che domina
stocasticamente le altre in forma forte.
Portafoglio Portafoglio Portafoglio Portafoglio Portafoglio
A B C D E
Scenario 1 2,00% 4,00% 4,50% 0,00% 5,00%
Scenario 2 -4,00% -3,50% -10,00% -2,20% -2,00%
Scenario 3 8,00% 4,00% 7,00% 9,00% 12,00%
Scenario 4 3,00% -1,00% 0,00% 9,00% 10,00%
Scenario 5 -8,00% -10,00% -9,00% -4,50% -4,00%
Scenario 6 6,00% 2,00% 3,00% 0,00% 7,50%
Scenario 7 1,00% 4,00% 6,50% 5,00% 9,00%
Scenario 8 -4,00% 0,00% -1,00% 0,00% 1,00%
Scenario 9 1,00% 2,00% 4,30% 4,00% 6,00%
Scenario 10 -8,00% -4,00% -0,50% -1,00% 0,00%

Tuttavia, la strong dominance non può rappresentare un criterio generale di

selezione del portafoglio, poiché espone al rischio quasi certo che non esista alcun
investimento in grado di dominare gli altri. Una soluzione alternativa potrebbe essere
quella di selezionare il portafoglio che, rispetto a tutti gli altri, presenta una minore (o al
più uguale) probabilità di conseguire ogni possibile valore di rendimento. In tal caso la
soluzione migliore è quella che domina stocasticamente le altre in forma debole. Nella
Figura 1.3 il portafoglio A domina in forma debole il portafoglio B; infatti, per qualsiasi
valore della variabile sull’asse delle ascisse, l’area sinistra della distribuzione dei
rendimenti del portafoglio A è sempre inferiore a quella del portafoglio B. Per facilitare
la comprensione del concetto di dominanza stocastica in forma debole, nella Figura 1.4
si rappresentano le funzioni di ripartizione dei rendimenti dei portafogli A e B.
Pur se meno restrittiva della dominanza forte, anche la weak dominance non può
rappresentare un criterio generale di selezione, sempre a causa della elevata probabilità
che non esista un portafoglio dominante sugli altri. Le Figure 1.5 e 1.6 mostrano un
caso di assenza di dominanza stocastica in forma debole:
- per valori dei rendimenti inferiori alla soglia s, il portafoglio A domina il portafoglio
B;
- per valori dei rendimenti superiori alla soglia s, è il portafoglio B a dominare il
portafoglio A.

6
Figura 1.3: Funzioni di densità di probabilità in caso di dominanza stocastica in
forma debole.
Probabilità

Distribuzione dei rendimenti del

portafoglio A

Distribuzione dei rendimenti del

portafoglio B

-70% -58% -45% -33% -20% -8% 5% 18% 30% 43%

Rendimenti

Figura 1.4: Funzioni di ripartizione in caso di dominanza stocastica in forma

debole.
Probabilità
cumulata

Funzione di ripartizione dei

rendimenti del portafoglio A

Funzione di ripartizione dei

rendimenti del portafoglio B

-70% -58% -45% -33% -20% -8% 5% 18% 30% 43%

Rendimenti

7
Figura 1.5: Funzioni di densità di probabilità in caso di assenza di dominanza
stocastica in forma debole.
Probabilità s

Distribuzione dei rendimenti del

portafoglio A

Distribuzione dei rendimenti del

portafoglio B

Rendimenti

Figura 1.6: Funzioni di ripartizione in caso di assenza di dominanza stocastica in

forma debole.
Probabilità s
cumulata
Funzione di ripartizione dei
rendimenti del portafoglio A

Funzione di ripartizione dei

rendimenti del portafoglio B

Rendimenti

In sintesi, le dominanze stocastiche in forma debole e forte rappresentano, in teoria,

8
delle ottime soluzioni per identificare il portafoglio preferito dall’investitore; la loro
applicazione avrebbe l’ulteriore vantaggio di non obbligare l’investitore ad esprimere
preferenze sulla forma della distribuzione dei rendimenti. Tuttavia, queste soluzioni non
sono praticabili, essendovi il rischio che non esista alcun portafoglio dominante.
La strada alternativa consiste nell’indurre l’investitore ad esplicitare le proprie
preferenze circa gli elementi2 che influenzano la forma della distribuzione, fornendo
così gli strumenti necessari per discriminare tra i portafogli. Nel concreto all’investitore
è richiesto di identificare:
1. le variabili (statistiche) significative ai fini della selezione del portafoglio;
2. la propensione o l’avversione per queste variabili;
3. il peso attribuito a ciascuna variabile.
A titolo puramente esemplificativo, ipotizziamo che l’investitore debba scegliere tra
le soluzioni alternative proposte nelle Figura 1.5 e 1.6. Poiché il ricorso alla dominanza
stocastica non rappresenta un criterio di discriminazione praticabile, l’investitore
identifica le variabili che egli considera rilevanti ai fini della portfolio selection:
- il rendimento atteso del portafoglio al quale attribuisce una valenza positiva
(maggiore è il rendimento atteso e, coeteris paribus, maggiore è la probabilità di
conseguire valori più elevati del rendimento finale);
- la variabilità dei rendimenti, misurata ad esempio con la deviazione standard dei
rendimenti, alla quale attribuisce una valenza negativa (l’investitore è avverso alla
variabilità dei rendimenti, perché, coeteris paribus, al crescere di quest’ultima
aumenta la probabilità che i rendimenti futuri si discostino dal valore atteso,
assumendo così valori negativi pronunciati).
Inoltre, l’investitore manifesta una bassissima tolleranza alla volatilità dei
rendimenti ed è indotto quindi a preferire un portafoglio con rendimenti attesi anche
ridotti, a condizione che esso presenti una bassa volatilità. Grazie a queste informazioni,
il portafoglio A delle Figure 1.5 e 1.6 può essere considerato preferibile al portafoglio
B.
Le preferenze si possono spingere ben oltre la predilezione per il rendimento atteso
e l’avversione per la volatilità; l’investitore può:
- esprimere avversione per distribuzioni dei rendimenti che presentano una elevata

2
Ad esempio, i momenti statistici della distribuzione.

9
 probabilità di assumere valori molto distanti dalla media (fenomeno delle fat tail);
- manifestare interesse per il grado di asimmetria (skewness) che caratterizza la
distribuzione;
- discriminare tra volatilità positiva (che favorisce l’investitore) e volatilità negativa
(che lo penalizza);
- identificare il rischio nella manifestazione di rendimenti estremi negativi, piuttosto
che nella volatilità dei rendimenti.

Le preferenze dell’investitore hanno un forte contenuto di soggettività che rende

complessa la traduzione in termini matematici. Tuttavia, l’esigenza di facilitare il
processo di ottimizzazione induce a creare una funzione obiettivo all’interno della quale
incorporare i parametri a cui l’investitore è sensibile. L’asset manager è chiamato a
definire il grado di complessità della funzione di preferenza: l’esigenza di cogliere in
modo più efficace i desideri degli investitori dovrebbe spingere ad un incremento del
numero delle variabili contemplate all’interno della funzione; di contro la necessità di
facilitare il processo di stima dei parametri e di successiva ottimizzazione potrebbe
indurre ad una semplificazione della funzione stessa.

1.2.2 Stima dell’andamento futuro delle asset class

L’asset manager è chiamato ad effettuare le previsioni che fungeranno da input
nella fase finale di ottimizzazione. É importante sottolineare lo stretto legame esistente
tra le preferenze dell’investitore e le previsioni sui mercati. Le stime non possono essere
prodotte in autonomia, in quanto è l’investitore a definire l’orizzonte temporale, le asset
class ed i parametri statistici da stimare. La scelta di una funzione obiettivo complessa
che incorpora una pluralità di parametri, ha una ricaduta immediata in termini di
complessità della fase previsionale. Analogamente la selezione di una molteplicità di
asset class incide pesantemente sui tempi necessari per la produzione degli input.
Il compito dell’asset manager è quello di produrre stime affidabili grazie alle quali
giungere a portafogli realmente ottimali.

1.2.3 L’ottimizzazione
Il processo di portfolio selection si chiude con la fase di ottimizzazione nella quale,
delineate le preferenze dell’investitore e stimata la distribuzione futura dei mercati, si

10
procede alla determinazione del portafoglio che massimizza la soddisfazione
dell’investitore. Qualora prevalga un approccio poco rigoroso (le preferenze
dell’investitore e le stime non sono esplicitate in termini matematici), la fase di
ottimizzazione non può che svolgersi in termini qualitativi, definendo un portafoglio
che non è frutto di un modello matematico adeguato. Nasce in tal modo una soluzione
che, orfana di un vero processo di massimizzazione, viene definita naive.
Di contro, in un framework matematico, una volta definiti:
- la funzione di preferenza [F(p)], che evidenzia i parametri statistici ed il loro
contributo alla soddisfazione dell’investitore;
- i vincoli (V) alla composizione del portafoglio (necessari per incorporare i desideri
degli investitori e/o assicurare la costruzione di soluzioni ragionevoli);
il portafoglio nasce attraverso un processo rigoroso che, esplorando lo spazio delle
soluzioni possibili, ricerca la composizione di portafoglio in grado di massimizzare la
funzione di preferenza dell’investitore, nel rispetto dei vincoli:
Max F ( p )
(1.2) W
Vincoli : V
dove W identifica il vettore dei pesi degli asset in portafoglio.

Si chiude così il processo di portfolio selection che, se supportato dalla capacità di:
1. misurare le reali preferenze dell’investitore;
2. stimare in modo corretto la distribuzione futura dei rendimenti dei portafogli;
3. processare una ottimizzazione matematica in grado di massimizzare la funzione
obiettivo dell’investitore;
è in grado di restituire la migliore soluzione. Ai capitoli successivi si affida il compito
di descrivere questo percorso, certamente complesso, ma ancor più stimolante. Teoria e
pratica rappresenteranno due poli di attrazione, spesso in contrasto. Non mancheranno
le posizioni di compromesso necessarie allo scopo di creare logiche di portfolio
selection in equilibrio tra rigore metodologico e concreta applicabilità.

11
 INDICE CAPITOLO 2

CAPITOLO 2: LE ORIGINI: L’OTTIMIZZAZIONE MEDIA-VARIANZA.............................................13

2.1 Introduzione ............................................................................13
2.2 L’investitore di Markowitz........................................................................................................15
2.3 Rendimento e rischio di portafoglio .........................................................................................20
2.4 La costruzione della frontiera efficiente...................................................................................25
2.4.1 Il caso di due soli asset in portafoglio............................................................................25
2.4.2 Il caso generico di n asset in portafoglio .......................................................................29
2.5 Tecniche di calcolo dei portafogli efficienti..............................................................................32
2.6 Una applicazione pratica ...........................................................................................................36
2.7 La selezione del portafoglio ottimo per l’investitore ...............................................................40
2.8 Markowitz, tra mito e false credenze .......................................................................................46
Appendice A.2.1: La stima dei portafogli efficienti con il metodo della critical line...........................50
Appendice A.2.2: La costruzione dei portafogli efficienti con il metodo della Lagrangiana ........67
 CAPITOLO 2: LE ORIGINI: L’OTTIMIZZAZIONE
MEDIA-VARIANZA

«Near the end of his reign in 14 AD, the

Roman emperor Augustus could boast
that he had found Rome a city of brick
and left it a city of marble. Markowitz
can boast that he found the field of
finance awash in the imprecision of
English and left it with the scientific
precision and insight made possible
only by mathematics».
(Mark Rubinstein)

2.1 Introduzione
La pubblicazione nel 1952 dell’articolo “Portfolio Selection” (Journal of
Finance) rappresenta una pietra miliare per l’asset management: le intuizioni di Harry
Markowitz introducono infatti in una nuova era, quella della modern portfolio theory. In
realtà, il problema della costruzione di un portafoglio non era ignoto alla letteratura
economica precedente, ma questa, ferma ad un approccio naive, fu incapace di
ricondurre la costruzione del portafoglio ad un problema di ottimizzazione.
Uno degli elementi più sorprendenti del lavoro di Markowitz è la sua originalità:
“it seems to come out of nowhere”1. Tuttavia, è possibile trovare più di un legame tra
questa teoria ed il contributo di altri lavori pionieristici nel campo della teoria di
portafoglio: Chambers (1934) ed Hicks (1935) intuiscono il concetto di diversificazione
ed enfatizzano il ruolo del rischio nelle scelte degli investitori; Roy (1952) propone un
processo di costruzione dei portafogli che, sviluppato su un piano media-deviazione
standard, ha delle sorprendenti similitudini con il modello di Markowitz. In relazione al
contributo offerto da Roy, Markowitz (1999) si esprime nei termini seguenti: «On the
basis of Markowitz (1952), I am called the father of modern portfolio theory (MPT), but
1
Rubinstein (2002).

13
Roy (1952) can claim an equal share of his honour. (…) Comparing the two articles,
one might wonder why I got a Nobel Price for mine and Roy did not for his. (…) the
more likely reason was visibility to the Nobel Committee in 1990. Roy’s article was his
first and last article in finance». Ad onor del vero, pur se i contributi scientifici di
Markowitz sono innumerevoli, lo stesso deve essere considerato un “one-idea-author”
(Brealey, 1991).
Anche l’Italia ha dato il suo contribuito alla nascita della modern portfolio
theory. Recentemente, Marc Rubinstein ha trovato in un articolo del 1940 del
matematico italiano de Finetti alcuni spunti che anticipano parte della teoria di
portafoglio di Markowitz. A tal proposito Rubinstein (2006) scrive: «It has just recently
come to light that among de Finetti’s papers is a treasurer-trove of results in economics
and finance written well before the work of the scholars that are traditionally credited
with these ideas. [...] But perhaps most astounding is de Finetti’s 1940 paper
anticipating much of mean-variance portfolio theory». Animati da uno spirito
patriottico, verrebbe da chiedersi come mai il nome di de Finetti abbia tardato a
comparire tra quello dei padri della moderna teoria di portafoglio. Stabile (2005) offre
una giustificazione plausibile: «Because he wrote mainly in Italian, de Finetti’s view of
statistics did not become influential in the United States until 1950s». In ambito
puramente finanziario, il riconoscimento che de Finetti merita si è palesato molto più
tardi, ben oltre la sua morte (1987) e in corrispondenza del centenario della sua nascita
(1906). Per un approfondimento sui legami tra de Finetti e Markowitz si rinvia a
Markowitz (2006).
Senza la pretesa di essere esaustivi, si elencano qui di seguito le innovazioni più
significative introdotte da Markowitz. Egli è unanimemente riconosciuto come il “padre
della diversificazione”. In realtà il concetto di portfolio diversification, lungi dal nascere
con Markowitz, è ravvisabile ben prima del 1952 tanto nell’operatività quotidiana delle
Investment Company, quanto nel pensiero di alcuni autori, tra i quali Daniel Bernoulli
(1738) e, sorprendentemente, William Shakespeare2. Markowitz è stato però il primo a

2
Nella Atto Primo, Scena 1 del Mercante di Venezia Antonio afferma:
«I Thank my fortune for it,
My ventures are not in one bottom trusted,
Not to one place; nor is my whole estate
Upon the fortune of this present year;
Therefore my merchandise makes me not sad».

14
giungere ad una formalizzazione matematica3 del concetto di diversificazione. Inoltre
egli, a differenza di altri studiosi4 forse “accecati” dalla legge dei grandi numeri, ebbe la
capacità di riconoscere nella diversificazione un fenomeno in grado di ridurre il rischio
piuttosto che di annullarlo.
Il pensiero di Markowitz ha dato un apporto determinante alla diffusione della
teoria delle “scelte in condizioni di incertezza”. Infatti, uno dei contributi più
significativi dell’Autore è ravvisabile nell’introduzione di una funzione obiettivo di
secondo grado a due variabili, all’interno della quale trovano spazio tanto il rendimento
atteso, quanto il rischio (rappresentato dalla deviazione standard). Questa intuizione,
ponendo fine alla prassi consolidata di identificare l’obiettivo dell’investitore nella mera
massimizzazione del rendimento atteso, sposta le scelte di portafoglio su un piano (σ ;
µ)5.
Non sazio della scelta di una funzione obiettivo innovativa, Markowitz è il
primo a formulare il problema della costruzione del portafoglio come un modello di
programmazione matematica e a proporre un algoritmo al fine di giungere alla soluzione
del problema stesso.
Il capitolo prosegue con la descrizione del modello che Harry Markowitz ha
consegnato alla storia, dimostrando delle doti insospettabili di chiarezza e sensibilità
finanziaria, e trovando un raro equilibrio tra rigore metodologico e pragmatismo.

2.2 L’investitore di Markowitz

Qualsiasi modello che ambisca a trattare matematicamente il processo di
costruzione di un portafoglio deve fare delle precise assunzioni circa il comportamento
degli investitori, definendo le preferenze che muovono le scelte di portafoglio. Il
modello di Markowitz non fa eccezione, anzi contribuisce in modo significativo a
delineare l’idea oggi diffusa di investitore razionale.
In ogni teoria che tenta di modellizzare i comportamenti, l’homo oeconomicus
non viene mai còlto in tutte le sue innumerevoli sfaccettature; così anche l’investitore di

3
Cfr. paragrafo 2.3
4
Cfr. Williams (1938) e Hicks (1935).
5
Alcuni pensano erroneamente che Markowitz sia stato il primo ad utilizzare la deviazione standard (la
varianza) come misura di rischio. In realtà, questo merito va probabilmente attribuito a Fisher (1906).

15
Markowitz è una stilizzazione dell’investitore reale, un’astrazione dello stato del
mondo. Tra le più evidenti semplificazioni del modello, citiamo la scarsa numerosità
delle variabili di input che influenzano le scelte di investimento e la natura uniperiodale
delle preferenze6.
Per quanto Markowitz descriva un investitore teorico, egli ci propone,
soprattutto in comparazione alla letteratura precedente, una riproduzione condivisibile
del comportamento di un investitore reale razionale. Inoltre non è peregrino affermare
che ancora oggi la teoria di portafoglio (soprattutto quella che trova concreta
applicazione nell’ambito dell’Asset Management) non abbia innovato l’idea di rational
investor introdotta nel 1952. Tuttavia, assumere la razionalità degli investitori è pur
sempre una ipotesi irrealistica: “The Rational Man, like the unicorn, does not exist”
(Markowitz, 1959).
Markowitz (1952) scrive: «We first consider the rule that investor does
maximize discounted expected, or anticipated returns. This rule is rejected both as
hypothesis to explain, and as a maximum to guide investment behavior. We next
consider the rule that investor does consider expected return a desirable thing and
variance of returns an undesirable thing». L’investitore, anziché limitarsi a
massimizzare il rendimento atteso, è chiamato a fare delle scelte su un piano
bidimensionale, nel quale il rendimento atteso è la variabile good da massimizzare
(l’investitore non è mai sazio), la dispersione dei rendimenti (il rischio) è la variabile
bad da minimizzare (l’investitore è avverso al rischio).
Al fine di indirizzare l’interesse dell’investitore ai primi due momenti della
distribuzione dei rendimenti, si può ricorrere alternativamente ad una delle seguenti
ipotesi:
− gli investitori sono neutrali a fenomeni riconducibili a momenti statistici di grado
superiore al secondo (ad esempio, l’asimmetria e la curtosi della distribuzione dei
rendimenti);
− i rendimenti si distribuiscono secondo una funzione di probabilità normale la cui
forma è funzione dei primi due momenti statistici.
Entrambe queste assunzioni sembrano però in parziale contrasto tanto con il
comportamento degli investitori (i quali non possono essere considerati

6
Per una analisi più dettagliata di queste tematiche si rimanda al capitolo 3.

16
aprioristicamente insensibili a fenomeni quali le fat tail e l’asimmentria negativa),
quanto con le evidenze empiriche riguardanti la distribuzione dei rendimenti degli
asset7. Tuttavia, a chiunque ritenesse queste semplificazioni inammissibili, va
rammentato che l’assenza di calcolatori di infinita potenza, in grado di processare una
quantità illimitata di dati, impone sempre una semplificazione della funzione da
ottimizzare: “The Perfect Computing Machine, like the unicorn and the rational man,
does not exist” (Markowitz, 1959).
A completamento del profilo dell’investitore, si aggiunge che le preferenze dello
stesso in termini di rendimento atteso e deviazione standard8 riguardano uno ed un solo
holding period. Markowitz introduce quindi l’ipotesi di orizzonte temporale
uniperiodale, ovvero assume che l’investitore definisca un unico holding period T e
faccia le sue scelte di portafoglio sul piano (σΤ ; µΤ). Da ciò si evince che l’investitore è
neutrale al rendimento atteso ed al rischio relativi ad orizzonti temporali diversi da
quello (unico) desiderato.
Date le ipotesi di comportamento sopra menzionate, è possibile estrapolare il
principio noto come media-varianza (M-V), in base al quale, presi due portafogli A e B,
aventi sull’orizzonte temporale T rendimenti attesi E(RA) e E(RB) e rischi attesi σA e σB,
si dice che A domina B se:
E ( A) ≥ E ( B) e σ ( A) ≤ σ ( B) ;
con almeno una disuguaglianza forte.

A conclusione del paragrafo, è opportuno menzionare le condizioni che rendono

possibile una conciliazione tra il principio media-varianza e l’expected utility rule; va
comunque sottolineato che tra questi due criteri non vi è alcuna connessione
7
Cfr. Arditti (1967).
8
Qualche lettore potrà trovare eccentrica la scelta, reiterata nell’intero lavoro, di parlare di deviazione
standard (σ) dei rendimenti piuttosto che di varianza (σ2). Questa trae prende origine dal fatto che la
deviazione standard, a differenza della varianza, trova una sua interpretazione finanziaria. A titolo
esemplificativo, una deviazione standard dei rendimenti annuali pari al 25% può essere immediatamente
associata ad un investimento ad elevato rischio, poiché una variabilità media dei rendimenti annuali
intorno al rendimento medio annuo nell’ordine del 25% è propria dei soli investimenti ad alta volatilità.
Di contro una varianza dei rendimenti annuali pari a 0,0625 (= 0,252) non trova una sua immediata
interpretazione, a causa dell’unità di misura nella quale questo indicatore è espresso. Per la stessa
medesima ragione il coefficiente di correlazione lineare (ρi,j) viene preferito alla covarianza (σi,j). Al fine
di rafforzare la bontà di questa scelta, si legga Markowitz (1999) che nel pieno della sua maturità di
pensiero afferma: “Although the article (Markowitz, 1952) noted that the same portfolios that minimize
standard deviation for a given E, it failed to point out that standard deviation (rather than variance) is
the intuitively meaningful measure of dispersion”.

17
obbligatoria.
Le funzioni di utilità9 sono state introdotte in sostituzione dell’expected return
rule, rigettata in ragione della inammissibilità dell’ipotesi di neutralità al rischio.
Queste, al pari del principio media-varianza, sono strumenti utili per selezionare gli
investimenti in ipotesi di avversione al rischio. Formalmente, la funzione di utilità è una
funzione U continua che permette di associare valori di utilità a tutti i possibili risultati
di un portafoglio. Definiti xA e xB i risultati aleatori ottenibili dai portafogli A e B al
tempo T, un investitore effettua la scelta comparando i relativi valori di utilità attesa:
E[U(xA)] e E[U(xB)]. Al fine di rispettare le ipotesi di “non sazietà” e di “avversione al
rischio” dell’investitore (si continuano a trascurare i comportamenti riconducibili ai
momenti statistici della distribuzione dei rendimenti superiori al secondo), una funzione
di utilità deve soddisfare due requisiti:
− U(x) deve essere crescente: U ′( x) > 0 ;
− U(x) deve essere concava: U ′′( x) < 0 .
Al fine di conciliare il principio media-varianza con l’approccio dell’utilità
attesa, è possibile seguire due soluzioni alternative:
− optare per una funzione di utilità quadratica;
− assumere che i rendimenti degli asset si caratterizzino per una distribuzione
gaussiana.
La funzione di utilità quadratica ha la seguente forma:
1
(2.1) U ( x) = ax − bx 2
2
con:
U ′( x) = a − bx
U ′′( x) = −b
Tale funzione è concava ( U ′′( x) < 0 ) e quindi coerente con l’ipotesi di
avversione al rischio solo per valori di b > 0 ; inoltre essa è crescente [ U ′( x) > 0 ] e
quindi coerente con l’ipotesi di non sazietà solo per valori di x ≤ a / b (Figura 2.1).

9
Sul tema generale dell’utilizzo delle funzioni di utilità come base delle decisioni finanziarie, cfr. Von
Neumann e Morgenstern (1944), Luce e Raiffa (1957) e Ingersoll (1987). Per una comparazione tra
funzioni di utilità alternative nella selezione del portafoglio, cfr. Kallberg e Ziemba (1983).

18
 Figura 2.1: Rappresentazione grafica di una funzione di utilità quadratica

a/b
x

Selezionare il portafoglio ottimale massimizzando il valore atteso di una

funzione di utilità quadratica equivale ad applicare il principio media-varianza di
Markowitz. Infatti, quando la funzione di utilità è quadratica, l’utilità attesa può essere
definita in termini di valore atteso e varianza:
⎛ 1 ⎞
E[U ( x)] = E ⎜ ax − bx 2 ⎟
⎝ 2 ⎠
1
(2.2)
= aE ( x) − bE ( x 2 )
2
1 2 1
= aµ x − bµ x − bσ x2
2 2
(
= µx − A µx + σ x
2 2
)
Se, alternativamente, si ipotizza che i rendimenti si distribuiscano normalmente,
il criterio media-varianza porta a risultati equivalenti a quelli della expected utility rule
per qualsiasi funzione di utilità; ciò perché, in ipotesi di distribuzione gaussiana dei
rendimenti, qualsiasi funzione di utilità (avversa al rischio) dà luogo ad una utilità attesa
che dipende esclusivamente di σ e µ10:
(2.3) E [U ( x)] = f ( µ x ; σ x )

10
Sul tema del confronto tra il principio media varianza e la regola dell’utilità attesa, cfr Kroll, Levi e
Markowitz (1984).

19
2.3 Rendimento e rischio di portafoglio
Una volta definite le preferenze dell’investitore, è immediato identificare gli
input necessari al fine di sviluppare l’ottimizzazione alla Markowitz. Scelti gli n asset,
occorre stimare sull’holding period T:
A. gli n rendimenti attesi degli asset;
⎡ E ( R1 ) ⎤
⎢ E ( R )⎥
⎢ 2 ⎥
⎢ E ( R3 ) ⎥
⎢ ⎥
(2.4) µ=⎢ M ⎥
⎢ E ( Ri ) ⎥
⎢ ⎥
⎢ M ⎥
⎢ E ( R )⎥
⎣ n ⎦

B. le n deviazioni standard dei rendimenti;

⎡σ 1 ⎤
⎢σ ⎥
⎢ 2⎥
⎢σ 3 ⎥
⎢ ⎥
(2.5) s=⎢ M ⎥
⎢σ i ⎥
⎢ ⎥
⎢ M ⎥
⎢σ ⎥
⎣ n⎦
C. gli [n(n − 1)] / 2 coefficienti di correlazione lineare tra le coppie di rendimenti.

⎡ 1 ρ1, 2 ρ1,3 L ρ1, j L ρ1,n ⎤

⎢ρ 1 ρ 2,3 L ρ 2, j L ρ 2,n ⎥⎥
⎢ 2,1
⎢ ρ 3,1 ρ 3, 2 1 L ρ 3, j L ρ 3 , n ⎥
⎢ ⎥
(2.6) C=⎢L L L L L L L⎥
⎢ ρ i ,1 ρ i,2 ρ i ,3 L 1 L ρ i ,n ⎥
⎢ ⎥
⎢L L L L L L L⎥
⎢ρ ρ n,2 ρ n ,3 L ρ n , j L 1 ⎥⎦
⎣ n ,1
Al prezzo di perdere il significato finanziario dei parametri, le stime di rischio e
le misure di correlazione possono essere sintetizzate all’interno della matrice delle
covarianze11:

11
Noto il vettore colonna s delle deviazioni standard e la matrice delle correlazioni C, la matrice delle
covarianze V può essere calcolata nel modo seguente:
V = diag (s) ⋅ C ⋅ diag (s)

20
 ⎡σ 1,1 σ 1, 2 σ 1,3 L σ 1, j L σ 1,n ⎤
⎢σ σ 2,3 L σ 2, j L σ 2,n ⎥⎥
⎢ 2,1 σ 2, 2
⎢σ 3,1 σ 3, 2 σ 3 , 3 L σ 3, j L σ 3, n ⎥
⎢ ⎥
(2.7) V =⎢L L L L L L L⎥
⎢σ i ,1 σ i , 2 σ i ,3 L σ i , j L σ i ,n ⎥
⎢ ⎥
⎢L L L L L L L⎥
⎢σ L σ n ,n ⎥⎦
⎣ n ,1 σ n , 2 σ n ,3 L σ n , j
L’assunto che le preferenze degli investitori siano uniperiodali, nonché definite
sul piano (σ;µ) permette di effettuare la scelta sulla base di un numero complessivo di
parametri di input pari a n + n + [n(n − 1)] / 2 = 2n + [n(n − 1)] / 2 .
Definito W il vettore colonna contenente gli n pesi assunti dagli asset in
portafoglio:
⎡ w1 ⎤
⎢w ⎥
⎢ 2⎥
⎢ w3 ⎥
⎢ ⎥
(2.8) W =⎢ M ⎥
⎢ wi ⎥
⎢ ⎥
⎢ M ⎥
⎢w ⎥
⎣ n⎦
il rendimento ed il rischio attesi del portafoglio possono essere calcolati nel modo
seguente:
n
(2.9) E ( R P ) = ∑ wi E ( Ri )
i =1

n n
(2.10) σP = ∑ wi w jσ iσ j ρ i , j = ∑ wi w jσ ij
i , j =1 i , j =1

dove diag(s) è una matrice quadrata di dimensione n×n nella quale:

− i valori nella diagonale principale sono quelli del vettore s;
− i valori esterni alla diagonale principale sono nulli.
Analiticamente:
⎡σ 1 0 0 L 0 L 0 ⎤
⎢0 σ 0 L 0 L 0 ⎥⎥
⎢ 2
⎢0 0 σ3 L 0 L 0 ⎥
⎢ ⎥
diag (s) = ⎢ L L L L L L L ⎥
⎢0 0 0 L σi L 0 ⎥
⎢ ⎥
⎢L L L L L L L ⎥
⎢0 0 L 0 L σ n ⎥⎦
⎣ 0

21
 Le stime di E(RP) e σP vengono frequentemente effettuate ricorrendo all’algebra
matriciale:
⎡ E ( R1 ) ⎤
⎢ E ( R )⎥
⎢ 2 ⎥

⎢ E ( R3 ) ⎥
⎢ ⎥
E ( R P ) = W T ⋅ µ = [w1 w2 w3 L w i L wn ]× ⎢ M ⎥
⎢ E ( Ri ) ⎥
⎢ ⎥
⎢ M ⎥
⎢ E ( R )⎥
⎣ n ⎦

⎡σ 1,1 σ 1, 2 σ 1,3 L σ 1, j L σ 1, n ⎤ ⎡ w1 ⎤
⎢σ σ 2,3 L σ 2, j L σ 2, n ⎥⎥ ⎢w ⎥
⎢ 2,1 σ 2, 2 ⎢ 2⎥
⎢σ 3,1 σ 3, 2 σ 3 , 3 L σ 3, j L σ 3, n ⎥ ⎢ w3 ⎥
⎢ ⎥ ⎢ ⎥
σ P = W T ⋅V ⋅W = [w1 w2 w3 L wi L wn ]× ⎢ L L L L L L L ⎥×⎢ M ⎥
⎢σ i ,1 σ i , 2 σ i ,3 L σ i, j L σ i , n ⎥ ⎢ wi ⎥
⎢ ⎥ ⎢ ⎥
⎢L L L L L L L⎥ ⎢ M ⎥
⎢σ σ n, n ⎥⎦ ⎢⎣ wn ⎥⎦
⎣ n ,1 σ n , 2 σ n ,3 L σ n , j L

Le formule mostrano chiaramente come il rischio del portafoglio, oltre che

dipendere dai pesi e dalle deviazioni standard dei singoli asset, sia influenzato dal
valore delle correlazioni (delle covarianze) dei rendimenti degli asset. A tal proposito, è
opportuno approfondire il fenomeno della diversificazione che, figlio dell’adagio “non
mettere tutte le uova nello stesso paniere”, contribuisce a ridurre il rischio di un
portafoglio attraverso l’incremento del numero degli asset al suo interno.
Supponiamo che il portafoglio sia composto da n attività caratterizzate da:
a) medesima deviazione standard dei rendimenti (σi =σ);
b) medesima correlazione (ρij =ρ) tra le coppie di rendimenti;
c) un peso in portafoglio equivalente, pari a 1/n.
Dati questi presupposti, il rischio del portafoglio può essere calcolato nel modo
seguente:

22
 n
σP = ∑w w σ σ
i , j =1
i j i j ρ i, j
n n n
= ∑ wi2σ i2 + ∑∑ wi w jσ iσ j ρ i, j
i =1 i =1 j =1
j ≠i

(2.11)
=
n
1
2
( 1
)
nσ 2 + n(n − 1) 2 σ 2 ρ
n
1 2 1
= σ + (n − 1) σ 2 ρ
n n
1− ρ 2
= σ + ρσ 2
n
In presenza di asset perfettamente correlati positivamente (ρij =+1), il rischio di
portafoglio è:

1−1 2
(2.12) σP = σ + 1σ 2 = σ 2 = σ
n
L’effetto diversificazione è nullo perché l’incremento del numero n di attività in
portafoglio non contribuisce a ridurne il rischio.
Ipotizzando alternativamente che ciascuna coppia di rendimenti abbia
correlazione pari a +0,5, il rischio di portafoglio diventa:

1 − 0,5 2 0,5 2
(2.13) σP = σ + 0,5σ 2 = σ + 0,5σ 2
n n

Figura 2.2: Gli effetti della diversificazione al crescere del numero n di attività
in portafoglio (σ i = 20%)

23
 ρ = +1
σ
25%

20%

15%

10%

5%

0%

00
1

9
10

20

50

0
10
10
n

σ
25% ρ = +0,5
20%

15%

10%

5%

0%

00
1

9
10

20

50

0
10
10 n

ρ=0
σ
25%

20%

15%

10%

5%

0%
00
1

9
10

20

50

0
10
10

Al crescere del numero di attività il valore (0,5/n)σ2 scende, sino ad annullarsi

per n → +∞ . L’aumento di n contribuisce ad accrescere l’effetto di diversificazione, ma
il valore σ P = σ ρ = σ 0,5 rappresenta per la deviazione standard dei rendimenti del
portafoglio un valore minimo invalicabile.
Infine, nell’ipotesi in cui tutte le coppie dei rendimenti siano non correlate (ρ =
0), il rischio del portafoglio è:

24
 1− 0 2 σ2 1
(2.14) σP = σ + 0σ 2 = =σ
n n n
L’incremento progressivo del numero degli asset produce una riduzione del
rischio che si annulla in ipotesi di numero infinito di titoli.

Gli esempi testé analizzati e sintetizzati graficamente nella Figura 2.2,

dimostrano come l’incremento dei titoli in portafoglio, subordinatamente a livelli di
correlazione diversi da +1, contribuisca a ridurre il rischio di portafoglio. Inoltre,
l’effetto di diversificazione aumenta al ridursi del valore delle correlazioni: coeteris
paribus, la diminuzione di ρ favorisce una discesa di σP. Tuttavia, poiché nella realtà la
correlazione media tra le coppie di rendimenti degli asset assume valori superiori a zero,
il beneficio della diversificazione non è tale da permettere l’annullamento del rischio.
Fa eccezione il ricorso alle vendite allo scoperto o a strumenti derivati che, grazie
all’assunzione di posizioni corte, permettono di raggiungere livelli di correlazione
negativi anche prossimi a -1. In tal caso però è scorretto parlare di diversificazione,
trattandosi piuttosto di una strategia di copertura.

2.4 La costruzione della frontiera efficiente

Selezionate le n attività e stimati gli n rendimenti attesi, gli n rischi attesi e le
[n ⋅ (n − 1)] / 2 correlazioni, l’obiettivo è quello di selezionare i portafogli non dominati,
ovvero non scartati da un investitore fedele al principio media-varianza. A tale scopo si
possono calcolare tutti i portafogli fattibili (ovvero tutte le possibili combinazioni dei
pesi wi) e successivamente applicare il principio M-V in modo da selezionare solo quelli
non dominati. Le combinazioni rischio-rendimento riportate su un piano [σ; µ] danno
quindi forma ad una linea debolmente concava, comunemente denominata frontiera
efficiente12.

2.4.1 Il caso di due soli asset in portafoglio

Si parte dalla situazione più semplice, quella di due soli asset. Si ipotizzi di

12
È curioso rilevare come il termine efficient frontier che oggi identifica il modello di Markowitz non sia
stato coniato dall’autore: «Someone aptly coined the phrase “efficient frontier” for what I referred to as
the “set of efficient mean-variance combinations”» (Markowitz, 1999).

25
disporre delle attività A e B che non si dominano l’un l’altra:
E ( R A ) < E ( RB )
σA <σB
Il rendimento ed il rischio attesi di un generico portafoglio possono essere così
stimati:
E ( R P ) = w A E ( R A ) + wB E ( R B )
(2.15)
σ P = w A2 σ A2 + wB2 σ B2 + 2w A wBσ Aσ B ρ AB

Poiché la somma dei pesi deve essere pari a 1 ( w A + wB = 1 ) e

conseguentemente:
(2.16) wB = 1 − w A
il rendimento atteso ed il rischio del portafoglio possono essere scritti nel modo
seguente:
(2.17) E ( RP ) = w A E ( R A ) + (1 − w A ) E ( RB )

(2.18) σ P = wA2σ A2 + (1 − wA ) 2 σ B2 + 2wA (1 − wA )σ Aσ B ρ AB

Risolvendo la 2.17 per wA e sostituendo il risultato nella 2.18, si giunge al
seguente risultato13:

(2.19) σ = [E ( RP ) − E ( RB )]2σ A2 + [E ( RA ) − E ( RP )]2σ B2 + 2[E ( RP ) − E ( RB )][E ( RA ) − E ( RP )]σ Aσ B ρ A, B

P
[E ( RA ) − E ( RB )]2
Questa equazione rappresenta le combinazioni [σP, E(RP)] di tutti i portafogli
fattibili ottenuti mixando le due attività. L’insieme dei portafogli è differenziato a
seconda che si riconosca o meno la possibilità di fare short selling, ovvero di attribuire
pesi negativi agli asset:
n
− short selling vietato: wi ∈ [0;1] e ∑w i = 1;
i =1

13
Si è preferito omettere i tediosi calcoli analitici che permettono di giungere a questa equazione, poiché
essi sono ritenuti non funzionali alla trattazione. Sul piano [σ, E(R)] l’equazione che identifica l’insieme
dei portafogli fattibili non è una funzione, in quanto ad un valore della variabile in ascisse può
corrispondere più di un valore della variabile sulle ordinate. Allo scopo di rendere questa espressione una
funzione sarebbe necessario esprimere i risultato su un piano [E(R), σ]: in tal caso tra E(R) e σ
esisterebbe una corrispondenza univoca. Poiché la scelta di invertire le variabili sugli assi è interpretata da
chi scrive come un eccesso di rigore che va a discapito della chiarezza, l’analisi rimane sul piano [σ,
E(R)].

26
 n
− short selling permesso: wi ∈ (− ∞;+∞ ) e ∑w i = 1;
i =1

Nel prosieguo di questo lavoro, se non diversamente specificato, si tratterà il

caso che esclude le vendite allo scoperto.
Nell’ipotesi in cui la correlazione tra i rendimenti degli asset A e B sia
perfettamente positiva, la linea dei portafogli fattibili assume la forma di un segmento14
(Figura 2.3) che va dal punto [σA, E(RA)] al punto [σB, E(RB)].

Figura 2.3: Portafogli fattibili ed efficienti in presenza di due soli asset, ρA,B=+1

E(R)

A
σ

Nessuno dei portafogli è dominato dagli altri e, conseguentemente, l’insieme dei

portafogli fattibili coincide con quello dei portafogli efficienti. Inoltre, non si evidenzia
alcun beneficio di diversificazione, in quanto la deviazione standard del portafoglio, al
pari del rendimento atteso, è la media ponderata dei rischi dei due asset.
Se, alternativamente, la correlazione tra i rendimenti assume valori compresi tra
σ A σ B e +1, estremo destro escluso:

14
Infatti, nell’ipotesi che ρA,B = +1 l’equazione dei portafogli fattibili assume la (più rassicurante) forma
σP = α+βE(RP),
con:
⎡ σ A −σ B ⎤
α = ⎢σ B − E ( R B ) ⎥
⎣ E(R A ) − E(RB ) ⎦
σ A −σ B
β=
E(R A ) − E(RB )

27
 ⎡σ A ⎞
ρ A, B ∈ ⎢ ;+1⎟⎟
⎣σ B ⎠
le combinazioni [σP, E(RP)] dei portafogli fattibili si collocano su una linea concava con
corrispondenza biunivoca tra E(R) e σ (Figura 2.4).
Anche in questo secondo caso i portafogli dominati sono assenti, e l’insieme dei
portafogli fattibili e quello dei portafogli efficienti coincidono. In questo caso il
beneficio di diversificazione esiste ( σ P < w Aσ A + wBσ B ), ma il coefficiente di
correlazione lineare non è sufficientemente basso da permettere la creazione di
portafogli aventi rischio inferiore a σA.

Figura 2.4: Portafogli fattibili ed efficienti in presenza di due soli asset,

ρ A, B ∈ [σ A σ B ,+1)

E(R)

A
σ

Nella Figura 2.5 si mostrano gli ultimi due casi:

⎛ σA ⎞
− ρ A, B ∈ ⎜⎜ − 1; ⎟;
⎝ σ B ⎟⎠

− ρ A , B = −1 .

Quando la correlazione è compresa (estremi esclusi) tra σ A σ B e -1, l’insieme

dei portafogli fattibili assume una forma curvilinea; inoltre, esistono combinazioni di A
e B per le quali è possibile contrarre il rischio del portafoglio al di sotto del rischio

28
dell’asset meno volatile (A). Con correlazione pari a -1, l’insieme dei portafogli fattibili
assume la forma di una spezzata, data dalla combinazione dei segmenti AK e BK;
inoltre, combinando opportunamente le due attività è possibile costruire un portafoglio a
rischio nullo15. In entrambi i casi è possibile identificare dei portafogli dominati, poiché
le loro combinazioni rischio-rendimento atteso (quelle che giacciono su AH e AK) non
sono appetibili per un investitore avverso al rischio. Ne consegue che l’insieme dei
portafogli efficienti è un sottoinsieme dei portafogli fattibili: il principio media-varianza
premia esclusivamente i portafogli le cui combinazioni [σP, E(RP)] si collocano sulle
porzioni BK e BH.

2.4.2 Il caso generico di n asset in portafoglio

Se si suppone di disporre di n ≥ 3 attività e di comporre i portafogli utilizzando
tutte le combinazioni dei pesi, si ottiene ancora l’insieme dei portafogli fattibili.
Tuttavia, a differenza di quanto accade nel caso di due asset, le combinazioni [σP,
E(RP)] si collocano in una regione e non più su una linea. Allo scopo di evidenziare la
diversa conformazione assunta dal set dei portafogli fattibili (sempre in ipotesi di pesi
non negativi), si propone un esempio. Si ipotizzi di disporre degli asset A, B e C, le cui
combinazioni rendimento-rischio sono:

Figura 2.5: Portafogli fattibili ed efficienti in presenza di due soli asset,

ρ A, B ∈ (−1; σ A σ B ) e ρ A, B = −1

15
Con ρA,B = -1 il rischio del portafoglio può essere calcolato nel modo seguente:
σ P = w Aσ A − w B σ B
Affinché il rischio del portafoglio sia pari a zero, deve valere la seguente uguaglianza:
w Aσ A = w B σ B
Questa equazione e la condizione che la somma dei pesi sia pari a 1 danno luogo ad un sistema a due
equazioni e due incognite:
⎧ w Aσ A = w B σ B
⎨
⎩w A + w B = 1
che, risolto, permette di identificare i pesi di A e B di un portafoglio con rischio nullo:
⎧ σB
⎪⎪w A = σ + σ
⎨ A
σ
B

⎪w B = A
⎪⎩ σ A +σ B

29
 B

E(R)

A
σ

E ( R A ) < E ( RC ) < E ( R B )
σ A < σB < σC
In virtù del principio media-varianza l’attività B domina l’attività C. Inoltre,
supponiamo che le tre coppie di rendimento degli asset non siano correlate (ρ = 0).
Limitando l’analisi ad un sottoinsieme (significativo) dei portafogli fattibili, si
procede alla costruzione dei portafogli attribuendo i pesi secondo questo criterio16:
3

(2.20)
∑w
i =1
i =1

wi = 0,05 * Num Intero con Num Intero ∈ [0;20]

Figura 2.6: L’area dei portafogli fattibili in presenza di tre asset

16
Il peso dell’attività [Link] è:
− compreso tra 0 ed 1;
− un multiplo di 0,05.
In tal modo i pesi possono assumere solo 21 valori: 0; 0,05; 0,1; 0,15; 0,2; … ; 0,9 ; 0,95; 1.

30
 B

E(R)

J
A
σ

La Figura 2.6 offre una rappresentazione grafica della “nuvola” delle

combinazioni rendimento-rischio dei portafogli così costruiti; questa regione
rappresenta un’ottima proxy di quella che otterremmo esplorando l’insieme complessivo
dei portafogli fattibili. La regione ha una forma che dipende dalle combinazioni rischio-
rendimento delle singole asset class (la Figura 2.7 mostra un’altra forma frequente);
tuttavia, in presenza di almeno tre asset, non perfettamente correlati e con rendimenti
attesi differenti, l’insieme dei portafogli possibili è una regione:
1. continua;
2. convessa verso sinistra.

Il segmento BJ delle Figure 2.6 e 2.7 identifica la frontiera efficiente. Il punto J

rappresenta la combinazione [σP, E(RP)] del portafoglio a minimo rischio,
comunemente denominato minimum variance portfolio; il punto B identifica il
portafoglio caratterizzato da massimo rendimento atteso17. Quando il minimum variance
portfolio è anche il portafoglio con rendimento atteso massimo, la frontiera efficiente
“degenera” in un punto.

Figura 2.7: La regione dei portafogli possibili a forma di “proiettile”

17
Occorre puntualizzare che se esiste una attività [Link] con rendimento atteso superiore a quello delle
restanti n-1 attività, allora il portafoglio efficiente con rischio massimo si compone esclusivamente
dell’attività j (wj = 1).

31
 B

E(R)

J
A

C σ

Al di là della valenza teorica del processo qui analizzato, va sottolineato che

nella pratica la stima dei portafogli efficienti non passa attraverso la costruzione
dell’intero set dei portafogli fattibili, poiché esistono infinite combinazioni:
⎡ w1 ⎤
⎢w ⎥
⎢ 2⎥
⎢ w3 ⎥
⎢ ⎥
(2.21) W =⎢ M ⎥
⎢ wi ⎥
⎢ ⎥
⎢ M ⎥
⎢w ⎥
⎣ n⎦
che rispettano la condizione:
n
(2.22) ∑w
i =1
i =1

Pertanto i portafogli vengono stimati applicando degli algoritmi che non

richiedono l’identificazione di tutti portafogli fattibili.

2.5 Tecniche di calcolo dei portafogli efficienti

Se un processore elettronico avesse la capacità di interpretare perfettamente il
linguaggio umano, il problema della costruzione di un portafoglio coerente con la teoria
di Markowitz potrebbe essere enunciato con estrema semplicità: «Seleziona i pesi delle

32
attività in modo tale che, dato un valore di rendimento atteso del portafoglio, il rischio
sia minimo; inoltre, cerca la soluzione nello spazio W tale per cui la somma dei pesi sia
pari al 100% ed ogni peso sia non negativo».
Ricorrendo ai più canonici termini analitici:
n
Min
W
∑w w σ σ
i , j =1
i j i j ρ i, j

Con vincoli :
n
(2.23)
∑ w E(R ) = R *
i =1
i i

∑w
i =1
i =1
wi ≥ 0 con i = 1,..., n
Questo problema viene chiamato Programmazione Quadratica (PQ): la funzione
obiettivo è appunto quadratica ed i vincoli sono uguaglianze e disuguaglianze lineari.
Allo scopo di selezionare l’insieme dei portafogli non dominati, la PQ va risolta per
valori crescenti di R*.
Alternativamente, il problema di ottimizzazione può essere espresso secondo
una logica di massimizzazione dell’utilità attesa E(U) dell’investitore. Data la funzione:
n n
(2.24) E (U ) = E ( R) Port − λ ⋅ σ Port
2
= ∑i =1
wi E ( Ri ) −λ ∑w w σ σ ρ
i , j =1
i j i j i, j

la composizione dei portafogli efficienti può essere calcolata risolvendo il seguente

problema18:
n n
Max
W ∑ w E(R ) −λ ∑ w w σ σ ρ
i =1
i i
i , j =1
i j i j i, j

(2.25) Con vincoli :

n

∑w =1
i =1
i

wi ≥ 0 con i = 1,..., n
La PQ va risolta per valori crescenti di λ.
La minimizzazione della varianza di portafoglio al variare del rendimento atteso

18
Il vantaggio di esprimere il problema media-varianza in questi termini consisterebbe nell’introdurre il
coefficiente di avversione al rischio λ, il quale identifica le preferenze dell’investitore circa il trade-off
rischio-rendimento. Tuttavia, è altamente opinabile l’idea che l’investitore riesca ad attribuire a λ un
valore numerico in grado di riflettere la sua effettiva risk aversion. Il tema dell’identificazione
“consapevole” delle preferenze dell’investitore, è affrontato nel paragrafo 2.7.

33
conduce al medesimo set di portafogli efficienti ottenuto mediante la massimizzazione
dell’utilità attesa, al variare del parametro λ di avversione al rischio.
Problemi di questo tipo non possono essere ridotti alla soluzione di una serie di
equazioni lineari; in altri termini, non è possibile risolvere il problema attraverso un
algoritmo di tipo diretto, in grado di trovare la soluzione esatta mediante un numero
finito di operazioni. Tuttavia, gli algoritmi iterativi19, generando una sequenza di
soluzioni approssimate capaci di convergere verso la soluzione esatta, rendono piuttosto
semplice la ricerca dei portafogli efficienti. Nell’Appendice A.1 si propone un esempio
numerico dell’utilizzo del metodo della critical line implementato da Markowitz (1956,
1959).
Nel caso in cui venga rimossa l’ipotesi di non negatività dei pesi:
n
Min
W
∑w w σ σ
i , j =1
i j i j ρ i, j

Con vincoli :
n
(2.26)
∑ w E(R ) = R *
i =1
i i

∑w
i =1
i =1

l’ottimizzazione è più semplice e non impone il ricorso a tecniche iterative; essa, infatti,
può essere risolta analiticamente20, scrivendo la Lagrangiana21. A tale fine occorre

19
Tra questi: il metodo del gradiente coniugato e (per equazioni simultanee non lineari) il metodo
Newton-Raphson. Sull’utilizzo degli algoritmi iterativi, si vedano: Baldick (2006), Dennis, Schnabel
(1983), Gill, Murray e Wright (2005) e Kelley (1995)
20
Sul tema della derivazione analitica della frontiera efficiente, si veda Merton (1972).
21
I moltiplicatori di Lagrange sono riconducibili al tema generale della trattazione delle funzioni reali di
più variabili reali. Essi sono utili qualora occorra ottimizzare una variabile dipendente che è funzione di
due o più variabili indipendenti, in presenza di vincoli sulle variabili stesse. Limitandosi al caso più
semplice di due sole variabili indipendenti ed un unico vincolo, ipotizziamo di voler massimizzare la
funzione f(x,y) rispettando il vincolo g(x,y)=0:
Max f ( x, y )
x, y
Con vincolo :
g ( x, y ) = 0
É possibile introdurre una funzione detta appunto Lagrangiana così definita:
L ( λ , x, y ) = f ( x, y ) + λ ⋅ g ( x , y )
Il parametro λ viene comunemente denominato moltiplicatore di Lagrange.
Identificando i valori x*, y* e λ* che massimizzano la funzione di Lagrange noi riusciamo a risolvere il
problema di massimizzazione vincolata; è infatti dimostrato che in corrispondenza dei valori x*, y* e λ*
anche la funzione f(x,y) viene massimizzata, nel rispetto del vincolo g(x,y)=0.

34
convertire ogni vincolo in un’equazione il cui secondo membro è nullo:
n

∑ w E(R ) − R * = 0
i =1
i i

(2.27)
n

∑w
i =1
i −1 = 0

I primi termini delle equazioni vengono poi moltiplicati per i fattori λ e γ (i

moltiplicatori di Lagrange) e sottratti alla funzione obiettivo:
n
⎡ n
⎤ ⎛ n
⎞
(2.28) L= ∑
i , j =1
wi w σ
j i σ ρ
j i, j + λ ⎢
⎣
R * − ∑
i =1
wi E ( R )
i ⎥
⎦
+ γ ⎜
⎝
1 − ∑
i =1
wi ⎟
⎠
Differenziando la Lagrangiana rispetto a ciascun peso wi e rispetto ai
moltiplicatori λ e γ e ponendo successivamente ogni derivata pari a zero, si giunge ad
un sistema a n+2 equazioni ed n+2 incognite:
⎧ ∂L
⎪ ∂w = 0
⎪ 1
⎪ ∂L = 0
⎪ ∂w2
⎪ M
⎪ ∂L
(2.29) ⎨ =0
⎪ ∂wn
⎪ ∂L
⎪ =0
⎪ ∂λ
⎪ ∂L
⎪ ∂γ = 0
⎩
risolvendo il quale, si ottengono i pesi del portafoglio efficiente.
Nell’Appendice A.2 si propone un esempio numerico di applicazione del metodo
della Lagrangiana. Ribadiamo, tuttavia, che questa procedura è impraticabile sotto
l’ipotesi di divieto di short selling.

La condicio sine qua non per l’esistenza di un punto di massimo per la funzione di Lagrange è data dal
contemporaneo annullamento delle derivate parziali prime rispetto a x, y e λ:
⎧ ∂L
⎪ =0
⎪ ∂x
⎪ ∂L
⎨ =0
⎪ ∂y
⎪ ∂L = 0
⎪⎩ ∂λ
Per un approfondimento si consulti un buon testo di Matematica Generale.

35
2.6 Una applicazione pratica
Al di là del profilo teorico, il tema di maggiore interesse è l’applicazione del
modello di Markowitz sul piano operativo. Lo scopo di questo paragrafo è quello di
mostrare un caso pratico di implementazione.
Mentre nel suo sviluppo canonico il modello di Markowitz viene applicato ai
titoli, esso ha assunto una grossa diffusione soprattutto ai fini della produzione di
strategie di asset allocation: gli asset manager identificano gli investimenti
“elementari” nei singoli mercati, ed i portafogli costruiti sono dati dalla loro
combinazione. Infatti, dato l’ampissimo numero di titoli emessi sui mercati
internazionali, è pressoché impossibile procedere alla costruzione della frontiera a
livello di titoli. Si ricorrere dunque ad un primo step consistente nel trovare i pesi da
attribuire a singole macroclassi di titoli (ed è in questo ambito che Markowitz trova
prevalente utilizzo); successivamente ci si preoccupa di “riempire” ogni macroclasse,
identificando il peso da attribuire ai titoli negoziati su ogni singolo mercato presente in
portafoglio22. Coerentemente con quanto testé affermato, si propone una applicazione
del modello di Markowitz ai fini dello sviluppo di strategie di asset allocation.
L’iter di identificazione delle strategie di investimento coerenti con i principi di
non sazietà e avversione al rischio ha avvio con la definizione dell’holding period.
Successivamente l’asset manager è chiamato ad identificare i mercati nei quali intende
investire, tenendo eventualmente conto delle preferenze espresse dall’investitore. In
questa fase egli non decide i mercati da inserire in portafoglio, bensì quelli che è
potenzialmente disposto a includere. Effettuata tale scelta, l’investitore deve
identificare, per ogni asset class, un indice di mercato (o benchmark), ovvero un
indicatore rappresentativo dell’andamento del mercato. L’associazione mercato-
benchmark è fondamentale ai fini della stima dei parametri necessari per la costruzione
della frontiera efficiente. Sono infatti gli indici di mercato a fornire le serie storiche utili
per la stima degli input.
L’iter procede con la stima dei seguenti parametri:
− il rendimento atteso di ogni mercato;
− il rischio (deviazione standard dei rendimenti) atteso di ogni mercato;

22
La stock-bond selection non è tra i temi trattati all’interno di questo lavoro.

36
− la correlazione tra i rendimenti di ogni coppia di mercati23.
Il processo di portfolio selection si chiude risolvendo il problema di
programmazione quadratica.
Le fasi che caratterizzano l’identificazione dei portafogli di mercati efficienti
sono quindi le seguenti:
1. definizione dell’orizzonte temporale;
2. identificazione dei mercati e quindi delle asset class in cui investire;
3. associazione benchmark- asset class;
4. stima dei parametri di input;
5. ottimizzazione.

Si procede con l’esempio numerico. Un asset manager italiano vuole costruire

portafogli combinando più mercati: monetari, obbligazionari ed azionari. L’orizzonte
temporale d’investimento è annuale. I mercati che egli considera potenzialmente
interessanti sono otto ed a ciascuno di essi viene associato un indice di mercato (Tabella
2.1).

Tabella 2.1: Mercati e Benchmark selezionati

Mercati Indici di Mercato
Monetario Area Euro I. Mkt. 1 = JPM Euro Cash 3M - Tot Return Ind
Obbligazionario Area Euro I. Mkt. 2 = CGBI WGBI EMU All Mats. - Tot Return Ind
Obbligazionario Internazionale I. Mkt. 3 = CGBI WGBI BD All Mats - Tot Return Ind
Azionario Europa I. Mkt. 4 = MSCI Europe - Gross Index
Azionario Nord America I. Mkt. 5 = MSCI North America - Gross Index
Azionario Giappone I. Mkt. 6 = MSCI Japan - Gross Index
Azionario Pacifico con esclusione del Giappone I. Mkt. 7 = MSCI Pacific free ex Japan - Gross Index
Azionario Paesi Emergenti I. Mkt. 8 = MSCI EM (Emerging Markets) - Gross Index

Ipotizzando che i rendimenti degli indici siano serialmente indipendenti ed

identicamente distribuiti (i.i.d.), gli input vengono stimati utilizzando il criterio della
classical rule, ovvero estrapolando i parametri sulla base di un campione storico24 di
rendimenti di 19 anni (Gennaio 1988 - Dicembre 2006); i rendimenti sono espressi in
euro25, ipotizzando quindi una posizione aperta al cambio. Nella Tabella 2.2 vengono
riportate le serie storiche dei rendimenti, utili a chi volesse replicare l’esempio di

23
Le stime fanno riferimento all’orizzonte temporale prefissato.
24
Fonte: Datastream.
25
Prima del 1999 si è utilizzato il marco quale proxy dell’euro.

37
seguito descritto.

Tabella 2.2: I rendimenti campionari

Anni I. Mkt. 1 I. Mkt. 2 I. Mkt. 3 I. Mkt. 4 I. Mkt. 5 I. Mkt. 6 I. Mkt. 7 I. Mkt. 8
1988 7,28% 4,30% 17,20% 30,65% 30,32% 52,18% 46,50% 57,68%
1989 9,16% 1,40% -0,53% 23,05% 24,80% -2,93% 9,09% 57,29%
1990 11,55% 3,10% -0,78% -14,38% -13,97% -43,31% -20,79% -20,74%
1991 10,41% 11,37% 17,51% 15,33% 31,79% 10,69% 42,64% 62,26%
1992 11,11% 12,80% 12,37% 1,96% 13,01% -16,19% 13,68% 18,62%
1993 9,03% 14,44% 21,49% 39,21% 18,56% 34,82% 94,42% 87,53%
1994 6,30% -1,84% -8,65% -8,36% -9,19% 8,56% -22,89% -17,27%
1995 6,58% 16,27% 9,92% 12,78% 26,58% -6,86% 5,32% -12,47%
1996 4,83% 7,29% 11,57% 30,89% 33,85% -8,89% 30,66% 14,16%
1997 4,42% 6,16% 16,95% 44,91% 55,10% -10,80% -20,86% 3,16%
1998 4,46% 10,94% 6,81% 19,41% 19,53% -2,51% -12,04% -30,84%
1999 3,15% -2,97% 11,62% 35,52% 43,95% 88,61% 61,69% 94,02%
2000 4,32% 8,39% 9,68% -0,83% -4,73% -22,34% -8,44% -25,08%
2001 4,74% 6,25% 4,54% -15,15% -7,51% -25,34% -4,37% 3,08%
2002 3,53% 8,49% 0,42% -31,17% -34,74% -24,46% -20,82% -21,01%
2003 2,54% 3,77% -4,59% 15,53% 8,05% 13,05% 22,08% 29,76%
2004 2,18% 7,56% 2,32% 12,56% 3,19% 7,51% 20,13% 16,79%
2005 2,20% 5,67% 7,52% 26,93% 23,47% 45,05% 32,60% 55,34%
2006 3,02% -0,28% -4,95% 20,35% 3,44% -4,75% 19,27% 18,76%

La Tabella 2.3 sintetizza l’insieme delle stime campionarie.

L’applicazione di un modello di ottimizzazione26 permette di identificare le
combinazioni rendimento-rischio che sul piano [σ, E(R)] disegnano il set of points
representing efficient portfolios (Figura 2.8); il compito di esibire la composizione dei
(100) portafogli ottimali è affidato ad un grafico ad area (Figura 2.9).

26
Si è utilizzata la funzione “portopt” disponibile nel Financial Toolbox di Matlab.

38
Tabella 2.3: Le stime campionarie
Indici di Mercato Rendimenti Attesi Rischi Attesi
I. Mkt. 1 5,83% 3,09%
I. Mkt. 2 6,48% 5,31%
I. Mkt. 3 6,86% 8,56%
I. Mkt. 4 13,64% 20,41%
I. Mkt. 5 13,97% 22,05%
I. Mkt. 6 4,85% 31,57%
I. Mkt. 7 15,15% 31,59%
I. Mkt. 8 20,58% 38,72%

Correlazioni I. Mkt. 1 I. Mkt. 2 I. Mkt. 3 I. Mkt. 4 I. Mkt. 5 I. Mkt. 6 I. Mkt. 7 I. Mkt. 8

I. Mkt. 1 1 0,28 0,28 -0,11 0,03 -0,24 0,08 0,11
I. Mkt. 2 0,28 1 0,56 -0,01 0,06 -0,28 0,12 -0,15
I. Mkt. 3 0,28 0,56 1 0,54 0,64 0,33 0,54 0,44
I. Mkt. 4 -0,11 -0,01 0,54 1 0,90 0,62 0,62 0,63
I. Mkt. 5 0,03 0,06 0,64 0,90 1 0,53 0,46 0,54
I. Mkt. 6 -0,24 -0,28 0,33 0,62 0,53 1 0,74 0,79
I. Mkt. 7 0,08 0,12 0,54 0,62 0,46 0,74 1 0,89
I. Mkt. 8 0,11 -0,15 0,44 0,63 0,54 0,79 0,89 1

Il decisore fedele al principio media-varianza dovrà quindi investire in un

portafoglio che permetta di raggiungere una delle combinazioni rischio-rendimento
collocate sulla frontiera efficiente; infatti, date le stime, non esiste nessuna altra
combinazione dalla quale aspettarsi delle combinazioni migliori. Come era lecito
attendersi, i punti più a sinistra della frontiera efficiente (quelli caratterizzati da minore
rischio, la cui composizione è riportata nella parte sinistra della Figura 2.9) sono
ottenuti combinando quasi esclusivamente mercati obbligazionari e monetari; i punti più
a destra della frontiera efficiente (la cui composizione è riportata nella parte destra della
Figura 2.9) sono ottenuti combinando prevalentemente mercati azionari. L’ultimo punto
all’estrema destra (maximun expected return portfolio) è stato ottenuto selezionando
esclusivamente il mercato azionario Emerging Markets. Alcuni mercati
(l’obbligazionario Internazionale, l’azionario Giappone e quello Pacifico ex Giappone)
non sono mai selezionati: infatti, qualora vi si investisse, la combinazione rischio-
rendimento così ottenuta verrebbe irrimediabilmente scartata dal principio media-
varianza.

39
 Figura 2.8: La frontiera efficiente
25%
E(R)
Frontiera Efficiente
20%
Asset Class

15%

10%

5%

0%
0% 5% 10% 15% 20% 25% 30% 35% 40%
σ

Figura 2.9: Composizione dei portafogli efficienti

Pesi
100%
I. Mkt. 8
I. Mkt. 7
80%
I. Mkt. 6

60% I. Mkt. 5
I. Mkt. 4
40% I. Mkt. 3
I. Mkt. 2
20% I. Mkt. 1

0%
1 10 19 28 37 46 55 64 73 82 91 100
Portafogli

2.7 La selezione del portafoglio ottimo per l’investitore

La costruzione della frontiera efficiente permette di identificare l’intero spettro
dei portafogli non dominati. Assumendo i panni di uno specifico investitore, il processo
di portfolio selection si chiude solo con l’identificazione di quell’unico portafoglio in
grado di massimizzare le sue preferenze. Infatti l’insieme dei portafogli efficienti

40
soddisfa ogni investitore avverso al rischio e mai sazio: il singolo investitore è poi
chiamato a isolare quello prescelto sulla base delle proprie preferenze27. Il presente
lavoro si focalizza sul tema della costruzione, non su quello sequenziale di selezione del
portafoglio coerente con la risk tolerance dell’investitore. Ciò nonostante, è utile
dedicare uno spazio a questo tema.
Una logica di selezione “politicamente corretta”, perché fedele all’approccio
teorico descritto, è quella basata sull’identificazione di una funzione di utilità e sulla
successiva massimizzazione della expected utility. Ipotizzando che le preferenze
dell’investitore siano sintetizzate dalla seguente funzione di utilità attesa:
1
E[U ( x)] = E ( R) − ⋅ λ ⋅σ 2
(2.30)
2
3
E[U ( x)] = E ( R) − ⋅ σ 2
2
la ricerca del miglior portafoglio passa attraverso la sua massimizzazione.

Figura 2.10: La selezione del portafoglio attraverso la costruzione delle curve

di indifferenza.

I5 I4 I3 I2 I1
E(R) 20,00%

15,00%
K

10,00%

5,00%

0,00%
2,00% 7,00% 12,00% 17,00% 22,00% 27,00% 32,00% 37,00%
σ

Riprendendo l’esempio numerico proposto nel paragrafo precedente e

costruendo la curve di indifferenza I che mostrano le combinazioni [σP, E(RP)] con
27
Questo processo è imitato dalle reti dei promotori finanziari, dai private banker, dai financial advisor
quando essi selezionano, all’interno della propria gamma, la gestione più adatta a soddisfare le esigenze
di un cliente.

41
medesimi valori di E[U(x)], la Figura 2.10 permette di identificare il punto K della
frontiera efficiente che, assicurando la maggiore utilità attesa, massimizza le preferenze
dell’investitore. Il medesimo risultato si otterrebbe calcolando direttamente il valore
della expected utility dei portafogli efficienti e selezionando quello che ne massimizza il
valore (Figura 2.11).

Figura 2.11: La selezione del portafoglio attraverso la massimizzazione

dell’utilità attesa.
12,00%
E[U(x)]
10,00% K

8,00%

6,00%

4,00%

2,00%

0,00%
- 20 40 60 80 100

Portafogli efficienti

Il processo testé descritto, per quanto teoricamente ineccepibile, è impraticabile

nella realtà: qualsiasi financial advisor confermerebbe che nessun investitore è capace
di definire scientemente una funzione di utilità in grado di riflettere le proprie
preferenze. Infatti, pur ipotizzando che l’utilizzo di una funzione di utilità quadratica sia
adeguato per ogni investitore, questi non sarebbe capace di comunicare il valore del
parametro λ che riflette le sue preferenze. A proposito del legame tra funzioni di utilità
e selezione del portafoglio, Markowitz (1959) scrive: «The most interesting and
relevant argument against the expected utility maxim involves specific cases in which
human subject, after careful deliberation, choose alternatives inconsistent with the
maxim. The situations are reasonably simple, the human choice fairly definite, the
contradiction between choice and maxim apparently inescapable. Either we must
conclude that the expected utility maxim is not the criterion of rational behavior, or else
we must conclude that human being has a natural propensity toward irrationality, even

42
in his most reflective moments».
Circa le ragioni dell’inconsistenza pratica dell’expected utility rule, Markowitz
sembra propendere per l’irrazionalità dell’investitore. Si è pronti a scommettere che
ogni financial advisor sottoscriverebbe questa posizione: l’investitore-tipo non ha le
competenze matematiche sufficienti per interpretare una funzione di utilità e quindi
tradurre nei parametri numerici la propria avversione al rischio28.
Ed è a causa dell’inconsistenza pratica del processo di selezione basato sulle
funzioni di utilità, che operativamente si opta per soluzioni meno rigorose da un punto
di vista teorico, ma più vicine al modo di ragionare degli investitori. Ad esempio è
prassi identificare il grado di tolleranza al rischio attraverso l’indice di Sharpe:
E ( R) − r f
(2.31) =S
σ
dove:
rf = tasso di rendimento risk-free.
Questo indicatore di risk adjusted performance identifica il premio al rischio che
l’investitore richiede per ogni unità di rischio assunto. L’investitore caratterizzato da
una elevata tolleranza al rischio si contraddistinguerà per un basso valore di S, poiché
egli è disposto a ricevere un minor risk premium per ogni unità di σ. Ipotizziamo che le
preferenze dell’investitore siano sintetizzate da un valore dell’indice pari a 0,639.
Basandosi ancora sull’esempio numerico precedente e costruendo le combinazioni29
[σP, E(RP)] caratterizzate da un indice di Sharpe pari a 0,639, la Figura 2.12 permette di
identificare il punto di incontro K sulla frontiera efficiente che è coerente con il grado di
tolleranza al rischio. Lo stesso risultato si ottiene calcolando direttamente il valore
dell’indice di Sharpe dei portafogli efficienti e selezionando quello che si caratterizza
per un valore di S pari al valore prescelto (Figura 2.13).
È ammissibile che il lettore possa esprimere delle serie perplessità circa la
capacità dell’indice di Sharpe di alleviare il problema dell’irrazionalità dell’investitore e

28
Il concetto di incapacità matematica e quello di irrazionalità finanziaria non coincidono. Piuttosto,
l’incapacità matematica, ovvero l’assenza di competenze matematiche sufficienti, viene interpretata come
una causa (tra le tante) scatenante il comportamento irrazionale dell’investitore.
29
Sul piano [σ;E(R)] tali combinazioni si collocano su una linea retta ribattezzata shorfall line:
E ( R) − r f
= 0,639
σ
E ( R) = r f + 0,639σ

43
quindi rappresentare una soluzione pratica al problema della portfolio selection. In
realtà pochi semplici passaggi algebrici, unitamente all’ipotesi di distribuzione normale
dei rendimenti, contribuiranno a rafforzare l’efficacia di questo indice:
E ( R) − r f
=S
σ
(2.32) E ( R) − r f = S ⋅ σ
E ( R) − S ⋅ σ = r f
Grazie alle proprietà della distribuzione gaussiana, è possibile associare ad S
(identificabile come multiplo della deviazione standard) la probabilità di conseguire un
rendimento inferiore al tasso di rendimento risk free:
(2.33) Pr = N (S )
Dove N(.) è la funzione di ripartizione di una normale standard.

Figura 2.12: La selezione del portafoglio attraverso l’indice di Sharpe

E(R) 20,00%

15,00%
K

10,00%

5,00%

r f
0,00%
0,00% 5,00% 10,00% 15,00% 20,00% 25,00% 30,00% 35,00% 40,00%
σ

Figura 2.13: La stima dell’indice di Sharpe dei portafogli.

44
 S 1,4

1,2

1,0

0,8
K
S=0,639
0,6

0,4
- 10 20 30 40 50 60 70 80 90 100

Portafogli efficienti

Nella Tabella 2.4 vengono riportate le shortfall probabiliy - ovvero le probabilità

di conseguire rendimenti inferiori a rf - corrispondenti a diversi valori dell’indice di
Sharpe. Si noti come l’incremento dell’indice produca una riduzione della probabilità di
conseguire risultati inferiori al tasso di rendimento privo di rischio: minore è la
tolleranza al rischio, maggiore deve essere il valore S, così da ridurre la possibilità di
conseguire valori inferiori al tasso privo di rischio.

Tabella 2.4: Indice di Sharpe e shortfall probability

Indice di Sharpe Shortfall Probability
0,250 40,13%
0,500 30,85%
0,639 26,14%
0,750 22,66%
1,000 15,87%
1,250 10,56%
1,500 6,68%
2,000 2,28%

Se il criterio basato sulle funzioni di utilità è praticamente inapplicabile, è invece

fattibile un processo di portfolio selection basato sul seguente iter:
1. l’investitore fissa la probabilità di shortfall tollerata (26,14%);
2. ricorrendo alle proprietà delle distribuzioni gaussiane si identifica il valore

45
 dell’indice di Sharpe corrispondente a tale probabilità (S=0,639)30;
3. si disegna la shortfall line - E ( R) = r f + 0,639σ - grazie alla quale viene

identificato il portafoglio efficiente coerente con il livello di tolleranza al rischio

dell’investitore31.
Il tentativo di utilizzare il concetto di shortfall probability come strumento di
valutazione della risk tolerance va inserito nel filone della letteratura finanziaria
applicata, che identifica nella stima degli eventi estremi probabilistici (i lower partial
moments) la risposta all’esigenza di conciliare l’utilizzo di tecniche quantitative con il
ricorso a concetti comprensibili anche per gli investitori finanziariamente impreparati32.
L’analisi del tema della selezione del portafoglio coerente con le preferenze
dell’investitore si chiude qui, non prima però di osservare che nella pratica si ricorre
sovente a metodologie di selection (percentuale tollerata di risky assets, questionari,
worst case scenario, ecc.) qui ignorate perché non sempre consistenti da un punto di
vista teorico.

2.8 Markowitz, tra mito e false credenze

Harry Markowitz ha lasciato una traccia indelebile nel campo della teoria di
portafoglio. Ne sono una prova la sterminata letteratura sul tema e la puntuale presenza
di esami ad hoc in ogni corso di laurea, master e dottorato di stampo economico-
finanziario. La fama di Markowitz e della sua teoria ha però valicato i confini della
teoria e dell’accademia, entrando in pianta stabile nella quotidianità dell’asset

30
Tale valore può essere calcolato ricorrendo all’inversa di una normale standardizzata:
Calcolare S in modo che : N (S) = Shortfall Probability
Dove N(.) è la funzione di ripartizione di una normale standard.
31
Il processo può essere ulteriormente generalizzato:
1. l’investitore definisce il rendimento soglia R* sotto il quale non desidera scendere;
2. l’investitore fissa la probabilità di shortfall, ovvero la probabilità tollerata di conseguire rendimenti
inferiori a R*;
3. ricorrendo alle proprietà delle distribuzioni gaussiane si identifica il valore dell’indice
G = [ E ( R ) − R*] / σ corrispondente alla probabilità di shortfall desiderata;
4. infine, si disegna la shortfall line E ( R ) = R * +Gσ grazie alla quale è possibile selezionare il
portafoglio efficiente coerente con il livello di tolleranza al rischio.
Sull’utilizzo della short fall line nelle scelte di portafoglio, cfr. Leibowitz e Kogelman (1991).
32
L’utilizzo dei modelli VaR nell’asset management rientra pienamente in questa corrente di studi. Per
una analisi generale sui modelli VaR, cfr. Jorion (2001), Resti e Sironi (2007), Saita (2000) e Sironi
(2005); sull’utilizzo dei modelli VaR nell’ambito della portfolio construction, cfr. Basak e Shapiro
(2001), Cuoco, He e Issaenko (2001), Alexander e Baptista (2002).

46
management: l’ottimizzazione di Markowitz rappresenta il momento topico di ogni
corso di portfolio construction dedicato a gestori, consulenti finanziari, private bankers;
tutti i software di financial planning fanno della programmazione quadratica il modello
matematico dominante per lo sviluppo dell’attività di asset allocation. Queste
sconfinate fonti informative hanno contribuito ad accrescere la fama di questo modello,
ma anche a favorire la diffusione di common mistakes, ovvero di errori interpretativi che
attribuiscono a Markowitz pensieri che non trovano fondamento nei suoi scritti. Da qui
l’esigenza di confutare alcune delle convinzioni più radicate.
Il fatto che Markowitz abbia evidenziato i benefici riconducibili alla portfolio
diversification induce erroneamente a ipotizzare che il modello di ottimizzazione
produca portafogli efficienti molto diversificati, ovvero composti da un gran numero di
attività. A tal proposito Markowitz (1952) scrive: «It is conceivable that one security
might have an extremely higher yield and a lower variance than all other securities; so
much so that one particular undiversified portfolio would give maximum E (rendimento
atteso) and minimum V (varianza). But for a large, presumably representative range of
µi, σij the E-V rule leads to efficient portfolios almost all of which are diversified. Not
only does the E-V hypothesis imply diversification, it implies the “right kind” of
diversification for the “right reason”». Il livello di diversificazione dei portafogli
efficienti non è identificabile a priori, dipendendo dal valore dei parametri di input: in
alcuni casi l’ottimizzazione restituisce portafogli concentrati in pochi asset; in altri i
portafogli sono molto diversificati. A dimostrazione di ciò, riprendiamo l’esempio
numerico proposto nel paragrafo 2.6, ipotizzando però correlazioni nulle tra le 28
coppie di asset class. Ottimizzando, si ottengono portafogli efficienti la cui
composizione è sintetizzata nella Figura 2.14. Si noti come la riduzione dei coefficienti
di correlazione contribuisca ad incrementare la diversificazione dei portafogli. Se
alternativamente le correlazioni tra le coppie di rendimenti fossero perfettamente
positive, il risultato sarebbe sensibilmente differente, con portafogli decisamente più
concentrati (Figura 2.15). Risultati simili si otterrebbero mutando i parametri E(R) e σ.
Ad ogni modo, la probabilità che i portafogli efficienti siano estremamente concentrati è
elevata: «Portfolios constructed using sample moments of returns often involve very
extreme positions […] Admittedly, the theoretical link between “diversification”, in the
sense of putting small weight on any asset, and variance minimization are tenuous»

47
(Green e Hollifield, 1992). Per un approfondimento sul tema della diversificazione nella
ottimizzazione alla Markowitz, si rimanda al lavoro degli autori testé menzionati.
Troppo spesso si sostiene che Markowitz identifichi nella classical rule la strada
per la stima dei parametri. Questo pensiero appare tanto errato quanto sorprendente, se
si pensa che il suo primo articolo del 1952 inizia con queste testuali parole: «The
process of selecting a portfolio may be divided into two stages. The first stage starts
with observation and experience and ends with beliefs about the future performances of
available securities. The second stage starts with the relevant beliefs about future
performances and ends with the choice of portfolio. This paper is concerned with the
second stage». L’autore dunque non è interessato al problema della stima degli input,
ma a quello sequenziale di costruzione dei portafogli efficienti. Non che la stima degli
input sia una fase irrilevante, semplicemente è un altro tema o, afferma Markowitz: «is
“another story”. It is a story of which I have read only the first page of the first
chapter».
Pur non occupandosene, Markowitz non ha mancato di commentare il problema
della stima dei parametri di input, e dalle sue parole si evince quanto il suo pensiero sia
distante dall’esprimere una preferenza per un approccio basato sul solo uso di serie
storiche: «To use the E-V rule in the selection of securities we must have procedures for
finding reasonable µi and σij. The procedures, I believe, should combine statistical
techniques and the judgment of practical men. […] One suggestion as to tentative µi
and σij is to use the observed µi and σij for some period of the past. I believe that better
methods, which take into account more information, can be found» (Markowitz, 1952).
In conclusione, il ricorso a stime campionarie è la soluzione di ripiego di chi rinuncia ad
utilizzare tecniche più sofisticate che devono contemplare anche il coinvolgimento degli
esperti. Il capitolo 5 contribuirà a dimostrare come le parole dell’autore abbiano
anticipato uno dei temi di ricerca più significativi nati intorno al modello di Markowitz.

Figura 2.14: La composizione dei portafogli efficienti in ipotesi di correlazione

nulla tra i rendimenti dei mercati.

48
 Pesi
100%
I. Mkt. 8
I. Mkt. 7
80%
I. Mkt. 6

60% I. Mkt. 5
I. Mkt. 4
40% I. Mkt. 3
I. Mkt. 2
20% I. Mkt. 1

0%
1 10 19 28 37 46 55 64 73 82 91 100
Portafogli

Figura 2.15: La composizione dei portafogli efficienti in ipotesi di correlazioni

perfettamente positive tra i rendimenti dei mercati.
Pesi
100%
I. Mkt. 8
I. Mkt. 7
80%
I. Mkt. 6

60% I. Mkt. 5
I. Mkt. 4
40% I. Mkt. 3
I. Mkt. 2
20% I. Mkt. 1

0%
1 10 19 28 37 46 55 64 73 82 91 100
Portafogli

49
Appendice A.2.1: La stima dei portafogli efficienti in ipotesi di divieto di short
selling con il metodo della critical line

Il problema di Programmazione Quadratica implicito nel principio media-

varianza consiste essenzialmente in una minimizzazione vincolata della varianza del
portafoglio. Poiché la funzione da minimizzare è globalmente concava, qualsiasi
algoritmo di ottimizzazione (gradiente, Newton, ecc...) si comporta efficacemente, e si è
quindi immuni dal rischio che lo stesso incappi in un minimo locale. Tuttavia, nella
speranza che l’analisi seguente non assuma una valenza “archeologica”, ma contribuisca
piuttosto alla completezza della trattazione, proponiamo una applicazione della tecnica
della critical line originariamente proposta da Markowitz per risolvere il problema di
Programmazione Quadratica. Il lettore non incuriosito dai processi di ottimizzazione
può saltare questa parte (e la successiva Appendice), senza temere ripercussioni sulla
comprensibilità delle parti successive.
É un ispirato Markowitz (1959) ad offrirci una interpretazione intuitiva della
relazione esistente tra le critical line e i portafoglio ottimali: «Image the critical line as
railroad tracks. Image, further, that a passenger boards a train at X [il portafoglio a
minimo rischio] and travels in the direction of increasing expected return. The first time
his train crosses another track – as soon as the first critical line intersects a second
critical line – the passenger transfers to the next track, the new critical line and again
travels in the direction of increasing E [il rendimento atteso] This continues until the
passenger reaches X with maximum E».
Al fine di facilitare la comprensione della procedura, si fa ricorso ad un esempio
numerico semplificato che limita l’analisi al caso di tre soli asset. Per costruire i
portafogli non dominati sono necessari i seguenti input:
1. La matrice varianze-covarianze:
⎡σ 1,1 σ 1, 2 σ 1,3 ⎤ ⎡0,039 0,038 0,047 ⎤
⎢ ⎥
V = ⎢σ 2,1 σ 2, 2 σ 2,3 ⎥ = ⎢⎢0,038 0,046 0,044⎥⎥
⎢σ 3,1 σ 3, 2 σ 3,3 ⎥ ⎢⎣0,047 0,044 0,142 ⎥⎦
⎣ ⎦
2. il vettore colonna dei rendimenti attesi

50
 ⎡ E ( R)1 ⎤ ⎡ 0,136 ⎤
µ = ⎢⎢ E ( R) 2 ⎥⎥ = ⎢⎢ 0,140 ⎥⎥
⎢⎣ E ( R) 3 ⎥⎦ ⎢⎣0,206⎥⎦

Definiti con w1, w2 e w3 i pesi dei 3 asset in portafoglio, si pone un unico vincolo
lineare (somma dei pesi pari a 1):
w1 + w2 + w3 = 1
con wi ≥ 0 per i = 1, 2, 3
Dati i vettori e scalari:
⎡ w1 ⎤
A = [1 1 1] W = ⎢⎢ w2 ⎥⎥ b = 1
⎢⎣ w3 ⎥⎦

il vincolo lineare può essere espresso in forma matriciale:

AW = b
Ai fini dello sviluppo del critical line method occorre costruire tre nuove matrici
definite M, R e S:
⎡0,039 0,038 0,047 1⎤
⎡V AT ⎤ ⎢0,038 0,046 0,044 1⎥⎥
M =⎢ ⎥=⎢
⎣ A 0 ⎦ ⎢0,047 0,044 0,142 1⎥
⎢ ⎥
⎣ 1 1 1 0⎦

⎡0 ⎤ ⎡ 0 ⎤
⎢0 ⎥ ⎢ 0 ⎥
R=⎢ ⎥=⎢ ⎥
⎢0 ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥
⎣b⎦ ⎣1⎦
⎡ 0,136 ⎤
⎢ 0,140 ⎥
⎡µ ⎤
S=⎢ ⎥=⎢ ⎥
⎣ 0 ⎦ ⎢0,206⎥
⎢ ⎥
⎣ 0 ⎦
Definiamo unit cross la combinazione (all’interno di una matrice) di un vettore
riga ed un vettore colonna composti da tutti zero con eccezione del valore di
intersezione che assume valore 1. Così, data la matrice M, sostituendo la terza riga e la
terza colonna con una unit cross si giunge al seguente risultato:

51
 ⎡0,039 0,038 0 1⎤
⎢0,038 0,046 0 1⎥
⎢ ⎥
⎢ 0 0 1 0⎥
⎢ ⎥
⎣ 1 1 0 0⎦
L’insieme dei portafogli efficienti è costituito da porzioni di specifiche critical
lines; ciascuna critical line viene costruita combinando solo alcuni asset che
denominiamo in; gli asset non considerati sono definiti out. L’equazione di una critical
line è la seguente:
⎡ w1 ⎤
⎢ ⎥
~ w ~
M ⎢ 2 ⎥ = R + S λE
⎢ w3 ⎥
⎢ ⎥
⎣ λ1 ⎦
~
La matrice non singolare M coincide con la matrice M, con l’eccezione delle
righe e colonne corrispondenti agli asset out le quali vengono sostituite da unit crosses.
~
Il ruolo del parametro λ1 emergerà in seguito. Il vettore colonna S coincide con il
vettore S, con l’eccezione dei valori corrispondenti agli asset out che vengono sostituiti
~ ~
con valori nulli. Ad esempio, se gli asset 2 e 3 sono in e l’asset 1 è out, M e S
assumono le forme:
⎡1 0 0 0⎤ ⎡ 0 ⎤
⎢0 0,046 0,044 1⎥ ~ ⎢⎢ 0,140 ⎥⎥
⎥
~
M =⎢ S =
⎢0 0,044 0,142 1⎥ ⎢0,206⎥
⎢ ⎥ ⎢ ⎥
⎣0 1 1 0⎦ ⎣ 0 ⎦
λ E è uno scalare; noto questo parametro, l’equazione della critical line può
essere risolta per w1, w2 e w3.
Attraverso alcuni passaggi algebrici elementari è possibile scrivere la formula
analitica della critical line nel seguente modo:
⎡ w1 ⎤
⎢w ⎥
⎢ w3 ⎥
( )
~
⎢ 2⎥ = M −1
( )
~
R+ M
−1 ~
S λE
⎢ ⎥
⎣ λ1 ⎦
~
dove M( ) −1 ~
è la matrice inversa di M .

52
 ~
Al fine di semplificare il processo di calcolo è utile modificare la matrice M ( ) −1
,
sostituendo le unit cross con zero crosses33. Definendo N(i) la matrice che si ottiene
attraverso questa sostituzione, la formula della [Link] critical line può essere scritta:
⎡ w1 ⎤
⎢w ⎥
⎢ 2 ⎥ = N (i ) R + N (i ) Sλ
⎢ w3 ⎥ E

⎢ ⎥
⎣ λ1 ⎦
Si noti come il ricorso agli zero cross permetta di usare il vettore S al posto di
~
S.

Il processo di calcolo della frontiera efficiente ha inizio con l’identificazione del

portafoglio con massimo rendimento atteso. Tale portafoglio è sempre di facile
identificazione, poiché esso è composto per il 100% dall’asset con massimo rendimento
atteso; nel caso qui illustrato il portafoglio si compone dell’attività 3:
⎡ w1 ⎤ ⎡0⎤
W (1)
= ⎢⎢ w2 ⎥⎥ = ⎢⎢0⎥⎥
⎢⎣ w3 ⎥⎦ ⎢⎣1⎥⎦

A questo punto è possibile calcolare la critical line calcolata quando solo l’asset
~ ~
3 è in. In tal caso le matrici M , M ( ) −1
e N(1) sono:

⎡1 0 0 0⎤ ⎡1 0 0 0 ⎤ ⎡0 0 0 0 ⎤
⎢0 0⎥⎥ ~ ⎢0 ⎥ ⎢0 0 ⎥⎥
~
M =⎢
⎢0
1 0
0 0,142 1⎥
M( ) −1
=⎢
⎢0
1
0
0
0
0 ⎥
1 ⎥
N (1) = ⎢
⎢0
0
0
0
0 1 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣0 0 1 0⎦ ⎣0 0 1 − 0,142⎦ ⎣0 0 1 − 0,142⎦
La formula della prima critical line è quindi la seguente:

33
Lo zero cross è uguale ad un unit cross, con l’unica eccezione rappresentata dal fatto di presentare un
valore nullo anche in corrispondenza del valore di intersezione. Per passare da un unit cross ad un zero
cross è quindi sufficiente azzerare il valore all’intersezione tra righe e colonne.

53
 ⎡ w1 ⎤
⎢w ⎥
⎢ 2 ⎥ = N (1) R + N (1) Sλ
⎢ w3 ⎥ E

⎢ ⎥
⎣ λ1 ⎦
⎡ w1 ⎤ ⎡0 0 0 0 ⎤ ⎡ 0 ⎤ ⎡0 0 0 0 ⎤ ⎡ 0,136 ⎤
⎢w ⎥ ⎢0 0 0 0 ⎥⎥ ⎢⎢0⎥⎥ ⎢⎢0 0 0 0 ⎥⎥ ⎢⎢ 0,140 ⎥⎥
⎢ 2⎥ = ⎢ + λE
⎢ w3 ⎥ ⎢0 0 0 1 ⎥ ⎢ 0 ⎥ ⎢0 0 0 1 ⎥ ⎢0,206⎥
⎢ ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥⎢ ⎥
⎣ λ1 ⎦ ⎣0 0 1 − 0,142⎦ ⎣1⎦ ⎣0 0 1 − 0,142⎦ ⎣ 0 ⎦
⎡ w1 ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤
⎢w ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 2 ⎥ = ⎢ 0 ⎥ + ⎢ 0 ⎥λ E
⎢ w3 ⎥ ⎢ 1 ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ λ1 ⎦ ⎣− 0,142⎦ ⎣0,206⎦
Per qualsiasi valore assunto da λE i pesi assunti in portafoglio non subiscono
variazioni (con w1 = w2 = 0 e w3 = 1); solo il parametro λ1 varia al variare di λE.
L’analisi procede identificando il valore λE per il quale questa prima critical line
interseca le altre critical line aventi le seguenti proprietà:
a. sono in tutti gli asset che sono in nella prima critical line (l’attività 3 deve essere
in);
b. un’altra attività è in, tutte le altre sono out, o alternativamente si trasforma in out
una attività precedentemente in.
Denominata cl3 la prima critical line34, sulla base di queste condizioni possono
essere considerate le seguenti critical line: cl1,3 e cl2,3. L’obiettivo è trovare i valori λE
per i quali cl3 interseca rispettivamente cl1,3 e cl2,3. Nella intersezione tra cl3 e cl1,3
devono valere le seguenti uguaglianze:
⎧⎡ w1 ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤
⎪⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎪⎢ w2 ⎥ = ⎢ 0 ⎥ + ⎢ 0 ⎥ λ
⎪⎢ w3 ⎥ ⎢ 1 ⎥ ⎢ 0 ⎥ E
⎪⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎪⎣ λ1 ⎦ ⎣− 0,142⎦ ⎣0,206⎦
⎨
⎪ ⎡ w1 ⎤
⎪ ⎢w ⎥
[σ
⎪ 1,1 σ 1, 2 σ 1,3 1] ⎢ 2 ⎥ = E ( R) λ
⎢ w3 ⎥ 1 E
⎪
⎪ ⎢ ⎥
⎩ ⎣ λ1 ⎦
Sostituendo la prima equazione nella seconda, si giunge alla seguente

34
In cl3 il pedice identifica le variabili in.

54
uguaglianza:
⎡ 0 ⎤ ⎡ 0 ⎤
⎢ 0 ⎥ ⎢ 0 ⎥
[σ 1,1 σ 1, 2 σ 1,3 1] ⎢
⎢ 1 ⎥
⎥ + [σ 1,1 σ 1, 2 σ 1,3 1] ⎢ ⎥ λ = E ( R )1 λ E
⎢ 0 ⎥ E
⎢ ⎥ ⎢ ⎥
⎣− 0,142⎦ ⎣0,206⎦
la cui soluzione è:
⎡ 0 ⎤ ⎡ 0 ⎤
⎢ 0 ⎥ ⎢ 0 ⎥
[0,039 0,046 0,142 1] ⎢ ⎥ + [0,039 0,046 0,142 1] ⎢ ⎥ λ = 0,136λ E
⎢ 1 ⎥ ⎢ 0 ⎥ E
⎢ ⎥ ⎢ ⎥
⎣− 0,142⎦ ⎣0,206⎦
− 0,095 + 0,205λ E = 0,136λ E
λ E = 1,368
Nella intersezione tra cl3 e cl2,3 devono invece valere le seguenti uguaglianze:
⎧⎡ w1 ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤
⎪⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎪⎢ w2 ⎥ = N (1) R + N (1) Sλ = ⎢ 0 ⎥ + ⎢ 0 ⎥ λ
⎪⎢ w3 ⎥ E
⎢ 1 ⎥ ⎢ 0 ⎥ E
⎪⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎪⎣ λ1 ⎦ ⎣− 0,142⎦ ⎣0,206⎦
⎨
⎪ ⎡ w1 ⎤
⎪ ⎢w ⎥
⎪[σ 2,1 σ 2, 2 σ 2,3 1] ⎢ ⎥ = E ( R) 2 λ E
2

⎪ ⎢ w 3⎥
⎪ ⎢ ⎥
⎩ ⎣ λ1 ⎦
Sostituendo ancora la prima equazione del sistema nella seconda, si giunge alla
seguente espressione:
⎡ 0 ⎤ ⎡ 0 ⎤
⎢ 0 ⎥ ⎢ 0 ⎥
[σ 2,1 σ 2 , 2 σ 2, 3 1] ⎢
⎢ 1 ⎥
⎥ + [σ 2,1 σ 2, 2 σ 2, 3 1] ⎢ ⎥ λ = E ( R) 2 λ E
⎢ 0 ⎥ E
⎢ ⎥ ⎢ ⎥
⎣− 0,142⎦ ⎣0,206⎦
la cui soluzione è:
⎡ 0 ⎤ ⎡ 0 ⎤
⎢ 0 ⎥ ⎢ 0 ⎥
[0,038 0,046 0,044 1] ⎢ ⎥ + [0,038 0,046 0,044 1] ⎢ ⎥ λ = 0,140λ E
⎢ 1 ⎥ ⎢ 0 ⎥ E
⎢ ⎥ ⎢ ⎥
⎣− 0,142⎦ ⎣0,206⎦
− 0,098 + 0,206λ E = 0,140λ E
λ E = 1,486

55
 Il primo sottoinsieme dei portafogli efficienti coincide con la critical line che
interseca la cl3 in corrispondenza del valore di λE più elevato; la prima sezione della
frontiera efficiente viene quindi identificata da cl2,3, la critical line nella quale sono in
(attive) le attività 2 e 3. Se i valori di λE fossero tutti ≤0, allora i portafogli efficienti
giacerebbero esclusivamente sulla cl3, ovvero la frontiera efficiente degenererebbe in un
unico punto corrispondente ad un portafoglio composto esclusivamente dall’asset 3.
A questo punto è possibile calcolare la formula analitica della critical line cl2,3.
~ ~
Le matrici M , M ( ) −1
e N(2) sono:

⎡1 0 0 0⎤ ⎡1 0 0 0 ⎤
⎢0 0,046 0,044 1⎥⎥ ~ ⎢0 9,959 − 9,959 0,978 ⎥
~
M =⎢
⎢0 0,044 0,142 1⎥
M( ) −1
=⎢
⎢0 − 9,959 9,959
⎥
0,022 ⎥
⎢ ⎥ ⎢ ⎥
⎣0 1 1 0⎦ ⎣0 0,978 0,022 − 0,046⎦

⎡0 0 0 0 ⎤
⎢0 9,959 − 9,959 0,978 ⎥
N (2) = ⎢ ⎥
⎢0 − 9,959 9,959 0,022 ⎥
⎢ ⎥
⎣0 0,978 0,022 − 0,046⎦
La formula di cl2,3 è quindi la seguente:
⎡ w1 ⎤
⎢w ⎥
⎢ 2 ⎥ = N (2) R + N (2) Sλ
⎢ w3 ⎥ E

⎢ ⎥
⎣ λ1 ⎦
⎡ w1 ⎤ ⎡0 0 0 0 ⎤ ⎡0 ⎤ ⎡0 0 0 0 ⎤ ⎡ 0,136 ⎤
⎢w ⎥ ⎢0 9,959 − 9,959 0,978 ⎥ ⎢0⎥ ⎢0 9,959 − 9,959 0,978 ⎥ ⎢ 0,140 ⎥
⎢ 2⎥ = ⎢ ⎥⎢ ⎥ + ⎢ ⎥⎢ ⎥λ E
⎢ w3 ⎥ ⎢0 − 9,959 9,959 0,022 ⎥ ⎢0⎥ ⎢0 − 9,959 9,959 0,022 ⎥ ⎢0,206⎥
⎢ ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥⎢ ⎥
⎣ λ1 ⎦ ⎣0 0,978 0,022 − 0,046⎦ ⎣1⎦ ⎣0 0,978 0,022 − 0,046⎦ ⎣ 0 ⎦
⎡ w1 ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤
⎢w ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 2 ⎥ = ⎢ 0,978 ⎥ + ⎢− 0,658⎥ λ E
⎢ w3 ⎥ ⎢ 0,022 ⎥ ⎢ 0,658 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ λ1 ⎦ ⎣− 0,046⎦ ⎣ 0,141 ⎦

Si noti che quando λE assume valore 1,486 (quello corrispondente

all’intersezione tra cl3 e cl2,3) il risultato dell’ equazione è:

56
 ⎡ w1 ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤
⎢ w ⎥ ⎢ 0,978 ⎥ ⎢− 0,658⎥ ⎢ ⎥
⎢ 2⎥ = ⎢ ⎥+⎢ ⎥ 1,486 = ⎢ 0 ⎥
⎢ w3 ⎥ ⎢ 0,022 ⎥ ⎢ 0,658 ⎥ ⎢ 1 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ λ1 ⎦ ⎣− 0,046⎦ ⎣ 0,141 ⎦ ⎣0,164⎦
La riduzione del valore di λE contribuisce a ridurre w3 a favore di w2; ad esempio
per λE = 1,10 l’output è il seguente:
⎡ w1 ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤
⎢ w ⎥ ⎢ 0,978 ⎥ ⎢− 0,658⎥ ⎢ ⎥
⎢ 2⎥ = ⎢ ⎥+⎢ ⎥ 1,10 = ⎢0,254⎥
⎢ w3 ⎥ ⎢ 0,022 ⎥ ⎢ 0,658 ⎥ ⎢0,746⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ λ1 ⎦ ⎣− 0,046⎦ ⎣ 0,141 ⎦ ⎣ 0,109 ⎦
I portafogli efficienti che giacciono su questa critical line possono essere
identificati attribuendo a λE valori ≤1,486. Se cl2,3 interseca tutte le altre critical line in
corrispondenza di valori di λE:
− negativi, ciò significa che l’intero insieme dei portafogli efficienti giace sulla
presente critical line (tutti i portafogli efficienti sono composti dalle sole attività 2 e
3);
− positivi, ciò significa che l’insieme dei portafogli efficienti “salta” su un’altra
critical line; quella per la quale il punto di intersezione con cl2,3 corrisponde al
valore di λE più elevato.
L’analisi procede identificando il valore λE per cui la critical line cl2,3 interseca
le altre critical line aventi le seguenti proprietà:
a. sono in tutti gli asset che sono in nella prima critical line;
b. un’altra attività è in, tutte le altre rimangono out o alternativamente una delle attività
in diventa out.
Sulla base di queste condizioni possono essere considerate le seguenti critical
line: cl2, cl3, cl1,2,3. La critical line cl3 può essere trascurata perché già presa in
considerazione; per le due restanti occorre identificare il valore λE di intersezione con
cl2,3 in modo da identificare la critical line corrispondente al λE più elevato.
Riprendendo la funzione della critical line cl2,3:

57
 ⎡ w1 ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤
⎢ w ⎥ ⎢ 0,978 ⎥ ⎢− 0,658⎥
⎢ 2⎥ = ⎢ ⎥+⎢ ⎥λ
⎢ w3 ⎥ ⎢ 0,022 ⎥ ⎢ 0,658 ⎥ E
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ λ1 ⎦ ⎣− 0,046⎦ ⎣ 0,141 ⎦
il punto di intersezione con cl2 richiede che il peso della terza attività sia nullo (w3 = 0);
a tale scopo deve valere la seguente uguaglianza:
w3 = 0,022 + 0,658 λ E
0 = 0,022 + 0,658 λ E
− 0,022
λE = = −0,033
0,658
L’intersezione avviene in corrispondenza di un valore negativo,
conseguentemente cl2 può essere trascurato.
Nel punto di intersezione tra cl1,2,3 e cl2,3 devono invece valere le seguenti
uguaglianze:
⎧⎡ w1 ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤
⎪⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎪⎢ w2 ⎥ = N (2) R + N (2) Sλ = ⎢ 0,978 ⎥ + ⎢− 0,658⎥ λ
⎪⎢ w3 ⎥ E
⎢ 0,022 ⎥ ⎢ 0,658 ⎥ E
⎪⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎪⎣ λ1 ⎦ ⎣− 0,046⎦ ⎣ 0,141 ⎦
⎨
⎪ ⎡ w1 ⎤
⎪ ⎢w ⎥
⎪[σ 1,1 σ 1, 2 σ 1,3 1] ⎢ ⎥ = E ( R )1 λ E
2

⎪ ⎢ w3 ⎥
⎪ ⎢ ⎥
⎩ ⎣ λ1 ⎦
Sostituendo la prima equazione nella seconda si giunge alla seguente
uguaglianza:
⎡ 0 ⎤ ⎡ 0 ⎤
⎢ 0,978 ⎥ ⎢− 0,658⎥
[σ 1,1 σ 1, 2 σ 1,3 1] ⎢ ⎥ + [σ 1,1 σ 1, 2
⎢ 0,022 ⎥
σ 1,3 1] ⎢ ⎥ λ = E ( R )1 λ E
⎢ 0,658 ⎥ E
⎢ ⎥ ⎢ ⎥
⎣− 0,046⎦ ⎣ 0,141 ⎦
la cui soluzione è:

58
 ⎡ 0 ⎤ ⎡ 0 ⎤
⎢ 0,978 ⎥ ⎢− 0,658⎥
[0,039 0,038 0,047 1] ⎢ ⎥ + [0,039 0,038 0,047 1] ⎢ ⎥ λ = 0,136λ E
⎢ 0,022 ⎥ ⎢ 0,658 ⎥ E
⎢ ⎥ ⎢ ⎥
⎣− 0,046⎦ ⎣ 0,141 ⎦
− 0,008 + 0,147λ E = 0,136λ E
λ E = 0,714

In corrispondenza di questo valore di λE l’insieme dei portafogli efficienti cessa

di coincidere su cl2,3 e “salta” su cl1,2,3.
Adesso è possibile calcolare la formula analitica della critical line cl1,2,3. Le
~ ~
matrici M , M ( ) −1
e N(3) sono:

⎡0,039 0,038 0,047 1⎤ ⎡ 127,440 − 113,351 − 14,089 0,967 ⎤

⎢0,038 0,046 0,044 1⎥⎥ ~ ⎢− 113,351 110,779 0,118 ⎥⎥
~
M =⎢
⎢0,047 0,044 0,142 1⎥
( )
M
−1
=⎢
⎢ − 14,089 2,572
2,572
11,517 − 0,085⎥
⎢ ⎥ ⎢ ⎥
⎣ 1 1 1 0⎦ ⎣ 0,967 0,118 − 0,085 − 0,039⎦

⎡ 127,440 − 113,351 − 14,089 0,967 ⎤

⎢− 113,351 110,779 2,572 0,118 ⎥⎥
N (3) = ⎢
⎢ − 14,089 2,572 11,517 − 0,085⎥
⎢ ⎥
⎣ 0,967 0,118 − 0,085 − 0,039⎦
La formula di cl1,2,3 è quindi la seguente:

59
 ⎡ w1 ⎤
⎢w ⎥
⎢ 2 ⎥ = N (3) R + N (3) Sλ
⎢ w3 ⎥ E

⎢ ⎥
⎣ λ1 ⎦
⎡ w1 ⎤ ⎡ 127,440 − 113,351 − 14,089 0,967 ⎤ ⎡0⎤
⎢w ⎥ ⎢ 0,118 ⎥⎥ ⎢⎢0⎥⎥
⎢ 2 ⎥ = ⎢− 113,351 110,779 2,572
+
⎢ w3 ⎥ ⎢ − 14,089 2,572 11,517 − 0,085⎥ ⎢0⎥
⎢ ⎥ ⎢ ⎥⎢ ⎥
⎣ λ1 ⎦ ⎣ 0,967 0,118 − 0,085 − 0,039⎦ ⎣1⎦
⎡ 127,440 − 113,351 − 14,089 0,967 ⎤ ⎡ 0,136 ⎤
⎢− 113,351 110,779 2,572 0,118 ⎥⎥ ⎢⎢ 0,140 ⎥⎥
+⎢ λE
⎢ − 14,089 2,572 11,517 − 0,085⎥ ⎢0,206⎥
⎢ ⎥⎢ ⎥
⎣ 0,967 0,118 − 0,085 − 0,039⎦ ⎣ 0 ⎦
⎡ 1⎤
w ⎡ 0,967 −
⎤ ⎡ ,354⎤
1
⎢w ⎥ ⎢ 0,118 ⎥ ⎢ 0,546 ⎥
⎢ 2⎥ = ⎢ ⎥+⎢ ⎥λ
⎢ w3 ⎥ ⎢ − 0,085⎥ ⎢ 0,808 ⎥ E
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ λ1 ⎦ ⎣− 0,039⎦ ⎣ 0,131 ⎦
Quando λE assume valore 0,714 (quello corrispondente all’intersezione tra cl1,2,3
e cl2,3) il risultato dell’ultima equazione è:
⎡ w1 ⎤ ⎡ 0,967 ⎤ ⎡− 1,354⎤ ⎡ 0 ⎤
⎢ w ⎥ ⎢ 0,118 ⎥ ⎢ 0,546 ⎥ ⎢ ⎥
⎢ 2⎥ = ⎢ ⎥+⎢ ⎥ 0,714 = ⎢ 0,508⎥
⎢ w3 ⎥ ⎢ − 0,085⎥ ⎢ 0,808 ⎥ ⎢0,492⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ λ1 ⎦ ⎣− 0,039⎦ ⎣ 0,131 ⎦ ⎣0,055⎦
Come era lecito attendersi, solo le attività 2 e 3 sono presenti in portafoglio.
Per valori di λE <0,714 i portafogli sulla critical line cl1,2,3 saranno composti anche dalla
attività w1; ad esempio per λE = 0,5 l’output è il seguente:
⎡ w1 ⎤ ⎡ 0,967 ⎤ ⎡− 1,354⎤ ⎡0,290⎤
⎢ w ⎥ ⎢ 0,118 ⎥ ⎢ 0,546 ⎥ ⎢ ⎥
⎢ 2⎥ = ⎢ ⎥+⎢ ⎥ 0,5 = ⎢ 0,391⎥
⎢ w3 ⎥ ⎢− 0,085⎥ ⎢ 0,808 ⎥ ⎢0,319 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ λ1 ⎦ ⎣− 0,039⎦ ⎣ 0,131 ⎦ ⎣0,027 ⎦
Come nei casi precedenti, se questa critical line ne interseca altre per valori di
λE maggiori di zero, ciò implica che l’insieme dei portafogli efficienti abbandona la
prima critical line a favore di un’altra, corrispondente nell’intersezione ad un valore di
λE più elevato.
L’analisi procede con l’identificazione del valore λE per cui la critical line cl1,2,3
interseca le altre critical line aventi le seguenti proprietà:

60
a. sono in tutti gli asset che sono in nella prima critical line;
b. una delle attività in diventa out.
Sulla base di queste condizioni possono essere considerate le seguenti critical
line: cl1,2, cl2,3, cl1,3. La linea critica cl2,3 può essere trascurata perché già considerata in
precedenza; per le due restanti occorre identificare il valore λE di intersezione con cl1,2,3
in modo da identificare ancora la critical line corrispondente al λE più elevato.
Riprendendo la funzione della critical line cl1,2,3:
⎡ w1 ⎤ ⎡ 0,967 ⎤ ⎡− 1,354⎤
⎢ w ⎥ ⎢ 0,118 ⎥ ⎢ 0,546 ⎥
⎢ 2⎥ = ⎢ ⎥+⎢ ⎥λ
⎢ w3 ⎥ ⎢− 0,085⎥ ⎢ 0,808 ⎥ E
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ λ1 ⎦ ⎣− 0,039⎦ ⎣ 0,131 ⎦
il punto di intersezione con cl1,2 richiede che il peso della terza attività sia nullo (w3 =
0); a tale scopo deve valere la seguente uguaglianza:
w3 = −0,085 + 0,808 λ E
0 = −0,085 + 0,808 λ E
0,085
λE = = 0,105
0,808
Questa critical line deve essere presa in considerazione in quanto il punto di
intersezione corrisponde ad un valore positivo di λE. Il punto di intersezione tra cl1,2,3 e
cl1,3 richiede che il peso della seconda attività sia nullo (w2 = 0); deve quindi valere la
seguente uguaglianza:
w2 = 0,118 + 0,546 λ E
0 = 0,118 + 0,546 λ E
− 0,118
λE = = −0,216
0,546
L’intersezione avviene in corrispondenza di un valore negativo,
conseguentemente la cl1,3 può essere trascurata.
In corrispondenza di un valore di λE pari a 0,105 l’insieme dei portafogli
efficienti termina di coincidere su cl1,2,3 e “salta” su cl1,2.
~
É possibile calcolare la formula analitica della critical line cl1,2. Le matrici M ,

(M~ )
−1
e N(4) sono:

61
 ⎡0,039 0,038 0 1⎤ ⎡ 110,204 − 110,204 0 0,863 ⎤
⎢ ⎥ ⎢− 110,204 110,204 0 0,137 ⎥⎥
~ ⎢0,038 0,046 0 1⎥ ~
M =
⎢ 0 0 1 0⎥
M ( ) −1
=⎢
⎢ 0 0 1 0 ⎥
⎢ ⎥ ⎢ ⎥
⎣ 1 1 0 0⎦ ⎣ 0,863 0,137 0 − 0,039⎦

⎡ 110,204 − 110,204 0 0,863 ⎤

⎢− 110,204 110,204 0 0,137 ⎥⎥
N ( 4) = ⎢
⎢ 0 0 0 0 ⎥
⎢ ⎥
⎣ 0,863 0,137 0 − 0,039⎦
La formula di cl1,2 è:
⎡ w1 ⎤
⎢w ⎥
⎢ 2 ⎥ = N (4) R + N (4) Sλ
⎢ w3 ⎥ E

⎢ ⎥
⎣ λ1 ⎦
⎡ w1 ⎤ ⎡ 110,204 − 110,204 0 0,863 ⎤ ⎡0⎤
⎢w ⎥ ⎢ 0,137 ⎥⎥ ⎢⎢0⎥⎥
⎢ 2 ⎥ = ⎢− 110,204 110,204 0
+
⎢ w3 ⎥ ⎢ 0 0 0 0 ⎥ ⎢0 ⎥
⎢ ⎥ ⎢ ⎥⎢ ⎥
⎣ λ1 ⎦ ⎣ 0,863 0,137 0 − 0,039⎦ ⎣1⎦
⎡ 110,204 − 110,204 0 0,863 ⎤ ⎡ 0,136 ⎤
⎢− 110,204 110,204 0 0,137 ⎥⎥ ⎢⎢ 0,140 ⎥⎥
+⎢ λE
⎢ 0 0 0 0 ⎥ ⎢0,206⎥
⎢ ⎥⎢ ⎥
⎣ 0,863 0,137 0 − 0,039⎦ ⎣ 0 ⎦
⎡ w1 ⎤ ⎡ 0,863 ⎤ ⎡− 0,366⎤
⎢w ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 2 ⎥ = ⎢ 0,137 ⎥ + ⎢ 0,366 ⎥ λ
⎢ w3 ⎥ ⎢ 0 ⎥ ⎢ 0 ⎥ E
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ λ1 ⎦ ⎣− 0,039⎦ ⎣ 0,137 ⎦
Quando λE assume valore 0,105 (quello corrispondente all’intersezione tra cl1,2,3
e cl1,2) il risultato dell’ultima equazione è:
⎡ w1 ⎤ ⎡ 0,863 ⎤ ⎡− 0,366⎤ ⎡ 0,825 ⎤
⎢ w ⎥ ⎢ 0,137 ⎥ ⎢ 0,366 ⎥ ⎢ ⎥
⎢ 2⎥ = ⎢ ⎥+⎢ ⎥ 0,105 = ⎢ 0,175 ⎥
⎢ w3 ⎥ ⎢ 0 ⎥ ⎢ 0 ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ λ1 ⎦ ⎣− 0,039⎦ ⎣ 0,137 ⎦ ⎣− 0,025⎦
In tal caso solo le attività 1 e 2 sono presenti in portafoglio; per valori di λE
minori di 0,105 i portafogli sulla critical line cl1,2 vedranno ridurre il peso della attività
2 a favore dell’attività 1; ad esempio per λE = 0,01 l’output è il seguente:

62
 ⎡ w1 ⎤ ⎡ 0,863 ⎤ ⎡− 0,366⎤ ⎡ 0,871 ⎤
⎢ w ⎥ ⎢ 0,137 ⎥ ⎢ 0,366 ⎥ ⎢ ⎥
⎢ 2⎥ = ⎢ ⎥+⎢ ⎥ 0,01 = ⎢ 0,139 ⎥
⎢ w3 ⎥ ⎢ 0 ⎥ ⎢ 0 ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ λ1 ⎦ ⎣− 0,039⎦ ⎣ 0,137 ⎦ ⎣− 0,040⎦
I portafogli efficienti che giacciono su questa critical line possono essere
identificati attribuendo a λE valori ≤0,105. Come nei casi precedenti, se cl1,2 interseca
tutte le altre critical line in corrispondenza di valori di λE:
− negativi, non esiste alcuna altra critical line sulla quale identificare i portafogli
efficienti;
− positivi, ciò significa che l’insieme dei portafogli efficienti “salta” su una ulteriore
critical line, quella per la quale il punto di intersezione con cl1,2 corrisponde al
valore di λE più elevato.
L’analisi procede identificando il valore λE per cui la critical line cl1,2 interseca
le altre critical line aventi le solite proprietà:
a. sono in tutti gli asset che sono in nella prima critical line;
b. un’altra attività è in, tutte le altre rimangono out o alternativamente una delle attività
in diventa out.
Sulla base di queste condizioni possono essere considerate le seguenti critical
line: cl2, cl1, cl1,2,3. Le linee critiche cl1,2,3 e cl2 vengono trascurate perché già prese in
considerazione; per quella restante occorre identificare il valore λE di intersezione con
cl1,2 in modo da identificare se λE sia maggiore di zero.
Riprendendo la funzione della critical line cl1,2:
⎡ w1 ⎤ ⎡ 0,863 ⎤ ⎡− 0,366⎤
⎢ w ⎥ ⎢ 0,137 ⎥ ⎢ 0,366 ⎥
⎢ 2⎥ = ⎢ ⎥+⎢ ⎥λ
⎢ w3 ⎥ ⎢ 0 ⎥ ⎢ 0 ⎥ E
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ λ1 ⎦ ⎣− 0,039⎦ ⎣ 0,137 ⎦
il punto di intersezione con cl1 richiede che il peso della seconda attività sia nullo (w2 =
0); a tale scopo deve valere la seguente uguaglianza:
w2 = 0,137 + 0,366 λ E
0 = 0,137 + 0,366 λ E
− 0,137
λE = = −0,374
0,366
L’intersezione avviene in corrispondenza di un valore negativo,

63
conseguentemente cl1 può essere trascurato. Ciò significa che λE raggiunge un valore
nullo prima che la critical line cl1,2 ne intersechi una nuova. In particolare il portafoglio
a minimo rischio si ottiene attribuendo a λE un valore nullo:
⎡ w1 ⎤ ⎡ 0,863 ⎤ ⎡− 0,366⎤ ⎡ 0,863 ⎤
⎢ w ⎥ ⎢ 0,137 ⎥ ⎢ 0,366 ⎥ ⎢ ⎥
⎢ 2⎥ = ⎢ ⎥+⎢ ⎥ 0 = ⎢ 0,137 ⎥
⎢ w3 ⎥ ⎢ 0 ⎥ ⎢ 0 ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ λ1 ⎦ ⎣− 0,039⎦ ⎣ 0,137 ⎦ ⎣− 0,039⎦
Qui di seguito viene riportata la rappresentazione analitica complessiva
dell’insieme dei portafogli efficienti:
⎧⎡ w1 ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤
⎪⎢ ⎥ ⎢ 0 ⎥ ⎢ 0 ⎥
⎪ ⎢ w2 ⎥ = ⎢ ⎥+⎢ ⎥λ cl 3 per λ E = 1,486
⎪⎢ w3 ⎥ ⎢ 1 ⎥ ⎢ 0 ⎥ E
⎪⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎪⎣ λ1 ⎦ ⎣− 0,142⎦ ⎣0,206⎦
⎪⎡ w1 ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤
⎪⎢ ⎥ ⎢ 0,978 ⎥ ⎢− 0,658⎥
⎪ ⎢ w2 ⎥ = ⎢ ⎥+⎢ ⎥λ cl 2,3 per 1,486 < λ E ≤ 0,714
⎪⎢ w3 ⎥ ⎢ 0,022 ⎥ ⎢ 0,658 ⎥ E
⎪⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎪⎣ λ1 ⎦ ⎣− 0,046⎦ ⎣ 0,141 ⎦
⎨
⎪⎡ w1 ⎤ ⎡ 0,967 ⎤ ⎡− 1,354⎤
⎪ ⎢ w2 ⎥ ⎢ 0,118 ⎥ ⎢ 0,546 ⎥
⎪⎢ ⎥ = ⎢ ⎥+⎢ ⎥λ cl1, 2,3 per 0,714 < λ E ≤ 0,105
⎪⎢ w3 ⎥ ⎢− 0,085⎥ ⎢ 0,808 ⎥ E
⎪⎢⎣ λ1 ⎥⎦ ⎢ ⎥ ⎢
⎣− 0,039⎦ ⎣ 0,131 ⎦
⎥
⎪
⎪⎡ w1 ⎤ ⎡ 0,863 ⎤ ⎡− 0,366⎤
⎪ ⎢ w2 ⎥ ⎢ 0,137 ⎥ ⎢ 0,366 ⎥
⎪⎢ ⎥ = ⎢ ⎥+⎢ ⎥λ cl1, 2 per 0,105 < λ E ≤ 0
⎪⎢ w3 ⎥ ⎢ 0 ⎥ ⎢ 0 ⎥ E
⎪⎢ λ ⎥ ⎢ ⎥ ⎢ ⎥
⎩⎣ 1 ⎦ ⎣− 0,039⎦ ⎣ 0,137 ⎦
È possibile sintetizzare l’intero processo, identificando i portafogli efficienti di
confine in corrispondenza dei quali l’insieme dei portafogli efficienti passa da una
critical line all’altra (Tabella A.1.1).
Tali portafogli, definiti corner portfolios, hanno una interessante proprietà: le
interpolazioni lineari di corner portfolio adiacenti sono anch’esse portafogli efficienti.
Conseguentemente, interpolando tutte le coppie di corner portfolio adiacenti è possibile
ricostruire l’insieme complessivo dei portafogli non dominati. Nella Figura A.1.1 viene
rappresentata graficamente la frontiera efficiente, con l’indicazione delle combinazioni
rischio-rendimento dei corner portfolios. Infine, la rappresentazione tridimensionale
nella figura A.1.2 conferma che tutti i portafogli efficienti presentano delle

64
composizioni che si ottengono combinando linearmente i corner portfolios.
L’Appendice A in Markowitz (1959) offre la dimostrazione che il metodo della
critical line qui descritto conduce alla costruzione dei portafogli efficienti.

Tabella A.1.1: I portafogli di confine tra le critical lines.

w1 w2 w3
Port. con Max E(R)
0,000 0,000 1,000
(passaggio da cl3 a cl2,3)
Corner Portfolio intermedio
0,000 0,508 0,492
(passaggio da cl2,3 a cl1,2,3)
Corner Portfolio intermedio
0,825 0,175 0,000
(passaggio da cl1,2,3 a cl1,2)
Port. con Min σ
0,863 0,137 0,000
(cl1,2)

Figura A.1.1: Frontiera efficiente e corner portfolios

22%
E(R)
Frontiera efficiente
20%
Corner portfolios
18%

16%

14%

12%

10%
18% 23% 28% 33% 38%
σ

65
Figura A.1.2: Rappresentazione della composizione dei portafogli efficienti

Corner portfolios

0.8

0.6
w3
X3

0.4

0.2

0
0
0.2
0.4 0.4 0.2 0
0.6
0.8
1 1 0.8 0.6
w1 w
X1 2
X2

66
Appendice A.2.2: La costruzione dei portafogli efficienti in ipotesi di ammissione
dello short selling con il metodo della Lagrangiana

Al fine di focalizzare l’attenzione sulla procedura di calcolo, evitando ogni altra

fonte di complicazione, si ricorre ad un esempio numerico semplificato. Gli asset
potenzialmente selezionabili sono solo 3 e ad essi corrispondono i medesimi input
utilizzati nella precedente Appendice:
− matrice varianze-covarianze:
⎡σ 1,1 σ 1, 2 σ 1,3 ⎤ ⎡0,039 0,038 0,047 ⎤
⎢ ⎥
V = ⎢σ 2,1 σ 2, 2 σ 2,3 ⎥ = ⎢⎢0,038 0,046 0,044⎥⎥
⎢σ 3,1 σ 3, 2 σ 3,3 ⎥⎦ ⎢⎣0,047 0,044 0,142 ⎥⎦
⎣
− vettore colonna dei rendimenti attesi:
⎡ E ( R)1 ⎤ ⎡ 0,136 ⎤
µ = ⎢⎢ E ( R) 2 ⎥⎥ = ⎢⎢ 0,140 ⎥⎥
⎢⎣ E ( R) 3 ⎥⎦ ⎢⎣0,206⎥⎦

− il vettore colonna dei pesi:

⎡ w1 ⎤
W = ⎢⎢ w2 ⎥⎥
⎢⎣ w3 ⎥⎦

Inoltre:
⎡1⎤
I = ⎢⎢1⎥⎥
⎢⎣1⎥⎦

L’ottimizzazione, in ipotesi di vendita allo scoperto, è la seguente:

1 n
Min
W
∑ wi w jσ iσ j ρ i, j
2 i , j =1
Con vincoli :
n

∑ w E(R ) = R *
i =1
i i

∑w
i =1
i =1

Rispetto alla formulazione analitica presentata nel paragrafo 2.5, la funzione

minimizzanda viene moltiplicata per lo scalare 0,5. Questo modifica, che non incide sul

67
risultato finale, ha lo scopo di facilitare i calcoli analitici. In forma matriciale ed in
termini numerici:
1 T
Min W ⋅V ⋅W
W 2
Con vincoli :
WT ⋅I =1
WT ⋅µ = R*

⎡0,039 0,038 0,047 ⎤

1 T ⎢
Min W ⋅ ⎢0,038 0,046 0,044⎥⎥ ⋅ W
W 2
⎢⎣0,047 0,044 0,142 ⎥⎦
Con vincoli :
WT ⋅I =1
⎡ 0,136 ⎤
W ⋅ ⎢ 0,140 ⎥⎥ = R *
T ⎢

⎢⎣0,206⎥⎦

Allo scopo di risolvere analiticamente il problema, scriviamo la Lagrangiana:

⎡0,039 0,038 0,047 ⎤ ⎧ ⎡ 0,136 ⎤ ⎫

1 T ⎢ ⎥ ⎪
L = W ⋅ ⎢0,038 0,046 0,044⎥ ⋅ W + λ ⎨ R * −W T
2
⎪
(
⋅ ⎢⎢ 0,140 ⎥⎥ ⎬ + γ 1 − W T ⋅ I )
⎢⎣0,047 0,044 0,142 ⎥⎦ ⎪ ⎢⎣0,206⎥⎦ ⎪⎭
⎩
A questo punto occorre differenziare L rispetto a ciascuna incognita (ovvero
rispetto ai pesi del vettore W ed ai moltiplicatori λ e γ), ponendo successivamente ogni
derivata pari a zero:
⎡0,039 0,038 0,047 ⎤ ⎡ 0,136 ⎤ ⎡1⎤
∂L ⎢ ⎥
= V ⋅ W − λ ⋅ µ − γ ⋅ I = ⎢0,038 0,046 0,044⎥ ⋅ W − λ ⋅ ⎢⎢ 0,140 ⎥⎥ − γ ⋅ ⎢⎢1⎥⎥ = 0
∂W
⎢⎣0,047 0,044 0,142 ⎥⎦ ⎢⎣0,206⎥⎦ ⎢⎣1⎥⎦

Questa prima uguaglianza identifica una serie di 3 equazioni (tante quanti sono
gli asset).
⎡ 0,136 ⎤
∂L
= R * −W T ⋅ µ = R * −W T ⋅ ⎢⎢ 0,140 ⎥⎥ = 0
∂λ
⎢⎣0,206⎥⎦

Questa equazione assicura che il portafoglio ottimale abbia un rendimento atteso

pari al valore target.

68
 ⎡1⎤
∂L T ⎢ ⎥
= 1 − W ⋅ I = 1 − W ⋅ ⎢1⎥ = 0
T

∂γ
⎢⎣1⎥⎦

Infine, questa uguaglianza garantisce che la somma algebrica dei pesi delle tre
asset class sia pari ad 1 (al 100%).
La soluzione del problema di minimizzazione della varianza del portafoglio si
ottiene risolvendo il seguente sistema:
⎧V ⋅ W − λ ⋅ µ − γ ⋅ I = 0
⎪
⎨ R * −W ⋅ µ = 0
T

⎪1 − W T ⋅ I = 0
⎩
Numericamente:
⎧⎡0,039 0,038 0,047 ⎤ ⎡ 0,136 ⎤ ⎡1⎤
⎪⎢ ⎥ ⎢ ⎥
⎪⎢0,038 0,046 0,044⎥ ⋅ W − λ ⋅ ⎢ 0,140 ⎥ − γ ⋅ ⎢⎢1⎥⎥ = 0
⎪⎢⎣0,047 0,044 0,142 ⎥⎦ ⎢⎣0,206⎥⎦ ⎢⎣1⎥⎦
⎪
⎪⎪ ⎡ 0,136 ⎤
T ⎢ ⎥
⎨ R * −W ⋅ ⎢ 0,140 ⎥ = 0
⎪ ⎢⎣0,206⎥⎦
⎪
⎪ ⎡1⎤
⎪1 − W T ⋅ ⎢1⎥ = 0
⎪ ⎢⎥
⎪⎩ ⎢⎣1⎥⎦

Allo scopo di giungere alla soluzione finale, occorre effettuare una serie di
passaggi algebrici relativi alla prima espressione del sistema. Moltiplichiamo entrambi i
membri per l’inversa della matrice varianze covarianze (V-1) ed esprimiamo il tutto in
funzione di W:
V ⋅W − λ ⋅ µ − γ ⋅ I = 0
V −1 ⋅ (V ⋅ W − λ ⋅ µ − γ ⋅ I ) = V −1 ⋅ 0
( ) (
W − V −1 ⋅ µ ⋅ λ − V −1 ⋅ I ⋅ γ = 0 )
W = (V −1
⋅ µ )⋅ λ + (V −1
⋅ I )⋅ γ
Noti i valori λ e γ, questa espressione permette di identificare il vettore colonna
dei pesi W in grado di minimizzare la varianza del portafoglio. Riscriviamo il sistema
incorporando le variazioni apportate alla prima espressione:

69
 ( )
⎧W = V −1 ⋅ µ ⋅ λ + V −1 ⋅ I ⋅ γ( )
⎪
⎨ R* = W ⋅ µ
T

⎪1 = W T ⋅ I
⎩
A questo punto moltiplichiamo ambo i membri della prima espressione per la
trasposta di µ:

( ) (
µ T ⋅ W = µ T ⋅ V −1 ⋅ µ ⋅ λ + µ T ⋅ V −1 ⋅ I ⋅ γ )
Poiché W T ⋅ µ = µ T ⋅ W = R * , l’espressione del sistema può essere scritta nel
modo seguente:
µ T ⋅ (V −1 ⋅ µ )⋅ λ + µ T ⋅ (V −1 ⋅ I )⋅ γ = R *
Ancora, moltiplichiamo ambo i membri della prima espressione per la trasposta
di Ι:

( ) (
I T ⋅ W = I T ⋅ V −1 ⋅ µ ⋅ λ + I T ⋅ V −1 ⋅ I ⋅ γ )
Poiché W T ⋅ I = I T ⋅ W = 1 , la prima espressione del sistema può essere scritta
così:

( ) (
I T ⋅ V −1 ⋅ µ ⋅ λ + I T ⋅ V −1 ⋅ I ⋅ γ = 1 )
Operando in questo modo otteniamo due equazioni in due incognite (λ e γ):

( ) (
⎧⎪µ T ⋅ V −1 ⋅ µ ⋅ λ + µ T ⋅ V −1 ⋅ I ⋅ γ = R *)
⎨ T
( ) ( )
⎪⎩ I ⋅ V −1 ⋅ µ ⋅ λ + I T ⋅ V −1 ⋅ I ⋅ γ = 1
Allo scopo di semplificare i passaggi algebrici, poniamo:
M (
= µ T ⋅ V −1 ⋅ µ =)
⎡ 151,616 − 110,403 − 16,212⎤ ⎡ 0,136 ⎤
= [0,136 0,140 0,206] ⋅ ⎢⎢− 110,403 111,138 2,313 ⎥⎥ ⋅ ⎢⎢ 0,140 ⎥⎥ = 0,501
⎢⎣ − 16,212 2,313 11,703 ⎥⎦ ⎢⎣0,206⎥⎦
T ( ) (
= µ T ⋅ V −1 ⋅ I = I T ⋅ V −1 ⋅ µ =)
⎡ 151,616 − 110,403 − 16,212⎤ ⎡1⎤
= [0,136 0,140 0,206] ⋅ ⎢⎢− 110,403 111,138 2,313 ⎥⎥ ⋅ ⎢⎢1⎥⎥ = 3,384
⎢⎣ − 16,212 2,313 11,703 ⎥⎦ ⎢⎣1⎥⎦
(
P = I T ⋅ V −1 ⋅ I = )
⎡ 151,616 − 110,403 − 16,212⎤ ⎡1⎤
= [1 1 1] ⋅ ⎢⎢− 110,403 111,138 2,313 ⎥⎥ ⋅ ⎢⎢1⎥⎥ = 25,852
⎢⎣ − 16,212 2,313 11,703 ⎥⎦ ⎢⎣1⎥⎦

70
 Conseguentemente, le ultime due equazioni possono essere scritte in una forma
più semplice:
⎧M ⋅ λ + T ⋅ γ = R *
⎨
⎩T ⋅ λ + P ⋅ γ = 1
Il determinante dei coefficienti del sistema costituito da queste due equazioni è
sempre positivo; conseguentemente il sistema ha una sola soluzione che, trascurando i
passaggi algebrici, è la seguente:
R * ⋅P − T R * ⋅25,852 − 3,384 R * ⋅25,852 − 3,384
λ= = =
M ⋅ P −T 2
0,501 ⋅ 25,852 − 3,384 2
1,496
M − R * ⋅T 0,501 − R * ⋅3,384 0,501 − R * ⋅3,384
γ= = =
M ⋅ P − T 2 0,501 ⋅ 25,852 − 3,384 2 1,496
−1
( )
−1
( )
Ritornando alla equazione W = V ⋅ µ ⋅ λ + V ⋅ I ⋅ γ e sostituendo al suo
interno i valori λ e γ, otteniamo l’espressione finale in grado di identificare il vettore
colonna W con i pesi ottimali:
R * ⋅P − T M − R * ⋅T
(
W = V −1 ⋅ µ ⋅)M ⋅ P −T 2
(
+ V −1 ⋅ I ⋅ )
M ⋅ P −T 2
⎡ 151,616 − 110,403 − 16,212⎤ ⎡ 0,136 ⎤
R * ⋅25,852 − 3,384
W = ⎢⎢− 110,403 111,138 2,313 ⎥⎥ ⋅ ⎢⎢ 0,140 ⎥⎥ ⋅ +
1,496
⎢⎣ − 16,212 2,313 11,703 ⎥⎦ ⎢⎣0,206⎥⎦
⎡ 151,616 − 110,403 − 16,212⎤ ⎡1⎤
0,501 − R * ⋅3,384
+ ⎢⎢− 110,403 111,138 2,313 ⎥⎥ ⋅ ⎢⎢1⎥⎥ ⋅
1,496
⎢⎣ − 16,212 2,313 11,703 ⎥⎦ ⎢⎣1⎥⎦
⎡1,919 ⎤ ⎡ 25,000 ⎤
⎢ ⎥ R * ⋅25,852 − 3,384 ⎢ 0,501 − R * ⋅3,384
W = ⎢0,945⎥ ⋅ + ⎢ 3,048 ⎥⎥ ⋅
1,496 1,496
⎢⎣0,520⎥⎦ ⎢⎣− 2,196⎥⎦
Ad esempio, i pesi ottimali di un portafoglio efficiente con rendimento atteso
pari a 0,25 possono essere stimati nel modo seguente:

⎡1,919 ⎤ ⎡ 25,000 ⎤ ⎡− 181,9%⎤

⎢ ⎥ 0,25 ⋅ 25,852 − 3,384 ⎢ ⎥ 0,501 − 0,25 ⋅ 3,384 ⎢
W = ⎢0,945⎥ ⋅ + ⎢ 3,048 ⎥ ⋅ = ⎢ 124,2% ⎥⎥
1,496 1,496
⎢⎣0,520⎥⎦ ⎢⎣− 2,196⎥⎦ ⎢⎣ 157,7% ⎥⎦

La deviazione standard di questo portafoglio è:

71
σ = W T ⋅V ⋅W
⎡0,039 0,038 0,047⎤ ⎡− 181,9%⎤
= [− 181,9% 124,2% 157,7%]⋅ ⎢⎢0,038 0,046 0,044⎥⎥ ⋅ ⎢⎢ 124,2% ⎥⎥ = 0,533
⎢⎣0,047 0,044 0,142 ⎥⎦ ⎢⎣ 157,7% ⎥⎦

A questo punto, disponendo delle 2 equazioni in grado di stimare

rispettivamente i vettori W dei portafogli ottimali e le corrispondenti deviazioni
standard minime, e attribuendo diversi valori a R*, possiamo identificare le
combinazioni rendimento atteso – rischio dei portafogli ottimali. La figura A.2.1 mostra
il risultato per valori del rendimento atteso appartenenti allo spazio [0; 0,3].

Figura A.2.1: La Frontiera efficiente in ipotesi di short selling

30%
E (R)
25%

20%

15%

10%
A

5%

0%
18% 28% 38% 48% 58% 68% 78%
σ

La curva rappresentata ha la forma di una iperbole35 con vertice A di coordinate:

35
Infatti data l’espressione:
( )
W = V −1 ⋅ µ ⋅
R * ⋅P − T
( )
+ V −1 ⋅ I ⋅
M − R * ⋅T
M ⋅P −T 2
M ⋅ P −T2
moltiplicando entrambi i membri prima per la matrice varianze-covarianze V e successivamente per il
vettore WT, si ottiene la seguente equazione:
P ⋅ ( R*) 2 − 2 ⋅ T ⋅ R * + M
σ2 =
M ⋅P −T2
Ponendo entrambi i membri sotto radice giungiamo alla equazione di una iperbole:

72
 T 3,384 1 1
E ( R) = = = 0,1309 σ= = = 0,1967
P 25,852 P 25,852

In coerenza con il principio media-varianza, la frontiera efficiente è

rappresentata solo dal tratto superiore (linea continua). Il tratto inferiore (linea
tratteggiata) identifica invece le combinazioni rischio-rendimento dei portafogli di
massima inefficienza, ovvero quelli che minimizzano il rendimento atteso per ogni
livello di deviazione standard.
Poiché in questa e nella precedente appendice sono stati utilizzati i medesimi
dati di input, è possibile effettuare un confronto tra:
− i portafogli efficienti calcolati con il metodo della critical line coerenti con l’ipotesi
di assenza di vendite allo scoperto;
− i portafogli efficienti calcolati con il metodo della Lagrangiana in ipotesi di
rimozione del vincolo di non negatività dei pesi.
La Figura A.2.2, mostrando le frontiere efficienti ottenute con i due metodi, dà
modo di apprezzare come la possibilità di short selling permetta di raggiungere migliori
combinazioni rendimento-rischio. Le motivazioni alla base di questa evidenza sono
ragionevoli: il vincolo di pesi non negativi, riducendo lo spazio delle soluzioni possibili,
finisce con lo scartare combinazioni di peso che il metodo della Lagrangiana identifica
come ottimali.

Figura A.2.2: Confronto delle frontiere efficienti ottenute con i metodi della
critical line e della Lagrangiana

P ⋅ ( R*) 2 − 2 ⋅ T ⋅ R * + M
σ=
M ⋅ P −T2

73
 Frontiera con short selling
22% Frontiera senza short selling
E (R)
20%

18%

16%

14%

12%
18% 23% 28% 33% 38%
σ

Infine, la rappresentazione tridimensionale nella Figura A.2.3 mostra le

differenze dei portafogli in termini di composizione degli asset. Come specificato nel
precedente capitolo, nel caso di divieto di vendita allo scoperto i portafogli efficienti si
ottengono attraverso l’interpolazione lineare dei corner portfolio adiacenti. Nel caso di
ammissione dello short selling, invece, tutti i portafogli efficienti si collocano su una
unica linea: nota la composizione di due portafogli ottimali, la loro combinazione
lineare permette di ottenere qualsiasi altro portafoglio efficiente. Adoperando il
medesimo linguaggio usato nella precedente appendice, possiamo affermare che, in
ipotesi di short selling, tutti i portafogli efficienti “giacciono” sulla critical line cl1,2,3.

74
Figura A.2.3: Confronto delle composizioni dei portafogli ottimali ottenuti
con i metodi della critical line e della Lagrangiana

Con Short Selling (Lagrangiana)

Senza Short Selling (Critical Line)
2.5

1.5

w3 0.5
X3

-0.5

-1

-1.5

-2
-2 -1
0 0
2 1
w1 4 2
w2
X1 X2

75
INDICE CAPITOLO 3

CAPITOLO 3: ESTIMATION ERROR ED ALTRI PROBLEMI DELLA MARKOWITZ-BASED PORTFOLIO

CONSTRUCTION .............................................................................................................77
3.1 Introduzione ...................................................................................................................................77
3.2 Le critiche mosse alle ipotesi del modello ....................................................................................78
3.2.1 L’ottimizzazione basata sul principio media-varianza ignora qualsiasi preferenza verso
momenti statistici di ordine superiore al secondo...........................................................78
3.2.2 Il modello di Markowitz suppone che gli investitori siano caratterizzati da un unico
orizzonte temporale ........................................................................................................86
3.2.3 La deviazione standard è una misura di rischio troppo semplificata .............................92
3.3 Le critiche mosse all’applicazione pratica del modello ............................................................100
3.4 L’instabilità dei portafogli efficienti...........................................................................................107
3.5 Le conseguenze degli errori di stima ...........................................................................................117
3.5.1 L’esperimento di Jobson e Korkie (1980)....................................................................121
3.5.2 L’esperimento di Frankfurter, Phillips e Seagle (1971)...............................................129
3.5.3 Efficient versus Naive portfolio ...................................................................................138
3.6 Conclusioni ...................................................................................................................................142

76
CAPITOLO 3: ESTIMATION ERROR ED ALTRI PROBLEMI
DELLA MARKOWITZ-BASED PORTFOLIO
CONSTRUCTION

«Under realistic conditions, are

portfolios selected according to the
mean-variance criteria any more likely
to be efficient (in the sense of the model)
than portfolios that are selected at
random? The answer is “no”».
(Frankfurter, Phillips e Seagle)

3.1 Introduzione
Come più volte ribadito, la teoria di Markowitz rappresenta ancora oggi il
principale riferimento teorico per la categoria degli asset manager, ovvero il modello
dominante nello sviluppo di processi quantitativi di costruzione dei portafogli1; Green e
Hollified scrivono: “The mean-variance efficient frontier plays an important role in
pedagogy and applications in finance”.
Anche in virtù di quanto affermato nel precedente capitolo, non è difficile
identificare le ragioni che motivano questa popolarità. In primo luogo, il paradigma
proposto da Markowitz incorpora due aspetti determinanti per ogni asset manager: il
contributo della diversificazione ed il trade-off esistente tra rischio e rendimento atteso.
Inoltre, il modello permette di giungere velocemente ad una soluzione ottimale senza
l’ausilio di potenti processori. Ciò nonostante l’approccio di Markowitz è stato oggetto
di numerose critiche. Fatta eccezione per un primo periodo nel quale la letteratura
economica ha ignorato tale metodologia, a partire dalla metà degli anni ’60 i lavori
dedicati alle common objections si sono moltiplicati, dando luogo ad un vero e proprio
filone letterario. I successivi paragrafi saranno dedicati alla descrizione dei problemi

1
Ne è una prova inconfutabile l’ampia diffusione del modello all’interno dei software di asset allocation.

77
dell’ottimizzazione alla Markowitz; una volta elencate le critiche più frequenti, l’analisi
si focalizzerà su due specifici problemi: l’instabilità dei portafogli efficienti e le
conseguenze degli errori di stima.

3.2 Le critiche mosse alle ipotesi del modello

Sebbene il modello in oggetto rappresenti un criterio “normativo” di selezione degli
investimenti estremamente attraente, non mancano gli elementi di debolezza che
tendono a ridurne il concreto utilizzo. Un prima fonte di perplessità, qui analizzata, è
direttamente identificabile nelle ipotesi concernenti il comportamento degli investitori:
1. l’ottimizzazione basata sul principio media-varianza ignora qualsiasi preferenza
verso momenti statistici di ordine superiore al secondo;
2. il modello suppone che gli investitori siano caratterizzati da un unico orizzonte
temporale;
3. pur in un contesto bidimensionale, la deviazione standard (la varianza) è una misura
di rischio troppo semplificata, incapace di discriminare tra fenomeni premianti e
penalizzanti.

Per certi versi appare inusuale che un modello sviluppato con l’ausilio di un set di
ipotesi tanto stringenti abbia poi trovato così ampia applicazione nella realtà. Le ragioni
della diffusione vanno senza dubbio identificate nella difficoltà di sviluppare modelli in
grado di rimuovere le ipotesi semplificatrici e contestualmente preservare la facilità di
implementazione. Non stupisce dunque che negli anni si siano alimentate vere e proprie
“tenzoni letterarie” tra critici e fautori della teoria di Markowitz; si cita, ad esempio, il
dibattito - sul Journal of Investing - tra Rom e Fergurson (1993 e 1994) e Kaplan e
Siegel (1994).

3.2.1 L’ottimizzazione basata sul principio media-varianza ignora qualsiasi preferenza

verso momenti statistici di ordine superiore al secondo
Questo problema ha alimentato una ricerca finalizzata al superamento del principio
media-varianza mediante l’inclusione, all’interno della funzione di preferenze
dell’investitore, di higher order moments (generalmente l’asimmetria e in alcuni casi

78
anche la curtosi)2. Tra i numerosi lavori che si collocano all’interno di questo filone,
citiamo: Samuelson (1958), Arditti e Levy (1975), Lee (1977), Kraus e Litzemberger
(1976), Kane (1982), Lai (1991), Konno, Shirakawa e Yamazaki (1993), Simaan
(1993), Konno e Suzuki (1995), Chunhachinda, Dandapani et al. (1997), de Athayde e
Flores (2004). L’inclusione di momenti statistici di grado superiore comporta una
sensibile complicazione del processo di ottimizzazione necessario al fine di identificare
i portafogli efficienti. Inoltre, in caso di inclusione della asimmetria (Sk) e della curtosi
(Ku)3, il problema della costruzione dei portafogli deve essere sviluppato su un piano
quadridimensionale, con la conseguente impossibilità di rappresentare graficamente le
combinazioni [E(R), σ, Sk, Ku] dei portafogli efficienti.
Infine, le misure di asimmetria e di curtosi dei portafogli, al pari della deviazione
standard, non possono essere stimate come media ponderata delle misure di Sk, Ku dei
singoli asset, essendo queste influenzate dai movimenti congiunti delle attività. Ne
deriva una ulteriore complicazione del processo di stima degli input.
Prendendo spunto dal lavoro di Lai (1991), si propone un esempio di
ottimizzazione nel caso di un investitore sensibile ai primi tre momenti della
distribuzione dei rendimenti. Coerentemente con quanto mostrato dalle evidenze
empiriche, ipotizziamo che l’investitore:
− sia avverso alla varianza ( σ Port
2
) dei rendimenti del portafoglio;

− punti a massimizzare tanto il valore atteso E ( R) Port quanto l’asimmetria Sk Port dei
rendimenti del portafoglio.
Dati questi presupposti, il problema di ottimizzazione - in assenza di vendite allo
scoperto - può essere posto nei termini seguenti:

2
Nel disegnare la nuova funzione delle preferenze è usuale ipotizzare che gli investitori preferiscano,
coeteris paribus:
- distribuzioni dei rendimenti con asimmetria positiva, la cui coda asimmetrica si estende verso i
rendimenti più positivi (i rendimenti molto superiori al rendimento mediano sono più probabili dei
rendimenti specularmente molto inferiori al rendimento mediano); quanto qui affermato è anche
coerente con i risultati di alcune evidenze empiriche (Arditti, 1967).
- distribuzioni dei rendimenti con livelli bassi di curtosi, grazie ai quali si riduce la probabilità di
osservare rendimenti che si collocano nelle “code” estreme della distribuzione.
3
È possibile identificare due giustificazioni alternative alla decisione di implementare un modello di four-
moment portafoglio construction:
1. gli investitori hanno una funzione di utilità di grado quarto;
2. i portafogli non presentano distribuzioni normali dei rendimenti, e l’inclusione della asimmetria e
della curtosi permettono di approssimarle meglio.

79
 ⎧ E ( R) Port
Max ⎨
W
⎩Sk Port
Con vincoli :
n

∑∑ w w σ =(σ )
n
*
(3.1) σ Port
2
= i j ij
2
Port
i =1 j =1
n

∑w =1
i =1
i

wi ≥ 0 con i = 1,..., n
Questo si configura come un problema di programmazione con obiettivi multipli ed
è altamente probabile che non esista una vettore di pesi W in grado di massimizzare
contemporaneamente il rendimento atteso e l’asimmetria del portafoglio. Per tale
ragione, occorre riformulare il problema identificando un’unica funzione (da
minimizzare), la quale incorpori le preferenze degli investitori concernenti tanto E(R)
quanto Sk. Procediamo alla riformulazione.
Indicato con (σ Port
2
) * il livello di varianza desiderato, applicando il principio

media-varianza:
Max E ( R) Port
W
Con vincoli :
(3.2) σ Port
2
= σ Port
2
( )
*

∑w =1
i =1
i

wi ≥ 0 con i = 1,..., n
è possibile identificare il il rendimento atteso massimo a cui può ambire un portafoglio
con varianza (σ Port
2
)* .

Ancora, ipotizzando l’avversione al rischio per la sola asimmetria dei rendimenti, è

possibile identificare, sulla base di una ottimizzazione sul piano media-skewness:
Max Sk Port
W
Con vincoli :
(3.3) σ Port
2
= σ Port
2
( )
*

∑w =1
i =1
i

wi ≥ 0 con i = 1,..., n
il valore massimo di asimmetria (Sk*) corrispondente ad un portafoglio con varianza

80
(σ Port
2
)* .
Sk* e E(R)* rappresentano i valori massimi delle variabili obiettivo, sotto il vincolo
di comporre un portafoglio con varianza nota, pesi non negativi e somma dei pesi pari a
1 . A questo punto definiamo:
d µ = E ( R) * − E ( R) Port
(3.4)
d Sk = Sk * − Sk Port
dµ identifica la differenza tra il rendimento atteso massimo raggiungibile (in ipotesi di
neutralità alla asimmetria) ed il rendimento atteso del portafoglio finale ottenuto
incorporando anche la preferenza per l’asimmetria. L’obiettivo di un soggetto razionale
è quello di minimizzare questo parametro, in modo che il rendimento atteso del
portafoglio sia prossimo al valore massimo perseguibile. L’espressione dSk identifica la
differenza tra l’asimmetria massima raggiungibile (in ipotesi di neutralità al rendimento
atteso) e l’asimmetria effettiva che il portafoglio finale consegue considerando anche la
preferenza per E(R). Anche in questo caso l’obiettivo è la minimizzazione del parametro
dSk, in modo che l’asimmetria del portafoglio sia prossima al valore massimo
perseguibile. Allo scopo di ridurre congiuntamente la distanza tra i valori massimi di
E(R) e di Sk e quelli effettivi, è possibile impostare una funzione da minimizzare di
questo tipo:
(d µ ) (d Sk )
(3.5) +
A B
Con:
A > 0;
B > 0.
Nel caso in cui sia possibile identificare un unico vettore W in grado di azzerare sia
dµ che dSk, ci si collocherebbe nel caso fortuito in cui esiste un unico portafoglio in
grado di raggiungere i valori E(R)* e Sk*. Nel concreto è probabile che l’ottimo
assoluto non esista e che vi sia quindi la necessità di trovare una soluzione sub-ottimale
che punti a ridurre maggiormente dµ o dSk a seconda che l’investitore dimostri una
predilezione maggiore per il rendimento atteso o l’asimmetria. Il ruolo delle variabili A
e B consiste appunto nell’identificare il tipo di preferenze dell’investitore. In particolare,
minore è il valore di A (di B), più importante è il rendimento medio (l’asimmetria), e
quindi l’interesse a ridurre il parametro dµ. (dSk). Più in generale, all’aumentare (al

81
diminuire) del rapporto A/B, aumenterà proporzionalmente il grado di preferenza per
l’asimmetria (per il rendimento atteso). È innegabile che la razionalità limitata
dell’investitore-tipo, e la sua scarsa dimestichezza con i momenti di una distribuzione,
rendono assai complessa l’identificazione di questi parametri, anche in ragione della
impossibilità di attribuire ad essi una significato che vada oltre la mera valenza
matematica (A e B sono scalari all’interno di una funzione che andremo a minimizzare).
Esplicitate le preferenze dell’investitore, il problema di ottimizzazione può essere
riformulato nel modo seguente:
⎛ d µ d Sk ⎞
min⎜⎜ + ⎟⎟
W
⎝ A B ⎠
Con vincoli :
n
( )
n

∑∑
*
(3.6) σ Port
2
= wi w jσ ij = σ Port
2

i =1 j =1
n

∑w =1i =1
i

wi ≥ 0 con i = 1,..., n
Si procede con un esempio numerico. Ipotizziamo che un investitore desideri un
portafoglio con deviazione standard pari al 10% (varianza pari a 0,01) e che il suo grado
di preferenze per i parametri E(R) e Sk sia espresso dai coefficienti A e B pari
rispettivamente a 1 e 40. Inoltre, le ottimizzazioni basate sui principi media-varianza e
media-asimmetria permettono di identificare i valori massimi possibili dei parametri
E(R) e Sk:
E ( R)* = 0,105
Sk * = 1,044
Sulla base di questi presupposti, il problema di minimizzazione può essere espresso
nel modo seguente:

82
 ⎛ d µ d Sk ⎞ ⎧ [E ( R) * − E ( R) Port ] Sk * − Sk Port ⎫
min⎜⎜ + ⎟⎟ = min ⎨ + ⎬
W
⎝ 1 40 ⎠ W ⎩ 1 40 ⎭
Con vincoli :
n n
σ Port
2
= ∑∑ w w σ
i =1 j =1
i j ij =0,01

∑w =1
i =1
i

wi ≥ 0 con i = 1,..., n
Mutuando i dati già proposti nel paragrafo 2.6, utilizziamo i rendimenti campionari
presenti nella Tabella 3.1 allo scopo di sviluppare una ottimizzazione con input stimati
secondo il criterio della classical rule. La Tabella 3.2 mostra i dati storici campionari
più significativi4.

Tabella 3.1: I rendimenti campionari

Anni I. Mkt. 1 I. Mkt. 2 I. Mkt. 3 I. Mkt. 4 I. Mkt. 5 I. Mkt. 6 I. Mkt. 7 I. Mkt. 8
1988 7,28% 4,30% 17,20% 30,65% 30,32% 52,18% 46,50% 57,68%
1989 9,16% 1,40% -0,53% 23,05% 24,80% -2,93% 9,09% 57,29%
1990 11,55% 3,10% -0,78% -14,38% -13,97% -43,31% -20,79% -20,74%
1991 10,41% 11,37% 17,51% 15,33% 31,79% 10,69% 42,64% 62,26%
1992 11,11% 12,80% 12,37% 1,96% 13,01% -16,19% 13,68% 18,62%
1993 9,03% 14,44% 21,49% 39,21% 18,56% 34,82% 94,42% 87,53%
1994 6,30% -1,84% -8,65% -8,36% -9,19% 8,56% -22,89% -17,27%
1995 6,58% 16,27% 9,92% 12,78% 26,58% -6,86% 5,32% -12,47%
1996 4,83% 7,29% 11,57% 30,89% 33,85% -8,89% 30,66% 14,16%
1997 4,42% 6,16% 16,95% 44,91% 55,10% -10,80% -20,86% 3,16%
1998 4,46% 10,94% 6,81% 19,41% 19,53% -2,51% -12,04% -30,84%
1999 3,15% -2,97% 11,62% 35,52% 43,95% 88,61% 61,69% 94,02%
2000 4,32% 8,39% 9,68% -0,83% -4,73% -22,34% -8,44% -25,08%
2001 4,74% 6,25% 4,54% -15,15% -7,51% -25,34% -4,37% 3,08%
2002 3,53% 8,49% 0,42% -31,17% -34,74% -24,46% -20,82% -21,01%
2003 2,54% 3,77% -4,59% 15,53% 8,05% 13,05% 22,08% 29,76%
2004 2,18% 7,56% 2,32% 12,56% 3,19% 7,51% 20,13% 16,79%
2005 2,20% 5,67% 7,52% 26,93% 23,47% 45,05% 32,60% 55,34%
2006 3,02% -0,28% -4,95% 20,35% 3,44% -4,75% 19,27% 18,76%
Risolvendo l’ottimizzazione mediante un modello iterativo, si giunge alla

4
Si evita di riportare i co-momenti, comunque necessari per la stima della varianza e della asimmetria dei
portafogli.

83
selezione del portafoglio coerente con le preferenze dell’investitore. Il vettore dei pesi è:
⎡19,3% ⎤
⎢51,0% ⎥
⎢ ⎥
⎢ 0 ⎥
⎢ ⎥
⎢ 0,5% ⎥
W =
⎢ 0 ⎥
⎢ ⎥
⎢ 0 ⎥
⎢19,0% ⎥
⎢ ⎥
⎣⎢10,2%⎦⎥
I valori di rendimento atteso e asimmetria sono:
E ( R) Port = 0,095
Sk Port = 0,853
Il tentativo congiunto di ottenere valori massimi di E(R) e Sk impedisce di
raggiungere i valori massimi (rispettivamente 0,105 e 1,044) conseguibili ignorando
uno dei parametri.

Tabella 3.2: Le stime campionarie

Indici di Mercato W E(R) σ Sk
I. Mkt. 1 w1 0,0583 0,0309 0,6439
I. Mkt. 2 w2 0,0648 0,0531 - 0,0039
I. Mkt. 3 w3 0,0686 0,0856 - 0,1198
I. Mkt. 4 w4 0,1364 0,2041 - 0,5813
I. Mkt. 5 w5 0,1397 0,2205 - 0,2906
I. Mkt. 6 w6 0,0485 0,3157 1,1503
I. Mkt. 7 w7 0,1515 0,3159 0,8340
I. Mkt. 8 w8 0,2058 0,3872 0,4671

Allo scopo di mostrare la diversa conformazione dei portafogli al variare delle

preferenze dell’investitore, si analizzano diverse combinazioni delle variabili A e B.
Nello specifico, lasciando inalterato il valore unitario del coefficiente A, attribuiamo a B
valori pari a:
B ∈ [1; 10; 20; 30; 40; 50; 60; 70; 80; 90; 100]
La Tabella 3.3 riporta i risultati conseguiti nelle diverse ottimizzazioni.

84
 Tabella 3.3: L’output delle ottimizzazioni
w1 w2 w3 w4 w5 w6 w7 w8 E(R) σ Sk
Neutralità E(R) 43,8% 14,4% 12,6% 0,0% 0,0% 0,0% 29,2% 0,0% 0,09 0,10 1,04
A=1 B=1 43,2% 15,5% 11,9% 0,0% 0,0% 0,0% 29,3% 0,0% 0,09 0,10 1,04
A=1 B = 10 37,5% 27,5% 4,8% 0,0% 0,0% 0,0% 30,1% 0,0% 0,09 0,10 1,04
A=1 B = 20 33,1% 36,2% 0,0% 0,0% 0,0% 0,0% 30,7% 0,0% 0,09 0,10 1,03
A=1 B = 30 27,8% 41,8% 0,0% 0,2% 0,0% 0,0% 26,8% 3,4% 0,09 0,10 0,98
A=1 B = 40 19,3% 51,0% 0,0% 0,5% 0,0% 0,0% 19,0% 10,2% 0,09 0,10 0,85
A=1 B = 50 11,1% 60,1% 0,0% 1,3% 0,0% 0,0% 9,4% 18,2% 0,1 0,10 0,68
A=1 B = 60 4,0% 67,9% 0,0% 2,8% 0,0% 0,0% 0,0% 25,2% 0,1 0,10 0,5
A=1 B = 70 1,9% 69,4% 0,0% 4,0% 0,0% 0,0% 0,0% 24,7% 0,1 0,10 0,47
A=1 B = 80 0,0% 70,6% 0,0% 5,1% 0,0% 0,0% 0,0% 24,3% 0,1 0,10 0,45
A=1 B = 90 0,0% 69,9% 0,0% 6,2% 0,0% 0,0% 0,0% 23,9% 0,1 0,10 0,43
A=1 B = 100 0,0% 69,3% 0,0% 7,1% 0,0% 0,0% 0,0% 23,6% 0,1 0,10 0,42
Neutralità Sk 0,0% 59,8% 0,0% 12,2% 11,9% 0,0% 0,0% 16,0% 0,11 0,10 -0,2

Nelle Figure 3.1 e 3.2 si mostrano, per i diversi profili di preferenza

dell’investitore, le rappresentazioni grafiche:
− delle combinazioni ottimali dei parametri E(R), σ e Sk;
− della composizione dei portafogli efficienti.

Figura 3.1: Le combinazioni ottimali dei parametri

Portafogli con neutralità a E(R)

Portafogli con neutralità a Sk

0.8

0.6
Sk

0.4

0.2

-0.2
0.09
0
0.1 0.1
0.11 0.2
E(R) Sigma

85
Figura 3.2: La composizione dei portafogli efficienti
Pesi 100%

80%
w8
60% w7

40% w6

20% w5

w4
0%

A=1 B=100
A=1 B=10

A=1 B=20

A=1 B=30

A=1 B=40

A=1 B=50

A=1 B=60

A=1 B=70

A=1 B=80

A=1 B=90

Neutralità Sk
A=1 B=1
Neutralità E(R)

w3

w2

w1

Portafogli

Si noti come i mercati 1 e 7 (JPM Euro Cash 3 Mesi e MSCI Pacific free ex Japan),
entrambi assenti nel portafoglio costruito secondo il principio media-varianza e
caratterizzati da valori elevati di skewness, assumano un peso progressivamente
crescente all’aumentare del grado di preferenza dell’investitore per l’asimmetria.
Il grosso punto interrogativo che si nasconde dietro l’applicazione di modelli in
grado di incorporare higher statistical moments è il seguente: può un investitore medio
esprimere, con raziocinio, il suo grado di preferenza per indicatori non comuni come
l’asimmetria e la curtosi dei rendimenti? Il dubbio è legittimo.

3.2.2 Il modello di Markowitz suppone che gli investitori siano caratterizzati da un

unico orizzonte temporale
L’ipotesi di orizzonte temporale uniperiodale rappresenta un’ulteriore
semplificazione della realtà poiché, a differenza di quanto prescritto nel modello
classico di Markowitz, gli investitori si caratterizzano per un’attenzione ai risultati
infraperiodali e per un’esigenza di ribilanciamento del portafoglio: «Extant portfolio
theory, being principally based on the mean-variance model, is fundamentally single-
period in nature, whereas the larger problem accents the multiperiod, sequential nature

86
of investment decision» (Grauer e Hakansson, 1982). La percezione che gli investitori
hanno della bontà di un investimento è, per così dire, path dependent, ovvero
subordinata all’evoluzione temporale del montante dell’investimento stesso. In altri
termini, è plausibile immaginare che gli investitori, scontando gli effetti di un
disinvestimento anticipato, attribuiscano valore anche all’evoluzione dei rendimenti
attesi. Il modello classico di Markowitz è però incapace di incorporare questa
“complicazione” della funzione di preferenza dell’investitore e si limita a determinare le
strategie di investimento in una logica uniperiodale: «The investor makes his portfolio
decision at the beginning of a period and then waits until the end of the period when the
rate of return of his portfolio materializes. He cannot make any intermediate changes
on the composition of his portfolio» (Mossin, 1968).
Passando ad un modello multiperiodale, l’investitore continua ad avere un orizzonte
temporale complessivo nel quale massimizzare le sue preferenze, ma tale periodo viene
diviso in n sottoperiodi, alla fine dei quali l’investitore può effettuare una
ricomposizione di portafoglio. Ogni decisione di investimento implementata nel singolo
sottoperiodo dipende da quanto conseguito nei precedenti periodi e dalle opportunità
relative ai futuri sottoperiodi5. Se, al contrario, le decisioni venissero prese
indipendentemente da quanto fatto prima e, soprattutto, ignorando le future distribuzioni
di probabilità, il modello multiperiodale si trasformerebbe in un roll-over di strategie
uniperiodali alla Markowitz: «If the investor’s sequence of decisions is obtained as a
series of single period decisions, where each period is treated as if it were the last one,
then he behaves myopically» (Mossin, 1968). La modalità più semplice per rimuovere
un approccio myopic consiste nel formulare il problema come massimizzazione di una
funzione di utilità attesa intertemporale, ovvero di una funzione di utilità che varia nel
tempo a seconda dei risultati conseguiti.
Mutuando l’esempio proposto da Mossin (1968), si propone un caso semplificato di
modello multiperiodale. Si considerino due attività A e B, i cui rendimenti (RA e RB)
sono:
1. serialmente non correlati;
2. indipendenti tra loro;
3. stazionari (la distribuzione dei rendimenti non varia nel tempo).
5
Solo all’inizio dell’ultimo sottoperiodo la costruzione del portafoglio può essere impostata secondo la
logica uniperiodale di Markowitz.

87
 Non si sostengono costi di transazione. La Tabella 3.4 riporta i possibili valori che
RA e RB possono assumere in ciascun sottoperiodo ed i corrispondenti livelli di
rendimento e deviazione standard attesi.

Tabella 3.4: I dati di input.

Asset 1 Asset 2
RA Probabilità RB Probabilità
0,0% 50,0% -20,0% 50,0%
4,0% 50,0% 40,0% 50,0%
E(RA) 2,0% E(RB ) 10,0%
σA 2,0% σ B 30,0%

Il livello iniziale di ricchezza - C(t0) - è pari a 100, e l’orizzonte temporale di

investimento è composto di due distinti sottoperiodi, all’inizio dei quali l’investitore è
chiamato a costruire il portafoglio che permette di massimizzare la propria utilità attesa.
Indichiamo:
− con XA(1) e XA(2) l’importo investito nell’asset A rispettivamente all’inizio del primo
e del secondo sottoperiodo;
− con C(t1), C(t2) la ricchezza dell’investitore alla fine del primo e del secondo
sottoperiodo.
Inoltre, l’investitore presenta una funzione di utilità definita su C(t2), ovvero sulla
ricchezza complessiva conseguita alla fine dell’intero orizzonte temporale:
(3.7) U = C (t 2 ) − aC (t 2 ) 2 = C (t 2 ) − 0,003C (t 2 ) 2
Collocandosi momentaneamente all’inizio del secondo sottoperiodo, date la
funzione U e l’assunzione di indipendenza dei rendimenti delle attività, il valore
massimo della utilità attesa dell’investitore si ottiene così6:

6
Si noti come il valore massimo dell’utilità attesa dipenda da C(t1), ovvero dalla ricchezza dell’investitore
alla fine del primo periodo. Ciò accade perché, data la funzione di utilità:
U = Y − aY 2
dove Y identifica la ricchezza finale dell’investitore;
la composizione ottimale che il portafoglio assume in uno specifico sottoperiodo dipende dal livello di
ricchezza che l’investitore ha all’inizio del sottoperiodo stesso. Di fatti, poiché il valore massimo
dell’utilità attesa alla fine di un sottoperiodo dipende dalla composizione (del portafoglio) e questa
dipende a sua volta dalla ricchezza di inizio sottoperiodo, si può concludere che il valore massimo
dell’utilità attesa dipende dalla ricchezza dell’investitore all’inizio sottoperiodo. Per un approfondimento,
si veda Mossin (1968).

88
 σ A2 [1 + E ( R B )] + σ B2 [1 + E ( R A )]
MaxE (U ) = ×
σ A2 + σ B2 + [E ( R A ) − E ( R B )]2
⎧⎪ σ 2 [1 + E ( R B )]2 + σ B2 [1 + E ( R A )]2 + σ A2 ⋅ σ B2 ⎫⎪
(3.8) × ⎨C (t1 ) − A ⋅ a ⋅ C (t1 ) 2 ⎬ +
⎪⎩ σ A [1 + E ( R B )] + σ B [1 + E ( R A )]
2 2
⎪⎭

+
[E ( R A ) − E ( RB )]2
4 ⋅ a{σ A2 + σ B2 + [E ( R A ) − E ( R B )] }
2

Inserendo i valori numerici:

0,092 ⎡ 0,094 ⎤
(3.9) MaxE (U ) = × ⎢C (t1 ) − C (t1 ) 2 ⎥ + 5,510
0,097 ⎣ 30,747 ⎦
Al fine di massimizzare l’utilità attesa complessiva dell’investitore occorre quindi
massimizzare l’espressione:
0,094
(3.10) C (t1 ) − C (t1 ) 2 = C (t1 ) − 0,00306 ⋅ C (t1 ) 2 = C (t1 ) − a1C (t1 ) 2
30,747
Questa può essere interpretata come la funzione di utilità U1 che l’investitore deve
massimizzare nel primo sottoperiodo, allo scopo di costruire un portafoglio che sia
coerente con l’obiettivo di investimento complessivo. La funzione di utilità
dell’investitore è quindi destinata a mutare in ogni sottoperiodo.
Nota la funzione di utilità valida per il primo sottoperiodo, il valore XA(1) da
investire nella prima attività può essere determinato nel modo seguente7:

=
{
E ( R A ) − E ( R B ) − 2a1C (t 0 ) [1 + E ( R B )][E ( R A ) − E ( R B )] − σ B2 }
X A(1)
{
2a1 σ A2 + σ B2 + [E ( R A ) − E ( R B )]
2
}
2% − 10% − 2 ⋅ 0,00306 ⋅ C (t 0 ){[1 + 10%)][2% − 10%] − 0,09}
(3.11) = =
{
2 ⋅ 0,00306 ⋅ 0,0004 + 0,09 + [2% − 10%]
2
}
− 0,08 + 0,00109 ⋅ C (t 0 ) − 0,08 + 0,00109 ⋅ 100
= = = 48,95
0,00059 0,00059
La composizione ottimale consiste nell’investire 48,95 nella attività A e il residuale
52,05 nella attività B. Tale procedura permette di evidenziare una delle caratteristiche di
un modello multiperiodale: i valori XA e XB sono funzione tanto della ricchezza iniziale
dell’investitore, quanto delle aspettative future di rendimento incorporate nella funzione
di utilità U1.
Dati i rendimenti che le attività A e B possono assumere, la Tabella 3.5 identifica i
possibili livelli di ricchezza C(t1)8 che l’investitore può ottenere alla fine del primo

7
Cfr. sempre Mossin (1968), pag. 220.
8
[ ]
C (t1 ) = X A(1) ⋅ (1 + RA ) + C (t0 ) − X A(1) ⋅ (1 + RB ) .

89
sottoperiodo.

Tabella 3.5: I valori di C(t1) corrispondenti ai possibili stati del mondo del
primo sottoperiodo.
RA RB XA(1) XB(1) C(t1 )
Stato del mondo 1 0,0% -20,0% 48,95 51,05 89,79
Stato del mondo 2 0,0% 40,0% 48,95 51,05 120,42
Stato del mondo 3 4,0% -20,0% 48,95 51,05 91,75
Stato del mondo 4 4,0% 40,0% 48,95 51,05 122,38

All’inizio dell’ultimo sottoperiodo la funzione di utilità da considerare è quella

iniziale [ U = C (t 2 ) − a ⋅ C (t 2 ) 2 = C (t 2 ) − 0,002C (t 2 ) 2 ]; il valore XA(2) da investire nella
prima attività può essere determinata replicando la procedura già utilizzata:

=
{
E ( R A ) − E ( R B ) − 2aC (t1 ) [1 + E ( R B )][E ( R A ) − E ( R B )] − σ B2 }
X A( 2 )
{
2a σ A2 + σ B2 + [E ( R A ) − E ( R B )]
2
}
2% − 10% − 2 ⋅ 0,003 ⋅ C (t1 ){[1 + 10%)][2% − 10%] − 0,09}
(3.12) = =
{
2 ⋅ 0,003 ⋅ 0,0004 + 0,09 + [2% − 10%]
2
}
− 0,08 + 0,00107 ⋅ C (t1 )
=
0,000581
La quantità investita nella attività A è quindi funzione della ricchezza accumulata
nel primo sottoperiodo, che dipende a sua volta dalla composizione di portafoglio. La
Tabella 3.6 riporta la composizione di portafoglio relativa ad ogni possibile valore
assunto da C(t1).

Tabella 3.6: La composizione di portafoglio riconducibile ad ogni possibile

valore assunto dalla ricchezza alla fine del primo periodo
XA(2) in % XB(2) in %
C(t1 ) XA(2) XB(2)
di C(t1 ) di C(t1 )
89,79 27,37 62,42 30,5% 69,5%
120,42 83,69 36,73 69,5% 30,5%
91,75 30,97 60,78 33,8% 66,2%
122,38 87,29 35,09 71,3% 28,7%

L’esempio numerico suggerisce alcune considerazioni:

− la decisione di investimento di ogni sottoperiodo può essere assunta solo dopo aver

90
 conosciuto il risultato dell’investimento implementato nel sottoperiodo precedente;
− in ogni sottoperiodo l’investitore si trova a massimizzare una funzione di utilità che
cambia forma9; da ciò si desume che anche nell’ipotesi in cui alla fine del primo
sottoperiodo la ricchezza rimanesse immutata, la composizione del portafoglio
ottimale del secondo sottoperiodo non coinciderebbe con quella identificata nel
primo sottoperiodo10;
− le funzioni di utilità sottoperiodali sono derivate dalla forma della funzione di utilità
complessiva dell’investitore (quella utilizzata nell’ultimo sottoperiodo) e dalle
distribuzioni di probabilità dei rendimenti degli asset relativi ai futuri sottoperiodi.

Ampliando il numero dei sottoperiodi e degli asset e rimuovendo le ipotesi

semplificatrici relative ai rendimenti delle attività, il modello qui descritto assume una
complessità analitica tale da limitarne seriamente la concreta applicazione nell’asset
management.
In conclusione di questa breve disamina si citano le condizioni da rispettare
affinché una strategia multiperiodale risulti equivalente alla combinazione, in serie, di
più strategie uniperiodali:
1. la composizione ottimale dei portafogli non deve essere influenzata dalla ricchezza
iniziale;
2. i rendimenti degli asset non devono essere serialmente correlati;
3. nell’orizzonte temporale complessivo non possono essere effettuati conferimenti e/o
riscatti intermedi;
4. non esistono costi di transazione.
Per un approfondimento del tema della multiperiod portfolio theory si rimanda a
Mossin (1968), Leland, (1972), Hakansson (1971, 1974), Ross (1974), Grauer e
Hakansson (1982, 1985, 1993). Infine, è curioso rilevare che lo stesso Markowitz, nel
suo lavoro del 1959, creò i presupposti per queste critiche: “Markowitz laid the
groundwork for some of this latter attack on his one-period model by exploring the
dynamic nature of portfolio management policy” (Elton e Gruber, 1999 b).

9
Nell’esempio, la funzione di utilità è sempre quadratica, ma il coefficiente a muta.
10
Se C(t1) fosse ancora pari a C(t0) = 100, l’ammontare investito nel titolo A sarebbe:
−0,08 + 0,00107 ⋅ C (t1 ) −0,08 + 0,00107 ⋅ 100
X A( 2 ) = = = 46,14
0,000581 0,000581
Tale asset vede quindi ridurre il suo valore investito, così come quello percentuale.

91
3.2.3 La deviazione standard è una misura di rischio troppo semplificata
Pur operando in un contesto uniperiodale ed in uno spazio di preferenze
bidimensionale, alcuni autori sollevano delle perplessità relativamente all’utilizzo della
deviazione standard quale parametro di rischio. Questo problema è stato affrontato dallo
stesso Markowitz ed è significativo rilevare che l’utilizzo della deviazione standard
quale misura di rischio non sia riconducibile al fatto che l’autore considerasse tale
indicatore la migliore misura di dispersione. Dalle sue parole si evince in modo
inconfutabile che il ricorso al σ è una scelta “di comodo”, suggerita dalla necessità di
non appesantire il processo di programmazione matematica: «One of the measures
considered, the semideviation, produces efficient portfolios some what preferable to
those of the standard deviation. Those produced by the standard deviation are
satisfactory, however, and the standard deviation itself is easier to use, more familiar to
many, and perhaps easier to interpret that the semideviation (…) Efficient portfolios
based on variance, however, cannot be characterized as bad or undesirable».
(Markowitz, 1959).
Soprattutto nei casi in cui l’assunzione di normalità di distribuzione dei rendimenti
ci allontana dalla realtà11, è ipotizzabile che gli investitori piuttosto che essere avversi
alla generica dispersione dei rendimenti (alla deviazione standard), siano preoccupati
della manifestazione di rendimenti penalizzanti, perché collocati nella porzione sinistra
della distribuzione dei rendimenti. Le misure che cercano di cogliere il comportamento
della parte sinistra (downside) di una distribuzione sono definiti lower partial moments
(lpm)12. Ipotizzando che l’investitore sia avverso esclusivamente alla presenza di
rendimenti inferiori ad un valore soglia h, i rendimenti superiori alla soglia dovrebbero
essere ignorati perché incapaci di produrre un evento penalizzante. Assumendo di
disporre di un campione di N rendimenti, i lower partial moment possono essere
calcolati nel modo seguente:

11
Cfr. Singleton e Wingender (1986), Peiro (1994, 1999).
12
Per una analisi più approfondita sul tema dei lower partial moment, si rimanda al Capitolo 1.

92
 N
(Ri − h )k d i
lpm(h, k ) = ∑
i =1
N
(3.13) Con :
⎧0 se Ri > h
di = ⎨
⎩1 se Ri < h
Riprendendo alcune delle considerazioni già fatte nel corso del primo capitolo, e
soffermandosi su momenti parziali di grado non superiore al secondo, possiamo
analizzare il significato finanziario di questi indicatori:
− lpm(h,0) identifica la probabilità di shortfall, ovvero la probabilità che si
manifestino rendimenti inferiori alla soglia h;
− lpm(h,1) misura il valore medio di shortfall;
− lpm(h,2) misura la varianza dello shortfall13, ovvero la dispersione dei rendimenti
inferiori alla soglia.

Assumendo quindi che gli investitori siano avversi alle manifestazioni che si
collocano a sinistra di un rendimento soglia, ovvero ai rendimenti downside, il principio
media-varianza viene sostituito, alternativamente, dai principi:
a. media – probabilità di shortfall:
Min lpm(h,0) Port
W

Con vincoli :
n

(3.14) ∑ w E(R ) = R *
i =1
i i

∑w i =1
i =1
wi ≥ 0 con i = 1,..., n

13
Nel caso in cui il rendimento soglia sia pari al rendimento medio ( R ), tale misura coincide con la
più nota semivarianza, che sotto radice diventa la semi-standard deviation:
N
(Ri − R )2 di
lpm( R ,2) = Semiσ = ∑ N
i =1
Con :
⎧0 se Ri > h
di = ⎨
⎩1 se Ri < h

93
b. media – media degli shortfall14:
Min − lpm(h,1) Port
W

Con vincoli :
n

(3.15) ∑ w E(R ) = R *
i =1
i i

∑w
i =1
i =1
wi ≥ 0 con i = 1,..., n
c. media – varianza dello shortfall:
Min lpm(h,2) Port
W

Con vincoli :
n

(3.16) ∑ w E(R ) = R *
i =1
i i

∑w
i =1
i =1
wi ≥ 0 con i = 1,..., n
In tutti e tre i casi qui menzionati il cambiamento si concretizza nella sostituzione
della misura di rischio che occorre minimizzare, mentre i vincoli restano immutati.
É interessante interrogarsi circa i differenti risultati ai quali si giunge minimizzando
un momento parziale, piuttosto che la varianza dei rendimenti. Nel caso in cui i
rendimenti si distribuiscano normalmente, l’utilizzo dell’uno o dell’altro indicatore di
rischio conduce al medesimo risultato; ciò perché, sotto l’assunto di distribuzione
gaussiana, i portafogli che minimizzano la varianza sono i medesimi che minimizzano
un momento parziale. Ad esempio, se fissiamo la soglia h pari al rendimento atteso [h =
E(R)] ed ipotizziamo la normalità della distribuzione, il lower partial moment di grado
secondo (equivalente alla semivarianza) può essere stimato nel modo seguente:

14
Questa misura non va confusa con la conditional avergage shortfall che misura la media degli shortfall
quando lo shortfall si è manifestato:
N
∑ (Ri − h)di
i =1
N
∑ di
i =1
Con :
⎧0 se Ri > h
di = ⎨
⎩1 se Ri < h

94
 σ2
(3.17) lpm[ E ( R),2] =
2
Minimizzare la varianza del downside equivale quindi a minimizzare la generica
varianza.
Qualora la distribuzione dei rendimenti non fosse normale e si manifestassero,
quindi, fenomeni di asimmetria e curtosi, i portafogli efficienti secondo il principio
media-varianza potrebbero essere sensibilmente differenti da quelli ottimali stimati sulla
base del principio media-lower partial moment. Da ciò si desume che, nell’ipotesi in cui
si utilizzi la massimizzazione alla Markowitz in presenza di investitori avversi alla
misura lpm(h,k), i portafogli così selezionati potrebbero essere sub-ottimali, poiché i
portafogli capaci di minimizzare la varianza potrebbero non essere gli stessi che
minimizzano il momento parziale di grado [Link].
Allo scopo di chiarire l’argomento appena discusso, si ricorre ad un
approfondimento numerico. Utilizziamo nuovamente i rendimenti campionari presenti
nella Tabella 3.1. Ipotizziamo che un investitore desideri un portafoglio con rendimento
atteso pari al 10% in un contesto di avversione alla semivarianza, ovvero al parametro
lpm[(E(R),2]. Tuttavia, ignorando il tipo di avversione che caratterizza l’investitore, si
procede alla stima del portafoglio efficiente utilizzando il principio media-varianza:
Min σ Port
2
W
Con vincoli :
n

(3.18) ∑ w E (R ) = 10%
i =1
i i

∑w =1
i =1
i

wi ≥ 0 con i = 1,..., n
La composizione del portafoglio A in grado di minimizzare la varianza è:

95
 ⎡ 0 ⎤
⎢64,8%⎥
⎢ ⎥
⎢ 0 ⎥
⎢ ⎥
⎢ 12,0% ⎥
WA =
⎢ 9,2% ⎥
⎢ ⎥
⎢ 0 ⎥
⎢ 0 ⎥
⎢ ⎥
⎣⎢14,0% ⎦⎥
La deviazione standard e la semi-deviazione standard di questo portafoglio sono
rispettivamente:
σ A = 8,91%
Semiσ A = 6,53%
Nell’ipotesi in cui i rendimenti di questo portafoglio non siano distribuiti
normalmente, è altamente probabile che tale portafoglio non sia coerente con il
principio media-semivarianza, ovvero che il vettore WA identifichi una composizione
degli indici di mercato sub-ottimale. Procedendo alla stima del portafoglio efficiente
utilizzando il principio media-semivarianza:
Min semiσ Port
2
W
Con vincoli :
n

(3.19) ∑ w E (R ) = 10%
i =1
i i

∑w =1
i =1
i

wi ≥ 0 con i = 1,..., n
la composizione del portafoglio B ottimale è:
⎡ 8,7% ⎤
⎢62,3%⎥
⎢ ⎥
⎢ 0 ⎥
⎢ ⎥
⎢ 7,4% ⎥
WB =
⎢ 0 ⎥
⎢ ⎥
⎢ 0 ⎥
⎢ 0 ⎥
⎢ ⎥
⎣⎢ 21,6% ⎦⎥
La deviazione standard e la semi-deviazione standard di questo nuovo portafoglio

96
sono:
σ B = 9,33%
Semiσ B = 6,21%

La Figura 3.3 offre una rappresentazione delle combinazioni [σ, E(R)] e [semiσ,
E(R)] dei portafogli A e B.
Si noti che la selezione del portafoglio A con il principio media-varianza
avrebbe condotto, causa la non simmetria della distribuzione dei rendimenti, alla
selezione di un portafoglio inefficiente per un investitore avverso alla semi-varianza. Il
portafoglio A sarebbe stato ottimale nella sola ipotesi che l’investitore si dichiarasse
avverso alla generica varianza.

Figura 3.3: Rappresentazioni grafiche delle combinazioni rischio-rendimento dei

portafogli A e B
E(R) 11% E(R) 11%

B
10% 10%
A B A
9% 9%

8% 8%
8,0% 8,5% 9,0% 9,5% 5,0% 6,0% 7,0% 8,0%
De viaz ione Standard Se mi-De viaz ione Standard

Oltre che con i lower partial moments, l’avversione per la manifestazione di

rendimenti collocati nella porzione sinistra della distribuzione, è parimenti espressa
dalle misure di VaR15. In tal caso, l’investitore, una volta definito il rendimento target,
ha l’obiettivo di massimizzare il VaR corrispondente ad uno specifico livello di
confidenza. L’avversione al rischio è in tal caso identificabile nel tentativo di
selezionare il portafoglio che, dato il rendimento, presenta l’evento estremo
probabilistico migliore possibile. In termini analitici, la stima del portafoglio efficiente
(sempre in assenza di vendite allo scoperto) può essere espressa nel modo seguente:

15
Per una analisi più approfondita delle tecniche di Value at Risk, si rimanda al Capitolo 1.

97
 Max VaRPort
W

Con vincoli :
n

(3.20) ∑ w E(R ) = R *
i =1
i i

∑w
i =1
i =1
wi ≥ 0 con i = 1,..., n
Si noti che in ipotesi di distribuzione normale dei rendimenti, il VaR (in
percentuale del capitale investito) può essere calcolato nel modo seguente16:
(3.21) VaRPort = E ( R) Port − cost ⋅ σ Port
Fissato il rendimento atteso target ed il multiplo della deviazione standard (che è
funzione del livello di confidenza desiderato), al fine di massimizzare il Valore a
Rischio è sufficiente minimizzare la deviazione standard (la varianza) del portafoglio;
conseguentemente, in ipotesi di distribuzione normale, i principi media-varianza e
media-VaR conducono esattamente ai medesimi portafoglio efficienti. Di contro la
presenza di fenomeni di curtosi e asimmetria della distribuzione contribuisce a
identificare portafogli ottimali eterogenei, a seconda che si ipotizzi l’avversione
dell’investitore per la varianza o per il VaR del portafoglio.
In altri casi la misura VaR viene incorporata nell’ottimizzazione di portafoglio
come vincolo aggiuntivo, finalizzato ad evitare che il Valore a Rischio del portafoglio
scenda al di sotto di una soglia minima h tollerabile; la stima della composizione del
portafoglio ottimale viene così espressa:
Min σ Port
2
W

Con vincoli :
n

∑ w E(R ) = R *
i i
(3.22) i =1
n

∑w
i =1
i =1
wi ≥ 0 con i = 1,..., n
VaRPort ≤ h
Sempre in tema di Value at Risk (in percentuale al capitale investito), si può
utilizzare, quale misura di rischio, il Conditional VaR. Dato il livello di confidenza α, il
corrispondente Conditional VaR [CVaR(α)] rappresenta il valore atteso dei VaR
16
Dato il livello di confidenza α, il VaR di un portafoglio in percentuale al capitale investito (VaRα)
corrisponde al quantile (1-α)-esimo dei rendimenti del portafoglio stesso.

98
calcolati per tutti i livelli di confidenza maggiori o uguali ad α.
Analiticamente, il Conditional VaR può essere espresso nel modo seguente:
(3.23) CVaR (α ) = E{VaR VaR ≤ VaR(α )}
o alternativamente:
1
1
α α∫
(3.24) CVaRα = VaR( x)dx

L’investitore, definito il rendimento target, può massimizzare il Conditional VaR

corrispondente ad uno specifico livello di confidenza α. L’avversione al rischio è in tal
caso identificabile nel tentativo di selezionare il portafoglio che, dato il rendimento,
presenta il CVaR(α) migliore possibile. In termini analitici, la stima del portafoglio
efficiente (sempre in assenza di vendite allo scoperto) può essere espressa nel modo
seguente:
Max CVaR (α ) Port
W

Con vincoli :
n

(3.25) ∑ w E(R ) = R *
i =1
i i

∑w
i =1
i =1
wi ≥ 0 con i = 1,..., n

È dunque legittimo utilizzare il modello di Markowitz per investitori che

identificano il rischio nella manifestazione di eventi che si collocano nella sola porzione
sinistra della distribuzione dei rendimenti? Scherer (2004) suggerisce: «It is very
difficult to contradict a client who claims to have non mean-variance preferences».
Lo sviluppo di modelli di ottimizzazione che identificano il rischio nella probabilità
di manifestazione di eventi estremi negativi è oggi significativo; tra gli altri:
- Telser (1956) e Kataoka (1963), Harlow (1991), Nawrocki (1991), Feiring, Wong et
al. (1994) implementano un modello di ottimizzazione finalizzato alla
minimizzazione di misure di downside risk;
- Basak e Shapiro (2001), Cuoco, He e Issaenko (2001) e Alexander e Baptista (2002)
descrivono una logica di massimizzazione dell’utilità attesa soggetta al
mantenimento di un livello critico di Value-at- Risk (VaR).
Questa produzione letteraria può essere letta anche come la risposta accademica ad

99
una richiesta esplicita degli asset manager e degli investitori, sempre più a loro agio con
misure di downside ed extreme measures, quali il percentile, il Valore a Rischio, e la
probabilità di shortfall.
Ciò nonostante, gli sforzi profusi in ambito accademico al fine di introdurre ipotesi
di avversione al rischio innovative o di proporre ipotesi di distribuzioni dei rendimenti
più realistiche17 non hanno scalfito l’egemonia del principio media-varianza. Sulle
ragioni di ciò, Elton e Gruber (1999 a) si esprimono così: “Mean-variance theory has
remained the cornerstone of modern portfolio theory despite this alternative. […] We
believe there are two reasons for its persistence. First, mean variance theory itself
places large data requirements on the investor, and there is no evidence that adding
additional moments improves the desirability of the portfolio selected. Second, the
implications of mean variance portfolio theory are well developed, widely known, and
have great intuitive appeal. Professionals who have never run an optimizer have
learned that correlations as well as means and variances are necessary to understand
the impact of adding a security to a portfolio. […] Risk measures such as beta, which
have been developed based on mean variance analyses, add information and are
recognized and used by investor who have no idea of the theory behind them. The
precepts of mean variance theory WORK”. Le parole di Elton e Gruber sono
convincenti: Markowitz ha introdotto strumenti insostituibili. Egli ha contribuito alla
nascita di un sistema operativo universalmente condiviso, il cui abbandono è
improbabile: come reagireste se un amico vi suggerisse di cambiare il sistema operativo
del vostro personal computer? La vostra ritrosia al mutamento è paragonabile a quella
dell’asset manager accustomed al principio media-varianza.

3.3 Le critiche mosse all’applicazione pratica del modello

Le critiche sin qui analizzate, focalizzandosi sulle ipotesi di base del modello,
puntano a minarne le fondamenta: l’approccio di Markowitz dovrebbe essere
abbandonato in ragione dell’eccessiva semplificazione della struttura delle preferenze
dell’investitore e della conseguente esigenza di rimuovere tanto il principio media-
varianza, quanto la logica myopic.

17
Cfr. Fama (1965, 1976a), Elton e Gruber (1974).

100
 È però possibile identificare una seconda fonte di perplessità. Al di là delle ipotesi
di base, più o meno condivisibili, il percorso elaborato da Markowitz presenta delle
debolezze operative identificabili nella costruzione di portafogli che, per ragioni di
seguito enunciate, possono non incontrare il favore di chi implementa l’ottimizzazione.
Le problematiche di seguito trattate non concernono quindi le fondamenta teoriche del
modello, ma piuttosto l’incapacità dello stesso ad adeguarsi alla prassi operativa dei
soggetti impegnati nel processo di asset allocation.
Qualsiasi asset manager predilige una logica di costruzione dei portafogli che:
1. conduca a soluzioni ragionevoli;
2. non si caratterizzi per una logica di tipo black box.
Entrambi i punti meritano un approfondimento.
In riferimento al tema della ragionevolezza dei portafogli, questi ultimi, al di là
della necessità di massimizzare il rendimento atteso dato un livello di rischio, devono
presentare dei requisiti di composizione che li facciano apparire ammissibili, concepibili
e sensati. Ad esempio, un portafoglio rivolto ad un investitore italiano che fosse
composto esclusivamente dei mercati:
− Azionario Paesi Emergenti;
− Azionario Pacifico ex Giappone;
− Obbligazionario Giappone;
sarebbe considerato unreasonable e quindi scartato a priori (a prescindere dalla sua
collocazione ottimale sul piano rendimento-rischio), in virtù della presenza
“ingombrante” di asset class che, per prassi, assumono pesi marginali. Al di là delle
preferenze personali, gli asset manager sono inoltre soggetti a vincoli di tipo normativo
e societario il cui mancato rispetto non è ammesso18.
Sul tema della ragionevolezza dei portafogli, Black e Litterman (1992)
sottolineano: «When investors have tried to use quantitative model to help optimize the
critical allocation decisions, the unreasonable nature of the results has often thwarted
their efforts». Il modello di Markowitz condivide con molti altri modelli matematici la
tendenza a restituire portafogli inammissibili. A titolo esemplificativo, considerando
l’ottimizzazione svolta nel paragrafo 2.6 e sintetizzata nelle figure 2.8 e 2.9, il

18
Tra i lavori che hanno affrontato il problema dei vincoli alla composizione dei portafogli, citiamo:
Sharpe (1974), Fisher (1975), Rosemberg e Rudd (1978, 1979), Dybvig (1984).

101
portafoglio con deviazione standard pari a 17,32% che massimizza il rendimento atteso
presenta la seguente composizione:
⎡ wMonetario area Euro ⎤ ⎡ 0 ⎤
⎢w ⎥ ⎢ ⎥
⎢ Obbligazionario Area Euro ⎥ ⎢ 0 ⎥
⎢ wObbligazionario Internazionale ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥
⎢ wAzionario Europa ⎥ ⎢ 0 ⎥
WOpt = =
⎢ wAzionario Nord America ⎥ ⎢49,3%⎥
⎢ ⎥ ⎢ ⎥
⎢ wAzionario Giappone ⎥ ⎢ 0 ⎥
⎢w ⎥ ⎢ 0 ⎥
⎢ Azionario Pacifico con esclusione del Giappone ⎥ ⎢ ⎥
⎢⎣ wAzionario Paesi Emergenti ⎥⎦ ⎢⎣50,7% ⎥⎦

È probabile che uno portafoglio così composto non verrebbe proposto ad alcun
investitore, in ragione:
− della eccessiva concentrazione (due soli asset in portafoglio);
− dell’esposizione sproporzionata (pari al 100% dell’investimento) al rischio di
cambio;
− del peso elevato di un mercato marginale quale l’azionario Emerging Markets;
− dell’assenza di una componente domestica nella porzione azionaria del portafoglio;
− dell’assenza delle componenti obbligazionaria e monetaria area euro.
Non è arduo identificare le cause della natura unreasonable dei portafogli efficienti:
il modello di Markowitz punta ad identificare i portafogli coerenti con il principio
media-varianza senza fare nessun tipo di assunzione circa la composizione dei
portafogli efficienti. In questo modello le preferenze dell’investitore si focalizzano sulle
sole combinazioni [σ; E(R)], senza alcun riguardo per la composizione dei portafogli
efficienti. In altri termini, gli investitori sono giudicati neutrali alla composizione dei
portafogli e conseguentemente non è contemplata una distinzione tra portafogli
ragionevoli ed irragionevoli, poiché l’unica distinzione rilevante è tra soluzioni
efficienti ed inefficienti.
Nella prassi operativa gli asset manager non fanno un uso frequente di portafogli
dalle composizioni estreme (definiti anche corner portfolio)19; anzi, dal loro
comportamento si desume un significativo “rispetto” per le capitalizzazioni di borsa20

19
A tal riguardo, Green e Hollified affermano: «Practiotioners are suspicious of portfolios that are not
naively diversified».
20
Questo verrà approfondito nel capitolo 5.

102
ed una preferenza di massima per i mercati domestici. Tali evidenze non fanno che
alimentare le resistenze alla diffusione di modelli quantitativi incapaci di comporre
portafogli dalla natura coerente con le idee aprioristiche dei portfolio manager.

In riferimento alla natura black-box delle ottimizzazioni matematiche, Best e

Grauer (1991 a) affermano: «Portfolio Managers develop a sense of interactions
between the inputs and the resulting optimal portfolio as well as a sense of what
realistic portfolios should be. […] Optimization algorithms tend to obscure the
relationship between the inputs and the optimal portfolios, which in turn weakens the
feedback to the judgemental process that formulated the inputs in the first place». Il
problema posto dagli autori è estremamente rilevante: nessun modello di ottimizzazione
può essere apprezzato qualora esso restituisca risultati che l’asset manager giudica
incoerenti con le proprie aspettative. Purtroppo, la metodologia classica implementata
da Markowitz rende assai complesso, se non impossibile, trovare un nesso preciso tra i
valori attribuiti ai parametri di input (le stime) ed il risultato finale (la composizione dei
portafogli). Soprattutto in presenza di un numero elevato di asset class, il legame tra
stime e composizione ottimale è talmente oscuro (da qui il termine black box) da
impedire qualsiasi tentativo di anticipare l’esito della ottimizzazione matematica. In
altre parole, la numerosità delle variabili che entrano in gioco nella programmazione
quadratica è tale da rendere vano qualsiasi tentativo di cogliere la relazione causa-
effetto che lega input e output. Un esempio numerico contribuirà a chiarire il problema.

Tabella 3.7: Mercati e Benchmark selezionati

103
 Mercati Indici di Mercato
Monetario Area Euro I. Mkt. 1 = JPMEuro Cash 3M - Tot Return Ind
Obbligazionario Area Euro I. Mkt. 2 = CGBI WGBI EMU All Mats. - Tot Return Ind
Azionario Globale Energia I. Mkt. 3 = MSCI World Energy - Price Index
Azionario Globale Materiali I. Mkt. 4 = MSCI World Materials - Price Index
Azionario Globale Industriali I. Mkt. 5 = MSCI World Industrials - Price Index
Azionario Globale Beni Voluttuari I. Mkt. 6 = MSCI World Cconsumer Discretionary - Price Index
Azionario Globale Beni di Prima Necessità I. Mkt. 7 = MSCI World Consumer Staples - Price Index
Azionario Globale Salute I. Mkt. 8 = MSCI World Halth Care - Price Index
Azionario Globale Finanza I. Mkt. 9 = MSCI World Financials - Price Index
Azionario Globale Information Technology I. Mkt. 10 = MSCI World IT - Price Index
Azionario Globale Telecomunicazioni I. Mkt. 11 = MSCI World Telecommunications - Price Index
Azionario Globale Pubblica Utilità I. Mkt. 12 = MSCI World Utilities - Price Index

Ipotizziamo che un asset manager italiano voglia costruire un portafoglio con

deviazione standard pari al 15%, combinando mercati monetari, obbligazionari ed
azionari. L’orizzonte temporale d’investimento è annuale. I mercati che egli considera
potenzialmente interessanti sono dodici e a ciascuno di essi viene associato un indice di
mercato (Tabella 3.7).
La Tabella 3.8 sintetizza l’insieme delle stime21 prodotte dall’asset manager.

Tabella 3.8: Le stime dei parametri

Indici di Mercato Rendimenti Attesi Rischi Attesi
I. Mkt. 1 3,83% 1,30%
I. Mkt. 2 6,46% 4,94%
I. Mkt. 3 14,01% 20,90%
I. Mkt. 4 7,79% 19,22%
I. Mkt. 5 7,64% 20,20%
I. Mkt. 6 8,20% 22,32%
I. Mkt. 7 9,22% 17,08%
I. Mkt. 8 13,40% 24,87%
I. Mkt. 9 9,56% 17,97%
I. Mkt. 10 17,71% 48,60%
I. Mkt. 11 8,11% 31,84%
I. Mkt. 12 8,22% 18,77%

21
La logica utilizzata per giungere a queste stime è irrilevante e quindi omessa.

104
 ρ I. 1 I. 2 I. 3 I. 4 I. 5 I. 6 I. 7 I. 8 I. 9 I. 10 I. 11 I. 12
I. 1 1 0,64 -0,14 -0,48 -0,26 -0,14 0,33 0,44 -0,07 -0,02 0,00 -0,10
I. 2 0,64 1 -0,30 -0,69 -0,50 -0,49 0,22 0,31 -0,24 -0,38 -0,33 -0,02
I. 3 -0,14 -0,30 1 0,75 0,88 0,73 0,65 0,61 0,87 0,59 0,55 0,64
I. 4 -0,48 -0,69 0,75 1 0,89 0,80 0,09 0,06 0,61 0,69 0,56 0,29
I. 5 -0,26 -0,50 0,88 0,89 1 0,89 0,42 0,45 0,87 0,79 0,71 0,58
I. 6 -0,14 -0,49 0,73 0,80 0,89 1 0,36 0,38 0,72 0,94 0,92 0,37
I. 7 0,33 0,22 0,65 0,09 0,42 0,36 1 0,95 0,76 0,24 0,35 0,80
I. 8 0,44 0,31 0,61 0,06 0,45 0,38 0,95 1 0,78 0,32 0,39 0,78
I. 9 -0,07 -0,24 0,87 0,61 0,87 0,72 0,76 0,78 1 0,59 0,61 0,83
I. 10 -0,02 -0,38 0,59 0,69 0,79 0,94 0,24 0,32 0,59 1 0,93 0,21
I. 11 0,00 -0,33 0,55 0,56 0,71 0,92 0,35 0,39 0,61 0,93 1 0,33
I. 12 -0,10 -0,02 0,64 0,29 0,58 0,37 0,80 0,78 0,83 0,21 0,33 1

Dati i 12 rendimenti attesi, i 12 rischi attesi e i 66 coefficienti di correlazione

lineare, è arduo identificare i mercati che saranno privilegiati dalla ottimizzazione, così
come i valori che dovrebbero essere attribuiti alle stime, in modo da favorire specifiche
asset class.
La composizione efficiente del portafoglio con σ = 15% è la seguente:

⎡ w1 ⎤ ⎡ 0 ⎤
⎢ w ⎥ ⎢ 23,17% ⎥
⎢ 2⎥ ⎢ ⎥
⎢ w3 ⎥ ⎢60,26%⎥
⎢ ⎥ ⎢ ⎥
⎢ w4 ⎥ ⎢ 0 ⎥
⎢ w5 ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥
⎢ w6 ⎥ ⎢ 0 ⎥
WOpt =⎢ ⎥=⎢
w 0 ⎥
⎢ 7⎥ ⎢ ⎥
⎢ w8 ⎥ ⎢12,77% ⎥
⎢w ⎥ ⎢ 0 ⎥
⎢ 9⎥ ⎢ ⎥
⎢ w10 ⎥ ⎢ 3,80% ⎥
⎢ ⎥ ⎢ ⎥
⎢ w11 ⎥ ⎢ 0 ⎥
⎢⎣ w12 ⎥⎦ ⎢⎣ 0 ⎥⎦

La Figura 3.4 mostra le combinazioni rendimento atteso-rischio delle 12 asset

class; i quattro indicatori di maggiore dimensione rappresentano le combinazioni
[σ;E(R)] delle asset class - Obbligazionario Area Euro, Azionario Globale Energia,
Azionario Globale Salute e Azionario Globale Information Technology - privilegiate
dalla ottimizzazione.
È probabile che questo portafoglio sia considerato inaccettabile. Ad esempio,

105
l’asset manager potrebbe ritenere intollerabile l’esclusione dei mercati azionari
Materiali, Industriali, Beni di Prima Necessità, Beni Voluttuari, Finanza e Pubblica
Utilità, i quali si caratterizzano per combinazioni rendimento-rischio non eccellenti, ma
pur sempre discrete (sono le combinazioni interne all’area tratteggiata della Figura 3.4).
La necessità di avvicinare il portafoglio alle proprie posizioni aprioristiche potrebbe
indurre l’asset manager ad apportare dei correttivi agli input; egli potrebbe ad esempio
migliorare la combinazione rendimento-rischio delle asset class, in modo che le stesse
tornino ad essere competitive in un confronto con quelle selezionate dalla
ottimizzazione.

Figura 3.4: Le combinazioni E(R) – σ delle 12 asset class

Asset penalizzati nell'ottimizzaione
20% Asset privilegiati nell'ottimizzaione
E(R)
15%

10%

5%

0% σ
0% 10% 20% 30% 40% 50% 60%

Il lettore non avvezzo alla prassi quotidiana dell’asset management potrà trovare
stravagante l’idea che un gestore, piuttosto che fidarsi ciecamente della ottimizzazione,
si preoccupi che la stessa si avvicini ad una idea aprioristica di composizione di
portafoglio. Tuttavia, nella prassi operativa gli asset manager, ancor prima di esprimere
delle stime puntuali, maturano delle generiche aspettative (positive, negative o neutrali)
sui singoli mercati, aspettative che sono poi costretti ad esprimere in termini di stime
puntuali22. Questo modus operandi è tale da attribuire più significato alle view primarie

22
Nel capitolo 5 si tornerà sul problema della natura delle stime. In ogni caso, l’esperienza insegna che
gli asset manger sarebbero ben contenti di rimanere su “views” generiche del tipo:
− il mercato A batterà il mercato B;

106
di partenza, piuttosto che alle stime puntuali necessarie al solo fine di uniformarsi alle
esigenze dell’ottimizzazione matematica. Conseguentemente se il comportamento
“oscuro” della ottimizzazione è tale da restituire portafogli non in linea con le
preferenze, essi, piuttosto che affidarsi al modello matematico, preferirebbero apportare
dei cambiamenti ai parametri di input, rivelatisi incapaci di tradurre numericamente le
loro aspettative primarie. Ipotizzate che l’asset manager abbia maturato una view
moderatamente positiva sulle sei asset class precedentemente menzionate e che abbia
espresso delle stime di rendimento-rischio tali da attendersi una loro presenza in
portafoglio; qualora l’ottimizzazione ignori queste asset class, il pensiero dell’asset
manager sarebbe il seguente: «Sono convinto che queste asse class siano interessati, ma
le stime prodotte non sono tali da far comparire tali mercati in portafoglio;
evidentemente non ho saputo incorporare nelle stime la fiducia che ripongo in questi
asset. Non rimane che riparare all’errore modificando le stime stesse». In conclusione,
l’asset manager, chiamato a decidere tra due posizioni alternative:
− rimanere fedele alle sue idee generiche di partenza (le view positive, negative o
neutrali sui mercati);
− fare un “atto di fede” nei confronti dell’ottimizzazione, anche nell’eventualità che
questa conduca a risultati incoerenti con le sue view primarie;
convergerà saggiamente verso la prima soluzione.
Ad ogni modo, qualsiasi tentativo di modifica degli input finalizzata ad apportare le
modifiche di peso desiderate, è destinato a fallire a causa dell’instabilità dei portafogli
efficienti.

3.4 L’instabilità dei portafogli efficienti

Uno dei problemi più seri concernenti l’utilizzo pratico della teoria di Markowitz è
identificabile nell’instabilità dei portafogli ottimali23. Questo fenomeno ha una
manifestazione nel fatto che, spesso, sono sufficienti piccole variazioni nel set di input
per produrre ampie modifiche nella composizione della frontiera efficiente. A tale

− il mercato C avrà una performance positiva, ma peggiore del mercato D.

Il passaggio da aspettative generiche a precise stime parametriche è infatti imposto dall’impossibilità di
processare una ottimizzazione matematica in assenza di stime puntuali.
23
Sul tema della instabilità dei portafogli, cfr. Best e Grauer (1991 a, 1991 b), .

107
proposito Jorion (1985) scrive: «Another problem is the instability of the optimal
portfolio: the proportions allocated to each asset are extremely sensitive to variations
in expected returns, and adding a few observations may change the portfolio
distribution completely».
Allo scopo di dare evidenza di quanto testé affermato, si propone un esempio
numerico. Nella Tabella 3.9 sono stati riportati i vettori dei rendimenti attesi e delle
deviazioni standard (espressi su base annua), nonché la matrice dei coefficienti di
correlazione relativi a quattro ipotetiche asset class; la composizione della frontiera
efficiente ottenuta dalla loro combinazione è stata riportata nella Figura 3.5. Pur in
presenza di quattro classi di attività, i portafogli efficienti sono quasi totalmente
composti dalle asset class 1 e 3. La composizione (poco diversificata) dei portafogli
ottimali è riconducibile ai seguenti fenomeni:
− a livelli di bassa deviazione standard, l’asset class 1 domina (di poco) l’asset class 2;
− a livelli di elevata deviazione standard, l’asset class 3 domina (di poco) l’asset class
4;
− la struttura della matrice delle correlazioni non è tale da attribuire ad una specifica
classe di attività un potere in termini di capacità di diversificazione sensibilmente
superiore a quello delle altre.

Tabella 3.9: Gli input del modello

Asset Class E(R) σ ρ A.C.1 A.C.2 A.C.3 A.C.4
Asset Class 1 3,00% 1,00% A.C.1 1 0,90 0,40 0,38
Asset Class 2 2,80% 1,00% A.C.2 0,90 1 0,40 0,38
Asset Class 3 12,00% 10,00% A.C.3 0,40 0,40 1 0,95
Asset Class 4 11,60% 10,00% A.C.4 0,38 0,38 0,95 1

Figura 3.5: La composizione dei portafogli ottimali

108
 Pesi
100%

80%

Asset Class 4
60%
Asset Class 3
Asset Class 2
40%
Asset Class 1

20%

0%
1 10 19 28 37 46 55 64 73 82 91 100
Portafogli

Se si procede a una modifica marginale del set di input - viene effettuato un piccolo
incremento del rendimento atteso delle asset class 2 e 4 (Tabella 3.10) - e si “lancia”
una nuova ottimizzazione, la frontiera efficiente così ottenuta si caratterizza per una
composizione (Figura 3.6) sensibilmente differente da quella precedente; in particolare,
sono le asset class 2 e 4 ad assumere un peso dominante. Un portfolio manager
dovrebbe essere preoccupato di questa sensibilità della composizione: come ci si può
fidare della combinazione iniziale di pesi, se insignificanti variazioni degli input
provocano un effetto così macroscopico?

Tabella 3.10: Gli input alla base del modello di Markowitz dopo la modifica
Asset Class E(R) σ ρ A.C.1 A.C.2 A.C.3 A.C.4
Asset Class 1 3,00% 1,00% A.C.1 1 0,90 0,40 0,38
Asset Class 2 3,10% 1,00% A.C.2 0,90 1 0,40 0,38
Asset Class 3 12,00% 10,00% A.C.3 0,40 0,40 1 0,95
Asset Class 4 12,30% 10,00% A.C.4 0,38 0,38 0,95 1

Prescindendo dall’esempio che, costruito ad hoc, “disegna” una situazione limite,

l’instabilità, se pur con effetti meno evidenti, è un fenomeno proprio di tutti i portafogli
efficienti. L’esemplificazione numerica suggerisce tuttavia che l’effetto è più marcato, e
tale da stravolgere totalmente la composizione della frontiera efficiente, quando si è in
presenza di più asset class aventi simili combinazioni (σ ; µ); infatti, in situazioni di
questo tipo, piccole modifiche degli input possono modificare la natura delle asset class
“privilegiate” dal processo di programmazione quadratica. Viceversa, in presenza di

109
asset che dominano tutte le altre, le composizioni non si modificano sensibilmente (la
frontiera è più stabile), perché moderate modifiche degli input non trasformano le asset
class da dominanti a dominate (e viceversa).

Figura 3.6: La composizione dei portafogli ottimali dopo la modifica degli input
Pesi
100%

80%

Asset Class 4
60%
Asset Class 3
Asset Class 2
40%
Asset Class 1

20%

0%
1 10 19 28 37 46 55 64 73 82 91 100
Portafogli

La ricerca dell’eccellenza nell’asset management impone al gestore di valutare

anche il livello di instabilità che caratterizza il proprio modello di costruzione del
portafoglio, in modo da stabilire in che misura variazioni dei parametri, giudicate dal
decisore irrilevanti, incidano sui pesi degli asset in portafoglio. Se i portafogli si
rivelassero eccessivamente instabili, l’asset manager dovrebbe mettere in dubbio la loro
concreta applicazione. A tal fine, si propone un esempio di sensitivity analysis utile al
fine di esaminare in che misura cambiamenti insignificanti nei rendimenti attesi e nelle
deviazioni standard24 producano effetti sulla composizione dei portafogli efficienti.
Un asset manager ha intenzione di costruire un portafoglio efficiente coerente con
un parametro di avversione al rischio pari a:
E ( R) Port
(3.26) =1
σ Port
Si è optato per un indicatore di questo tipo, perché esso trova una interpretazione
finanziaria immediata25.

24
Allo scopo di non appesantire l’analisi trascuriamo la variazione dei coefficienti di correlazione.
25
Per quanto affermato nel paragrafo 2.7, sotto l’ipotesi di distribuzione gaussiana dei rendimenti, questo
indicatore di avversione al rischio può essere interpretato in termini di probabilità di shortfall rispetto ad
un parametro soglia. Infatti, riarraggiando l’equazione, è possibile giungere al seguente risultato:

110
 Ipotizzando che il portfolio manager abbia selezionato le asset class della Tabella
3.7 e che le stime siano quelle della Tabella 3.8, il portafoglio efficiente viene stimato
eseguendo questa ottimizzazione26:
Max E ( R) Port
W
Con vincoli :
E ( R) Port
=1
(3.27) σ Port
n

∑w =1
i =1
i

wi ≥ 0 con i = 1,..., n
Il portafoglio efficiente così ottenuto è il seguente:
⎡ w1 ⎤ ⎡ 0 ⎤
⎢ w ⎥ ⎢44,90%⎥
⎢ 2⎥ ⎢ ⎥
⎢ w3 ⎥ ⎢46,31%⎥
⎢ ⎥ ⎢ ⎥
⎢ w4 ⎥ ⎢ 0 ⎥
⎢ w5 ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥
⎢ w6 ⎥ ⎢ 0 ⎥
WOpt =⎢ ⎥=⎢
w 0 ⎥
⎢ 7⎥ ⎢ ⎥
⎢ w8 ⎥ ⎢ 5,59% ⎥
⎢w ⎥ ⎢ 0 ⎥
⎢ 9⎥ ⎢ ⎥
⎢ w10 ⎥ ⎢ 3,2% ⎥
⎢ ⎥ ⎢ ⎥
⎢ w11 ⎥ ⎢ 0 ⎥
⎢⎣ w12 ⎥⎦ ⎢⎣ 0 ⎥⎦

Allo scopo di valutare in che misura questa composizione sia sensibile ad una
variazione di E(R) e σ, l’asset manager è chiamato ad identificare degli intervalli di
variazione dei parametri che egli giudica insignificanti. In altri termini, egli deve
stabilire entro quale range le stime possano muoversi, senza che la variazione rispetto
alla stima di partenza venga giudicata significativa. L’identificazione degli upper e
lower bounds è rimessa alla sensibilità del singolo decisore, chiamato a definire
soggettivamente l’entità della variazione giudicata insignificante. La Tabella 3.11

E ( R) Port − 1 ⋅ σ Port = 0
Questa espressione si presta (grazie alle proprietà di una distribuzione normale) alla seguente
interpretazione: l’investitore ha un grado di avversione al rischio tale da tollerare una probabilità del
15,87% di ottenere risultati peggiori di un rendimento nullo.
26
Data la presenza di un vincolo non lineare, questa ottimizzione è stata compiuta utilizzando la funzione
“fminncon” disponibile nel Financial Toolbox di Matlab.

111
mostra i valori estremi, minimi e massimi, attribuiti rispettivamente ai rendimenti attesi
ed alle deviazioni standard.
Giunti a questo punto, la generazione di numeri casuali ε distribuiti in maniera
uniforme e compresi tra 0 e 1, permette di estrapolare randomly dei valori simulati dei
parametri all’interno del range precedentemente definito. Denominati Ubound(α)e
Lbound(α) rispettivamente la soglia massima e minima dell’intervallo di variazione di un
generico parametro α, il valore simulato viene ottenuto mediante una interpolazione
lineare:
(3.28) α Sim = ε ⋅ [U bound (α ) − Lbound (α )] + Lbound (α )

Tabella 3.11: I valori minimi e massimi attribuiti alle variabili E(R) e σ

Rendimenti Attesi Rischi Attesi
Lower Bounds Upper Bounds Lower Bounds Upper Bounds
I. Mkt. 1 3,20% 4,20% I. Mkt. 1 0,80% 1,60%
I. Mkt. 2 5,90% 6,90% I. Mkt. 2 3,70% 5,00%
I. Mkt. 3 13,00% 15,00% I. Mkt. 3 18,00% 22,00%
I. Mkt. 4 6,00% 8,50% I. Mkt. 4 17,00% 20,00%
I. Mkt. 5 6,00% 8,50% I. Mkt. 5 18,30% 21,70%
I. Mkt. 6 7,00% 9,00% I. Mkt. 6 19,00% 23,00%
I. Mkt. 7 8,20% 10,00% I. Mkt. 7 15,00% 18,80%
I. Mkt. 8 12,00% 15,00% I. Mkt. 8 21,00% 25,00%
I. Mkt. 9 8,40% 10,20% I. Mkt. 9 16,00% 19,10%
I. Mkt. 10 15,00% 20,00% I. Mkt. 10 38,00% 49,00%
I. Mkt. 11 7,50% 9,00% I. Mkt. 11 27,00% 33,00%
I. Mkt. 12 7,50% 9,00% I. Mkt. 12 17,00% 20,00%

Nel nostro caso, per ogni simulazione occorrerà estrapolare tante variabili casuali27
quanti sono i parametri da stimare (12 rendimenti attesi + 12 deviazioni standard),
ottenendo così i due nuovi vettori dei rendimenti e dei rischi che, insieme alla matrice
delle correlazioni, verranno utilizzati come input per la stima del nuovo portafoglio
efficiente (con parametro di avversione al rischio pari a 1). Ripetendo questa procedura
100 volte otterremo altrettanti portafogli simulati, la cui composizione andrà confrontata
con la composizione del portafoglio iniziale: quanto più i portafogli simulati si

27
Le variabili casuali sono state estrapolate in modo indipendente tra loro. In ogni caso, dato l’obiettivo
che si vuole conseguire (misurare l’instabilità della frontiera al variare dei parametri), questa ipotesi non è
tale da privare di significatività la nostra analisi.

112
discosteranno dal portafoglio di partenza, tanto più quest’ultimo andrà considerato
instabile. Allo scopo di analizzare il grado di sensibilità agli input che caratterizza il
portafoglio efficiente, si propongono più indicatori; in particolare, definita
( wi − wIniziale ) la differenza tra il peso che l’asset class [Link] assume nel portafoglio
iniziale ed in quello simulato, calcoliamo, per ciascuna asset class:
− Max wi − wIniziale , la differenza massima di peso (in valore assoluto) riscontrata

nelle 100 simulazioni;

− 75° Percentile wi − wIniziale , differenza di peso (in valore assoluto) corrispondente

ad un percentile pari al 75%;

− Media wi − wIniziale , differenza media di peso (in valore assoluto);

− σ ( wi − wIniziale ) , deviazione standard delle differenze di peso.

Il compito di sintetizzare in un unico valore il livello di stabilità è deputato alla
media delle distanze euclidee tra i pesi del portafoglio iniziale e quelli di ciascun
portafoglio simulato28. La Tabella 3.12 sintetizza i risultati numerici.

Tabella 3.12: L’output della sensitivity analysis

Max 75° Percentile Media σ
⏐wi-winiziale⏐ ⏐wi-winiziale⏐ ⏐wi-winiziale⏐ (wi-winiziale)
Monetario area Euro 23,9% 0,0% 0,2% 2,4%
Obbligazionario Area Euro 17,3% 7,2% 5,0% 6,1%
Azionario Mondo Energia 42,0% 16,9% 11,9% 13,4%
Azionario Mondo Materiali 0,0% 0,0% 0,0% 0,0%
Azionario Mondo Industriali 0,0% 0,0% 0,0% 0,0%
Azionario Beni Voluttuari 0,0% 0,0% 0,0% 0,0%
Azionario Mondo Beni di Prima Necessità 7,0% 0,0% 0,1% 0,7%
Azionario Mondo Salute 22,2% 11,4% 7,6% 8,2%
Azionario Mondo Finanza 0,0% 0,0% 0,0% 0,0%
Azionario Mondo Information Technology 14,5% 4,5% 3,7% 4,3%
Azionario Mondo Telecomunicazioni 0,1% 0,0% 0,0% 0,0%
Azionario Mondo Pubblica Utilità 0,0% 0,0% 0,0% 0,0%
Media delle Distanze Euclidee 0,1685

28
Definiti:
− W= il vettore colonna dei pesi del portafoglio iniziale;
− Ŵ = il vettore colonna dei pesi di un portafoglio simulato;
la Distanza Euclidea tra questi due vettori viene calcolata nel modo seguente:

(W − Wˆ )T × (W − Wˆ )
113
 Grazie alle migliori combinazioni rischio-rendimento delle 4 asse class premiate
dall’ottimizzazione (Figura 3.4), il portafoglio efficiente non presenta un livello elevato
di instabilità. Infatti, i valori riportati nella Tabella 3.12 non evidenziano, in media,
sensibili differenze di composizione. Tuttavia, qualora le combinazioni rischio-
rendimento delle 12 attività fossero tra loro più vicine, il livello di instabilità sarebbe
destinata ad aumentare, anche sensibilmente. Diamone una prova concreta.
Ipotizziamo che le stime di rendimento atteso e di rischio espresse dall’asset
manager siano quelle della Tabella 3.13 (i coefficienti di correlazione sono gli stessi
utilizzati precedentemente). I 10 mercati azionari presentano combinazioni [σ, E(R)]
molto più simili; in particolare, alle asset class azionarie ignorate dalla precedente
ottimizzazione vengono attribuite le medesime stime dei mercati selezionati. Nello
specifico:
− gli indici 4, 5 e 6 assumono le stesse stime dell’indice 3;
− gli indici 7 e 9 assumono le stesse stime dell’indice 8;
− gli indici 11 e 12 assumono le stesse stime dell’indice 10.

Tabella 3.13: Le nuove stime di E(R) e σ delle 12 asset class

Indici di Mercato Rendimenti Attesi Rischi Attesi
I. Mkt. 1 3,83% 1,30%
I. Mkt. 2 6,46% 4,94%
I. Mkt. 3 14,01% 20,90%
I. Mkt. 4 14,01% 20,90%
I. Mkt. 5 14,01% 20,90%
I. Mkt. 6 14,01% 20,90%
I. Mkt. 7 13,40% 24,87%
I. Mkt. 8 13,40% 24,87%
I. Mkt. 9 13,40% 24,87%
I. Mkt. 10 17,71% 48,60%
I. Mkt. 11 17,71% 48,60%
I. Mkt. 12 17,71% 48,60%

Il nuovo portafoglio efficiente è:

114
 ⎡ w1 ⎤ ⎡ 0 ⎤
⎢w ⎥ ⎢ 0 ⎥
⎢ 2⎥ ⎢ ⎥
⎢ w3 ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥
⎢ w4 ⎥ ⎢ 0 ⎥
⎢ w5 ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥
⎢ w6 ⎥ ⎢ 0 ⎥
WOpt =⎢ ⎥=⎢
w 0 ⎥
⎢ 7⎥ ⎢ ⎥
⎢ w8 ⎥ ⎢ 0 ⎥
⎢w ⎥ ⎢ 0 ⎥
⎢ 9⎥ ⎢ ⎥
⎢ w10 ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥
⎢ w11 ⎥ ⎢26,37%⎥
⎢⎣ w12 ⎥⎦ ⎢⎣72,53% ⎥⎦

Allo scopo di valutare in che misura questa composizione sia sensibile ad una
variazione di E(R) e σ, l’asset manager è chiamato ad identificare nuovamente gli
intervalli di variazione dei parametri giudicati insignificanti. La Tabella 3.14 mostra i
valori minimi e massimi; le sette asset class azionarie che hanno visto variare le stime,
hanno ereditato dalle asset class 3, 8 e 10 anche i valori estremi dell’intervallo di
variazione.

Tabella 3.14: I nuovi valori minimi e massimi attribuiti alle variabili E(R) e σ
Rendimenti Attesi Rischi Attesi
Lower Bounds Upper Bounds Lower Bounds Upper Bounds
I. Mkt. 1 3,20% 4,20% I. Mkt. 1 0,80% 1,60%
I. Mkt. 2 5,90% 6,90% I. Mkt. 2 3,70% 5,00%
I. Mkt. 3 13,00% 15,00% I. Mkt. 3 18,00% 22,00%
I. Mkt. 4 13,00% 15,00% I. Mkt. 4 18,00% 22,00%
I. Mkt. 5 13,00% 15,00% I. Mkt. 5 18,00% 22,00%
I. Mkt. 6 13,00% 15,00% I. Mkt. 6 18,00% 22,00%
I. Mkt. 7 12,00% 15,00% I. Mkt. 7 21,00% 25,00%
I. Mkt. 8 12,00% 15,00% I. Mkt. 8 21,00% 25,00%
I. Mkt. 9 12,00% 15,00% I. Mkt. 9 21,00% 25,00%
I. Mkt. 10 15,00% 20,00% I. Mkt. 10 38,00% 49,00%
I. Mkt. 11 15,00% 20,00% I. Mkt. 11 38,00% 49,00%
I. Mkt. 12 15,00% 20,00% I. Mkt. 12 38,00% 49,00%

La tabella 3.12 sintetizza i risultati di questa nuova sensitivity analysis. Si noti come
i valori medi e quelli estremi delle differenze assolute di peso siano sensibilmente

115
maggiori rispetto a quelli dell’esempio precedente. Le misure di volatilità e la media
delle distanze euclidee sono una conferma ulteriore dell’enorme instabilità che
caratterizza il portafoglio efficiente in esame.

Tabella 3.15: L’output della seconda analisi di sensitivity

Max 75° Percentile Media σ
⏐wi-winiziale⏐ ⏐wi-winiziale⏐ ⏐wi-winiziale⏐ (wi-winiziale)
Monetario area Euro 0,0% 0,0% 0,0% 0,0%
Obbligazionario Area Euro 37,0% 23,0% 17,2% 8,2%
Azionario Mondo Energia 53,9% 0,0% 2,8% 10,1%
Azionario Mondo Materiali 63,9% 52,9% 40,1% 17,6%
Azionario Mondo Industriali 61,5% 0,0% 2,7% 11,9%
Azionario Beni Voluttuari 46,2% 9,7% 6,6% 11,3%
Azionario Mondo Beni di Prima Necessità 44,4% 29,7% 14,2% 15,1%
Azionario Mondo Salute 44,8% 31,9% 15,7% 16,4%
Azionario Mondo Finanza 0,0% 0,0% 0,0% 0,0%
Azionario Mondo Information Technology 7,1% 1,1% 1,2% 1,3%
Azionario Mondo Telecomunicazioni 26,4% 26,4% 26,2% 0,6%
Azionario Mondo Pubblica Utilità 72,5% 72,5% 72,2% 1,2%
Media delle Distanze Euclidee 0,9761

Il confronto tra la composizione dei 100 portafogli simulati ottenuti rispettivamente

nel primo (Figura 3.7) e nel secondo (Figura 3.8) esempio numerico, fuga qualsiasi
dubbio concernente la diversa sensibilità dei pesi, riconducibile, come detto, alla
difforme distribuzione delle stime nello spazio [σ, E(R)].

Figura 3.7: La composizione dei 100 portafogli simulati nel caso di bassa
instabilità
Pesi
100%
I. Mkt. 12
80% I. Mkt. 11
I. Mkt. 10
60% I. Mkt. 9
I. Mkt. 8
I. Mkt. 7
40%
I. Mkt. 6
I. Mkt. 5
20% I. Mkt. 4
I. Mkt. 3
0% I. Mkt. 2
1 10 19 28 37 46 55 64 73 82 91 100 I. Mkt. 1
Portafogli

116
Figura 3.8: La composizione dei 100 portafogli simulati, nel caso di elevata
instabilità
Pesi
100%
I. Mkt. 12
80% I. Mkt. 11
I. Mkt. 10
60% I. Mkt. 9
I. Mkt. 8
I. Mkt. 7
40%
I. Mkt. 6
I. Mkt. 5
20% I. Mkt. 4
I. Mkt. 3
0% I. Mkt. 2
1 10 19 28 37 46 55 64 73 82 91 100 I. Mkt. 1
Portafogli

Questa analisi può essere estesa anche alle misure di correlazione; inoltre è
possibile testare la sensitivity riconducibile a movimenti parziali dei parametri,
modificando ad esempio i soli rendimenti attesi, i soli rischi e/o correlazioni o anche
mutando gli input relativi ad un’unica asset class.
In conclusione, i test di sensitivity assumono una rilevanza significativa «to help in
understanding the relationship between the inputs and the resulting optimal portfolio»
(Best e Grauer, 1991 a). Essi vanno interpretati alla stregua di strumenti utili al fine di
selezionare tecniche di asset allocation non soggette a pronunciati fenomeni di
instabilità. Nei successivi capitoli la presenza di composizioni sensibili a variazioni
marginali degli input sarà sempre interpretata come un segnale negativo.

3.5 Le conseguenze degli errori di stima

L’ottimizzazione alla Markowitz rappresenta una potente procedura che permette di
giungere velocemente all’identificazione delle strategie di investimento ottimali.
Tuttavia, troppo spesso l’analisi di questo modello viene colpevolmente sviluppata
ignorando il fatto che i parametri di input siano stimatori di parametri ignoti. Infatti, le
true distribution dei rendimenti futuri degli asset sono unknown (a meno che non si
disponga di doti di chiaroveggenza, ma, mutuando le parole di Markowitz: «Clairvoyant
analyst have no need for the techniques of this monograph»), ed occorre quindi optare

117
per stime che potrebbero rivelarsi errate. La stessa letteratura finanziaria ha per lungo
tempo ignorato il problema delle conseguenze riconducibili all’utilizzo di stimatori: i
lavori pionieristici su questo tema si collocano nella seconda metà degli anni ’60 - primi
anni ’7029.
La conseguenza di utilizzare stimatori di parametri ignoti è evidente: a causa di
errori commessi nella stima di E(R), σ e ρ, i portafogli considerati efficienti ex-ante
potrebbero essere in realtà sub-ottimali. Poiché l’investitore, più che al risultato
promesso, è interessato a quello effettivamente conseguito, diventa fondamentale
analizzare i pericoli che si celano dietro la manifestazione dell’estimation error30.
Al fine di analizzare numericamente le possibili conseguenze prodotte dagli errori
di stima, si fa ricorso ad un esempio. Ipotizziamo che un asset manager abbia maturato,
in riferimento a quattro distinti mercati, le aspettative riportate nella Tabella 3.16
(l’orizzonte temporale è annuale). Assumiamo inoltre che i rendimenti degli asset si
distribuiscano normalmente; l’incertezza è quindi riconducibile al valore assunto dai
momenti statistici, non alla forma della distribuzione. Coerentemente con il principio
media-varianza, viene effettuata una ottimizzazione volta ad identificare il portafoglio
efficiente che con rendimento atteso pari all’11% minimizza il parametro σ. Questo
portafoglio presenta una deviazione standard del 13,75% ed ha la seguente
composizione:
⎡ wMercato 1 ⎤ ⎡ 0 ⎤
⎢w ⎥ ⎢33,44% ⎥
WOpt = ⎢ Mercato 2 ⎥
=⎢ ⎥
⎢ wMercato 3 ⎥ ⎢66,56%⎥
⎢ ⎥ ⎢ ⎥
⎣ wMercato 4 ⎦ ⎣ 0 ⎦

Tabella 3.16: Le stime elaborate dall’asset manager

Rendimenti Rischi
Mercati
Attesi Attesi ρ Mkt. 1 Mkt. 2 Mkt. 3 Mkt. 4
Mkt. 1 3,83% 1,25% Mkt. 1 1 0,90 0,20 0,10
Mkt. 2 5,00% 3,00% Mkt. 2 0,90 1 0,40 0,30
Mkt. 3 14,01% 20,01% Mkt. 3 0,20 0,40 1 0,75
Mkt. 4 7,50% 18,40% Mkt. 4 0,10 0,30 0,75 1

29
Cfr. Mao e Särnal (1966), Fried (1970), Kalymon (1971), Frankfurter, Phillips e Siegle (1971).
30
Nel paragrafo 5.3 si propongono delle misure numeriche in grado di quantificare la dimensione
dell’estimation error.

118
 Tale portafoglio, efficiente ex-ante, lo è concretamente solo nell’ipotesi in cui i
parametri di input siano perfetti stimatori delle variabili unknown. Ipotizziamo tuttavia
che vi sia un estimation error e che i valori true siano quelli riportati nella Tabella 3.17.

Tabella 3.17: Le misure corrette

Rendimenti Rischi
Mercati
Attesi Attesi ρ Mkt. 1 Mkt. 2 Mkt. 3 Mkt. 4
Mkt. 1 4,50% 1,00% Mkt. 1 1 0,80 0,30 0,20
Mkt. 2 2,00% 4,00% Mkt. 2 0,80 1 0,30 0,40
Mkt. 3 5,00% 22,00% Mkt. 3 0,30 0,30 1 0,80
Mkt. 4 12,50% 18,00% Mkt. 4 0,20 0,40 0,80 1

In un contesto di questo tipo i valori di rischio (13,75%) e rendimento (11,00%)

attesi del portafoglio efficiente sono errati, in quanto le misure corrette sono
rispettivamente:
⎡ 0 ⎤
⎢33,44% ⎥
E ( R) True = [4,50% 2,00% 5,00% 11,00%]× ⎢ ⎥ = 4,00%
⎢66,56%⎥
⎢ ⎥
⎣ 0 ⎦
⎡ 0,0001 0,0003 0,0007 0,0004⎤ ⎡ 0 ⎤
⎢ 0,0003 0,0016 0,0026 0,0029⎥⎥ ⎢⎢33,44% ⎥⎥
σ True = [0 33,44% 66,56% 0]× ⎢ × = 15,10%
⎢0,0007 0,0026 0,0484 0,0317 ⎥ ⎢66,56%⎥
⎢ ⎥ ⎢ ⎥
⎣0,0004 0,0029 0,0317 0,0324⎦ ⎣ 0 ⎦

La Figura 3.9 mostra un confronto tra la distribuzione gaussiana attesa dei

rendimenti del portafoglio e la distribuzione effettiva. La distribuzione expected,
decisamente migliore di quella true, associa ai rendimenti positivi delle probabilità di
manifestazione largamente superiori a quelle reali. Ad esempio, in ipotesi di
distribuzione gaussiana con funzione di densità n(x;µx;σx), la probabilità di conseguire
un risultato pari o superiore al rendimento target dell’11%, non è del 50% (valore
suggerito dalle stime erratiche), bensì minore31:

31
Alternativamente, possiamo scrivere che:
Pr(x≥11%)=32,14%.
con x~N(4%;15,1%).

119
 ⎡ ( x − 4%) 2 ⎤
+∞ +∞ −⎢
1 2⎥
(3.29) ∫ n( x;4%;15,1%)dx = ∫
11% 11% 2π ⋅ 15,1%
e ⎣⎢ 2⋅15,1% ⎦⎥
=32,14%

Figura 3.9: Confronto tra la distribuzione expected e quella true dei rendimenti
annuali del portafoglio
Probabilità

Distribuzione 'Expected'
Distribuzione 'True'

-50% -38% -25% -13% 0% 13% 25% 38% 50%

Rendimenti

Inoltre, l’estimation error conduce ad una composizione di portafoglio sub-

ottimale, poiché, utilizzando le stime corrette, il portafoglio con rendimento atteso
annuo pari all’11% e rischio minimo ha una composizione pari a:
⎡ wMercato 1 ⎤ ⎡18,75% ⎤
⎢w ⎥ ⎢ 0 ⎥
True
WOpt = ⎢ Mercato 2 ⎥
=⎢ ⎥
⎢ wMercato 3 ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥
⎣ wMercato 4 ⎦ ⎣81,25%⎦
La distanza euclidea tra il portafoglio efficiente true e quello stimato è 1,12. Al tal
proposito, Brandt (1995) scrive: «Estimated portfolio weights inherit the estimation
error of the parameter estimates and therefore are almost certainty different from the
true optimal weights».
In sintesi, gli errori commessi nella stima degli input possono produrre due effetti
preoccupanti:
a. da un lato, associano ai portafogli selezionati delle distribuzioni di rendimento attese

120
 che possono discostarsi sensibilmente dalla distribuzione corretta (in tal modo
l’investitore fa delle assunzioni errate circa la performance futura del portafoglio);
b. dall’altro, conducono alla identificazione di portafogli che, valutati sulla base dei
true parameter, appaiono inefficienti.
Queste conseguenze negative sono trascurabili solo nell’ipotesi in cui i parametri
siano perfetti stimatori. Tuttavia, l’ipotesi di assenza di errori di stima non è plausibile
e, conseguentemente, non è saggio implementare un modello di asset allocation che
ignori il fenomeno dell’estimation error.
Esiste ormai una corposa letteratura economica32 che nell’arco di mezzo secolo ha
affrontato il tema dell’estimation error, sottolineando spesso come l’ottimizzazione di
Markowitz rappresenti una procedura di ottimizzazione particolarmente esposta agli
errori nella stima dei parametri. Tuttavia, questo problema non rappresenta una
peculiarità del modello di Markowitz, poiché qualsiasi portafoglio (a prescindere dalla
metodologia utilizzata per la sua costruzione) composto da investimenti aleatori è
esposto agli errori di stima. Il modello di Markowitz presenta tuttavia delle
caratteristiche che lo rendono particolarmente esposto a tale problema. Lo scopo delle
pagine successive è quello di riproporre alcuni esperimenti utili al fine di indagare il
problema in esame nell’ambito del mean-variance framework.

3.5.1 L’esperimento di Jobson e Korkie (1980)

Gli Autori, nell’articolo pubblicato sul Journal of the American Statistical
Association, pongono la propria attenzione sulla produzione di stime adeguate ai fini
dell’implementazione di una ottimizzazione media varianza: «A major problem, which
belies the implementation of this normative theory of portfolio analysis, is the formation
of rational expectation regarding the mean-return premium vector and the covariance
matrix that is appropriate for the investor’s holding period». Ipotizzando che i
rendimenti degli asset siano variabili casuali con distribuzioni normali e stazionarie, essi
identificano nella classical rule il modello di stima dei parametri di input; in pratica si
assume che gli asset manager producano degli stimatori campionari sulla base di un
campione storico di osservazioni di dimensione N. Dati questi presupposti teorici,

32
Oltre ai lavori già menzionati, cfr: Barry (1974, 1975, 1978), Dickenson J.P. (1974a, 1974b), Klein e
Bawa (1975,1977), Bawa, Brown e Klein (1979), Jobson e Korkie (1980, 1981a), Michaud (1989,1998),
Jorion (1985, 1992), Britten-Jones (1999).

121
replichiamo con qualche grado di libertà l’esperimento condotto da Jobson e Korkie.
Prendiamo in considerazione le 8 asset class (nonché gli 8 benchmark associati ad
esse) riportate nella Tabella 3.18.

Tabella 3.18: Mercati e Benchmark selezionati

Mercati Indici di Mercato
Monetario area Euro I. Mkt. 1 = JPM Euro Cash 3M - Tot Return Ind
Obbligazionario Area Euro I. Mkt. 2 = CGBI WGBI EMU All Mats. - Tot Return Ind
Obbligazionario Internazionale I. Mkt. 3 = CGBI WGBI BD All Mats - Tot Return Ind
Azionario Europa I. Mkt. 4 = MSCI Europe - Gross Index
Azionario Nord America I. Mkt. 5 = MSCI North America - Gross Index
Azionario Giappone I. Mkt. 6 = MSCI Japan - Gross Index
Azionario Pacifico con esclusione del Giappone I. Mkt. 7 = MSCI Pacific free ex Japan - Gross Index
Azionario Paesi Emergenti I. Mkt. 8 = MSCI EM (Emerging Markets) - Gross Index

Sulla base di un orizzonte temporale di 19 anni (Gennaio 1988 - Dicembre 2006), si

estrapolano le stime campionarie (per un orizzonte temporale annuale) riportate nella
Tabella 3.19. Ipotizziamo che questi parametri siano corretti, ovvero che essi
permettano di identificare, senza errori, la distribuzione dei rendimenti annuali dei
portafogli.

Tabella 3.19: Le stime true

Indici di Mercato Rendimenti Attesi Rischi Attesi
I. Mkt. 1 5,83% 3,09%
I. Mkt. 2 6,48% 5,31%
I. Mkt. 3 6,86% 8,56%
I. Mkt. 4 13,64% 20,41%
I. Mkt. 5 13,97% 22,05%
I. Mkt. 6 4,85% 31,57%
I. Mkt. 7 15,15% 31,59%
I. Mkt. 8 20,58% 38,72%

Correlazioni I. Mkt. 1 I. Mkt. 2 I. Mkt. 3 I. Mkt. 4 I. Mkt. 5 I. Mkt. 6 I. Mkt. 7 I. Mkt. 8

I. Mkt. 1 1 0,28 0,28 -0,11 0,03 -0,24 0,08 0,11
I. Mkt. 2 0,28 1 0,56 -0,01 0,06 -0,28 0,12 -0,15
I. Mkt. 3 0,28 0,56 1 0,54 0,64 0,33 0,54 0,44
I. Mkt. 4 -0,11 -0,01 0,54 1 0,90 0,62 0,62 0,63
I. Mkt. 5 0,03 0,06 0,64 0,90 1 0,53 0,46 0,54
I. Mkt. 6 -0,24 -0,28 0,33 0,62 0,53 1 0,74 0,79
I. Mkt. 7 0,08 0,12 0,54 0,62 0,46 0,74 1 0,89
I. Mkt. 8 0,11 -0,15 0,44 0,63 0,54 0,79 0,89 1

Sulla base di questi parametri si provvede a “lanciare” una ottimizzazione che,

122
coerentemente con le ipotesi di assenza di short selling, restituisce una frontiera
efficiente costituita da 100 portafogli, la cui composizione è riportata graficamente nella
Figura 3.10. Questa frontiera viene denominata true, poiché le sue combinazioni
[σopt;E(R)opt] sono realmente ottimali.
L’obiettivo che si intende perseguire consiste nel valutare quanto siano veritiere le
combinazioni [σ; E(R)] “promesse” ex-ante dai portafogli efficienti ottenuti attraverso
stimatori campionari; infatti, qualora con la classical rule si commettano errori nella
stima dei parametri, ossia gli stimatori si allontanino dai parametri true della tabella
3.18, l’ottimizzazione ci indurrebbe a selezionare dei portafogli che, difformi da quelli
realmente efficienti, si caratterizzerebbero per combinazioni rendimento-rischio
inefficienti se misurate sulla base dei veri parametri. Allo scopo di valutare il grado di
affidabilità delle stime campionarie, si ricorre ad un approccio simulativo. Più nello
specifico, si sviluppa il seguente esperimento:
1. in base alle variabili di input true, si simula mediante la tecnica Monte Carlo una
33
serie di N rendimenti annuali per ciascuna delle 8 asset class ; in tal modo si
ipotizza che le stime siano estrapolate da un campione di N rendimenti annuali;
2. utilizzando questo campione simulato, si calcola un set di input campionari [E(R)sim,
σsim e ρsim]; questi parametri sono soggetti all’estimation error, ovvero al rischio di
non replicare i veri input;
3. dati i parametri [E(R)sim, σsim e ρsim], si provvede ad effettuare una ottimizzazione
media-varianza, la quale identifica altri 100 portafogli; in presenza di errori nelle
stime campionarie, l’ottimizzazione restituirà portafogli la cui composizione si
discosta dalla composizione dei portafogli realmente efficienti;
4. nota la composizione dei portafogli giudicati ottimali sulla base delle misure
campionarie, si determinano le combinazioni [σtrue; E(R) true] che ciascun portafoglio
avrebbe conseguito sulla base dei veri input;
5. l’intero processo viene ripetuto 1.000 volte.

Figura 3.10: La frontiera efficiente true

33
Le simulazioni Monte Carlo hanno la qualità di simulare delle serie di rendimenti che incorporano i
parametri utilizzati come input. Coerentemente con le ipotesi di partenza, la simulazione qui effettuata
assume che i rendimenti annuali delle singole asset class si distribuiscano normalmente..

123
 25%
E(R)

20% Frontiera Efficiente

15%

10%

5%

0%
0% 5% 10% 15% 20% 25% 30% 35% 40%
σ

A conclusione dell’esperimento si dispone delle combinazioni [σtrue; E(R)true] dei

100.000 portafogli stimati sulla base delle stime campionarie ottenute attraverso le
1.000 simulazioni Monte Carlo. La Figura 3.11 offre una rappresentazione grafica di
quanto queste combinazioni si discostino dalla frontiera true (la linea continua più in
alto), nel caso in cui le stime campionarie siano estrapolate da campioni di ampiezza N
pari a 19, 50, 100 e 150. Quanto più l’area grigia si allontana dalla linea nera (in alto),
tanto più i portafogli “figli” delle stime campionarie ottengono combinazioni rischio-
rendimento peggiori dei portafogli conseguiti ottimizzando le stime esatte. Un’area
grigia più ampia è quindi sintomo di impoverimento della qualità dei portafogli
campionari.

Figura 3.11: Confronto tra le combinazioni [σopt; E(R)opt] dei portafogli realmente
efficienti e quelle [σtrue; E(R) true] dei portafogli estrapolati dalle
stime campionarie.

124
 Si noti come lo scostamento dalla frontiera efficiente true delle combinazioni
rendimento-rischio ottenute con le stime campionarie differisca a seconda della
ampiezza del campione utilizzato : la dimensione dell’estimation error ha quindi
influenzato la qualità dei portafogli. Come è lecito attendersi, l’incremento
dell’ampiezza campionaria contribuisce a ridurre la distanza tra le combinazioni [σopt;
E(R)opt] e [σtrue; E(R) true]. Infatti, all’aumentare di N, gli stimatori dei parametri E(R), σ
e ρ tendono asintoticamente ai valori true, minimizzando così l’estimation error.
Allo scopo di esprimere in termini più evidenti gli effetti riconducibili agli errori
impliciti nelle stime, si ricorre ad un approfondimento basato sulla definizione di un
criterio di selezione del portafoglio ottimale. Ipotizziamo che un investitore sia
interessato alla selezione del portafoglio che minimizza la probabilità di conseguire un
rendimento inferiore a zero:
(3.30) Min Pr( R < 0)
Coerentemente con l’ipotesi di distribuzione normale, il portafoglio efficiente che

125
minimizza questa probabilità è quello che massimizza il rapporto [ E ( R ) σ ] 34.
Considerata la frontiera efficiente true, il portafoglio che massimizza le preferenze
dell’investitore è il seguente:
⎡ wMonetario area Euro ⎤ ⎡74,7%⎤
⎢w ⎥ ⎢ ⎥
⎢ Obbligazionario Area Euro ⎥ ⎢19,8% ⎥
⎢ wObbligazionario Internazionale ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥
⎢ wAzionario Europa ⎥ ⎢ 3,6% ⎥
WOpt = =
⎢ wAzionario Nord America ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥
⎢ wAzionario Giappone ⎥ ⎢ 1,9% ⎥
⎢w ⎥ ⎢ 0 ⎥
⎢ Azionario Pacifico con esclusione del Giappone ⎥ ⎢ ⎥
⎢⎣ wAzionario Paesi Emergenti ⎥⎦ ⎢⎣ 0 ⎥⎦

Il rendimento e il rischio attesi del portafoglio sono rispettivamente pari a al 6,22%

e al 2,80%. Il rapporto [ E ( R ) σ ] massimo è quindi pari a:
E ( R) 6,22%
= = 2,223
σ 2,80%
Questo valore corrisponde ad una probabilità di conseguire un rendimento inferiore
a zero pari a35:
⎡ ( x − 6 , 22%) 2 ⎤
0 0 −⎢
1 2 ⎥
(3.31) ∫ n( x;6,22%; 2,80%) = ∫
−∞ −∞ 2π ⋅ 2,80%
e ⎣⎢ 2⋅2 ,80% ⎦⎥
=1,316%

Allo scopo di mostrare gli effetti che l’errore di stima può produrre sui risultati
conseguiti da un investitore interessato a minimizzare la shortfall probability rispetto ad
una soglia pari a zero, si propone un esperimento simile a quello svolto
precedentemente:
1. in base alle variabili di input true, si simula mediante la tecnica Monte Carlo una
serie di N rendimenti annuali per ciascuna delle 8 asset class; in tal modo si ipotizza
che le stime siano estrapolate da un campione di N rendimenti annuali;
2. utilizzando questo campione simulato, si calcola un set di input campionari [E(R)sim,
σsim e ρsim]; questi parametri sono soggetti all’estimation error, ovvero al rischio di
non replicare i veri input;

34
A tal proposito, si veda il paragrafo 2.7.
35
Alternativamente, possiamo scrivere che:
Pr(x<0)=1,316%
con x~N(6,22%;2,80%).

126
3. dati i parametri [E(R)sim, σsim e ρsim], si provvede ad effettuare una ottimizzazione
media-varianza, la quale identifica altri 100 portafogli; in presenza di errori nelle
stime campionarie, l’ottimizzazione restituirà portafogli la cui composizione si
discosta dalla composizione dei portafogli realmente efficienti;
4. si identifica il portafoglio che massimizza il rapporto [ E ( R ) σ ] ;
5. data la composizione del portafoglio preferibile per l’investitore, si determina la
combinazione [σtrue; E(R) true] che questo portafoglio avrebbe conseguito sulla base
dei veri input;
6. l’intero processo viene ripetuto 1.000 volte.
A conclusione di questo iter si dispone delle 1.000 combinazioni [σtrue; E(R)true] che
l’investitore avrebbe conseguito sulla base delle stime campionarie ottenute attraverso le
simulazioni. La Figura 3.12 offre una rappresentazione grafica di quanto queste
combinazioni si discostino dalla combinazione rendimento rischio true, nel caso in cui
le stime campionarie siano estrapolate da campioni sempre di ampiezza 19, 50, 100 e
150. La retta raffigurata identifica le combinazioni rendimento-rischio in grado di
conseguire il rapporto [ E ( R ) σ ] massimo, pari a 2,22336. Quanto più i singoli punti si
discostano da questa retta, tanto più le combinazioni rendimento-rischio dei 1.000
portafogli riconducibili alle stime campionarie vedono ridursi la loro qualità,
aumentando la probabilità di conseguire rendimenti inferiori a zero. Un’area grigia più
ampia, identificando la presenza di un numero maggiore di portafogli campionari
caratterizzati da un rapporto rendimento/rischio più basso, è quinti sintomo di una
riduzione della qualità media dei portafogli, la quale aumenta all’aumentare
dell’ampiezza campionaria. Come è lecito attendersi, al crescere di N le combinazioni
[σtrue; E(R) true] vedono ridursi la distanza dalla retta (l’area grigia si restringe).
Infine, nella Figura 3.13 si rappresentano degli istogrammi che mostrano la
distribuzione discreta delle probabilità di shortfall (data la soglia zero) dei portafogli
corrispondenti ai 4 diversi valori di N. Si noti come al crescere della dimensione del
campione si riduca la possibilità che la shortfall probability assuma valori
significativamente inferiori al valore massimo pari all’1,31%.

36
Questa retta passa chiaramente per il punto con coordinate (2,80%;6,22%), ovvero per la combinazione
rendimento-rischio ottimale che sarebbe stata identificata ricorrendo ai parametri corretti.

127
Figura 3.12: Le combinazioni [σtrue; E(R) true] dei portafogli estrapolati dalle stime
campionarie.
N=19 N=50
0.08 0.08

0.075 0.075

0.07 0.07
E(R)

E(R)
0.065 0.065

0.06 0.06

0.055
0.025 0.03 0.035 0.04 0.045 0.05 0.055
0.025 0.03 0.035 0.04 0.045 0.05
σ σ

N=100 N=150
0.08 0.08

0.075 0.075

0.07 0.07
E(R)

E(R)

0.065 0.065

0.06 0.06

0.055
0.025 0.03 0.035 0.04 0.045 0.05 0.055
0.025 0.03 0.035 0.04 0.045 0.05
σ σ

Passando ai risvolti operativi suggeriti da questa analisi, occorre rilevare che

quando l’orizzonte temporale di investimento è elevato, le dimensioni campionarie pari
a 100 e 150 - per le quali gli effetti negativi degli errori di stima sono decisamente
minori - non appaiono significative su un piano pratico, poiché non esistono serie
storiche di indici di mercato che permettano di estrapolare campioni di rendimenti di
tale dimensione. Conseguentemente, la qualità dei portafogli originati da campioni
simulati di ampiezza 19 e 50 è senza dubbio una proxy più attendibile dei pericoli
concreti che si celano dietro l’utilizzo della classical rule nelle scelte di asset allocation
per orizzonti temporali di ampiezza pari o superiore ad 1 anno. E purtroppo per queste
dimensioni campionarie l’estimation error è foriero di una significativa perdita di
efficienza: le combinazioni [σtrue; E(R) true] dei portafogli sono estremamente volatili e,

128
in media, di qualità inferiore a quelle true.

Figura 3.13: Distribuzione delle misure di shortfall probability (soglia pari a zero)
100% 100%
N=19 N=50
80% 80%
Media = 2,03% Media = 1,59%
60% [Link] = 0,74%
Prob.

60%

Prob.
[Link] = 0,24%
40% 40%
20% 20%
0% 0%
0%

1%

3%

4%

5%

6%

8%

0%

1%

3%

4%

5%

6%

8%
Prob. di shortfall Prob. di shortfall

100% 100%
N=100 N=150
80% Media = 1,44% 80% Media = 1,40%
60% [Link] = 0,11% 60% [Link] = 0,08%
Prob.

Prob.

40% 40%

20% 20%

0% 0%
0%

1%

3%

4%

5%

6%

8%

0%

1%

3%

4%

5%

6%

8%
Prob. di shortfall Prob. di shortfall

3.5.2 L’esperimento di Frankfurter, Phillips e Seagle (1971)

Questo lavoro, pubblicato sul Journal of Financial and Quantitative Analysis e
cronologicamente precedente rispetto a quello di Jobson e Korkie, offre degli spunti che
completano l’analisi già svolta. Infatti, se gli esperimenti visti sin qui muovono dei seri
dubbi circa i pericoli che si celano dietro un modello che ignora il problema dell’errore
di stima, il lavoro di Frankfurter et al., proponendo un confronto tra portafogli efficienti
e portafogli random, amplifica le perplessità che accompagnano il principio media-
varianza.
Prendiamo in considerazione 3 asset class i cui input true relativi ad un orizzonte
temporale annuale sono riportati nella Tabella 3.20. L’assunto che questi parametri
siano corretti ci permette di identificare, senza errori, la distribuzione dei rendimenti
annuali dei portafogli.

Tabella 3.20: Le stime true

129
 Asset E(R) σ ρ Asset 1 Asset 2 Asset 3
Asset 1 3,83% 1,25% Asset 1 1 -0,06 0,30
Asset 2 5,00% 3,00% Asset 2 -0,06 1 0,00
Asset 3 14,01% 20,01% Asset 3 0,30 0,00 1

Limitando l’analisi ad un sottoinsieme (significativo) dei portafogli fattibili, si

procede alla costruzione dei portafogli attribuendo i pesi agli asset secondo questo
criterio37:
3

(3.32) ∑w =1
i =1
i

wi = 0,1 ⋅ Num Intero con Num Intero ∈ [0;10]

Identifichiamo così un sottoinsieme di 66 portafogli che si distribuiscono in modo
uniforme nello spazio delle possibili soluzioni. Noti i parametri true e le composizioni
dei portafogli, è possibile stimare le 66 combinazioni [σtrue; E(R) true] non soggette ad
errore di stima. Queste misure sono state riportate nella Figura 3.14, avendo cura di
distinguere tra combinazioni efficienti e non38. Se in assenza di errori di stima è
possibile discriminare perfettamente tra gli investimenti efficienti e quelli dominati, in
presenza di stime campionarie subentra il rischio che un portafoglio definito efficiente
sulla base delle stime non lo sia concretamente. Analogamente è possibile che un
portafoglio giudicato dominato sulla base delle stime campionarie, sia in realtà
efficiente. Replicando l’esperimento di Frankfurter et al., il nostro scopo è indagare in
che misura sia possibile fidarsi di un portafoglio definito efficiente sulla base di stime
campionarie, preferendolo ad un portafoglio random. A tale scopo, sotto l’ipotesi che i
rendimenti degli asset siano variabili casuali con distribuzioni normali e stazionarie, si
propone il seguente test:
1. in base alle variabili di input true, si simula mediante la tecnica Monte Carlo una
serie di N rendimenti annuali per ciascuna delle 3 asset class;
2. utilizzando questo campione simulato, si calcola un set di input campionari [E(R)sim,
σsim e ρsim]; questi parametri sono soggetti all’estimation error, ovvero al rischio di
non replicare i veri input;

37
Il peso dell’attività [Link] è:
− compreso tra 0 ed 1;
− un multiplo di 0,1.
In tal modo i pesi possono assumere solo 11 valori: 0; 0,1; 0,2; 0,3; … ; 0,9 ; 1,0.
38
I portafogli efficienti sono 31; quelli dominati 35.

130
3. dati i parametri [E(R)sim, σsim e ρsim], si provvede a calcolare il rendimento atteso ed
il rischio dei 66 portafogli; in presenza di errori nelle stime campionarie, le
combinazioni rischio rendimento stimate divergeranno da quelle corrette;
4. sulla base del principio media-varianza si identificano i portafogli efficienti e quelli
dominati;
5. l’intero processo viene ripetuto 1.000 volte.

Figura 3.14: Le combinazioni rendimento rischio true

12%
E(R)True

10%

8%

6%

Portafogli Efficienti
4% Portafogli Dominati

2% σ True
3% 6% 9% 12% 15% 18%

A conclusione dell’esperimento è possibile stabilire in che misura le stime

campionarie producano errori di classificazione dei portafogli. In particolare,
l’estimation error può produrre due conseguenze negative:
− giudicare efficienti portafogli che sono in realtà dominati;
− giudicare dominati portafogli che, sulla base dei parametri true, sono efficienti.
Nelle Tabelle 3.21, 3.22 e 3.23 si mostra, per valori di N pari a 10, 20 e 50, in che
percentuale delle simulazioni ogni portafoglio viene considerato efficiente. I primi 31
portafogli - accompagnati dall’asterisco – sono quelli realmente efficienti. Si noti che
molti dei portafogli inefficienti, se valutati sulla base dei dati campionari, vengono
erroneamente classificati come inefficienti. Ad esempio il portafoglio 34, nel caso di
stime campionarie estrapolate da serie di ampiezza N=10, viene considerato efficiente

131
nel 42,8% delle simulazioni; questa percentuale è più alta di quella mostrata da molti
portafogli realmente efficienti.

Tabella 3.21: Percentuale delle simulazioni in cui ogni portafoglio viene

considerato efficiente (N=10)
Portafogli Composizione % Efficienza Portafogli Composizione % Efficienza
1* 0% 0% 100% 64,8% 34 0% 80% 20% 42,8%
2* 0% 90% 10% 48,2% 35 0% 100% 0% 36,3%
3* 10% 0% 90% 50,6% 36 10% 10% 80% 27,9%
4* 10% 70% 20% 43,8% 37 10% 40% 50% 28,4%
5* 10% 80% 10% 56,3% 38 10% 50% 40% 31,0%
6* 10% 90% 0% 54,4% 39 10% 60% 30% 35,6%
7* 20% 0% 80% 45,3% 40 20% 10% 70% 26,7%
8* 20% 40% 40% 29,4% 41 20% 20% 60% 25,4%
9* 20% 50% 30% 35,1% 42 20% 30% 50% 27,0%
10* 20% 60% 20% 43,1% 43 30% 70% 0% 36,0%
11* 20% 70% 10% 50,4% 44 60% 20% 20% 23,7%
12* 20% 80% 0% 46,7% 45 70% 0% 30% 24,3%
13* 30% 0% 70% 38,6% 46 70% 10% 20% 21,2%
14* 30% 10% 60% 23,8% 47 0% 50% 50% 37,1%
15* 30% 20% 50% 23,4% 48 0% 60% 40% 38,2%
16* 30% 30% 40% 27,0% 49 10% 20% 70% 25,9%
17* 30% 40% 30% 30,7% 50 10% 30% 60% 26,1%
18* 30% 50% 20% 34,9% 51 50% 40% 10% 27,5%
19* 30% 60% 10% 39,2% 52 0% 20% 80% 36,7%
20* 40% 0% 60% 33,4% 53 40% 60% 0% 32,3%
21* 40% 10% 50% 22,7% 54 60% 30% 10% 23,7%
22* 40% 20% 40% 24,2% 55 50% 50% 0% 29,8%
23* 40% 30% 30% 27,7% 56 80% 0% 20% 22,1%
24* 40% 40% 20% 30,1% 57 0% 40% 60% 36,5%
25* 40% 50% 10% 32,2% 58 70% 20% 10% 22,7%
26* 50% 0% 50% 29,7% 59 0% 30% 70% 36,1%
27* 50% 10% 40% 23,4% 60 60% 40% 0% 27,8%
28* 50% 20% 30% 25,5% 61 80% 10% 10% 20,9%
29* 50% 30% 20% 27,3% 62 70% 30% 0% 27,0%
30* 60% 0% 40% 26,1% 63 90% 0% 10% 24,7%
31* 60% 10% 30% 23,2% 64 80% 20% 0% 26,1%
32 0% 10% 90% 39,6% 65 90% 10% 0% 25,8%
33 0% 70% 30% 39,8% 66 100% 0% 0% 32,8%

Per quanto l’errore tenda a ridursi al crescere dell’ampiezza del campione dal quale
estrapoliamo le stime, gli errori di valutazione rimangono elevati anche in presenza di
ampiezze significative. Ad esempio, nel caso di N=5039 ben 5 portafogli dominati
continuano ad essere classificati come efficienti in più del 36% delle simulazioni.
Dati i risultati, tutt’altro che confortanti, non stupisce la natura delle conclusioni
tratte dagli Autori: «The experimental results reported in this paper demonstrate that

39
Questa dimensione va giudicata elevata, in quanto equivarrebbe ad una serie storica di lunghezza pari a
50 anni.

132
this error is, potentially, of sufficient importance to bring into question the usefulness of
models that ignore it. […] Even in the grossly oversimplified world of this experiment,
however, a mean-variance approach performed poorly».

Tabella 3.22: Percentuale delle simulazioni in cui ogni portafoglio viene

considerato efficiente (N=20)
Portafogli Composizione % Efficienza Portafogli Composizione % Efficienza
1* 0% 0% 100% 74,4% 34 0% 80% 20% 41,4%
2* 0% 90% 10% 49,2% 35 0% 100% 0% 32,3%
3* 10% 0% 90% 69,6% 36 10% 10% 80% 35,6%
4* 10% 70% 20% 58,4% 37 10% 40% 50% 34,4%
5* 10% 80% 10% 78,7% 38 10% 50% 40% 40,3%
6* 10% 90% 0% 74,9% 39 10% 60% 30% 47,4%
7* 20% 0% 80% 67,9% 40 20% 10% 70% 37,4%
8* 20% 40% 40% 45,9% 41 20% 20% 60% 36,9%
9* 20% 50% 30% 54,1% 42 20% 30% 50% 40,9%
10* 20% 60% 20% 64,0% 43 30% 70% 0% 35,3%
11* 20% 70% 10% 73,2% 44 60% 20% 20% 32,6%
12* 20% 80% 0% 55,2% 45 70% 0% 30% 32,6%
13* 30% 0% 70% 59,4% 46 70% 10% 20% 26,7%
14* 30% 10% 60% 36,1% 47 0% 50% 50% 30,3%
15* 30% 20% 50% 38,1% 48 0% 60% 40% 31,6%
16* 30% 30% 40% 44,0% 49 10% 20% 70% 29,2%
17* 30% 40% 30% 51,4% 50 10% 30% 60% 31,2%
18* 30% 50% 20% 54,1% 51 50% 40% 10% 32,9%
19* 30% 60% 10% 54,3% 52 0% 20% 80% 28,0%
20* 40% 0% 60% 52,7% 53 40% 60% 0% 28,9%
21* 40% 10% 50% 38,6% 54 60% 30% 10% 28,9%
22* 40% 20% 40% 43,8% 55 50% 50% 0% 25,3%
23* 40% 30% 30% 43,8% 56 80% 0% 20% 24,9%
24* 40% 40% 20% 43,5% 57 0% 40% 60% 27,8%
25* 40% 50% 10% 41,1% 58 70% 20% 10% 26,0%
26* 50% 0% 50% 44,9% 59 0% 30% 70% 27,4%
27* 50% 10% 40% 38,7% 60 60% 40% 0% 23,7%
28* 50% 20% 30% 37,5% 61 80% 10% 10% 24,0%
29* 50% 30% 20% 37,3% 62 70% 30% 0% 22,7%
30* 60% 0% 40% 37,6% 63 90% 0% 10% 24,5%
31* 60% 10% 30% 33,7% 64 80% 20% 0% 21,7%
32 0% 10% 90% 37,4% 65 90% 10% 0% 20,5%
33 0% 70% 30% 35,6% 66 100% 0% 0% 26,2%

133
Tabella 3.23: Percentuale delle simulazioni in cui ogni portafoglio viene
considerato efficiente (N=50)
Portafogli Composizione % Efficienza Portafogli Composizione % Efficienza
1* 0% 0% 100% 84,7% 34 0% 80% 20% 43,1%
2* 0% 90% 10% 58,4% 35 0% 100% 0% 24,0%
3* 10% 0% 90% 82,5% 36 10% 10% 80% 37,9%
4* 10% 70% 20% 74,6% 37 10% 40% 50% 37,8%
5* 10% 80% 10% 89,3% 38 10% 50% 40% 42,4%
6* 10% 90% 0% 88,5% 39 10% 60% 30% 55,5%
7* 20% 0% 80% 81,9% 40 20% 10% 70% 41,1%
8* 20% 40% 40% 58,3% 41 20% 20% 60% 42,1%
9* 20% 50% 30% 72,9% 42 20% 30% 50% 47,1%
10* 20% 60% 20% 79,4% 43 30% 70% 0% 22,8%
11* 20% 70% 10% 85,3% 44 60% 20% 20% 34,4%
12* 20% 80% 0% 50,3% 45 70% 0% 30% 34,7%
13* 30% 0% 70% 73,0% 46 70% 10% 20% 26,7%
14* 30% 10% 60% 41,8% 47 0% 50% 50% 28,9%
15* 30% 20% 50% 50,1% 48 0% 60% 40% 31,4%
16* 30% 30% 40% 58,3% 49 10% 20% 70% 31,7%
17* 30% 40% 30% 62,9% 50 10% 30% 60% 34,4%
18* 30% 50% 20% 64,6% 51 50% 40% 10% 28,0%
19* 30% 60% 10% 60,1% 52 0% 20% 80% 27,2%
20* 40% 0% 60% 63,9% 53 40% 60% 0% 17,7%
21* 40% 10% 50% 50,1% 54 60% 30% 10% 22,3%
22* 40% 20% 40% 54,6% 55 50% 50% 0% 15,0%
23* 40% 30% 30% 55,5% 56 80% 0% 20% 21,4%
24* 40% 40% 20% 52,1% 57 0% 40% 60% 26,8%
25* 40% 50% 10% 41,7% 58 70% 20% 10% 18,8%
26* 50% 0% 50% 55,3% 59 0% 30% 70% 25,7%
27* 50% 10% 40% 49,5% 60 60% 40% 0% 13,7%
28* 50% 20% 30% 48,2% 61 80% 10% 10% 16,5%
29* 50% 30% 20% 43,5% 62 70% 30% 0% 12,6%
30* 60% 0% 40% 45,5% 63 90% 0% 10% 16,2%
31* 60% 10% 30% 40,5% 64 80% 20% 0% 11,6%
32 0% 10% 90% 38,5% 65 90% 10% 0% 10,5%
33 0% 70% 30% 36,2% 66 100% 0% 0% 15,0%

Ciò che manca nel lavoro di Frankfurter et al. è un indicatore in grado di

quantificare sinteticamente l’errore complessivo di classificazione. Il ricorso alle
contingency table e ad alcuni indici sintetici, quali ad esempio la Q di Yule40, permette
di colmare questo vuoto.
Lo strumento più semplice e intuitivo utilizzabile allo scopo di valutare la
capacità di discriminare tra portafogli efficienti e non efficienti è rappresentato dalla
contingency table (un esempio numerico è riportato nella Tabella 3.24). Nel caso qui in
esame, questo strumento permette di identificare il potere discriminante delle stime
campionarie collocando, per ciascuna simulazione, i 66 portafogli all’interno di quattro
quadranti:
40
Cfr. Swets (1996).

134
− il 1° quadrante accoglie i portafogli EE che, valutati efficienti sulla base dei dati
campionari, sono realmente tali;
− il 2° quadrante accoglie i portafogli EI che, valutati efficienti sulla base dei dati
campionari, sono in realtà inefficienti (errore del I tipo);
− il 3° quadrante accoglie i portafogli IE che, valutati inefficienti sulla base dei dati
campionari, sono in realtà efficienti (errore del II tipo);
− il 4° quadrante accoglie le osservazioni II, ovvero i portafogli valutati inefficienti
che sono effettivamente tali.

Tabella 3.24: Esempio di contingency table per la classificazione dei 66 portafogli

sulla base dei dati campionari
VALUTAZIONE EFFETTIVA
Efficiente Inefficiente
2°
VALUTAZIONE INBASE

1°
Efficiente
AI DATI CAMPIONARI

EE (=20) EI (=15)
Valutazione corretta Errore del 1° tipo
Inefficiente

3° 4°

IE(=11) II (=20)
Errore di 2° tipo Valutazione corretta

I dati numerici riportati nella tabella 3.24 possono essere usati per estrapolare
delle misure sintetiche41:
1. EI+IE = 26, numero complessivo di errori di classificazione;
2. EI = 15, numero complessivo di errori del 1° tipo;
3. IE = 11, numero complessivo di errori del 2° tipo;

4. PC = ( II + EE ) = ( II + EE ) = 40 = 60,6% , percentuale
( EI + EE + IE + II ) (N ) 66
complessiva di portafogli correttamente classificati;

5. PI = ( EI + IE ) = ( EI + IE ) = 26 = 39,4% , percentuale
( EI + EE + IE + II ) (N ) 66
complessiva di portafogli erroneamente classificati42;

41
Cfr. Swets (1996).

135
6. SENS = ( II ) = 20 = 57,1% , percentuale di portafogli inefficienti
( II + EI ) 35
correttamente classificati (tale misura è nota con il termine di sensitivity);

7. SPEC = ( EE ) = 20 = 64,5% , percentuale di portafogli efficienti

( EE + IE ) 31
correttamente classificati (tale misura è nota con il termine di specificity);

8. Eα = ( EI ) = 1 − SENS = 15 = 42,9% , la percentuale con cui un

( EI + II ) 35
portafoglio inefficiente è erroneamente stimato efficiente (tale misura rappresenta
una espressione percentuale dell’errore di 1° tipo ed è anche nota con il termine di
“errore α”);

9. E β = ( IE ) = 1 − SPEC = 11 = 35,5% , la percentuale con cui un

( IE + EE ) 31
portafoglio efficiente è erroneamente stimato inefficiente (tale misura rappresenta
una espressione percentuale dell’errore di 2° tipo ed è anche nota con il termine di
“errore β”).
( SENS − E β )
10. Q = = 91,15% = 0,416 , la Q di
( SENS − 2 ⋅ E β ⋅ SENS + E β ) 91,53%

Yule, pur non distinguendo tra errori di 1° e 2° tipo, rappresenta un buon indicatore
della capacità di effettuare classificazioni corrette. L’indicatore è compreso tra i
valori di +1 e –1; valori numerici decrescenti indicano una riduzione del potere
discriminante del modello.

Identificando nella Q di Yule uno strumento efficace al fine di misurare la

capacità discriminante delle stime campionarie, nella Figura 3.15 vengono riportati, per
valori crescenti di N, i livelli medi assunti da questo indicatore nelle 1.000 simulazioni
Monte Carlo. Si noti come al crescere della dimensione campionaria il valore medio
della Q di Yule si avvicini al valore unitario. In ogni caso, per valori bassi di N (ovvero
per stime campionarie estratte da un campione di ridotte dimensioni) il valore assunto
dal parametro in esame riflette un basso potere di classificazione tra portafogli efficienti
e non. I riflessi operativi di questa evidenza sono preoccupanti: in presenza di ampi

42
Le misure riportate nei punti 4 e 5 (PC e PI), pur se ampiamente usate per tale scopo, non possono
essere adoperate per confrontare modelli testati su diversi campioni. L’incomparabilità dipende dal fatto
che i valori assunti da questi indicatori sono condizionati dalla struttura del campione e, in modo
particolare, dal peso assunto dai casi di default. Sull’argomento si veda Lehmann (2003).

136
orizzonti temporali il campione di rendimenti ha dimensioni ridotte ed è quindi forte la
probabilità che si manifestino degli errori di classificazione.

Figura 3.15: I valori medi assunti dalla Q di Yule per diversi valori di N.
Qdi Yule
1,0

0,8
0,6

0,4
0,2

-
N
5
10
20
30
40
50
60
70
80
90
100
110
120
130
140
150
160
170
180
190
200
-0,2
-0,4

-0,6
-0,8

-1,0

Al fine di approfondire l’analisi degli errori, distinguendo tra errori del primo e
del secondo tipo, è possibile ricorrere ad una ulteriore rappresentazione grafica (Figura
3.16) ottenuta mediante il seguente procedimento:
1. identificati i 66 portafogli fattibili, attraverso i true parameter (Tabella 3.20)
vengono identificati i 31 portafogli efficienti e i 35 dominati;
2. fissata la dimensione N delle serie campionarie, si effettuano 1.000 simulazioni
Monte Carlo, che restituiscono altrettanti set di input simulati;
3. sulla base di questi parametri, si stimano i valori medi dell’errore α ( Eα ) e

dell’errore β ( E β ) commessi utilizzando le stime campionarie;

4. la combinazione ( E β ; Eα ) viene riportata su un sistema di assi cartesiani;

5. il procedimento di cui ai punti 1-4 viene ripetuto per diversi valori del parametro N.
L’incremento della dimensione del campione contribuisce a ridurre la
percentuale con cui un portafoglio efficiente (dominato) è erroneamente classificato

137
come dominato (efficiente), avvicinando così la combinazione ( E β ; Eα ) al punto di

origine degli assi cartesiani. Tuttavia, per dimensioni campionarie coerenti con
l’ampiezza delle serie storiche degli indici di mercato, la probabilità di errori di
classificazione resta elevata. Se poi si rimuovono le ipotesi statistiche semplicistiche
(assenza di autocorrelazione seriale e distribuzione dei rendimenti normale e
stazionaria) che accompagnano l’esperimento di Frankfurter et al., l’errore di
classificazione è destinato ad aumentare.

Figura 3.16: Combinazioni (Eβ; Eα) corrispondenti a valori crescenti di N

Eα 1,0
N=5
N=10
0,8 N=20
N=30
N=50
0,6 N=100
N=200
N=1.000
0,4

0,2

Eβ
0,0
0,0

0,2

0,4

0,6

0,8

1,0

3.5.3 Efficient versus Naive portfolio

Questo esperimento propone un confronto diretto tra portafogli coerenti con il
principio media-varianza ed un portafoglio naive, costruito senza l’ausilio di un criterio
razionale. Lo scopo è quello di dimostrare che in presenza di stime erratiche un
portafoglio naive ha elevate probabilità di dominare un portafoglio giudicato efficiente
sulla base di stime campionarie incerte.
Ipotizziamo che un asset manager italiano voglia costruire un portafoglio
combinando 12 mercati. L’orizzonte temporale d’investimento è annuale e la Tabella
3.25 sintetizza l’insieme dei parametri true corrispondenti alle 12 asset class
selezionate. L’asset manager, tuttavia, non conosce questi parametri e ricorre quindi

138
alla classical rule, ovvero estrapola le stime da serie storiche campionarie.

Tabella 3.25: I parametri true delle 12 asset class selezionate

Indici di Mercato Rendimenti Attesi Rischi Attesi
I. Mkt. 1 4,60% 1,25%
I. Mkt. 2 6,36% 4,73%
I. Mkt. 3 10,90% 20,01%
I. Mkt. 4 7,69% 18,40%
I. Mkt. 5 7,54% 19,34%
I. Mkt. 6 8,10% 21,37%
I. Mkt. 7 9,12% 16,35%
I. Mkt. 8 11,40% 23,82%
I. Mkt. 9 9,46% 17,21%
I. Mkt. 10 15,90% 46,53%
I. Mkt. 11 8,01% 30,49%
I. Mkt. 12 8,12% 17,97%

ρ I. 1 I. 2 I. 3 I. 4 I. 5 I. 6 I. 7 I. 8 I. 9 I. 10 I. 11 I. 12
I. 1 1 0,64 -0,14 -0,48 -0,26 -0,14 0,33 0,44 -0,07 -0,02 0,00 -0,10
I. 2 0,64 1 -0,30 -0,69 -0,50 -0,49 0,22 0,31 -0,24 -0,38 -0,33 -0,02
I. 3 -0,14 -0,30 1 0,75 0,88 0,73 0,65 0,61 0,87 0,59 0,55 0,64
I. 4 -0,48 -0,69 0,75 1 0,89 0,80 0,09 0,06 0,61 0,69 0,56 0,29
I. 5 -0,26 -0,50 0,88 0,89 1 0,89 0,42 0,45 0,87 0,79 0,71 0,58
I. 6 -0,14 -0,49 0,73 0,80 0,89 1 0,36 0,38 0,72 0,94 0,92 0,37
I. 7 0,33 0,22 0,65 0,09 0,42 0,36 1 0,95 0,76 0,24 0,35 0,80
I. 8 0,44 0,31 0,61 0,06 0,45 0,38 0,95 1 0,78 0,32 0,39 0,78
I. 9 -0,07 -0,24 0,87 0,61 0,87 0,72 0,76 0,78 1 0,59 0,61 0,83
I. 10 -0,02 -0,38 0,59 0,69 0,79 0,94 0,24 0,32 0,59 1 0,93 0,21
I. 11 0,00 -0,33 0,55 0,56 0,71 0,92 0,35 0,39 0,61 0,93 1 0,33
I. 12 -0,10 -0,02 0,64 0,29 0,58 0,37 0,80 0,78 0,83 0,21 0,33 1

Assumendo che i rendimenti degli asset siano variabili random stazionarie e

distribuite normalmente, il ricorso alla tecnica Monte Carlo permette di simulare dei
campioni di dati assimilabili alle serie storiche utilizzate applicando la classical rule.
Immaginando che l’asset manager disponga di un campione storico di 10 anni, la
tecnica Monte Carlo dovrà simulare delle serie di rendimenti annuali di ampiezza N=10.
Una prima soluzione di investimento consiste nell’ignorare le stime e nel
limitarsi a costruire un portafoglio naive nel quale le asset class assumono tutte il
medesimo peso:
1
wi = = 8, 3 %
12

139
 ⎡8, 3 %⎤
⎢ ⎥
⎢8, 3 %⎥
⎢8, 3 %⎥
⎢ ⎥
⎢8, 3 %⎥
⎢8, 3 %⎥
⎢ ⎥
⎢8, 3 %⎥
W =⎢
8, 3 %⎥
⎢ ⎥
⎢8, 3 %⎥
⎢ ⎥
⎢8, 3 %⎥
⎢8, 3 %⎥
⎢ ⎥
⎢8, 3 %⎥
⎢⎣8, 3 %⎥⎦

Una soluzione alternativa consiste nel costruire il portafoglio effettuando una

ottimizzazione alla Markowitz. Il nostro obiettivo è quello di valutare in che misura un
portafoglio creato in coerenza con il principio media-varianza possa essere preferito ad
un equally weighted portfolio. A tale scopo viene implementato questo procedimento:
1. in base alle variabili di input true, si simula, per ciascuna asset class e mediante la
tecnica Monte Carlo, una serie di 10 rendimenti annuali;
2. utilizzando questo campione simulato, si calcola il set di input campionari [E(R)sim,
σsim e ρsim];
3. nota la composizione della strategia equally weighted possiamo calcolare, sulla base
dei parametri campionari, il rischio [ σ sim
*
] di questo portafoglio;

4. dati i parametri [E(R)sim, σsim e ρsim], si provvede ad effettuare una ottimizzazione

media-varianza, che identifichi il portafoglio efficiente caratterizzato da rischio
atteso pari a σ sim
*
. Fatta eccezione per l’eventualità, estremamente remota, che il
portafoglio naive sia efficiente, il portafoglio ottenuto mediante l’ottimizzazione di
Markowitz domina (sulla base delle stime campionarie) quello equally weighted;
5. note le composizioni del portafoglio alla Markowitz e di quello naive, è possibile
determinare quali sono le combinazioni [σtrue; E(R)true] che i due portafogli
avrebbero conseguito sulla base dei veri input;
6. l’intero processo viene ripetuto 1.000 volte.
La Figura 3.17 offre una rappresentazione grafica delle combinazioni [σtrue;
E(R)true] del portafoglio naive e dei 1.000 portafogli giudicati efficienti sulla base delle

140
simulazioni. Diviso lo spazio [σ ; E(R)] in 4 quadranti:
− il IV quadrante accoglie le combinazioni rendimento-rischio dei portafogli efficienti
che sono dominati dal portafoglio naive;
− il II quadrante accoglie le combinazioni rendimento-rischio dei portafogli efficienti
che dominano il portafoglio naive.

Figura 3.17: Le Combinazioni [σtrue; E(R)true] dei 1.000 portafogli efficienti e del
portafoglio naive N 150
0.13
II I
0.12

0.11

0.1
E(R)

0.09

0.08

0.07 [σtrue; E(R)true] del port.

i
III IV
0.06
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35
σ

Ipotizzando che l’asset manager giudichi la qualità dei portafogli sulla base
dell’indicatore E(R)/σ, e che egli punti a massimizzare questo rapporto in modo da
minimizzare la probabilità di shortfall rispetto ad una soglia pari a zero43, la Tabella
3.26 sintetizza i risultati conseguiti dai portafogli efficienti e dall’equally weighted
portfolio.

Tabella 3.26: Confronto tra portafogli efficienti e portafoglio naive

43
Α proposito della relazione esistente tra shottfall probability e rapporto E(R)/σ, si veda il paragrafo 2.7.

141
 Portafoglio Portafogli
Naive Efficienti
- Max [E(R)/σ] 0,577 1,345
- Min [E(R)/σ] 0,577 0,344
- [E(R)/σ] medio 0,577 0,621
- %di scenari con E(R)/σmaggiore 50,1% 49,9%
%di volte in cui un portafoglio domina l'altro 40,1% 59,9%

È significativo rilevare che nel 50,1% dei casi il portafoglio naive presenta un
rapporto E(R)true/σtrue che è maggiore di quello del portafoglio efficiente identificato
mediante le stime campionarie. Ancora, considerando le sole simulazioni nelle quali
uno dei due portafogli domina l’altro (quadranti II e IV), la percentuale di casi in cui i
portafogli efficienti sono dominati dal portafoglio equally weighted è pari al 40,1%.
Queste conclusioni consolidano l’idea di inaffidabilità del modello di Markowitz,
quando esso è alimentato da stime estrapolate da campioni storici di ridotte dimensioni.
Mettendosi nei panni di un asset manager, non è certo consolante scoprire che i
portafogli naive, se pur privi di qualsiasi fondamento teorico, abbiano una così elevata
probabilità di sovraperformare portafogli coerenti con il principio media-varianza. Ed
ancora, coloro che implementano modelli di portfolio construction, ignorando la scarsa
performance out-of-sample dei portafogli alla Markowitz, si macchiano di un peccato
finanziario tra i più gravi: operano da “chiaroveggenti”, ovvero ignorano l’estimation
error in virtù di una presunta infallibilità nella stima dei parametri di input.

3.6 Conclusioni
Pur rimanendo fedeli al principio media-varianza, la composizione unreasonable e
l’instabilità dei portafogli, così come le conseguenze degli errori di stima, sono
fenomeni in grado di ridimensionare significativamente l’utilizzo di modelli matematici
nella portfolio construction. La rimozione dello scetticismo che sovente accompagna la
quantitative finance passa, quindi, attraverso l’implementazione di tecniche di asset
allocation in grado di ridurre la portata di questi fenomeni negativi, favorendo così la
costruzione di portafogli stabili, ragionevoli e non sensibilmente esposti all’estimation
error.

142
 In tal senso, l’ottimizzazione classica alla Markowitz non deve essere vista come il
punto di arrivo, bensì come uno stadio intermedio nell’iter che conduce allo sviluppo di
un modello realmente in grado di conciliare il rigore della matematica con le esigenze
pragmatiche degli asset manager. Lo scopo dei due restanti capitoli è appunto quello di
proporre delle soluzioni utili allo scopo di putting Markowitz at work, ovvero di
rimuovere quei difetti che ne minacciano il concreto utilizzo. Nel capitolo 4 verranno
passate in rassegna le soluzioni euristiche; nel capitolo 5 si analizzeranno le tecniche
bayesiane.
È bene anticipare che le metodologie qui di seguito analizzate non rappresentano
soluzioni antagoniste a quella di Markowitz; esse vanno piuttosto identificate come
tecniche in grado di riproporre il modello originario in una veste più coerente con il
contesto reale nel quale operano gli asset manager.

143
 INDICE CAPITOLO 4

CAPITOLO 4: LE TECNICHE EURISTICHE ................................................................................... 146

4.1 Introduzione ..........................................................................146
4.2 La soluzione dei vincoli di peso ............................................................................................... 152
4.2.1 Vincoli infra-gruppo e scostamento dai portafogli neutrali .........................................157
4.2.2 Efficient versus Constrained portfolio .........................................................................167
4.3 La tecnica del ResamplingTM.................................................................................................... 171
4.3.1 La scelta dell’ampiezza N dei rendimenti simulati ......................................................183
4.3.2 ResamplingTM versus Efficient portfolio ......................................................................190
 CAPITOLO 4: LE TECNICHE EURISTICHE

«Mean-Variance optimizers are, in a

fundamental sense, “estimation-error
maximizers” […] Mean-Variance
optimization significantly overweights
(underweights) those securities that
have large (small) estimated returns,
negative (positive) correlation and
small (large) variances. These securities
are, of course, the ones most likely to
have large estimation errors».
(Richard O. Michaud)

4.1 Introduzione
In un mondo ipotetico nel quale è possibile disporre di stime certe, un asset
manager potrebbe implementare una ottimizzazione classica alla Markowitz, senza il
timore di esporsi alle conseguenze negative degli errori:
Min σ True
2
W (True )

Con vincoli :
n

(4.1)
∑ w E(R )
i =1
i i True = R*
n

∑w
i =1
i =1
wi ≥ 0 con i = 1,..., n

Purtroppo, nella realtà, non si dispone di stime true e si è quindi soggetti al rischio
di implementare una strategia di investimento caratterizzata da una scarsa qualità ex-
post. Ragionando in termini dicotomici, l’asset manager può implementare due
soluzioni alternative che incorporano un atteggiamento opposto circa la capacità di
esprimere stime affidabili.
La prima e più semplice strategia di asset allocation consiste nell’investire in

146
portafogli che, lungi dall’avere origine da un processo di generazione delle stime e di
successiva ottimizzazione, si ottengono dalla implementazione di strategie (definite
naive portfolio formation rule) prive di una giustificazione teorica. I portafogli così
costruiti tendono a caratterizzarsi per un’elevata diversificazione; un esempio classico è
rappresentato dalla già menzionata strategia equally weighted.
È utile ragionare sulle motivazioni che possono spingere ad implementare una
logica di questo tipo. La decisione di rinunciare aprioristicamente all’utilizzo di
stimatori trova una giustificazione teorica nell’assenza di fiducia nei confronti delle
proprie capacità previsionali: l’investitore pessimista circa la bontà delle proprie stime
dovrebbe evitare di produrle, optando per un portafoglio molto diversificato. È
altamente probabile che il portafoglio naive così ottenuto sia sub-ottimale rispetto al
true efficient portfolio stimato sulla base dei parametri corretti. Le ragioni della
dominanza del secondo sul primo sono piuttosto ovvie: «Just like the hands of a broken
watch, which happen to correctly indicate the time only twice a day, the prior allocation
is only good in those markets, if any, where the optimal allocation happens to be close
to the prior allocation» (Meucci, 2005). Indovinare la composizione del portafoglio è
dunque un evento assimilabile alla vincita in un “gioco di fortuna”.
Tuttavia, la strategia naive non è priva di elementi di interesse: privilegiando un
portafoglio diversificato, ci si assicura che la sua composizione non si discosterà in
modo sensibile dalla composizione del vero portafoglio ottimale. Infatti, inserendo in
portafoglio tutte le asset class potenzialmente selezionabili, si è sicuri di avere
selezionato anche quelle che verrebbero scelte se si disponesse dei parametri di input
corretti. Un esempio numerico contribuirà a chiarire quanto sin qui espresso.
Ipotizziamo di disporre di 10 asset class. L’applicazione della strategia equally
weighted condurrebbe alla seguente composizione di portafoglio:

147
 ⎡10%⎤
⎢10%⎥
⎢ ⎥
⎢10%⎥
⎢ ⎥
⎢10%⎥
⎢10%⎥
W EquallyWeighted . =⎢ ⎥
⎢10%⎥
⎢10%⎥
⎢ ⎥
⎢10%⎥
⎢10%⎥
⎢ ⎥
⎢⎣10%⎥⎦
Supponiamo invece che, adottando l’ottimizzazione di Markowitz alimentata dai
parametri di input corretti, si giunga (dato un livello di rendimento atteso) al seguente
portafoglio:
⎡80% ⎤
⎢20%⎥
⎢ ⎥
⎢ 0% ⎥
⎢ ⎥
⎢ 0% ⎥
⎢ 0% ⎥
WTrue =⎢ ⎥
⎢ 0% ⎥
⎢ 0% ⎥
⎢ ⎥
⎢ 0% ⎥
⎢ 0% ⎥
⎢ ⎥
⎣⎢ 0% ⎦⎥
Per quanto affermato nel paragrafo 2.8 del secondo capitolo, la presenza di una
composizione sbilanciata a favore di poche asset class non deve apparire sorprendente.
La differenza di composizione tra il portafoglio naive e quello realmente efficiente
viene misurata ricorrendo alla distanza euclidea:

(4.2) (WEquallyWeighted − WTrue )T × (WEquallyWeighted − WTrue ) = 0,761

Ipotizziamo che, sviluppando l’asset allocation sulla base di stime errate,
l’ottimizzazione conduca ad un portafoglio ugualmente concentrato, ma composto da
asset class diverse da quelle selezionate utilizzando i true parameter:

148
 ⎡ 0% ⎤
⎢ 0% ⎥
⎢ ⎥
⎢ 0% ⎥
⎢ ⎥
⎢10% ⎥
⎢40%⎥
W Error =⎢ ⎥
⎢50% ⎥
⎢ 0% ⎥
⎢ ⎥
⎢ 0% ⎥
⎢ 0% ⎥
⎢ ⎥
⎢⎣ 0% ⎥⎦
La distanza euclidea tra la composizione dei portafogli ottenuti applicando le stime
corrette e quelle errate è pari a:

(4.3) (WError − WTrue )T × (WError − WTrue ) = 1,049

Una ottimizzazione matematica veicolata da stime marcatamente errate può quindi
condurre ad un portafoglio la cui composizione è destinata ad allontanarsi da quella
ottimale più di quanto faccia una strategia che persegue un obiettivo di pura
diversificazione. In conclusione, la naive portfolio formation rule va interpretata alla
stregua di una soluzione difensiva che, in assenza di capacità previsionali, contribuisce
quanto meno ad evitare che il portafoglio si discosti in maniera macroscopica dalla
composizione del true efficient portfolio.

Una seconda strategia, antitetica rispetto a quella appena menzionata, consiste

nell’effettuare una ottimizzazione alla Markowitz utilizzando le stime a disposizione,
senza preoccuparsi della loro affidabilità. É opportuno riflettere circa le motivazioni che
spingono ad implementare questa logica. Essa trova una giustificazione teorica nella
totale fiducia nei confronti dei parametri di input: solo l’asset manager infallibile, in
grado di stimare perfettamente la distribuzione futura dei rendimenti dei portafogli, può
agire trascurando le conseguenze dell’estimation error. Infatti, se i parametri utilizzati
nella ottimizzazione fossero perfetti stimatori di quelli veri unknown, allora la distanza
che separa la true efficient frontier rispetto alla expected efficient frontier tenderebbe ad
annullarsi.
Il pericolo che si cela dietro questa scelta è evidente: qualora le stime si rivelassero
errate, ci si esporrebbe alla tendenza della ottimizzazione media-varianza ad agire come

149
estimation error maximizer1. Maggiore sarà l’errore, più forte sarà la tendenza a
costruire portafogli concentrati in asset class diverse da quelle selezionate in presenza
dei parametri corretti; ciò produce un incremento della distanza che separa le
combinazioni rischio-rendimento dei veri portafogli efficienti [ σ Port
True
; E ( R) True
Port ] rispetto

alle combinazioni dei portafogli ritenuti erroneamente ottimali [ σ Port

Expected
; E ( R) Expected
Port ].
Con l’ausilio della Figura 4.1 si propone una riflessione finale relativamente alla
bipartizione naive versus Markowitz.

Figura 4.1: Confronto tra portafoglio naive e portafoglio alla Markowitz

Naive portfolio Markowitz con stimatori non

formation rule soggetti a valutazione di
affidabilità
PRESUPPOSTO: PRESUPPOSTO:
- Fiducia nulla nelle stime. - Fiducia totale nelle stime.

PRO: PRO:
- La diversificazione impedisce di - Tentativo di offrire alto valore aggiunto,
allontanarsi eccessivamente dalla applicando l'ottimizzazione media-
composizione dei portafogli realmente varianza
efficienti. CONTRO:
CONTRO: - In presenza di errori di stima i portafogli
- Il valore aggiunto dell'asset manager è così ottenuti sono "estimation error
scarso; maximizer ";
- Rinuncia aprioristica a selezionere la - Composizione dei portafogli
costruzione di una soluzione realmente eccessivamente concentrata.
efficente;
- l'esito della strategia è rimessa alla
fortuna, non all'abilità.

Entrambe le soluzioni presentano contemporaneamente punti di forza e di

debolezza. Dei portafogli naive è apprezzabile il tentativo di “rincorrere” una buona
soluzione, evitando di esporsi eccessivamente al problema dell’errore; ma di essi va
criticata la rinuncia aprioristica ad esprimere previsioni puntuali. Di contro,
l’ottimizzazione alla Markowitz, nel tentativo di dare all’investitore il massimo valore

1
Cfr. Michaud (1989) e Nawrocki (1996).

150
aggiunto, rischia di esporlo ai pericoli che si celano dietro gli errori di stima.
Questa visione bipolare della costruzione di portafoglio mal si presta a descrivere il
comportamento che un asset manager virtuoso dovrebbe assumere. Non è infatti
plausibile né la posizione di chi ha fiducia nulla nelle stime, né quella di chi pensa di
disporre di doti di chiaroveggenza. Piuttosto è lecito immaginare che la fiducia sia più o
meno ampia e che, conseguentemente, sia corretto sviluppare delle logiche di
costruzione del portafoglio che, rifiutando una visione dicotomica, permettano di far
coesistere in un’unica soluzione tanto l’esigenza di creare valore aggiunto per
l’investitore, quanto la necessità di non esporlo sensibilmente al problema
dell’estimation error.
Le tecniche euristiche, analizzate in questo capitolo, e quelle bayesiane (Capitolo 5)
vanno collocate all’interno di questo filone, e possono quindi essere interpretate come
soluzioni intermedie rispetto a quelle estreme sopra analizzate. Pur lasciando alla
trattazione successiva il compito di descrivere le differenze esistenti tra queste due
metodologie, può essere utile anticipare il diverso punto di vista con il quale esse
affrontano la portfolio construction. Partendo da una ottimizzazione classica alla
Markowitz, esistono due strade - non necessariamente alternative - percorribili al fine di
minimizzare la distanza che separa le combinazioni rischio-rendimento dei veri
portafogli efficienti [ σ Port
True
; E ( R) True
Port ] rispetto alle combinazioni dei portafogli ritenuti

erroneamente ottimali [ σ Port

Expected
; E ( R) Expected
Port ]:

− operare sulle stime, riducendone l’errore;

− agire sull’ottimizzazione, cercando di avvicinarsi alla composizione dei portafogli
realmente efficienti.
Le tecniche bayesiane prediligono la prima soluzione; quelle euristiche, la seconda.
Pur seguendo strade diverse, queste tecniche sono accomunate dal medesimo obiettivo:
− spingere verso soluzioni più concentrate, in presenza di elevati livelli di fiducia nelle
stime;
− propendere per soluzioni che, come quelle naive, privilegiano la diversificazione, in
caso di scarsa fiducia nei parametri di input.

151
4.2 La soluzione dei vincoli di peso
La soluzione più diffusa nella pratica al fine di combattere il problema degli errori
nella stima dei parametri, è senza dubbio l’imposizione di vincoli di peso all’interno
della programmazione quadratica2. Questa tecnica, se ben implementata, rappresenta
una soluzione efficace anche ai problemi della natura unreasonable dei portafogli e
dell’estrema sensibilità degli stessi alla variazione dei parametri di input. A tal
proposito, Green e Hollifield (1992) scrivono: «Practitioners are suspicious of
portfolios that are not naively diversified, so mean-variance methods are generally
implemented with extensive sets of constraints that enforce such diversification».
In termini analitici l’ottimizzazione con vincoli di peso può essere espressa nel
modo seguente:
Min σ Port
2
W

Con vincoli :
E ( R) Port = R *
(4.4) n

∑w
i =1
i =1
wi ≥ hi con i = 1,..., n
wi ≤ k i con i = 1,..., n e hi ≤ k i
L’obiettivo è sempre quello di identificare il vettore dei pesi che minimizza una
funzione di grado secondo (la varianza del portafoglio); cresce però il numero di vincoli
lineari da rispettare. In particolare, fermo restando l’obbligo di creare portafogli con
somma dei pesi pari a 1, il peso wi attribuito all’[Link] asset class può assumere valori
nell’intervallo [hi; ki]:
⎡ h1 ⎤ ⎡ w1 ⎤ ⎡ k1 ⎤
⎢h ⎥ ⎢ w ⎥ ⎢k ⎥
⎢ 2⎥ ⎢ 2⎥ ⎢ 2⎥
⎢M⎥ ⎢ M ⎥ ⎢M⎥
(4.5) ⎢ ⎥≤⎢ ⎥≤⎢ ⎥
⎢ hi ⎥ ⎢ wi ⎥ ⎢ k i ⎥
⎢M⎥ ⎢ M ⎥ ⎢M⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣⎢hn ⎦⎥ ⎣⎢ wn ⎦⎥ ⎣⎢k n ⎦⎥
Qualora hi (il lower bound) e ki (l’upper bound) assumano valori rispettivamente
pari a zero e a uno, si ritorna alla ottimizzazione tradizionale alla Markowitz con ipotesi
di assenza di vendite allo scoperto.

2
Sul tema della ottimizzazione vincolata, si vedano: Frost e Savarino (1988) e Jagannathan e Ma (2003).

152
 L’effetto che l’imposizione di vincoli produce sulla composizione dei portafogli
efficienti è intuibile: restringendo l’intervallo numerico all’interno del quale i pesi delle
asset class possono variare, i portafogli ottenuti sono più diversificati di quelli che si
otterrebbero con la unconstrained optimization3. Grazie a questa maggiore
diversificazione, tali soluzioni possono alleviare le conseguenze negative riconducibili
agli errori di stima. La maggiore diversificazione dei portafogli vincolati viene tuttavia
conseguita ai danni della efficienza ex-ante: la constrained efficient frontier si
collocherà - sul piano [σExpected; E(R)Expected] - più in basso rispetto alla unconstrained
efficient frontier. Ciò implica che, nell’ipotesi in cui le stime fossero corrette, i
portafogli vincolati avrebbero combinazioni rendimento-rischio peggiori di quelle dei
portafogli non vincolati.
Servendosi dei dati numerici già utilizzati nel paragrafo 2.6, si propone un esempio
numerico di applicazione dei vincoli di peso. Un asset manager italiano vuole costruire
portafogli combinando più mercati; l’orizzonte temporale d’investimento è annuale. I
mercati che egli considera potenzialmente interessanti sono otto ed a ciascuno di essi
viene associato un indice di mercato (Tabella 4.1).

Tabella 4.1: Mercati e Benchmark selezionati

Mercati Indici di Mercato
Monetario area Euro I. Mkt. 1 = JPM Euro Cash 3M - Tot Return Ind
Obbligazionario Area Euro I. Mkt. 2 = CGBI WGBI EMU All Mats. - Tot Return Ind
Obbligazionario Internazionale I. Mkt. 3 = CGBI WGBI BD All Mats - Tot Return Ind
Azionario Europa I. Mkt. 4 = MSCI Europe - Gross Index
Azionario Nord America I. Mkt. 5 = MSCI North America - Gross Index
Azionario Giappone I. Mkt. 6 = MSCI Japan - Gross Index
Azionario Pacifico con esclusione del Giappone I. Mkt. 7 = MSCI Pacific free ex Japan - Gross Index
Azionario Paesi Emergenti I. Mkt. 8 = MSCI EM (Emerging Markets) - Gross Index

Ipotizzando che i rendimenti degli indici siano serialmente indipendenti ed

identicamente distribuiti (i.i.d.), gli input vengono stimati utilizzando il criterio della
classical rule, ovvero estrapolando i parametri sulla base di un campione storico di
rendimenti (espressi in euro) di 19 anni (Gennaio 1988 - Dicembre 2006); la Tabella 4.2
sintetizza l’insieme delle stime campionarie.
L’asset manager, non fidandosi totalmente della qualità delle stime, introduce dei

3
Con l’espressione unconstrained identifichiamo le ottimizzazioni che presentano il solo vincolo di non
negatività dei pesi.

153
limiti di peso massimo e minimo delle asset class, in modo da favorire un incremento
della diversificazione dei portafogli. I valori attribuiti agli upper e lower bound vengono
riportati nella Tabella 4.3.

Tabella 4.2: Le stime campionarie

Indici di Mercato Rendimenti Attesi Rischi Attesi
I. Mkt. 1 5,83% 3,09%
I. Mkt. 2 6,48% 5,31%
I. Mkt. 3 6,86% 8,56%
I. Mkt. 4 13,64% 20,41%
I. Mkt. 5 13,97% 22,05%
I. Mkt. 6 4,85% 31,57%
I. Mkt. 7 15,15% 31,59%
I. Mkt. 8 20,58% 38,72%

Correlazioni I. Mkt. 1 I. Mkt. 2 I. Mkt. 3 I. Mkt. 4 I. Mkt. 5 I. Mkt. 6 I. Mkt. 7 I. Mkt. 8

I. Mkt. 1 1 0,28 0,28 -0,11 0,03 -0,24 0,08 0,11
I. Mkt. 2 0,28 1 0,56 -0,01 0,06 -0,28 0,12 -0,15
I. Mkt. 3 0,28 0,56 1 0,54 0,64 0,33 0,54 0,44
I. Mkt. 4 -0,11 -0,01 0,54 1 0,90 0,62 0,62 0,63
I. Mkt. 5 0,03 0,06 0,64 0,90 1 0,53 0,46 0,54
I. Mkt. 6 -0,24 -0,28 0,33 0,62 0,53 1 0,74 0,79
I. Mkt. 7 0,08 0,12 0,54 0,62 0,46 0,74 1 0,89
I. Mkt. 8 0,11 -0,15 0,44 0,63 0,54 0,79 0,89 1

Tabella 4.3: I vincoli di peso

Indici di Mercato Lower bound Upper bound
I. Mkt. 1 0,00 0,50
I. Mkt. 2 0,00 0,40
I. Mkt. 3 0,10 0,10
I. Mkt. 4 0,10 0,20
I. Mkt. 5 0,05 0,30
I. Mkt. 6 0,04 0,14
I. Mkt. 7 0,03 0,06
I. Mkt. 8 0,05 0,40

L’applicazione della programmazione quadratica4 permette di identificare le

combinazioni rendimento-rischio che sul piano [σ, E(R)] disegnano le frontiere
vincolata e unconstrained (Figura 4.2); il compito di esibire la composizione dei (100)

4
Si è utilizzata la funzione “frontcon” disponibile nel Financial Toolbox di Matlab.

154
portafogli ottimali è affidato ai grafici ad area (Figura 4.3).

Figura 4.2: Le frontiere efficienti constrained e unconstrained

25%
E(R) Frontiera Efficiente "non vincolata"

20% Frontiera efficiente "vincolata"

15%

10%

5%

0%
0% 5% 10% 15% 20% 25% 30% 35% 40%
σ

Figura 4.3: Composizione dei portafogli

Composizione dei portafogli "non vincolati"

Pesi
100%

I. Mkt. 8
80%
I. Mkt. 7
60% I. Mkt. 6
I. Mkt. 5
40% I. Mkt. 4
I. Mkt. 3
20%
I. Mkt. 2

0%
I. Mkt. 1
1 10 19 28 37 46 55 64 73 82 91 100
Portafogli

155
 Composizione dei portafogli "vincolati"
Pesi
100%

I. Mkt. 8
80%
I. Mkt. 7

60% I. Mkt. 6
I. Mkt. 5
40% I. Mkt. 4
I. Mkt. 3
20%
I. Mkt. 2
I. Mkt. 1
0%
1 10 19 28 37 46 55 64 73 82 91 100
Portafogli

Si noti che, coerentemente con quanto affermato in precedenza:

− la frontiera vincolata si colloca più in basso rispetto a quella non vincolata5;
− i portafogli constrained sono più diversificati rispetto ai portafogli
unconstrained.

Un limite significativo della metodologia è identificabile nella assenza di una

giustificazione teorica alla sua applicazione. Tuttavia, pur non potendo motivare
scientificamente il ricorso ai vincoli, non è arduo analizzare la ratio euristica sottostante
l’utilizzo di questa tecnica. A fronte di due posizioni estreme:
A. effettuare una ottimizzazione non vincolata (hi=0 e ki=1);
B. lanciare una ottimizzazione vincolata (con hi= ki =ci) che “degenera” verso una
soluzione naive;
l’asset manager, al ridursi della fiducia nelle stime, dovrebbe migrare dalla soluzione A
alla soluzione B, privilegiando così la diversificazione ai danni della efficienza ex-ante.
In termini analitici ciò si esplica attribuendo a hi valori sempre più elevati e a ki valori
sempre più bassi (con hi≤ ki).
Anche in ragione della impossibilità di seguire una logica rigorosa, l’imputazione

5
Si noti come la frontiera unconstrained sia decisamente più lunga rispetto alla frontiera vincolata. In
riferimento al fenomeno di truncation della frontiera in corrispondenza di valori inferiori di rischio, si
veda il paragrafo 4.3.

156
dei vincoli di peso presenta elevati margini di soggettività che contribuiscono ad
ampliarne la natura euristica. In un tale contesto, l’asset manager è chiamato ad
utilizzare i constraint in modo tale da riflettere il proprio modus operandi. Ciò implica
che la costruzione della constrained efficient frontier debba essere preceduta da una
attenta definizione delle logiche di attribuzione dei pesi. Il successivo paragrafo è
dedicato alla descrizione di un criterio di imputazione dei vincoli giudicato da chi scrive
particolarmente efficace. Tuttavia, collocandosi all’interno delle tecniche euristiche, il
criterio qui di seguito analizzato è anch’esso non motivabile teoricamente.

4.2.1 Vincoli infra-gruppo e scostamento dai portafogli neutrali

Il presupposto della logica di seguito descritta è il seguente: un asset manager che
non si fida delle proprie stime dovrebbe proporre portafogli la cui composizione sia
coerente con il peso che le asset class assumono sul mercato. Tali portafogli vengono
comunemente definiti market neutral. Questa affermazione dovrebbe incontrare il
favore di che legge; se infatti un analista lavorasse con stimatori totalmente
inattendibili, egli dovrebbe proporre dei portafogli che non incorporano scommesse; a
tal fine, il peso attribuito alle singole asset class dovrebbe semplicemente riflettere la
loro dimensione. A titolo di esempio, ipotizziamo che un asset manager voglia costruire
un portafoglio azionario, “pescando” dalle seguenti asset class:
− Azionario Europa;
− Azionario Nord America;
− Azionario Giappone;
− Azionario Pacifico ad esclusione del Giappone;
− Azionario Mercati Emergenti.
Qualora non disponga di stime affidabili, egli dovrebbe optare per un portafoglio
neutrale che rifletta le capitalizzazioni di borsa dei mercati:
⎡ wEuropa ⎤ ⎡31,2% ⎤
⎢w ⎥ ⎢ ⎥
⎢ Azionario Nord America ⎥ ⎢47,9%⎥
W Port = ⎢ wGiappone ⎥ = ⎢9% ⎥
⎢ ⎥ ⎢ ⎥
⎢ wPac. ex Giappone ⎥ ⎢3,8% ⎥
⎢ wEmerg. Market ⎥ ⎢8,1% ⎥
⎣ ⎦ ⎣ ⎦
Queste percentuali, fedeli ai market value, dovrebbero mutare solo qualora l’asset

157
manager ritenga le proprie stime attendibili. In altre parole, maggiore è la fiducia che
egli ripone nei confronti dei propri input, maggiore dovrebbe essere lo scostamento dal
portafoglio neutrale, in modo da concentrarsi sui mercati ipotizzati migliori.

La strategia descritta suggerisce, quindi, di impostare un meccanismo di

imputazione dei vincoli capace di alimentare degli scostamenti dal portafoglio neutrale
proporzionali al grado di fiducia nelle proprie stime. L’idea è la seguente: partendo dalle
proprie previsioni e dalla frontiera non vincolata, l’analista dovrà applicare dei vincoli
che, al ridursi della fiducia nei confronti degli input, facciano convergere i portafogli
verso una frontiera market neutral, composta da portafogli neutrali adatti a soddisfare le
esigenze di investitori con diversi gradi di tolleranza al rischio. Si è così legittimati a
discostarsi da una strategia passiva solo se la qualità delle previsioni lo giustifica.
Questo approccio appare senza dubbio coerente con l’operatività quotidiana delle
società di gestione, le quali identificano nella strategia market neutral un punto di
partenza (il baricentro della propria strategia) dal quale discostarsi sulla base delle view
prodotte.
Allo scopo di dare concretezza a questo approccio, occorre determinare i portafogli
neutrali corrispondenti a diversi livelli di avversione al rischio. Seguendo il Capital
Asset Pricing Model (CAPM) di Sharpe, Lintner e Mossin6, dato il market portfolio
(assimilabile ad un portafoglio la cui composizione replica fedelmente la dimensione di
tutti i mercati mondiali), l’investitore, combinando questo investimento con quello risk-
free, riuscirebbe ad ottenere portafogli (la cui combinazione attesa rischio-rendimento si
colloca su una retta denominata capital market line7) in grado di soddisfare diversi
livelli di tolleranza al rischio (Figura 4.4). Ciò implica che l’investitore fedele alla
perfetta efficienza informativa dei mercati e quindi consapevole della impossibilità di
utilizzare le proprie stime al fine di sovraperformare il mercato, dovrebbe limitarsi a
costruire i portafogli combinando il portafoglio di mercato e l’attività risk-free:
⎡ wRisk − free ⎤
(4.6) W =⎢ ⎥
⎣ wMarketPortfolio ⎦

6
Cfr. Sharpe (1964), Lintner (1965) e Mossin (1966).
7
Allo scopo di ignorare la possibilità di finanziamento al tasso risk-free, la capital market line viene
rappresentata come un segmento che ha per estremi le combinazioni rischio-rendimento dell’attività risk-
free e del portafoglio di mercato.

158
Figura 4.4: Il market portfolio e la Capital Market Line (CML)

E(R)

CML
MarketPortfolio

rf
σ

Tuttavia, per rendere operativa questa logica, occorre effettuare alcuni

cambiamenti. Il lettore avvezzo all’operatività sui mercati sa che non è frequente un uso
dell’attività risk-free nella modalità descritta nel CAPM. In altri termini, gli asset
manager, al fine di costruire un portafoglio coerente con il livello di tolleranza al rischio
degli investitori, non operano combinando il portafoglio di mercato e l’attività risk-free.
Ad esempio, in presenza di un orizzonte temporale annuale, non è prassi costruire
portafogli mixando il portafoglio di mercato e un BOT con scadenza annuale.
La prassi comune è piuttosto quella di utilizzare il mercato obbligazionario
domestico in combinazione con i restanti mercati, attribuendo al primo un peso
crescente all’aumentare dell’avversione al rischio dell’investitore. Nella Figura 4.5 si
propone una comparazione tra la logica di composizione dei portafogli neutrali proposta
dal CAPM e quella qui suggerita.

Figura 4.5: Confronto tra le due logiche di composizione dei portafogli neutrali

159
 Pesi 100% Pesi 100%

80% 80%

60% 60%

40% 40%

20% 20%

0% 0% Portafogli
Portafogli
Mercato Obbligazionario domestico
Portafoglio di Mercato Attività risk-free Portafoglio di Mercato (senza [Link] domestico)

La volontà di proporre una logica più attinente all’operatività dei mercati ci spinge
dunque ad identificare i portafogli neutrali nelle combinazioni tra il mercato
obbligazionario domestico - che funge da attività a basso rischio - ed il portafoglio di
mercato che residua dall’esclusione dell’obbligazionario domestico:
⎡ wObbligazionario Domestico ⎤
(4.7) W =⎢ ⎥
⎣ wMarket Portfolio residuale ⎦
Applichiamo questa metodologia, utilizzando i dati numerici proposti nel paragrafo
4.2. Si ipotizzi che un asset manager italiano voglia costruire portafogli combinando
più mercati; l’orizzonte temporale d’investimento è annuale. I mercati che egli
considera potenzialmente interessanti sono otto ed a ciascuno di essi viene associato un
indice di mercato (Tabella 4.1). Per quanto testé affermato, possiamo immaginare che le
asset class siano riconducibili a due distinti gruppi:
− obbligazionario domestico, composto da Monetario area Euro e Obbligazionario
area Euro;
− risky group, composto da Obbligazionario Internazionale, Azionario Europa,
Azionario Nord america, Azionario Giappone, Azionario Pacifico con esclusione
del Giappone e Azionario Paesi Emergenti.

L’asset manager è chiamato a combinare queste due componenti, tenendo

opportunamente conto del grado di fiducia che ripone nelle proprie aspettative.
Nell’ipotesi in cui egli non si fidi delle previsioni, tanto l’obbligazionario domestico,
quanto il risky group dovrebbero essere neutrali, cioè composti in modo da riflettere la
dimensione dei mercati. Ipotizziamo che le composizioni neutrali dei due gruppi siano
quelle riportate nella Tabella 4.4.
L’asset manager privo di aspettative affidabili, mantenendo costanti i pesi infra-

160
gruppo, otterrà una frontiera neutrale composta da portafogli caratterizzati da livelli di
rischio crescenti. Solo in presenza di stime affidabili, egli dovrà mutare i pesi infra-
gruppo, privilegiando le asset class con migliori aspettative.

Tabella 4.4: Le composizioni neutrali dei gruppi obbligazionario domestico e high

risk markets
Obbligazionario domestico
Monetario area Euro 12%
Obbligazionario area Euro 88%

Risky group
Obbligazionario Internazionale 15,0%
Azionario Europa 26,5%
Azionario Nord america 40,7%
Azionario Giappone 7,7%
Azionario Pacifico ex. Giappone 3,2%
Azionario Paesi emergenti 6,9%

Un modello di questo tipo può essere implementato attraverso il ricorso ad una

ottimizzazione vincolata. A tale scopo occorre però utilizzare una differente logica di
imputazione dei limiti di peso: anziché imporre dei vincoli assoluti che definiscono una
soglia massima o minima che il peso di una asset class può assumere nel portafoglio (è
la logica descritta nel paragrafo 4.2), occorre applicare vincoli di peso infra-gruppo che
definiscono una soglia massima o minima che il peso di una asset class può assumere
all’interno del gruppo di appartenenza. Ad esempio, il peso dell’Azionario Europa andrà
vincolato all’interno del risky group. In termini analitici, la programmazione quadratica
con vincoli infra-gruppo può essere espressa nel modo seguente:
Min σ Port
2
W

Con vincoli :
E ( R) Port = R *
n

(4.8) ∑w
i =1
i =1
wi
≥ hi con i = 1,..., n
WGruppo Appartenenza
wi
≤ k i con i = 1,..., n e hi ≤ k i
WGruppo Appartenenza

161
dove WGruppo Appartenenza identifica la somma dei pesi delle asse class appartenenti al
medesimo gruppo.
Date le stime riportate nella tabella 4.2, l’asset manager può costruire la frontiera
neutrale, applicando dei vincoli infra-gruppo nei quali i coefficienti hi e ki coincidono
perfettamente con i pesi neutrali che i mercati assumono nei gruppi obbligazionario
domestico e risky group (Tabella 4.4):
wMonetario Euro
12% ≤ ≤ 12%
WObbligazionario domestico
wObbligazionario Euro
88% ≤ ≤ 88%
WObbligazionario domestico
wObbligazionario Intenazionale
15% ≤ ≤ 15%
WRisky group
wAzionario Europa
26,5% ≤ ≤ 26,5%
WRisky group
wAzionario Nord America
40,7% ≤ ≤ 40,7%
WRisky group
wAzionario Giappone
7,7% ≤ ≤ 7,7%
WRisky group
wAzionario Pacifico ex Giappone
3,2% ≤ ≤ 3,2%
WRisky group
wAzionario Emerging Market
6,9% ≤ ≤ 6,9%
WRisky group

Figura 4.6: La frontiera neutrale e quella unconstrained

162
 25%
E(R) Frontiera Efficiente "non vincolata"
Frontiera neutrale con vincoli infra-gruppo
20%

15%

10%

5%

0%
0% 5% 10% 15% 20% 25% 30% 35% 40%
σ

La Figura 4.6 rappresenta le combinazioni rischio-rendimento che disegnano la

frontiera neutrale (comparata con quella unconstrained); nella Figura 4.3 vengono
esibite le composizioni dei (100) portafogli neutrali.

Figura 4.7: Composizione dei portafogli neutrali con vincoli infra-gruppo

Monetario Euro [Link] Euro [Link] Internazionale
[Link] Europa [Link] Nord America [Link] Giappone
[Link] Pacifico exGiappone [Link] Paesi Emergenti
100%
Pesi

80%

60%

40%

20%

0%
1 10 19 28 37 46 55 64 73 82 91 100
Portafogli

163
 Al crescere della deviazione standard dei portafogli:
− il peso del risky group aumenta progressivamente ai danni dell’obbligazionario
domestico;
− il peso che i singoli mercati assumono nel gruppo di appartenenza è coerente
con la composizione market neutral.
Questo comportamento è confermato dalla Tabella 4.5 nella quale si propone una
comparazione tra le composizioni di due portafogli – con deviazione standard pari al
5,79% e al 14,10% - calcolati applicando questa metodologia.
Coerentemente con quanto affermato sopra, l’asset manager dovrebbe discostarsi
da queste combinazioni neutrali in proporzione al grado di fiducia che ripone nelle
stime; nello specifico, al crescere della affidabilità egli dovrebbe:
− ridurre progressivamente il valore di hi;
− aumentare progressivamente il valore di ki.
Amplificando l’intervallo [hi; ki], l’ottimizzazione produrrà un aumento del peso
dei mercati che presentano stime migliori. Questo processo, portato al suo estremo (hi =
0 e ki = 1), converge verso la unconstrained frontier.
Ipotizziamo che un asset manager applichi i vincoli infra-gruppo riportati nella
Tabella 4.6.

Tabella 4.5: Confronto tra due portafogli neutrali ottenuti con il metodo dei
vincoli infra-gruppo

164
 Composizione del Portafoglio con σ=5,79% Composizione del Portafoglio con σ=14,10%
Asse Class Peso Asse Class Peso
Monetario Euro 9,0% Monetario Euro 2,9%
[Link] Euro 66,2% [Link] Euro 20,9%
[Link] Internazionale 3,7% [Link] Internazionale 11,4%
[Link] Europa 6,6% [Link] Europa 20,2%
[Link] Nord America 10,1% [Link] Nord America 31,0%
[Link] Giappone 1,9% [Link] Giappone 5,8%
[Link] Pacifico ex Giappone 0,8% [Link] Pacifico ex Giappone 2,5%
[Link] Paesi Emergenti 1,7% [Link] Paesi Emergenti 5,2%

Gruppi Peso Gruppi Peso

Obbligazionario domestico 75,2% Obbligazionario domestico 23,8%
Risky group 24,8% Risky group 76,2%
Obbligazionario domestico Peso infra-gr. Obbligazionario domestico Peso infra-gr.
Monetario Euro 12,0% Monetario Euro 12,0%
[Link] Euro 88,0% [Link] Euro 88,0%
Risky group Peso infra-gr. Risky group Peso infra-gr.
[Link] Internazionale 15,0% [Link] Internazionale 15,0%
[Link] Europa 26,5% [Link] Europa 26,5%
[Link] Nord America 40,7% [Link] Nord America 40,7%
[Link] Giappone 7,7% [Link] Giappone 7,7%
[Link] Pacifico ex Giappone 3,2% [Link] Pacifico ex Giappone 3,2%
[Link] Paesi Emergenti 6,9% [Link] Paesi Emergenti 6,9%

Tabella 4.6: I vincoli di peso infra-gruppo

Obbligazionario domestico Lower bound Peso infra-gr. neutrale Upper bound

Monetario Euro 5,0% 12,0% 35,0%
[Link] Euro 40,0% 88,0% 100,0%
Risky group Lower bound Peso infra-gr. neutrale Upper bound
[Link] Internazionale 5,0% 15,0% 25,0%
[Link] Europa 8,0% 26,5% 38,0%
[Link] Nord America 15,0% 40,7% 52,0%
[Link] Giappone 4,0% 7,7% 15,0%
[Link] Pacifico ex Giappone 1,5% 3,2% 8,0%
[Link] Paesi Emergenti 2,8% 6,9% 18,0%

Le Figure 4.8 e 4.9 permettono di apprezzare come tali soluzioni si collochino,

tanto per combinazione rischio-rendimento quanto per composizione, in una posizione
intermedia tra le soluzioni neutrali e quelle tradizionali unconstrained di Markowitz.

Figura 4.8: Le frontiere efficienti constrained, neutrale e unconstrained

165
 25%
E(R) Frontiera Efficiente "non vincolata"
Frontiera neutrale con vincoli infra-gruppo
Frontiera con vincoli infra-gruppo
20%

15%

10%

5%

0%
0% 5% 10% 15% 20% 25% 30% 35% 40%
σ

Pur non mancando le perplessità che accompagnano l’applicazione di questo

modello, prima fra tutte l’impossibilità di motivare scientificamente il valore attribuito
ai vincoli hi e ki, esso è chiaro ed efficace. Ad esempio, grazie alla possibilità di inserire
soggettivamente i limiti massimo e minimo dei pesi infra-gruppo, esso risolve il
problema della natura unreasonable delle soluzioni. Coerentemente con la sua natura
euristica, tale modello non ha una natura univoca e può quindi essere modificato (ad
esempio, utilizzando logiche diverse di definizione dei gruppi), in modo da aderire
perfettamente alle modalità operative dei singoli asset manager.

Figura 4.9: Composizione dei portafogli ottenuti con vincoli infra-gruppo

166
 Monetario Euro [Link] Euro
[Link] Internazionale [Link] Europa
[Link] Nord America [Link] Giappone
Azi rio Pacifico ex Giappone Azi rio Paesi Emergenti
100%
Pesi

80%

60%

40%

20%

0%
1 10 19 28 37 46 55 64 73 82 91 100
Portafogli

4.2.2 Efficient versus Constrained portfolio

Questo esperimento propone un confronto tra portafogli perfettamente coerenti con
il principio media-varianza e portafogli costruiti con la logica dei vincoli infragruppo.
Lo scopo è quello di dimostrare che:
- il ruolo della ottimizzazione vincolata è quello di restringere la variabilità delle
combinazioni rischio-rendimento conseguite ex-post;
- in presenza di stime erratiche, un portafoglio constrained ha buone probabilità di
dominare un portafoglio giudicato efficiente sulla base di stime campionarie incerte.
Ipotizziamo che un asset manager italiano voglia costruire un portafoglio
combinando 12 mercati, di cui 10 azionari:
− Monetario area Euro (M1);
− Obbligazionario Area Euro (M2);
− Azionario Mondo Energia (M3);
− Azionario Mondo Materiali (M4);
− Azionario Mondo Industriali (M5);
− Azionario Mondo Beni Voluttuari (M6);
− Azionario Mondo Beni di Prima Necessità (M7);

167
− Azionario Mondo Salute (M8);
− Azionario Mondo Finanza (M9);
− Azionario Mondo Information Technology (M10);
− Azionario Mondo Telecomunicazioni (M11);
− Azionario Mondo Pubblica Utilità (M12).

Tabella 4.7: I parametri true delle 12 asset class selezionate

Mercati Rendimenti Attesi Rischi Attesi
Monetario area Euro 3,83% 1,30%
Obbligazionario Area Euro 6,46% 4,94%
Azionario Mondo Energia 14,01% 20,90%
Azionario Mondo Materiali 7,79% 19,22%
Azionario Mondo Industriali 7,64% 20,20%
Azionario Beni Voluttuari 8,20% 22,32%
Azionario Mondo Beni di Prima Necessità 9,22% 17,08%
Azionario Mondo Salute 13,40% 24,87%
Azionario Mondo Finanza 9,56% 17,97%
Azionario Mondo Information Technology 17,71% 48,60%
Azionario Mondo Telecomunicazioni 8,11% 31,84%
Azionario Mondo Pubblica Utilità 8,22% 18,77%

ρ M. 1 M. 2 M. 3 M. 4 M. 5 M. 6 M. 7 M. 8 M. 9 M. 10 M. 11 M. 12
M. 1 1 0,64 -0,14 -0,48 -0,26 -0,14 0,33 0,44 -0,07 -0,02 0,00 -0,10
M. 2 0,64 1 -0,30 -0,69 -0,50 -0,49 0,22 0,31 -0,24 -0,38 -0,33 -0,02
M. 3 -0,14 -0,30 1 0,75 0,88 0,73 0,65 0,61 0,87 0,59 0,55 0,64
M. 4 -0,48 -0,69 0,75 1 0,89 0,80 0,09 0,06 0,61 0,69 0,56 0,29
M. 5 -0,26 -0,50 0,88 0,89 1 0,89 0,42 0,45 0,87 0,79 0,71 0,58
M. 6 -0,14 -0,49 0,73 0,80 0,89 1 0,36 0,38 0,72 0,94 0,92 0,37
M. 7 0,33 0,22 0,65 0,09 0,42 0,36 1 0,95 0,76 0,24 0,35 0,80
M. 8 0,44 0,31 0,61 0,06 0,45 0,38 0,95 1 0,78 0,32 0,39 0,78
M. 9 -0,07 -0,24 0,87 0,61 0,87 0,72 0,76 0,78 1 0,59 0,61 0,83
M. 10 -0,02 -0,38 0,59 0,69 0,79 0,94 0,24 0,32 0,59 1 0,93 0,21
M. 11 0,00 -0,33 0,55 0,56 0,71 0,92 0,35 0,39 0,61 0,93 1 0,33
M. 12 -0,10 -0,02 0,64 0,29 0,58 0,37 0,80 0,78 0,83 0,21 0,33 1

L’orizzonte temporale d’investimento è annuale e l’insieme dei parametri true

corrispondenti alle 12 asset class selezionate è quello riportato nella Tabella 4.7. L’asset
manager, tuttavia, non conosce questi parametri, e ricorre quindi alla classical rule,
estrapolando le stime da serie storiche campionarie.
Assumendo che i rendimenti degli asset siano variabili random stazionarie e
distribuite normalmente, il ricorso alla tecnica Monte Carlo permette di simulare dei
campioni di dati assimilabili alle serie storiche utilizzate applicando la classical rule.

168
Immaginando che l’asset manager disponga di un campione storico di 10 anni, la
tecnica Monte Carlo dovrà simulare delle serie di rendimenti annuali di ampiezza N=10.
Data la tolleranza al rischio dell’investitore, una prima soluzione consiste nel
costruire un portafoglio effettuando una ottimizzazione alla Markowitz. Una seconda
alternativa consta nell’identificazione di un portafoglio applicando una ottimizzazione
vincolata. L’obiettivo è quello di valutare in che misura un portafoglio creato in
coerenza con il principio media-varianza possa essere preferito ad un constrained
portfolio. A tale scopo viene implementato questo procedimento:
1. in base alle variabili di input true, si simula, per ciascuna asset class e mediante la
tecnica Monte Carlo, una serie di 10 rendimenti annuali;
2. utilizzando questo campione simulato, si calcola il set di input campionari [E(R)sim,
σsim e ρsim];
3. applicando i vincoli infragruppo riportati nella Tabella 4.8, si effettua una
ottimizzazione media-varianza e si seleziona il portafoglio a massimo rischio
( σ sim
*
);

4. dati i parametri [E(R)sim, σsim e ρsim], si provvede ad effettuare una ottimizzazione

unconstrained, che identifica il portafoglio efficiente caratterizzato da rischio atteso
pari a σ sim
*
;
5. note le composizioni dei due portafogli così identificati, è possibile determinare
quali sono le combinazioni [σtrue; E(R)true] che i due portafogli avrebbero conseguito
sulla base dei veri input;
6. l’intero processo viene ripetuto 1.000 volte.

Tabella 4.8: I vincoli di peso infra-gruppo

169
 Obbligazionario domestico Lower bound Peso infra-gr. neutrale Upper bound
Monetario Euro 5,0% 12,0% 35,0%
[Link] Euro 40,0% 88,0% 100,0%

Risky group Lower bound Peso infra-gr. neutrale Upper bound

Azionario Energia 5,7% 9,5% 13,2%
Azionario Materiali 3,7% 6,1% 8,5%
Azionario Industriali 6,2% 10,3% 14,4%
Azionario Beni Voluttuari 6,9% 11,5% 16,0%
Azionario Beni di Prima Necessità 4,8% 8,0% 11,2%
Azionario Salute 5,8% 9,7% 13,6%
Azionario Finanza 14,8% 24,7% 34,6%
Azionario Information Technology 7,0% 11,6% 16,3%
Azionario Telecomunicazioni 2,8% 4,7% 6,6%
Azionario Pubblica Utilità 2,4% 3,9% 5,5%

La Figura 4.10 offre una rappresentazione grafica delle combinazioni [σtrue;

E(R)true] dei portafogli vincolati e non, ottenuti mediante le 1.000 simulazioni. Gli
indicatori più scuri identificano le combinazioni rischio-rendimento dei portafogli
vincolati.
È significativo rilevare che, a causa della maggiore libertà di attribuzione dei pesi
alle asset class ( 0 ≤ wi ≤ 1 00%), i portafogli non vincolati presentano, sulla base delle

stime corrette, un livello di dispersione delle combinazioni [σtrue; E(R)true] decisamente

più ampio di quello dei portafogli vincolati. Infatti, allo scopo di soddisfare pienamente
il principio media-varianza, l’ottimizzazione non vincolata spinge verso soluzioni
estreme che, a causa dell’estimation error, possono rivelarsi decisamente peggiori di
quelle conseguite con l’applicazione dei vincoli infra-gruppo. Di contro, le
combinazioni rischio-rendimento dei constrained portfolio occupano - nello spazio
[σtrue; E(R)true] - un’area molto più ristretta, palesando così una maggiore capacità di
evitare che l’estimation error degli input si trasferisca ai portafogli. L’uso della
frontiera non vincolata ed il conseguente tentativo di produrre una frontiera ex-ante che
sia la più alta possibile hanno quindi un prezzo evidente: in virtù della presunta
infallibilità delle stime, si finisce con l’aumentare la probabilità che le combinazioni
rendimento-rischio true si disperdano nel piano, rischiando così di collocarsi in basso a
destra nella Figura 4.10. Queste conclusioni consolidano l’utilità di un modello
vincolato che permette di alleviare i pericoli che si nascondono dietro l’utilizzo di
parametri di input poco affidabili. Infatti, grazie a questa metodologia, l’asset manager

170
è in grado di associare alle combinazioni [σtrue; E(R)true] un livello di dispersione
proporzionale al grado di fiducia che ripone nei parametri di input. Nell’ipotesi estrema
di fiducia nulla, la composizione del portafoglio dovrebbe essere indipendente dalle
stime; a tale scopo sarebbe sufficiente attribuire agli upper e lower bound un valore
coincidente con i pesi neutrali infra-gruppo, dando così luogo ad una “nuvola” di
combinazioni [σtrue; E(R)true] che degenera in un punto.

Figura 4.10: Le Combinazioni [σtrue; E(R)true] dei portafogli constrained e

unconstrained

0.16

0.14

0.12
E(R)

0.1

0.08

0.06

0.04
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45
σ

4.3 La tecnica del ResamplingTM8

La metodologia qui in esame cerca di alleviare i problemi del modello classico di
Markowitz, ricorrendo a molteplici ottimizzazioni; la soluzione finale, denominata
frontiera ricampionata (resampled frontier), si ottiene effettuando una media degli
output di queste ottimizzazioni. In termini più specifici, il resamplingTM propone una
logica di maggiore diversificazione del portafoglio attraverso una “mediazione” della

8
Questa tecnica, proposta originariamente da Michaud (1998), è una procedura brevettata (US Patent n°
6.003.018 del Dicembre 1999).

171
composizione di più frontiere statisticamente equivalenti a quella originaria di
Markowitz. Gli effetti degli errori di stima sui portafogli ottimali vengono catturati
attraverso una procedura Monte Carlo.
Ipotizzando che gli input (il vettore R dei rendimenti attesi, il vettore S delle
deviazioni standard e la matrice C dei coefficienti di correlazione) necessari per
l’ottimizzazione siano stimati attraverso delle serie campionarie dei rendimenti di
ampiezza N, i portafogli ricampionati si ottengono applicando la procedura qui di
seguito riportata.
1. Sulla base delle variabili di input (R, S e C), si simula - mediante l’utilizzo della
tecnica Monte Carlo9 - una serie di N rendimenti per ciascuna asset class.
2. Date le serie simulate, si provvede al calcolo di un nuovo set di input (Rsim, Ssim e
Csim).
3. Gli input così ottenuti vengono utilizzati al fine di “lanciare” una nuova
ottimizzazione alla Markowitz, la quale restituisce un nuovo insieme di portafogli
efficienti10.
4. Sulla base della composizione di questi portafogli e degli input originari (R, S e C)
si costruisce una frontiera che è statisticamente equivalente a quella originaria;
questa frontiera rappresenta le combinazioni “rischio;rendimento” che i portafogli
componenti la frontiera statisticamente equivalente avrebbero conseguito in
presenza del set di input originario11.
5. La procedura viene ripetuta per H volte (normalmente tra 1000 e 3000 volte), in
modo da ottenere altrettante frontiere statisticamente equivalenti.
9
Al fine di semplificare la procedura è frequente ricorrere all’ipotesi di distribuzione gaussiana dei
rendimenti. In tutti gli esempi numerici di seguito proposti si farà l’assunzione di normalità.
10
Ipotizziamo che vengano calcolati 100 portafogli efficienti. I rendimenti target sono determinati in
modo da essere equamente distanziati tra loro:
⎡ E ( R )1 ⎤ ⎡ E ( R ) min ⎤
⎢M ⎥ ⎢M ⎥
⎢ ⎥ ⎢ E ( R ) − E ( R ) ⎥
R sim = ⎢ E ( R ) i ⎥ = ⎢ E ( R ) min + max min
(i − 1)⎥
⎢ ⎥ ⎢ 100 − 1 ⎥
⎢M ⎥ ⎢M ⎥
⎢ E ( R )100 ⎥ ⎢ E ( R ) ⎥
⎣ ⎦ ⎣ max ⎦
dove:
E(R)min= rendimento atteso del portafoglio a minimum variance;
E(R)max= rendimento atteso dell’asset class attesa più redditizia.
11
Le frontiere statisticamente equivalenti possono anche non essere coerenti con l’ipotesi di avversione al
rischio. Questo accade perché la composizione dei portafogli della frontiera statisticamente equivalente
viene determinata sulla base di un set di input diverso da quello poi utilizzato per la costruzione della
frontiera stessa.

172
6. I portafogli che compongono ciascuna frontiera simulata vengono ordinati in base al
loro rendimento atteso. La composizione media dei [Link] portafogli delle H
frontiere identifica la composizione del [Link] punto della frontiera ricampionata.
7. Replicando la fase 6 per tutti i punti componenti le frontiere, si ottiene la
composizione di tutti i portafogli della frontiera ricampionata.
8. Sulla base degli input originari e della composizione dei portafogli ricampionati, è
possibile determinare le combinazioni [σ;E(R)] dei portafogli componenti
quest’ultima.

Si propone un esempio numerico. Ipotizziamo che un asset manager voglia

costruire portafogli per un orizzonte temporale d’investimento annuale. L’insieme dei
parametri di input è riportato nella Tabella 4.9. Poiché le stime sono state estrapolate da
serie storiche campionarie composte da 12 rendimenti annuali relativi al periodo
01/01/1995 – 31/12/2006, allo scopo di stimare le frontiere statisticamente equivalenti
occorre simulare serie di rendimenti annuali di ampiezza N pari a 12.

Tabella 4.9: I parametri di input stimati con la classical rule.

Mercati Rendimenti Attesi Rischi Attesi
Monetario area Euro 3,83% 1,30%
Obbligazionario Area Euro 6,46% 4,94%
Azionario Mondo Energia 14,01% 20,90%
Azionario Mondo Materiali 7,79% 19,22%
Azionario Mondo Industriali 7,64% 20,20%
Azionario Beni Voluttuari 8,20% 22,32%
Azionario Mondo Beni di Prima Necessità 9,22% 17,08%
Azionario Mondo Salute 13,40% 24,87%
Azionario Mondo Finanza 9,56% 17,97%
Azionario Mondo Information Technology 17,71% 48,60%
Azionario Mondo Telecomunicazioni 8,11% 31,84%
Azionario Mondo Pubblica Utilità 8,22% 18,77%

173
 ρ M. 1 M. 2 M. 3 M. 4 M. 5 M. 6 M. 7 M. 8 M. 9 M. 10 M. 11 M. 12
M. 1 1 0,64 -0,14 -0,48 -0,26 -0,14 0,33 0,44 -0,07 -0,02 0,00 -0,10
M. 2 0,64 1 -0,30 -0,69 -0,50 -0,49 0,22 0,31 -0,24 -0,38 -0,33 -0,02
M. 3 -0,14 -0,30 1 0,75 0,88 0,73 0,65 0,61 0,87 0,59 0,55 0,64
M. 4 -0,48 -0,69 0,75 1 0,89 0,80 0,09 0,06 0,61 0,69 0,56 0,29
M. 5 -0,26 -0,50 0,88 0,89 1 0,89 0,42 0,45 0,87 0,79 0,71 0,58
M. 6 -0,14 -0,49 0,73 0,80 0,89 1 0,36 0,38 0,72 0,94 0,92 0,37
M. 7 0,33 0,22 0,65 0,09 0,42 0,36 1 0,95 0,76 0,24 0,35 0,80
M. 8 0,44 0,31 0,61 0,06 0,45 0,38 0,95 1 0,78 0,32 0,39 0,78
M. 9 -0,07 -0,24 0,87 0,61 0,87 0,72 0,76 0,78 1 0,59 0,61 0,83
M. 10 -0,02 -0,38 0,59 0,69 0,79 0,94 0,24 0,32 0,59 1 0,93 0,21
M. 11 0,00 -0,33 0,55 0,56 0,71 0,92 0,35 0,39 0,61 0,93 1 0,33
M. 12 -0,10 -0,02 0,64 0,29 0,58 0,37 0,80 0,78 0,83 0,21 0,33 1

La frontiera ricampionata viene calcolata stimando per ogni ottimizzazione 100

portafogli e reiterando un numero H di simulazioni Monte Carlo pari a 1.000. La Figura
4.11 mostra un confronto tra la frontiera efficiente alla Markowitz e la frontiera
ricampionata. Il compito di mostrare la differente composizione dei portafogli è affidato
alla Figura 4.12.

Figura 4.11: Confronto tra la frontiera efficiente e quella ricampionata

20%
E(R) 18%
16%

14%

12%

10%

8%

6%
Frontiera ricampionata
4%
Frontiera efficiente
2%

0%
0% 10% 20% 30% 40% 50%
σ

174
Figura 4.12: Composizione dei portafogli efficienti e ricampionati

Composizione dei portafogli efficienti M12

Pesi
M11
100%
M10

80% M9
M8
60%
M7

40% M6
M5
20%
M4

0% M3
1 10 19 28 37 46 55 64 73 82 91 100 M2
Portafogli
M1

Composizione dei portafogli ricampionati M12

M11
Pesi
100% M10

80%
M9
M8
60% M7
M6
40%
M5
20% M4
M3
0%
1 10 19 28 37 46 55 64 73 82 91 100 M2
Portafogli M1

L’evoluzione curvilinea dei pesi dei mercati è un elemento distintivo della tecnica
del ricampionamento, una sorta di “marchio di fabbrica”. Nei portafogli efficienti -
vincolati e non - i pesi evolvono invece linearmente, poiché i portafogli si ottengono
attraverso l’interpolazione lineare dei corner portfolio adiacenti12. É palese il maggior
grado di diversificazione delle soluzioni ricampionate rispetto a quelle efficienti. Inoltre,
la tecnica del resamplingTM, nel tentativo di restituire portafogli più ricchi, è in grado di

12
A tal proposito, si veda l’Appendice A.2.1.

175
discriminare tra le asset class, favorendo soprattutto la diversificazione di quelle più
rischiose. Questo fenomeno è da accogliere con favore, poiché il problema
dell’estimation error è riconducibile alla concentrazione nelle asset class ad alto
rischio; i mercati caratterizzati da minore volatilità possono invece assumere anche la
condizione di asset class dominanti, poiché il loro peso elevato non rappresenta un
concreto fattore di rischio.
É interessante approfondire il modo in cui il resamplingTM riesca ad assicurare un
diverso trattamento tra i mercati. Per le asset class caratterizzate da bassa deviazione
standard, le simulazioni Monte Carlo restituiscono delle misure simulate di rendimento
atteso e rischio simili a quelle di partenza; questo fa sì che tutte le frontiere
statisticamente equivalenti si caratterizzino, nella porzione più a sinistra, per la presenza
di portafogli la cui composizione è molto simile alla composizione della frontiera
efficiente originaria. Il processo del resamplingTM si preoccupa dunque di produrre un
“arricchimento” della composizione dei portafogli in riferimento alle asset class più
rischiose, alle quali è concretamente riconducibile l’esposizione dei portafogli all’errore
di stima.
Un altro elemento a favore del resamplingTM è identificabile nel fatto che esso
tende a favorire un’elevata diversificazione dei portafogli solo se quest’ultima non si
associa ad un’eccessiva riduzione del rendimento atteso. In tal senso la metodologia si
“autodisciplina”, alimentando un processo di diversificazione subordinatamente alla
necessità di conseguire l’obiettivo di massimizzazione del rendimento ex-post dei
portafogli13.
La metodologia del resamplingTM si caratterizza anche per un’altra proprietà: in

13
Si propone una spiegazione del modo in cui la metodologia del resamplingTM riesce ad
“autodisciplinarsi”. Si ipotizzi che alcune asset class dominino sensibilmente tutte le altre; in tal caso,
l’introduzione in portafoglio delle asset class trascurate dalla ottimizzazione di Markowitz
determinerebbe una sensibile riduzione del rendimento atteso. In una situazione di questo tipo, il metodo
Monte Carlo (soprattutto per valori elevati di N) restituirebbe nella maggior parte delle H simulazioni
complessive, degli input che ribadiscono la dominanza delle medesime asset class. In tal modo, la
maggioranza delle frontiere statisticamente equivalenti presenteranno dei portafogli dalla composizione
simile alla frontiera efficiente di partenza. Tale somiglianza produrrà poi portafogli ricampionati molto
simili a quelli efficienti. Si ipotizzi alternativamente che le asset class privilegiate dall’ottimizzazione alla
Markowitz non dominino sensibilmente le altre; in tal caso, l’introduzione in portafoglio delle asset class
trascurate dalla ottimizzazione non determinerebbe una sensibile riduzione del rendimento atteso. In una
situazione di questo tipo, il metodo Monte Carlo restituirebbe nelle H simulazioni complessive, degli
input che vedono ruotare le asset class considerate dominanti. In tal modo, le frontiere statisticamente
equivalenti presenteranno dei portafogli dalla composizione varia e spesso differente da quella della
frontiera efficiente di partenza. Questa disuguaglianza produrrà portafogli ricampionati dalla
composizione molto diversificata.

176
presenza di una frontiera efficiente che rappresentata su un sistema di assi [σ;E(R)] si
contraddistingue, in corrispondenza di valori elevati di σ, per una bassa inclinazione
positiva (è il caso della frontiera della Figura 4.11), il processo tende a restituire una
frontiera ricampionata “troncata”, ovvero contraddistinta da un livello massimo di
standard deviation sensibilmente inferiore al valore più alto raggiunto dalla
corrispondente frontiera efficiente. Questo comportamento è da accogliere
positivamente, in quanto il resamplingTM “riconosce” il basso contributo in termini di
incremento della redditività attesa riconducibile ai portafogli più rischiosi componenti la
frontiera efficiente e, conseguentemente, restituisce dei portafogli ricampionati che non
soffrono del medesimo limite. In altri termini, il resamplingTM, in presenza di portafogli
la cui efficienza è riconducibile a pochi basis point di redditività attesa, riconosce che
tali soluzioni presentano, a causa dell’estimation error, una elevata probabilità di essere
sub-ottimali. In ragione di ciò, tale tecnica preferisce troncare la frontiera, non avendo la
possibilità di associare all’incremento del rischio un aumento significativo della risk
adjusted performance.
Questo fenomeno tende a scomparire al crescere della pendenza della frontiera
efficiente. Se ad esempio riprendiamo i dati presenti nella Tabella 4.9, ed innalziamo il
rendimento atteso dell’Azionario Mondo Information Technology dal 17,71% al 23%,
lasciando inalterati i restanti input, la frontiera ricampionata raggiunge livelli di rischio
sensibilmente maggiori (Figura 4.13).
Pur a fronte di queste proprietà che rendono il resamplingTM attraente, non mancano
le critiche. Prendendo spunto da Scherer (2002, 2004) e Michaud e Michaud (2004)
passiamo in rassegna i pitfall più frequentemente associati alla metodologia in esame.
Scherer (2002) scrive: «Estimation error in the resampled frontier shows up only as
a shortening of the frontier, not as an increase in risk for every return level. Instead,
uncertainty about the mean causes a reduction in the maximum expected mean return,
which is not plausible». Il ragionamento dell’autore è, da un punto di vista teorico,
ineccepibile: la presenza di errori di stima dovrebbe contribuire ad accrescere
l’incertezza dei rendimenti futuri, senza però ridurne il valore atteso, come avviene
invece nel resampling (e nelle ottimizzazioni vincolate). La decisione di favorire una
riduzione del rendimento atteso non trova una giustificazione teorica ed appare quindi
non plausibile. Tuttavia, occorre rammentare che la tecnica chiamata in causa è di tipo

177
euristico e, in quanto tale, ricerca soluzioni empiricamente affidabili, non teoricamente
ineccepibili. Al più possiamo affermare che, in virtù di una non ben definita funzione di
preferenza che incorpora anche l’avversione per l’incertezza delle stime, il
resamplingTM rinuncia alla massimizzazione del rendimento atteso pur di alleviare il
problema dell’estimation error. Se si parte dal presupposto che il resamplingTM sia una
tecnica euristica, la critica mossa da Scherer appare sterile; essa è invece determinante
al fine di smorzare qualsiasi pretesa di fare del resamplingTM una metodologia di
ottimizzazione teoricamente rigorosa.

Figura 4.13: Confronto tra le frontiere efficiente e ricampionata

25%
E(R)

20%

15%

10%

Frontiera ricampionata
5%
Frontiera efficiente

0%
0% 10% 20% 30% 40% 50%
σ

Il resamplingTM si caratterizza per un’altra particolarità che è fonte di perplessità:

aumentando il rischio di una specifica asset class e lasciando inalterati i restanti
parametri, il peso di quest’ultima è destinato ad aumentare. Sul tema, si propone un
esempio numerico. Riprendendo i dati della Tabella 4.9 e mutando esclusivamente il
rischio dell’Azionario Mondo Pubblica Utilità che dal valore iniziale del 18,77% arriva
progressivamente sino al 50,77%, il peso che questo asset assume nel portafoglio
ricampionato con maximum variance passa dal valore iniziale dell’1,1% al 17,2%
(Figura 4.14).

178
Figura 4.14: La variazione del peso dell’Azionario Mondo Pubblica Utilità al
crescere del rischio del mercato (portafoglio ricampionato con
rischio massimo).
20%
Peso in portafoglio dell'Azionario

15%
Pubblica Utilità

10%

5%

0%
σ
0,17

0,23

0,29

0,35

0,41

0,47
Per un asset manager non è confortante sapere che l’incremento della deviazione
standard dei rendimenti del mercato, sintomo di un peggioramento della qualità, sia
recepito dal ricampionamento con un aumento del peso del mercato stesso. Urge una
spiegazione delle ragioni alla base di questo fenomeno contro-intuitivo. A causa
dell’incremento della volatilità attesa dei rendimenti, la probabilità che l’Azionario
Pubblica Utilità assuma rendimenti simulati altamente positivi o negativi è destinata ad
aumentare:
− nelle simulazioni ottimistiche la programmazione quadratica premierà l’Azionario
Pubblica Utilità attribuendogli pesi significativi all’interno dei portafogli
componenti le frontiere statisticamente equivalenti;
− nelle simulazioni pessimistiche la programmazione quadratica ignorerà l’asset in
questione che assumerà peso nullo.
In assenza di short selling, il maggior peso che tale mercato assume nelle proiezioni
positive non trova compensazione nei pesi negativi assunti nelle simulazioni sfavorevoli
e conseguentemente: «An increase in volatility will lead to an increase in the average
allocation. Hence, a worsening Sharpe ratio would be accompanied by an increase in
weight. [...] it arises directly from the averaging rule in combination with a long only

179
constraint, which creates an optionality for the allocation of the corresponding asset»
(Scherer, 2004)14.
Inoltre, la tecnica del ricampionamento tende a violare alcune delle regole
fondamentali della ottimizzazione media-varianza:
1. la frontiera ricampionata può assumere una forma convessa, cosicché combinazioni
lineari di due portafogli ricampionati possono collocarsi al di sopra della frontiera;
2. la frontiera ricampionata può avere una inclinazione negativa, negando così il
principio di avversione al rischio degli investitori.
Quest’ultimo fenomeno è riconducibile alla presenza di asset class caratterizzate da
basso rendimento atteso ed elevata volatilità. A titolo esemplificativo, se riprendiamo la
Tabella 4.9 e riduciamo il rendimento atteso dell’Azionario Information Technology
attribuendogli un valore pari al 7%, la frontiera ricampionata (calcolata replicando l’iter
precedentemente descritto) assume la forma riportata nella Figura 4.15. Si noti come la
frontiera non sia monotona crescente, caratterizzandosi per un critical point a partire dal
quale i portafogli ricampionati vedono aumentare il loro rischio e ridursi il loro
rendimento atteso. Michaud e Michaud (2003) suggeriscono di interrompere la frontiera
in corrispondenza del critical point, in ragione della sensibile riduzione dell’efficienza
out-of-sample che caratterizza i portafogli collocati oltre tale punto.
L’ultima e più significativa delle critiche mosse alla resampled efficiency è
riconducibile al fatto di basare l’intero processo su stime che possono essere biased, e
quindi divergere dai parametri true ignoti. In ragione di ciò, il processo di averaging dei
portafogli statisticamente equivalenti promosso dal ricampionamento non impedisce di
trasferire gli errori di stima ai resampled portfolio.
Tutti i fenomeni testé analizzati sono difficili da giustificare da un punto di vista
teorico; tuttavia essi non ledono oltre modo le potenzialità applicative di questa
metodologia, la cui efficacia va misurata out-of-sample, così da incorporare la capacità
del modello di difendersi dall’incertezza nelle stime. Si è pronti a scommettere che
ciascun investitore, anche il più razionale, sarebbe disposto a barattare il rigore
metodologico con una crescente capacità di difendersi dal fenomeno dell’estimation
error.

14
Questo limite è quindi destinato a sparire se applicato ad ottimizzazioni non soggette all’ipotesi di non
negatività dei pesi.

180
Figura 4.15: Frontiera ricampionata con inclinazione negativa.
12%
E(R) critical point
11%

10%

9%

8%

7%

6%

5%

4%

3%
σ
2%
0% 5% 10% 15% 20% 25%

Un limite puramente operativo della tecnica del resamplingTM è identificabile nella

possibile natura unreasonable dei portafogli. Infatti, pur assicurando la diversificazione,
tale metodologia non fa nessuna particolare assunzione circa la composizione dei
portafogli e ciò può favorire il manifestarsi di composizioni di portafoglio15 giudicate
inammissibili. I portafogli ricampionati non soffrono invece in modo sensibile del
fenomeno della instabilità della composizione al variare degli input: modifiche non
significative dei parametri non producono infatti grosse variazioni del peso in
portafoglio delle asset class. A conferma di quanto qui affermato, si ripropone la
sensitivity analysis già applicata nel paragrafo 3.4. Vengono utilizzati anche gli stessi
dati numerici, in modo da rendere comparabili i risultati ottenuti.
Un asset manager ha intenzione di costruire un portafoglio coerente con un
parametro di avversione al rischio pari a:
E ( R ) Port
=1
σ Port
Ipotizzando che il portfolio manager abbia selezionato le asset class della Tabella
3.7 e che le stime siano quelle della Tabella 3.13, il portafoglio viene stimato

15
Cfr. il paragrafo 3.3.

181
applicando il resamplingTM e selezionando la soluzione coerente con il parametro di risk
aversion. Si sono simulate serie di rendimenti di ampiezza 20 anni e si sono lanciate
500 simulazioni Monte Carlo16.
Il portafoglio ricampionato così ottenuto è il seguente:
⎡ w1 ⎤ ⎡ 1,0% ⎤
⎢ w ⎥ ⎢37,4%⎥
⎢ 2⎥ ⎢ ⎥
⎢ w3 ⎥ ⎢ 3,5% ⎥
⎢ ⎥ ⎢ ⎥
⎢ w4 ⎥ ⎢ 25,8% ⎥
⎢ w5 ⎥ ⎢ 1,3% ⎥
⎢ ⎥ ⎢ ⎥
⎢ w6 ⎥ ⎢ 8,5% ⎥
WOpt =⎢ ⎥=⎢
w 7,1% ⎥
⎢ 7⎥ ⎢ ⎥
⎢ w8 ⎥ ⎢ 7,9% ⎥
⎢w ⎥ ⎢ 0 ⎥
⎢ 9⎥ ⎢ ⎥
⎢ w10 ⎥ ⎢ 1,7% ⎥
⎢ ⎥ ⎢ ⎥
⎢ w11 ⎥ ⎢ 2,5% ⎥
⎢⎣ w12 ⎥⎦ ⎢⎣ 3,3% ⎥⎦

Allo scopo di valutare in che misura questa composizione sia sensibile ad una
variazione di E(R) e σ, l’asset manager è chiamato ad identificare degli intervalli di
variazione dei parametri che egli giudica insignificanti. La Tabella 3.14 mostra i valori
estremi, minimi e massimi, attribuiti rispettivamente ai rendimenti attesi ed alle
deviazioni standard.
La generazione di numeri casuali ε distribuiti in maniera uniforme e compresi tra 0
e 1, permette di estrapolare randomly dei valori simulati dei vettori dei rendimenti e dei
rischi. Tali parametri, insieme alla matrice delle correlazioni, vengono utilizzati come
input per lanciare un nuovo resamplingTM e successivamente identificare il nuovo
portafoglio con parametro di avversione al rischio pari a 1. Ripetendo questa procedura
100 volte otterremo altrettanti portafogli simulati, la cui composizione andrà confrontata
con la composizione del portafoglio ricampionato iniziale.
La Tabella 4.10 sintetizza i risultati numerici della sensitivity analysis17. La Figura
4.16 mostra la composizione dei 100 portafogli ricampionati simulati.

16
Poiché il test di sensitivity è particolarmente lungo (la procedura del ricampinatento è replicata per 100
volte), rispetto agli esempi precedenti il parametro N è stato ridotto da 1.000 a 500.
17
Per una descrizione delle misure riportate nella Tabella 4.10, si rimanda ancora al paragrafo 3.3.

182
Tabella 4.10: L’output della sensitivity analysis.
Max 75° Percentile Media σ
⏐wi-winiziale⏐ ⏐wi-winiziale⏐ ⏐wi-winiziale⏐ (wi-winiziale)
Monetario area Euro 0,9% 0,7% 0,5% 0,2%
Obbligazionario Area Euro 17,7% 9,8% 7,1% 5,2%
Azionario Mondo Energia 10,9% 2,7% 2,3% 3,2%
Azionario Mondo Materiali 17,1% 9,9% 6,1% 7,5%
Azionario Mondo Industriali 16,3% 1,3% 1,7% 3,0%
Azionario Beni Voluttuari 22,0% 7,3% 5,6% 6,8%
Azionario Mondo Beni di Prima Necessità 16,4% 5,0% 4,1% 5,4%
Azionario Mondo Salute 21,2% 7,4% 5,1% 6,1%
Azionario Mondo Finanza 2,9% 0,3% 0,3% 0,6%
Azionario Mondo Information Technology 7,6% 2,7% 1,8% 2,1%
Azionario Mondo Telecomunicazioni 7,8% 2,4% 1,8% 2,3%
Azionario Mondo Pubblica Utilità 6,2% 1,8% 1,3% 1,6%
Media delle Distanze Euclidee 0,1583

Figura 4.16: La composizione dei 100 portafogli ricampionati simulati.

Pesi
100%
I. Mkt.
80% 12
I. Mkt.
11
60% I. Mkt.
10
40% I. Mkt. 9

I. Mkt. 8
20%
I. Mkt. 7
0%
I. Mkt. 6
1 10 19 28 37 46 55 64 73 82 91 100
Portafogli

Il confronto tra le Tabelle 4.10 e 3.15 e tra le Figure 4.16 e 3.8 fuga qualsiasi
dubbio circa la maggiore instabilità dei portafogli efficienti rispetto a quelli
ricampionati.

4.3.1 La scelta dell’ampiezza N dei rendimenti simulati

Se i parametri di input vengono stimati utilizzando la classical rule, ovvero

183
estrapolandoli da un campione di rendimenti storici, la scelta del parametro N è
obbligata. Infatti, al fine di trasferire alle frontiere simulate la medesima incertezza
implicita nell’utilizzo del campione storico, occorre attribuire ad ogni serie simulata di
rendimenti la stessa dimensione del campione storico. Così, dato che negli esempi sin
qui sviluppati i parametri di input sono stati estrapolati da serie storiche di 12
rendimenti annuali, le frontiere ricampionate sono state calcolate simulando serie della
medesima dimensione18.
Tuttavia, gli input alla base della programmazione quadratica non sono stimati
ricorrendo necessariamente alla classical rule e, conseguentemente, non è sempre
possibile fissare oggettivamente il numero dei rendimenti da simulare. Se ad esempio i
rendimenti attesi, i rischi e le correlazioni venissero stimati ricorrendo a giudizi
soggettivi degli asset manager, mancando il supporto del campione storico, la scelta del
parametro N non sarebbe più obiettiva. Ancor prima di proporre una logica numerica in
grado di rendere meno arbitraria la scelta del valore da attribuire ad N, proponiamo un
esempio numerico che permette di apprezzare l’impatto che il valore di questo
parametro ha sulla composizione e sulle combinazioni [E(R);σ] dei portafogli
ricampionati. L’obiettivo è quello di dimostrare che il parametro N «is a natural way to
model investor uncertainty for Mean-Variance optimization» (Michaud e Michaud,
2003).

Tabella 4.11: I parametri di input.

18
La letteratura finanziaria ha inizialmente trascurato il problema concernente il valore da attribuire al
parametro. Michaud (1998) scrive: «Monte Carlo simulates 18 years of monthly returns». Questa
affermazione può indurre ad ipotizzare che il processo di resampling debba essere sviluppato ricorrendo a
serie simulate di 216 rendimenti mensili. Solo più tardi, il “padre” di questa metodologia chiarirà il suo
pensiero: «In Michaud (1998, Ch.6) each of the simulated MV efficient frontiers are computed from 216
simulated monthly returns. This is because the original historical return data consisted of eighteen years
of monthly returns» (Michaud e Michaud, 2003).

184
 Mercati Rendimenti Attesi Rischi Attesi
Asset 1 8,15% 17,10%
Asset 2 10,89% 13,64%
Asset 3 -3,71% 25,46%
Asset 4 4,76% 21,09%
Asset 5 8,80% 24,71%
Asset 6 6,10% 15,99%
Asset 7 10,77% 17,56%
Asset 8 4,63% 11,09%
Asset 9 5,24% 13,31%
Asset 10 7,61% 4,26%
Asset 11 2,32% 12,50%
Asset 12 2,98% 10,91%
Asset 13 6,52% 1,13%

ρ A.1 A.2 A.3 A.4 A.5 A.6 A.7 A.8 A.9 A.10 A.11 A.12 A.13
A.1 1 0,63 0,45 0,56 0,51 0,73 0,68 -0,12 -0,11 -0,15 0,24 0,23 0,05
A.2 0,63 1 0,38 0,59 0,55 0,63 0,55 -0,15 -0,07 -0,21 0,08 -0,15 0,19
A.3 0,45 0,38 1 0,39 0,38 0,50 0,44 -0,13 -0,03 -0,13 0,54 0,15 0,02
A.4 0,56 0,59 0,39 1 0,73 0,59 0,43 -0,18 -0,07 -0,24 0,21 -0,05 0,07
A.5 0,51 0,55 0,38 0,73 1 0,42 0,35 -0,33 -0,21 -0,20 0,05 -0,15 0,01
A.6 0,73 0,63 0,50 0,59 0,42 1 0,67 -0,11 -0,09 -0,15 0,34 0,24 0,16
A.7 0,68 0,55 0,44 0,43 0,35 0,67 1 -0,04 -0,07 -0,02 0,34 0,30 0,14
A.8 -0,12 -0,15 -0,13 -0,18 -0,33 -0,11 -0,04 1 0,53 0,35 0,04 0,21 0,19
A.9 -0,11 -0,07 -0,03 -0,07 -0,21 -0,09 -0,07 0,53 1 0,15 0,12 0,17 0,14
A.10 -0,15 -0,21 -0,13 -0,24 -0,20 -0,15 -0,02 0,35 0,15 1 -0,01 0,14 0,21
A.11 0,24 0,08 0,54 0,21 0,05 0,34 0,34 0,04 0,12 -0,01 1 0,49 0,07
A.12 0,23 -0,15 0,15 -0,05 -0,15 0,24 0,30 0,21 0,17 0,14 0,49 1 0,20
A.13 0,05 0,19 0,02 0,07 0,01 0,16 0,14 0,19 0,14 0,21 0,07 0,20 1

Utilizzando i parametri di input riportati nella Tabella 4.1119, sviluppiamo la logica

del resamplingTM (si replica il procedimento già svolto in precedenza, stimando per ogni
ottimizzazione 100 portafogli e reiterando un numero H di simulazioni Monte Carlo
pari a 1.000), attribuendo al parametro N valori pari a 10, 25, 50 e 100. La Figura 4.17
mostra un confronto tra la frontiera efficiente alla Markowitz e le frontiere
ricampionate. La Figura 4.18 ha il compito di mostrare la differente composizione dei
portafogli. Si noti che al crescere della dimensione di N, i portafogli ricampionati:
− tendono ad essere meno diversificati;
− assumono una composizione più simile ai portafogli efficienti alla Markowitz.
In pratica, all’aumentare di N, la frontiera ricampionata tende asintoticamente alla
frontiera efficiente. Mettendoci nei panni di un asset manager, possiamo apprezzare le
flessibilità di questa metodologia che si adatta alle condizioni dell’utilizzatore. Se

19
Ipotizziamo che tali parametri non siano estrapolati da un campione storico di rendimenti annuali.

185
l’asset manager è fiducioso nei confronti delle stime ed intende quindi privilegiare la
redditività attesa dei portafogli ricampionati ai danni del loro grado di diversificazione,
egli deve utilizzare un valore di N molto elevato. Al contrario, se in virtù di una forte
incertezza delle stime si desidera privilegiare il livello di diversificazione dei portafogli
ai danni della loro redditività, il valore di N dovrà essere ridotto.

Figura 4.17: Confronto tra la frontiera efficiente e le frontiere ricampionate

stimate attribuendo diversi valori al parametro N
13%
E(R) Frontiera efficiente
12% Frontiera ricampionata (N=10)
Frontiera ricampionata (N=25)
11% Frontiera ricampionata (N=50)
Frontiera ricampionata (N=100)
10%

9%

8%

7%

6%
0% 2% 4% 6% 8% 10% 12% 14%
σ

Figura 4.18: Composizione dei portafogli efficienti e di quelli ricampionati

Asset 13
Composizione dei portafogli efficienti
Asset 12
Pesi
1 Asset 11
0,9 Asset 10
0,8
Asset 9
0,7
0,6 Asset 8
0,5 Asset 7
0,4
Asset 6
0,3
0,2 Asset 5
0,1 Asset 4
0
Asset 3
1 8 15 22 29 36 43 50 57 64 71 78 85 92 99
Asset 2
Portafogli
Asset 1

186
 Composizione dei portafogli ricampionati Composizione dei portafogli ricampionati (N=50)
(N=100)
Pesi Pesi
1 1
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
0,4 0,4
0,3 0,3
0,2 0,2
0,1 0,1
0 0
1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97 1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97

Portafogli Portafogli

Composizione dei portafogli ricampionati (N=25) Composizione dei portafogli ricampionati (N=10)

Pesi Pesi
1 1
0,9 0,9
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
0,4 0,4
0,3 0,3
0,2 0,2
0,1 0,1
0 0
1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97 1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97

Portafogli Portafogli

In sintesi, utilizzando un valore di N basso, la frontiera ricampionata attribuisce

scarso valore agli input creando portafogli molto diversificati (la strategia tende a
“degenerare” verso una naive portfolio formation rule); viceversa, optando per un
valore di N alto, i portafogli ricampionati assumono una composizione molto simile a
quella della frontiera efficiente stimata ex-ante. Tuttavia, la predilezione per un
approccio prudente e la conseguente esigenza di non esporsi sensibilmente al problema
della distanza tra input attesi ed input effettivi dovrebbero sempre suggerire l’uso di
valori di N non eccessivamente elevati.
Pur senza l’ambizione di riconoscerle rigore metodologico, si propone una
metodologia che può essere applicata allo scopo di supportare l’asset manager nella
scelta del valore appropriato da attribuire al parametro N. Tale logica si basa sulle
proprietà delle medie campionarie. Dato un campione casuale estratto da una
distribuzione normale, la media campionaria ha anch’essa una distribuzione normale.
Più nello specifico, indicato con X il rendimento medio campionario di un campione
casuale composto da N* rendimenti estratti da una distribuzione normale con media

187
E(R) e deviazione standard σ, X ha anch’esso distribuzione normale con media E(R) e

deviazione standard σ N * 20.

Ipotizziamo che l’asset manager abbia stimato – per 13 asset class e senza l’ausilio
di un campione casuale di osservazioni – i parametri della tabella 4.11. Focalizzando
l’attenzione sul rendimento atteso, l’asset manager è chiamato a stimare, per ciascun
mercato, l’intorno [ α 1 ; α 2 ] di E(R) che ha una probabilità del 95% di contenere lo

stimatore X . Definita:
⎛ σ2 ⎞
(4.9) n⎜⎜ X ; E ( R); * ⎟⎟
⎝ N ⎠

la funzione di densità di probabilità gaussiana della variabile aleatoria X avente

rendimento atteso E(R) e deviazione standard σ 2 N * , possiamo scrivere21:
α2
⎛ σ2 ⎞
(4.10)
∫
α1
n⎜⎜ X ; E ( R); * ⎟⎟dX = 95%
⎝ N ⎠

La Tabella 4.12 riporta i valori estremi α1 e α2 selezionati dall’asset manager.

Coeteris paribus, maggiore è la distanza tra i lower e upper bound, più elevata è
l’incertezza relativa al valore del rendimento atteso del singolo mercato.

Tabella 4.12: I lower e upper bound dello stimatore X (intervallo di confidenza del
95%).

20
Per dimostrare ciò è frequente ricorrere al metodo della funzione generatrice dei momenti. Si veda
Mood, Graybill e Boes (1997).
21
Alternativamente, possiamo scrivere:
Pr(α 1 ≤ X ≤ α 2 ) = 95% .
Questo calcolo andrebbe sviluppato utilizzando le variabili di input true, ma in assenza di queste si opta
per le stime biased. Questa semplificazione ha la stessa natura di quella alimentata nel processo di
resamplingTM quando si sviluppano le simulazioni Monte Carlo sulla base delle stime incerte.

188
 Assel Class Lower bound Rendimenti Attesi Upper bound
Asset 1 2,00% 8,15% 14,00%
Asset 2 3,00% 10,89% 15,00%
Asset 3 -12,00% -3,71% 7,00%
Asset 4 -1,00% 4,76% 8,00%
Asset 5 2,00% 8,80% 13,00%
Asset 6 1,00% 6,10% 10,00%
Asset 7 3,00% 10,77% 15,00%
Asset 8 -1,00% 4,63% 8,20%
Asset 9 1,00% 5,24% 9,00%
Asset 10 3,80% 7,61% 9,00%
Asset 11 -2,20% 2,32% 6,00%
Asset 12 -3,00% 2,98% 7,00%
Asset 13 5,00% 6,52% 7,00%

Date le proprietà della distribuzione normale è possibile impostare una

ottimizzazione matematica che restituisca (per ogni mercato) il valore di N* tale per cui
la probabilità che X sia compreso nell’intorno stimato risulti pari al 95%. In termini
analitici l’ottimizzazione da risolvere è la seguente:

⎧α 2 ⎫
⎪ ⎛⎜ σ 2 ⎞⎟ ⎪
(4.11) Min
N* ∫
⎨ n⎜ X ; E ( R); * ⎟dX ⎬ − 95%
⎪⎩α1 ⎝ N ⎠ ⎪
⎭
La Tabella 4.13 mostra i valori di N* così calcolati; il valore medio approssimato
all’intero più vicino - nell’esempio numerico pari a 44 – identifica la dimensione da
attribuire al parametro N*, in modo da trasferire alle frontiere statisticamente equivalenti
la medesima incertezza espressa dagli asset manager attraverso la stima dei range
[ α 1 ; α 2 ] dei rendimenti attesi. Ad intervalli delle stime più ampi (ovvero in presenza di
stime più incerte e quindi meno affidabili) vengono associati valori N* minori che
alimentano un processo di resamplingTM in grado di favorire una maggiore
diversificazione (cfr. Figura 4.17) ai danni della redditività attesa dei portafogli.

Tabella 4.13: I valori N* per le singole asset class ed il corrispondente valore medio

189
 Assel Class N*
Asset 1 31,26
Asset 2 30,08
Asset 3 29,42
Asset 4 116,62
Asset 5 97,33
Asset 6 52,08
Asset 7 47,27
Asset 8 27,35
Asset 9 43,16
Asset 10 25,49
Asset 11 37,17
Asset 12 21,32
Asset 13 15,18
Valore medio di N* 44,13

In assenza di stime campionarie in grado di dare obiettività alla dimensione del

parametro N, la tecnica appena descritta può rappresentare un valido punto di partenza
al fine di identificare l’ampiezza delle serie simulate in grado di riflettere l’incertezza
delle stime dei rendimenti attesi. Il lettore attento potrà obiettare che la dimensione del
parametro N dovrebbe dipendere anche dall’incertezza di σ e ρ. Ciò nonostante, la
decisione di semplificare l’approccio focalizzandosi sul solo rendimento atteso non è
priva di fondamento; infatti, come si avrà modo di sottolineare nel prossimo capitolo, è
piuttosto usuale sviluppare modelli che contemplano l’incertezza della sola variabile
rendimento atteso e trattano le restanti variabili come true. Tale modus operandi è
giustificato dal fatto che le stime dei rendimenti attesi sono soggette ad un grado di
incertezza maggiore delle misure di rischio e correlazione; a tal proposito Black (1993)
afferma: «Explaining variance is easy. We can use daily data to estimate covariances
[...] Estimating expected return is hard. Daily data hardly help at all». A costo di essere
ripetitivi si sottolinea che la logica testé descritta non ha alcuna aspirazione di essere
metodologicamente rigorosa.

TM
4.3.2 Resampling versus Efficient portfolio
Lo scopo di questo paragrafo, che chiude il capitolo dedicato alle tecniche
euristiche, è quello di valutare, con l’ausilio di un test di simulazione, se i portafogli
ricampionati presentino una migliore performance out-of-sample rispetto ai portafogli

190
alla Markowitz.
Ipotizziamo che un asset manager, con orizzonte temporale annuale, abbia
selezionato 12 asset class e che i parametri di input true siano quelli riportati nella
Tabella 4.14.

Tabella 4.14: I parametri true delle 12 asset class selezionate

Mercati Rendimenti Attesi Rischi Attesi
Monetario area Euro 3,83% 1,30%
Obbligazionario Area Euro 6,46% 4,94%
Azionario Mondo Energia 14,01% 20,90%
Azionario Mondo Materiali 7,79% 19,22%
Azionario Mondo Industriali 7,64% 20,20%
Azionario Beni Voluttuari 8,20% 22,32%
Azionario Mondo Beni di Prima Necessità 9,22% 17,08%
Azionario Mondo Salute 13,40% 24,87%
Azionario Mondo Finanza 9,56% 17,97%
Azionario Mondo Information Technology 17,71% 48,60%
Azionario Mondo Telecomunicazioni 8,11% 31,84%
Azionario Mondo Pubblica Utilità 8,22% 18,77%

ρ M. 1 M. 2 M. 3 M. 4 M. 5 M. 6 M. 7 M. 8 M. 9 M. 10 M. 11 M. 12
M. 1 1 0,64 -0,14 -0,48 -0,26 -0,14 0,33 0,44 -0,07 -0,02 0,00 -0,10
M. 2 0,64 1 -0,30 -0,69 -0,50 -0,49 0,22 0,31 -0,24 -0,38 -0,33 -0,02
M. 3 -0,14 -0,30 1 0,75 0,88 0,73 0,65 0,61 0,87 0,59 0,55 0,64
M. 4 -0,48 -0,69 0,75 1 0,89 0,80 0,09 0,06 0,61 0,69 0,56 0,29
M. 5 -0,26 -0,50 0,88 0,89 1 0,89 0,42 0,45 0,87 0,79 0,71 0,58
M. 6 -0,14 -0,49 0,73 0,80 0,89 1 0,36 0,38 0,72 0,94 0,92 0,37
M. 7 0,33 0,22 0,65 0,09 0,42 0,36 1 0,95 0,76 0,24 0,35 0,80
M. 8 0,44 0,31 0,61 0,06 0,45 0,38 0,95 1 0,78 0,32 0,39 0,78
M. 9 -0,07 -0,24 0,87 0,61 0,87 0,72 0,76 0,78 1 0,59 0,61 0,83
M. 10 -0,02 -0,38 0,59 0,69 0,79 0,94 0,24 0,32 0,59 1 0,93 0,21
M. 11 0,00 -0,33 0,55 0,56 0,71 0,92 0,35 0,39 0,61 0,93 1 0,33
M. 12 -0,10 -0,02 0,64 0,29 0,58 0,37 0,80 0,78 0,83 0,21 0,33 1

Poiché l’asset manager non dispone delle stime corrette, si ipotizza che egli
estragga i parametri necessari per l’ottimizzazione da serie campionarie di rendimenti
annuali di lunghezza pari ad 8 anni. Allo scopo di imitare questo comportamento,
ricorriamo alla tecnica Monte Carlo che, sulla base degli input della Tabella 4.14,
permette di simulare serie di rendimenti di ampiezza N=8, dalle quali estrapolare gli
input simulati. Nello specifico, sviluppiamo 50 simulazioni Monte Carlo le quali

restituiscono altrettanti set di input [E(R) i , σ ij

Sim Sim
] utilizzati per stimare la

composizione di 50 frontiere efficienti. La Figura 4.19 mostra le combinazioni rischio-

191
rendimento dei portafogli efficienti calcolate sulla base dei parametri corretti. Non tutte
le frontiere risultano essere coerenti con il principio media varianza; ciò accade perchè
tali portafogli sono raffigurati utilizzando parametri di rendimento, rischio e
correlazione diversi da quelli utilizzati per la loro stima. Chiaramente, tutte le frontiere
simulate sono dominate dalla frontiera true calcolata sulla base degli input corretti; in
alcuni casi l’errore nelle stime è così elevato da produrre delle combinazioni rischio-
rendimento sensibilmente peggiori di quelle massime conseguibili in assenza di errori.
Questa differenza in termini di rischio e redditività è riconducibile al fatto che i dati
simulati spingono verso portafogli composti da asset class che verrebbero ignorate se si
disponesse delle stime esatte22.

Figura 4.19: Le combinazioni rischio-rendimento true delle 50 frontiere efficienti

calcolate sulla base degli input simulati

0.18

0.16

0.14

0.12
E(R) true

0.1
Frontiera true
0.08 Frontiere efficienti simulate

0.06

0.04

0.02
0 0.1 0.2 0.3 0.4 0.5
σ true

22
Si può affermare che a causa dell’estimation error vi è una elevata distanza euclidea tra i portafogli
efficienti true e quelli simulati.

192
 A questo punto associamo a ciascuna delle 50 frontiere efficienti simulate una
corrispondente frontiera ricampionata. A tal fine occorre reiterare per 50 volte la tecnica
del resamplingTM descritta all’inizio del paragrafo 4.3, partendo dai 50 set di input

[E(R) i , σ ij
Sim Sim
] già utilizzati per la stima delle frontiere efficienti simulate. Più nello
specifico, in ogni ricampionamento si sono simulate serie di rendimenti di ampiezza 8
anni e si sono lanciate 500 simulazioni Monte Carlo23. La Figura 4.20 mostra le
combinazioni rischio-rendimento dei portafogli ricampionati calcolate sulla base dei
parametri esatti. Il confronto tra le Figure 4.19 e 4.20 permette di apprezzare come i
portafogli ricampionati presentino, rispetto ai portafogli efficienti, una minore
dispersione delle combinazioni rischio-rendimento true. Questo accadimento (proprio
anche delle frontiere vincolate) denota la maggiore capacita del resamplingTM di
produrre soluzioni meno soggette al problema dell’estimation error: grazie alla minore
differenza di composizione tra portafogli efficienti true e portafogli ricampionati, questi
ultimi, se valutati sulla base dei parametri corretti, mostrano la tendenza a mantenere
buone combinazioni rischio-rendimento. Si noti, ad esempio, come i portafogli efficienti
simulati mostrino una maggiore attitudine a collocarsi più in basso e a destra, popolando
così un’area di elevata inefficienza.

Figura 4.20: Le combinazioni rischio-rendimento true delle 50 frontiere

ricampionate calcolate sulla base degli input simulati

23
Dovendo reiterare 50 processi di resamplingTM si è deciso di ridurre il parametro N da 1.000 a 500.

193
 0.18

0.16

0.14

0.12
E(R) true

0.1
Frontiera true
0.08 Frontiere ricampionate simulate

0.06

0.04

0.02
0 0.1 0.2 0.3 0.4 0.5
σ true

Allo scopo di giungere ad una valutazione sintetica della differente performance out-of-
sample dei portafogli, si calcola la media dei rendimenti e dei rischi delle 50 frontiere
efficienti e delle 50 ricampionate. La Figura 4.21 mostra che, in media, i resampled
portfolio tendono a performare meglio di quelli efficienti simulati, e conferma così i
pericoli che si celano dietro la scelta di costruire portafogli ignorando il problema della
qualità delle stime: «Uncertainty about parameter values leads to suboptimal portfolio
choices» (Jorion, 1986).

Figura 4.21: Le combinazioni rischio-rendimento media delle frontiere efficienti e

ricampionate

194
 E(R) true
14,0%

11,5%

9,0%

Frontiera efficiente simulata media

6,5%
Frontiera ricampionata simulata media

4,0%
0,0% 10,0% 20,0% 30,0% 40,0%
σ true

L’analisi dei modelli euristici termina qui. Il compito del prossimo e conclusivo capitolo
sarà quello di dimostrare che le problematiche che accompagnano l’applicazione pratica
del modello di Markowitz possono essere fronteggiate ricorrendo anche a tecniche
bayesiane.

195
 INDICE CAPITOLO 5

CAPITOLO 5: ASSET ALLOCATION BAYESIANA ....................................................................................... 197

5.1 Introduzione ..........................................................................197
5.2 Gli stimatori bayesiani............................................................................................................. 200
5.3 Gli shrinkage estimator............................................................................................................. 206
5.3.1 Dalla teoria alla pratica ................................................................................................211
5.3.2 Shrinkaged versus sampled portafoglio.......................................................................226
5.3.3 Una riflessione finale...................................................................................................231
5.4 Il modello di Black e Litterman .............................................................................................. 232
5.4.1 Le analytics del modello ..............................................................................................238
5.4.2 Applicazione pratica ....................................................................................................250
5.5 Combinare modelli euristici e bayesiani ................................................................................ 271
 CAPITOLO 5: ASSET ALLOCATION BAYESIANA

«The rational investor is a bayesian».

(H. M. Markowitz)

5.1 Introduzione
Nei capitoli precedenti si è più volte evidenziata la capacità dell’estimation error di
impoverire le proprietà dei portafogli efficienti. Markowitz (1952) era perfettamente
consapevole della necessità di accrescere la qualità delle stime («One suggestion as to
tentative µi, σij is to use the observed µi, σij for some period of the past. I believe that
better methods, which take into account more information, can be found»). Tuttavia
egli, focalizzandosi sulla fase di ottimizzazione, definisce il problema delle stime
“another story”, lasciando così ad altri studiosi il compito di affrontarlo.
L’appello di Markowitz ha sortito effetti insperati, alimentando un copiosissimo
filone di studi alla ricerca di stimatori più affidabili da utilizzare nella ottimizzazione
media-varianza. Il compito di questo capitolo è passare in rassegna le soluzioni che,
agendo direttamente sui parametri di input, permettono di alleviare molti dei pitfall dei
portafogli alla Markowitz.
Data l’impossibilità di conoscere con certezza la distribuzione dei rendimenti delle
asset class, è prassi frequente ricorrere alla classical rule, rimpiazzando così i parametri
true con stimatori estratti da campioni storici. Tuttavia, l’asset manager razionale non è
neutrale al problema dell’incertezza ed è quindi chiamato ad identificare stimatori che
risentono meno del problema dell’estimation error. É significativo rilevare che il
problema della qualità degli input non è uniformemente distribuito tra i parametri E(R),
σ e ρ, poiché il deterioramento della performance out-of-sample dei portafogli efficienti
è dovuto prevalentemente alla qualità delle stime del rendimento atteso. A tal proposito,
Jorion (1985) scrive: «Uncertainty in variances and covariances is not as critical

197
because they are more precisely estimated». In linea con questa prospettiva
focalizzeremo la nostra attenzione prevalentemente sulla variabile E(R).
Allo scopo di fugare qualsiasi dubbio circa le scarse capacità previsionali delle
medie campionarie, seguiamo la metodologia proposta da Jorion (1985)1.
Dato il [Link] mercato, definiamo:
− rk , t = il rendimento mensile che il mercato consegue al tempo t;

− rk , t −1 = la media mobile campionaria degli ultimi n rendimenti mensili della finestra

temporale (t-n; t-1).

Regredendo (con il metodo OLS) rk , t rispetto a rk , t −1 si testa la capacità delle

medie campionarie di spiegare il rendimento futuro del mercato2:

(5.1) rk , t = β k ⋅ rk , t −1 + ε k , t −1
Qualora la media campionaria palesasse eccellenti doti previsionali, il coefficiente
β dovrebbe assumere un valore prossimo all’unità e l’R2 della regressione dovrebbe
essere prossimo a 1.
Passando all’esempio numerico, gli indici di mercato analizzati sono i seguenti:
− MSCI Europe - Gross Index;
− MSCI North America - Gross Index;
− MSCI Japan - Gross Index;
− MSCI Pacific free ex Japan - Gross Index;
− MSCI EM (Emerging Markets) - Gross Index.
I rendimenti (espressi in euro) utilizzati nell’analisi sono relativi al periodo gennaio
1988 – dicembre 2006; la finestra temporale utilizzata per la stima della media
campionaria è di 12 rendimenti mensili. La Tabella 5.1 mostra i risultati delle
regressioni.
A conferma della necessità di trovare soluzioni alternative alla classical rule, i
valori di R2 confermano lo scarso potere previsionale delle medie campionarie; i
coefficienti beta appaiono significativamente distanti dal valore unitario.

1
Questo procedimento è a sua volta tratto da Fama (1976b).
2
Si assume che la retta di regressione lineare abbia intercetta nulla. Ecco come Jorion (1995) giustifica
questa scelta: «If the intercept is eliminated, however, I hope that the level of returns –rather than
variations – will be explained by past averages. In addition, with slowly varying expected returns, the
moving average should capture some of the non-stationarity in the series».

198
Tabella 5.1: Analisi della capacità previsiva delle medie campionarie

βk Intervallo di Durbin-
Stat t R2
(Standard Error) confidenza (95%) di β k Watson
0,532
MSCI Europe 0,20 0,87 3,128 0,044 1,853
(0,170)
0,492
MSCI North America 0,14 0,84 2,792 0,035 1,917
(0,176)
0,138
MSCI Japan -0,24 0,52 0,718 0,002 1,827
(0,192)
0,224
MSCI Pacific Free ex Japan -0,18 0,63 1,083 0,005 1,906
(0,206)
0,332
MSCI Emerging Market -0,04 0,71 1,740 0,014 1,581
(0,191)

In generale, è possibile identificare due soluzioni utili per migliorare l’efficacia

delle stime campionarie nelle ottimizzazioni di portafoglio:
− modelli fattoriali;
− stimatori bayesiani.
L’utilizzo dei modelli fattoriali è appena accennato3, mentre ci si focalizzerà
sull’implementazione delle logiche bayesiane.

Allo scopo di ridurre l’errore statistico delle stime campionarie è possibile ricorrere
ad una struttura fattoriale in grado di ridurre i free parameter della matrice delle
covarianze4. Tale soluzione è stata originariamente proposta da Sharpe che, nel suo
lavoro del 1963, suggerisce di utilizzare nelle ottimizzazioni media-varianza la matrice
delle covarianze5 implicita in un modello di mercato unifattoriale, il cui common factor

3
La scelta di non effettuare un approfondimento dei modelli fattoriali ha come sua unica giustificazione
la valenza non enciclopedica del lavoro: l’obiettivo non è quello di analizzare la totalità delle tecniche
implementabili per scopi di asset allocation, ma piuttosto quella di approfondire le soluzioni che, per
ampiezza di utilizzo, recente creazione o interesse di chi scrive, sono reputate meritevoli di
approfondimento.
4
Sulla capacità dei modelli fattoriali di migliorare la performance delle stime campionarie, si veda Chan,
Karcerski e Lakonishok (1999).
5
Definiti:
− B = il vettore colonna che accoglie i coefficienti β delle N asset class;
− COVε = la matrice delle covarianze dei residui (si ipotizza che questi ultimi siano non correlati,
conseguentemente i valori di COVε esterni alla diagonale principale assumono tutti valore nullo);
− σ 2 = la varianza del portafoglio di mercato;
mkt
la matrice delle covarianze implicita nel modello è così calcolata:

199
esplicito è rappresentato dal rendimento del portafoglio di mercato (rmkt):
(5.2) ri = α i + β i ⋅ rmkt + ε i
Il pericolo che si nasconde dietro questo approccio è ben espresso da Brandt
(1995): «A single factor may not capture all of the covariations among assets, leading
not only to a biased but potentially systematically biased estimate of the return
covariance matrix». Il passaggio ad un modello multifattoriale si accompagna però alla
difficoltà nella selezione dei fattori6.

5.2 Gli stimatori bayesiani

L’approccio bayesiano alla selezione di portafoglio affonda le proprie radici nei
lavori di Zellner e Chetty (1965), Mao e Sarndal (1966), Kalymon (1971), Barry (1974),
Barry e Winkler (1975, 1976), Klein e Bawa (1976, 1977), Brown (1978), Bawa, Brown
and Klein (1979). Questo filone letterario trae origine dai limiti che contraddistinguono
la classical rule e dal conseguente tentativo di sviluppare un nuovo framework in grado
di porre parziale rimedio al problema dell’estimation error.
Nelle pagine precedenti si è più volte sottolineato come l’utilizzo della classical
rule esasperi il problema della efficienza out-of-sample dei portafogli, amplificando cosi
le perplessità di un approccio che si limita ad estrapolare le stime dei parametri
ricorrendo alle sole informazioni disponibili in un campione storico di rendimenti. Una
soluzione utile allo scopo di mitigare questo problema consiste nell’ampliare il set
informativo dal quale estrapolare gli input dell’ottimizzazione. Più nello specifico, alle
informazioni campionarie andrebbero affiancate altre informazioni (definite prior
information o più semplicemente prior) che possono trarre origine dall’esperienza e
dalle competenze degli asset manager7. La statistica bayesiana, che ha tra i suoi tratti
distintivi proprio la capacità di combinare informazioni campionarie e prior
information, offre così un vantaggio operativo di non poco conto: gli stimatori finali

2
Σ = σ mkt ⋅ B ⋅ B T + COVε
6
Sulla scelta dei common factor, si vedano Merton (1973), Chen, Roll e Ross (1986), Connor e
Korajczyk (1988), Fama e French (1993).
7
Si fa notare che questo utilizzo dell’approccio bayesiano nella costruzione di portafoglio, descritto con
precisione analitica solo negli anni ’70, era già presente in nuce nel pensiero di Markowitz (1952): «My
feeling is that the statistical computation should be used to arrive at a tentative set of µi e σi,j. Judgment
should then be used in increasing or decreasing some of this µi e σi,j. on the basis of factors or nuances
not taken into account by the formal computations».

200
possono essere influenzati direttamente dalle view (o opinioni) di mercato degli asset
manager8, favorendo così la costruzione di input (e conseguentemente di portafogli) più
coerenti con la aspettative degli asset manager.
Per apprezzare al meglio il contributo offerto dalla statistica bayesiana nella
portfolio construction, si analizzano le differenze esistenti tra stimatori classici e
stimatori bayesiani9.

Nell’approccio statistico tradizionale, uno stimatore non è altro che una funzione
che processa una serie storica di osservazioni passate, restituendo così un valore
puntuale θˆ che si ci auspica prossimo al vero parametro θ true ignoto. Così, data una
serie di 20 rendimenti annuali, lo stimatore classico della media campionaria è dato da:
1 20
(5.3) µˆ = ∑ ri
20 i =1
Il processo di stima basato sulla statistica bayesiana differisce da quello testé
descritto tanto per la natura degli input processati, quanto per l’output prodotto.
In primo luogo, l’approccio bayesiano non restituisce stime puntuali, bensì una
variabile aleatoria θ , ovvero una funzione di densità di probabilità (definita
normalmente posterior density) del parametro ricercato. La Figura 5.1 offre una
rappresentazione grafica del difforme risultato conseguito dal processo di stima classica
e bayesiana.

Figura 5.1: Stima bayesiana versus stima classica

8
Questo tema verrà ripreso ed approfondito nel paragrafo 5.4, dedicato al modello di Black-Litterman.
9
L’analisi è tratta da Meucci (2005) e Brandt (1995).

201
 Probabilità
Posterior distribution di θ

θ* Θ

Le stime puntuali ( θˆ ), se utilizzate, sono considerate corrette al 100%;

alternativamente, in un contesto bayesiano il parametro ignoto θ true è ipotizzato essere
“nascosto” nello spazio di valori espressi dalla posterior distribution, con una maggiore
probabilità di collocarsi in corrispondenza della media a posteriori (θ*).
Della seconda fonte di difformità si è già detto; la stima bayesiana origina dalla
combinazione di:
− informazioni storiche espresse da un campione di osservazioni;
− una informazione prior che esprime il bagaglio di conoscenze ed esperienze
personali dell’asset manager.
Il campione di rendimenti storici di ampiezza T dà luogo ad una distribuzione di
probabilità (la funzione di verosimiglianza) della variabile θ ; maggiore è il valore T,

minore è la dispersione della variabile attorno a θˆ . L’esperienza dell’asset manager

permette di identificare un valore prior θp la cui incertezza può essere “catturata”
definendo un numero Tprior di pseudo-osservazioni. Al crescere di Tprior, aumenta la
confidenza dell’asset manager nella propria esperienza e, conseguentemente, aumenta
anche la concentrazione della prior distribution attorno a θp.
La logica bayesiana consiste nel combinare le due distribuzioni di probabilità
traenti origine rispettivamente dalle informazioni storiche e dal prior, stimando così la
posterior distribution (Figura 5.2).

Figura 5.2: La stima della posterior distribution

202
 Probabilità Posterior distribution di θ
F. di verosimiglianza da informaz. storiche
Distribuzione da prior

θp Θ

A crescere di T (di Tprior), come conseguenza della maggiore affidabilità

dell’informazione storica (del prior), la posterior distribution vedrà aumentare la sua
concentrazione attorno a θˆ (a θp).
Indichiamo con YN l’insieme dei dati storici utilizzati per modellare la distribuzione
storica e con fp(θ) la distribuzione di probabilità di θ riconducibile al prior. Applicando
il teorema di Bayes si ricava la posterior distribution di θ:
f (YN θ ) ⋅ f p (θ )
(5.4) f (θ YN ) =
f (YN )
Questo risultato può essere usato anche allo scopo di ottenere la distribuzione
soggettiva dei rendimenti futuri ( ~
r ) condizionata dal prior e dalle osservazioni
storiche:
(5.5) f (~
r YN ) = ∫ f ( ~
r θ ) ⋅ f (θ YN ) ⋅ d (θ )

Da un punto di vista concettuale l’approccio bayesiano è piuttosto semplice da

interpretare: esso combina le informazioni derivanti da un campione storico con
l’esperienza dell’asset manager, giungendo così ad una distribuzione soggettiva dei
parametri di input. Il suo utilizzo, tuttavia, non è privo di asperità: «It involves multiple
integrations. Therefore, the choices of distributions that allow us to obtain analytical
results is quite limited» (Meucci, 2005). Al tentativo di incorporare gli informative prior
si affianca dunque la difficoltà di assicurare la trattabilità analitica della posterior
distribution.

203
 Coerentemente con l’obiettivo di produrre delle stime più affidabili dei parametri
utilizzati nella ottimizzazione media-varianza, focalizziamo il nostro interesse su un
processo bayesiano in grado di restituire stimatori del rendimento atteso e della matrice
delle covarianze10.
Ipotizziamo di disporre di C asset class, i cui rendimenti seguono una distribuzione
normale multivariata:
(5.6) r ~ N ( µ , Σ) ;
I rendimenti attesi (identificati dal vettore µ) e la matrice delle covarianze (Σ) sono
ignoti. Disponendo di un set di rendimenti storici di ampiezza pari a T, è possibile
estrapolare la media campionaria ( µ̂ ) e la matrice delle covarianze campionarie ( Σ̂ ).
Passando al prior information, al fine di garantire la trattazione analitica della
posterior distribution, modellizziamo il prior come una NIW (Normal-Inverse-Wishart)
distribution11. In altri termini, “spezziamo” la distribuzione di µ nella distribuzione
condizionale di µ dato Σ e nella distribuzione di Σ.
Ipotizziamo che la distribuzione condizionale di µ, dato Σ, sia una normale
multivariata con valori medi pari a µprior e matrice delle covarianze pari a Σ T prior :

Σ
µ Σ ~ N ( µ prior , )
T prior
(5.7)
Tprior è uno scalare positivo che riflette la fiducia nei confronti di µprior: maggiore è
il suo valore, minore è la dispersione della distribuzione normale multivariata e,
conseguentemente, più elevata è la fiducia riposta in µprior12.
Relativamente alla prior distribution della matrice delle covarianze Σ, ipotizziamo
che quest’ultima segua una distribuzione Normal-Inverse-Wishart:
Σ prior
(5.8) Σ ~ InvW (v, )
v
Σprior è una matrice quadrata (K×K), simmetrica e definita positiva; v è uno scalare
positivo che riflette l’incertezza di Σprior.
10
L’analisi segue Meucci (2005). Una trattazione simile è ravvisabile anche in Frost e Savarino (1986),
Jorion (1986) e Scherer (2004).
11
Per un approfondimento sulle distribuzioni di Wishart, si vedano Mardia, Kent e Bibby (1979) e
Anderson (1984).
12
Il processo è assimilabile alla stima dei rendimenti medi attraverso un campione di osservazioni di
ampiezza Tprior, nell’ipotesi in cui la stima campionaria restituisca un valore esatto della matrice delle
covarianze Σ.

204
 Barry (1974) dimostra che la prior distribution (marginale) di µ è una t di Student:
Σ prior
(5.9) µ ~ St (v, µ prior , )
T prior

Applicando il teorema di Bayes è possibile, calcolare la posterior distribution

rispettivamente di µ e Σ13:
Σ1
(5.10) µ ~ St (v1 , µ1 , )
T1

Σ1
(5.11) Σ ~ InvW (v1 , )
v1
dove:
v1= (v+T)

µ1=
1
T1
(
⋅ T prior ⋅ µ prior + T ⋅ µˆ )
⎡ ⎤
1
⎢ ( )(
µ prior − µˆ µ prior − µˆ )
′⎥
Σ1= ⋅ ⎢v ⋅ Σ prior + T ⋅ Σˆ + ⎥
v1 ⎢ 1 1 ⎥
⎢ + ⎥
⎣ T T prior ⎦
Data la posterior distribution di µ, è possibile stimarne il valore medio:
(T ⋅ µ prior + T ⋅ µˆ )
µˆ bayes =
prior
(5.12)
T prior + T

Lo stimatore bayesiano µ̂bayes si ottiene come media tra l’informazione campionaria

( µ̂ ) e quella prior (µprior). Al crescere della dimensione T del campione lo stimatore

µ̂bayes si avvicina al valore µ̂ ; di contro, all’aumentare delle pseudo-osservazioni Tprior lo

stimatore µ̂bayes tende a µprior.

In modo equivalente, è possibile calcolare il valore medio della posterior

distribution di Σ:

13
I calcoli analitici sono omessi per non appesantire la trattazione. Per un approfondimento si rimanda a
Meucci (2005).

205
 ⎡ ⎤
1
⎢
⎢
(µ prior − µˆ )(µ prior − µˆ ) ⎥⎥
′
(5.13) Σˆ bayes = ˆ
⋅ v ⋅ Σ prior + T ⋅ Σ +
v + T + N +1 ⎢ 1 1 ⎥
⎢ + ⎥
⎣ T T prior ⎦

Al crescere della dimensione T del campione lo stimatore Σ̂ bayes si avvicina al

valore Σ̂ ; viceversa, all’aumentare delle pseudo-osservazioni Tprior, lo stimatore

bayesiano tende a Σprior.
Nella speranza che l’informazione prior contribuisca a ridurre il problema della
scarsa efficienza out-of-sample dei portafogli, gli stimatori bayesiani µ̂bayes e Σ̂ bayes

possono essere utilizzati come input di una ottimizzazione alla Markowitz. Tali
parametri, denominati classical-equivalent estimator, sono un esempio di shrinkage
estimators e sono definiti Bayes-Stein shrinkage estimator.
L’analisi prosegue con l’esame degli stimatori di shrinkage e del modello di Black-
Litterman, entrambi ritenuti conformi alla logica bayesiana.

5.3 Gli shrinkage estimator

L’idea di impiegare gli stimatori di shrinkage come strumenti utili per affrontare il
problema dell’incertezza nelle stime, è da attribuirsi a James e Stein (1961)14. Per certi
versi è sorprendente che la loro intuizione - definita da Lindley (1962) «One of the most
important statistical ideas of the decade» - non abbia trovato un riconoscimento
immediato in ambito statistico. Per ciò che concerne l’utilizzo degli stimatori di
shrinkage nell’asset management, i pionieri sono Jobson, Korkie e Ratti (1979), Jobson
e Korkie (1981b), Jorion (1985, 1986) e Frost e Savarino (1986).
Focalizzando l’attenzione sulla previsione dei rendimenti attesi delle asset class,
cerchiamo di mostrare le ragioni che spingono ad abbandonare una media campionaria a
favore di uno stimatore che “si ritrae” (to shrink) verso un valore prior. A tale scopo,
proponiamo una analisi dell’errore nella stima della media campionaria.
Ipotizziamo che i rendimenti attesi di C asset class seguano una distribuzione
normale multivariata con parametri ignoti µ e Σ:
(5.14) r ~ N ( µ , Σ)

14
Altrettanto determinante è il contributo di Stein (1955) che dimostra la possibilità di selezionare
stimatori meno erratici della media campionaria.

206
 Le medie campionarie delle asset class (rappresentate dal vettore µ̂ ) estratte da un
campione di ampiezza T sono anch’esse distribuite normalmente con parametri ignoti µ
e Σ/Τ:
Σ
(5.15) µˆ ~ N ( µ , )
T
Allo scopo di sintetizzare in un unico valore l’errore dello stimatore campionario,
introduciamo una funzione quadratica di perdita (loss):

Loss (µˆ , µ ) = (µˆ − µ ) ⋅ (µˆ − µ )

T
(5.16)
Il valore di questa funzione è nullo solo nell’ipotesi in cui le medie campionarie
coincidano perfettamente con i valori true. La misura dell’errore può essere
ulteriormente sintetizzata stimando il valore atteso della funzione di perdita; calcoliamo
così un indicatore, definito errore (o error), pari al valore atteso della funzione di
perdita:

(5.17) [
Err 2 (µˆ , µ ) = E (µˆ − µ )T ⋅ (µˆ − µ ) = ] tr (Σ )
T
dove tr(Σ) identifica la somma di tutti i valori presenti lungo la diagonale principale
della matrice delle covarianze.
Come è lecito attendersi, maggiore è l’ampiezza del campione di estrazione della
media campionarie, minore è l’errore che si rischia di commettere.
L’errore può essere scomposto in due distinte componenti definite bias e
inefficiency; la relazione che lega queste variabili è la seguente:
(5.18) Err 2 (µˆ , µ ) = Bias 2 (µˆ , µ ) + Ineff 2 (µˆ )
Il bias è una misura parziale dell’errore che misura la distanza tra il valore atteso
della media campionaria [ E ( µˆ ) ] e il valore atteso true (µ):

Bias 2 (µˆ , µ ) = [E ( µˆ ) − µ ] ⋅ [E ( µˆ ) − µ ] = [µ − µ ] ⋅ [µ − µ ] = 0
T T
(5.19)

Come noto, la media campionaria è uno stimatore unbiased, ovvero immune

dall’errore parziale testé menzionato. L’inefficiency misura invece la dispersione (la
deviazione standard) della media campionaria:
tr (Σ )
(5.20) Ineff 2 (µˆ ) = σ ( µˆ ) =
T
µ̂ deve dunque il suo eventuale errore di stima alla sola inefficiency. La figura 5.3

207
offre, per un generico parametro θ, una rappresentazione grafica della differenza tra
bias e inefficiency.

Figura 5.3: Rappresentazione grafica del bias e dell’inefficiency.

Probabilità

Distribuzione dello stimatore

i i

inefficiency

bias

Θ
θ true

Qualora si voglia identificare uno stimatore di µ caratterizzato da un errore

statistico migliore della media campionaria, la variabile sulla quale agire è
l’inefficiency, non essendovi modo di migliorare la performance in termini di bias.
L’obiettivo è quindi quello di identificare uno stimatore che, rispetto alla media
campionaria, si caratterizzi per una minore inefficiency, a costo di non disporre più di
uno stimatore unbiased. A tal fine, è utile ricorrere a stimatori costanti caratterizzati da
valori elevati di bias, ma valori nulli di inefficiency:
(5.21) µ cos t = A
dove Α è uno scalare.
James e Stein (1961) dimostrano che per un numero C di variabili aleatorie
(indipendenti e normalmente distribuite) maggiore di 2, il vettore µ̂ delle medie
campionarie presenta un errore statistico maggiore rispetto ad uno stimatore ottenuto
come combinazione tra le medie campionarie stesse ed uno stimatore costante µcost15:

15
In termini bayesiani µcost è l’informative prior.

208
 µˆ shrink = (1 − α ) ⋅ µˆ + α ⋅ µ cos t ⋅ I
⎡ µˆ 1 ⎤ ⎡ µ cos t ⎤
⎢ µˆ ⎥ ⎢µ ⎥
(5.22)
= (1 − α ) ⋅ ⎢ 2 ⎥ + α ⋅ ⎢ cos t ⎥
⎢ M ⎥ ⎢ M ⎥
⎢ ⎥ ⎢ ⎥
⎣ µˆ C ⎦ ⎣ µ cos t ⎦
con 0≤α≤1 e con I che identifica un vettore colonna di tutti valori 1 di dimensione
C:
⎡1⎤
⎢1⎥
(5.23) I =⎢⎥
⎢M⎥
⎢⎥
⎣1⎦
Tali stimatori, denominati James-Stein shrinkage estimator, comprimono i valori
delle medie campionarie avvicinandoli così allo stimatore costante. Lo scopo è quello di
identificare il valore ottimale di α, ovvero il coefficiente di ponderazione in grado di
minimizzare la funzione di perdita dello stimatore16:
(5.24) min Loss (µ shrink , µ ) = Loss[(1 − α ) ⋅ µˆ + α ⋅ µ cos t ⋅ I , µ ]
α

É dimostrabile17 che utilizzando una funzione di perdita di questo tipo18:

(5.25) Loss (µˆ , µ ) = (µˆ − µ )T ⋅ Σ −1 ⋅ (µˆ − µ )

la perdita viene minimizzata per un valore di α pari a:
⎡ 1 (C - 2) ⎤
(5.26) α * = min ⎢1 , ⋅ ⎥
⎣⎢ T (µˆ - µ cost ⋅ I )T ⋅ Σ −1 ⋅ (µˆ - µ cost ⋅ I ) ⎦⎥

L’espressione analitica permette di apprezzare come il coefficiente di shrinkage

cresca (potenziando così la contrazione delle medie verso lo stimatore costante):
1. all’aumentare del numero C di asset class;
2. al ridursi del numero T di osservazioni storiche campionarie;
3. al ridursi della distanza tra le medie campionarie ( µ̂ )e lo stimatore costante (µcost).

Per ciò che concerne il valore dello stimatore costante (µcost), piuttosto che

16
Nel lavoro di James e Stein (1961) gli autori dimostrano la superiorità degli stimatori di shrinkage in
presenza di una funzione di perdita quadratica. Brown (1966, 1975) e Berger (1978) confrontano medie
campionarie e stimatori di shrinkage anche in presenza di funzioni di perdita con forma analitica
differente.
17
Si omettono i tediosi calcoli analitici.
18
Questa misura che rappresenta la distanza di Mahalanobis sarà oggetto di approfondimento nel
paragrafo 5.4.2.

209
utilizzare un generico scalare, è possibile ricorrere a valori dipendenti dai dati
campionari. La grand mean, ovvero la media aritmetica delle medie campionarie delle
singole asset class, può rappresentare un ottimo candidato:
⎡ K µˆ i ⎤
⎡ µ cos t ⎤ ⎢∑ C⎥
⎢ ⎥ ⎢ i =1 ⎥
(5.27) M cos t =⎢ M ⎥=⎢ M ⎥
⎢⎣ µ cos t ⎥⎦ ⎢∑ µ i ⎥
K
ˆ
⎢ i =1 C ⎥
⎣ ⎦
Alternativamente, Jorion (1985, 1986) suggerisce di utilizzare la volatility weighted
grand mean:
⎡ I T ⋅ Σˆ −1 ⎤
µ
⎡ cos t ⎤ ⎢ T ˆ −1
⋅ µ
ˆ ⎥
⎢ ⎥ ⎢I ⋅Σ ⋅ I ⎥
(5.28) M cos t =⎢ M ⎥=⎢ M ⎥
T ˆ −1
⎢⎣ µ cos t ⎥⎦ ⎢ ⋅ Σ
ˆ⎥
I
⎢ I T ⋅ Σˆ −1 ⋅ I ⋅ µ ⎥
⎣ ⎦
Si fa notare che il vettore riga che identifica i coefficienti di ponderazione delle
medie campionarie:
I T ⋅ Σˆ −1
(5.29) W = [w1 L wC ] = T −1
I ⋅ Σˆ ⋅ I
corrisponde alla composizione del portafoglio a minimum variance in una
ottimizzazione non vincolata19. Conseguentemente il valore µcost corrisponde al
rendimento medio campionario del portafoglio a minimo rischio.
É bene notare che le soluzioni testé menzionate producono sulle stime un risultato
significativamente differente:
− l’utilizzo della grand mean comprime le medie campionarie delle asset class,
incrementando le medie campionarie con valore inferiore alla grand mean e
riducendo quelle con valore superiore;
− l’uso del rendimento del portafoglio a minimum variance, conducendo ad un valore
µcost inferiore alle medie campionarie di quasi tutte le asset class, produce una
riduzione generalizzata delle medie campionarie di (quasi) tutte le asset class; la
riduzione è più pronunciata per le asset class caratterizzate da valori più elevati di
µ̂ .

19
É noto che la composizione del portafoglio a minimum variance non è influenzato dai rendimenti attesi
degli asset, dipendendo essa dalla sola matrice delle covarianze.

210
 L’utilizzo degli stimatori di shrinkage può essere applicato anche alla matrice delle
covarianze20:
(5.30) Σˆ shrink = (1 − β ) ⋅ Σˆ + β ⋅ Σ cos t

5.3.1 Dalla teoria alla pratica

Abbandonando l’impostazione teorica, passiamo alle applicazioni pratiche di questi
stimatori. Al fine di renderne più semplice la comprensione, faremo frequente ricorso ad
esempi numerici.
Ipotizziamo di voler calcolare uno stimatore affidabile del rendimento annuo atteso
delle seguenti asset class:
Mkt 1. Monetario Area Euro;
Mkt 2. Obbligazionario Area Euro;
Mkt 3. Obbligazionario Internazionale;
Mkt 4. Azionario Europa;
Mkt 5. Azionario Nord America;
Mkt 6. Azionario Giappone;
Mkt 7. Azionario Pacifico con esclusione del Giappone;
Mkt 8. Azionario Paesi Emergenti;
I parametri true che ipotizziamo ignoti sono quelli riportati nella Tabella 5.2; i
rendimenti attesi dei mercati seguono una distribuzione normale multivariata. Non
disponendo delle stime esatte, studiamo due soluzioni alternative: gli stimatori
campionari (la classical rule) e gli shrinkage estimator. Al fine di testare la presunta
capacità degli stimatori di shrinkage di dominare le stime campionarie, ci serviremo di
un test di simulazione. Partendo dai parametri true e con l’ausilio della tecnica Monte
Carlo, simuliamo delle serie di rendimenti annuali di ampiezza T, grazie alle quali è
possibile calcolare il rendimento medio campionario e il corrispondente stimatore di
shrinkage. Per la media campionaria utilizziamo la formula usuale:
1 T
(5.31) µ̂ = ∑ ri
T i =1

20
Sulla forma di Σcost, sul calcolo di β e per un generale approfondimento dell’applicazione degli
shrinkage estimator alla matrice delle covarianze, si veda Ledoit e Wolf (2003).

211
Tabella 5.2: Valore atteso, rischio e correlazione true dei rendimenti annuali delle
10 asset class

Indici di Mercato Rendimenti Attesi Rischi Attesi

I. Mkt. 1 5,83% 3,09%
I. Mkt. 2 6,48% 5,31%
I. Mkt. 3 6,86% 8,56%
I. Mkt. 4 13,64% 20,41%
I. Mkt. 5 13,97% 22,05%
I. Mkt. 6 4,85% 31,57%
I. Mkt. 7 15,15% 31,59%
I. Mkt. 8 20,58% 38,72%

Correlazioni I. Mkt. 1 I. Mkt. 2 I. Mkt. 3 I. Mkt. 4 I. Mkt. 5 I. Mkt. 6 I. Mkt. 7 I. Mkt. 8

I. Mkt. 1 1 0,28 0,28 -0,11 0,03 -0,24 0,08 0,11
I. Mkt. 2 0,28 1 0,56 -0,01 0,06 -0,28 0,12 -0,15
I. Mkt. 3 0,28 0,56 1 0,54 0,64 0,33 0,54 0,44
I. Mkt. 4 -0,11 -0,01 0,54 1 0,90 0,62 0,62 0,63
I. Mkt. 5 0,03 0,06 0,64 0,90 1 0,53 0,46 0,54
I. Mkt. 6 -0,24 -0,28 0,33 0,62 0,53 1 0,74 0,79
I. Mkt. 7 0,08 0,12 0,54 0,62 0,46 0,74 1 0,89
I. Mkt. 8 0,11 -0,15 0,44 0,63 0,54 0,79 0,89 1

Definiti:
− µ̂ = vettore colonna delle medie campionarie;
− C = numero della asset class.
− Σ̂ = matrice delle covarianze campionarie21;
il valore dello stimatore costante µcost è pari al rendimento medio campionario del
portafoglio a minimum variance:

I T ⋅ Σˆ −1
(5.32) µ cos t = ⋅ µˆ
I T ⋅ Σˆ −1 ⋅ I
Lo stimatore di shrinkage del rendimento atteso viene quindi calcolato applicando
la formula nota:
(5.33) µˆ shrink = (1 − α ) ⋅ µˆ + α ⋅ µ cos t ⋅ I

21
Zellner e Chetty (1965) consigliano di correggere la matrice delle covarianze campionarie nel modo
seguente:
T −1 ˆ
Σ
T −C −2
Noi non seguiremo questo suggerimento.

212
 Dove il coefficiente di shrinkage α viene stimato seguendo Jorion (1985, 1986):
δ
(5.34) α=
T +δ
(C + 2)
con δ =
(µˆ − µ cos t ⋅ I ) ⋅ Σˆ −1 ⋅ (µˆ − µ
T
cos t ⋅I)

Noti gli stimatori µ̂ e µ̂ shrink è possibile misurare le seguenti funzioni di perdita:

Loss (µˆ , µ ) = (µˆ − µ ) ⋅ (µˆ − µ )

T
(5.35)
e
Loss (µˆ shrink , µ ) = (µˆ shrink − µ ) ⋅ (µˆ shrink − µ )
T
(5.36)
nonché quantificare l’errore di stima che essi producono:
(5.37) [
Err 2 (µˆ , µ ) = E (µˆ − µ ) ⋅ (µˆ − µ )
T
]
e
(5.38) [
Err 2 (µˆ shrink , µ ) = E (µˆ shrink − µ ) ⋅ (µˆ shrink − µ )
T
]
L’error è poi scomponibile in termini di bias e inefficiency.
Nella analisi attribuiamo a T un valore pari a 12, 15, 30, 40, 50, 60, e 70,
ipotizzando così che le stime vengano estrapolate da campioni storici di rendimenti
annuali di ampiezza crescente. Per ciascun valore di T, lanciamo 10.000 simulazioni
Monte Carlo, ciascuna delle quali fornirà il set di informazioni necessario per calcolare
lo stimatore di shrinkage e quello campionario. Questo processo permetterà di stimare,
per ogni valore di T, 10.000 livelli di loss ed altrettanti errori di stima riconducibili
rispettivamente a µ̂ e µ̂ shrink . Sarà così possibile disegnare la distribuzione delle perdite
(loss distribution) dello stimatore, misurare il valore medio dell’errore e quantificarne
l’impatto in termini di bias ed inefficiency. La Figura 5.4 sintetizza graficamente i
risultati ottenuti. Al crescere della dimensione campionaria:
− si riduce progressivamente l’errore nella stima tanto della media campionaria,
quanto dello stimatore bayesiano;
− la loss distribution dello stimatore di shrinkage vede diminuire tanto il valore
medio, quanto la volatilità;
− il coefficiente α si riduce, indebolendo così il contributo dello stimatore costante
alla stima di µ̂ shrink .

213
 É significativo rilevare che per tutte le dimensioni campionarie l’errore medio degli
stimatori bayesiani è minore dell’errore dello stimatore campionario. Questo risultato
conferma l’intuizione con la quale Stein (1955) definiva la media campionaria uno
stimatore inammissibile, in ragione della possibilità di identificare un parametro (nel
nostro caso µ̂ shrink ) tale per cui:

tr (Σ )
(5.39) Err 2 (µˆ shrink , µ ) < Err 2 (µˆ , µ ) <
T
Inoltre, come era lecito attendersi, lo stimatore di shrinkage mostra la sua
superiorità rispetto alla media campionaria soprattutto per bassi valori di T. Infatti, è in
corrispondenza di campioni di scarsa ampiezza che ci si attende un contributo
determinante del prior information nella riduzione dell’inefficiency dello stimatore
campionario. Al crescere di T l’errore di µ̂ shrink e quello di µ̂ tendono a coincidere,
come conseguenza della elevata affidabilità dello stimatore campionario e della
conseguente riduzione del coefficiente α. Infine, al crescere di T lo stimatore di
shrinkage, convergendo verso un parametro unbiased ( µ̂ ), vede progressivamente
ridursi la dimensione del bias.

Figura 5.4: Analisi della performance di µ̂ e di µ̂ shrink

Error2
0,04
Inefficiency2
0,03
Bias2
0,02

0,01

0
Campion.

Campion.

Campion.

Campion.

Campion.

Campion.

Campion.
Shrink.

Shrink.

Shrink.

Shrink.

Shrink.

Shrink.

Shrink.

T=12 T=15 T=30 T=40 T=50 T=60 T=70

Coeff. α medio 23,04% 24,89% 22,07% 19,33% 16,97% 15,15% 13,57%

Loss Distribution
di µ shrink

Media delle Loss 0,0269 0,0217 0,0120 0,0096 0,0079 0,0067 0,0058
σ delle Loss 0,0302 0,0238 0,0121 0,0101 0,0081 0,0071 0,0061

214
 Una volta esibiti i vantaggi di un approccio bayesiano alla stima del rendimento
atteso, è utile proporre un esempio di applicazione dello shrinkage estimator di Jorion
(1985, 1986) all’interno della ottimizzazione media-varianza. L’esercizio numerico è
utile per palesare l’effetto che l’approccio bayesiano produce sulla composizione del
portafoglio e sulla forma della frontiera efficiente constrained.
Ipotizziamo che un asset manager voglia costruire portafogli per un orizzonte
temporale d’investimento annuale. Utilizzando serie storiche campionarie di 12 anni
relative al periodo 01/01/1995 – 31/12/2006, egli estrapola le stime campionarie di µ̂ ,
σ̂ e ρ̂ (Tabella 5.3). Tuttavia, conscio dei limiti che accompagnano l’utilizzo di
stimatori campionari estratti da serie di ridotta ampiezza, l’asset manager ricorre agli
stimatori di shrinkage di Jorion (1985, 1986) per operare una correzione dei rendimenti
attesi.

Tabella 5.3: I parametri di input stimati con la classical rule.

Mercati Rendimenti Attesi Rischi Attesi
Mkt1 - Monetario area Euro 3,83% 1,30%
Mkt2 - Obbligazionario Area Euro 6,46% 4,94%
Mkt3 - Azionario Mondo Energia 14,01% 20,90%
Mkt4 - Azionario Mondo Materiali 7,79% 19,22%
Mkt5 - Azionario Mondo Industriali 7,64% 20,20%
Mkt6 - Azionario Mondo Beni Voluttuari 8,20% 22,32%
Mkt7 - Azionario Mondo Beni di Prima Necessità 9,22% 17,08%
Mkt8 - Azionario Mondo Salute 13,40% 24,87%
Mkt9 - Azionario Mondo Finanza 9,56% 17,97%
Mkt10 - Azionario Mondo Information Technology 17,71% 48,60%
Mkt11 - Azionario Mondo Telecomunicazioni 8,11% 31,84%
Mkt12 - Azionario Mondo Pubblica Utilità 8,22% 18,77%

ρ M. 1 M. 2 M. 3 M. 4 M. 5 M. 6 M. 7 M. 8 M. 9 M. 10 M. 11 M. 12
M. 1 1 0,64 -0,14 -0,48 -0,26 -0,14 0,33 0,44 -0,07 -0,02 0,00 -0,10
M. 2 0,64 1 -0,30 -0,69 -0,50 -0,49 0,22 0,31 -0,24 -0,38 -0,33 -0,02
M. 3 -0,14 -0,30 1 0,75 0,88 0,73 0,65 0,61 0,87 0,59 0,55 0,64
M. 4 -0,48 -0,69 0,75 1 0,89 0,80 0,09 0,06 0,61 0,69 0,56 0,29
M. 5 -0,26 -0,50 0,88 0,89 1 0,89 0,42 0,45 0,87 0,79 0,71 0,58
M. 6 -0,14 -0,49 0,73 0,80 0,89 1 0,36 0,38 0,72 0,94 0,92 0,37
M. 7 0,33 0,22 0,65 0,09 0,42 0,36 1 0,95 0,76 0,24 0,35 0,80
M. 8 0,44 0,31 0,61 0,06 0,45 0,38 0,95 1 0,78 0,32 0,39 0,78
M. 9 -0,07 -0,24 0,87 0,61 0,87 0,72 0,76 0,78 1 0,59 0,61 0,83
M. 10 -0,02 -0,38 0,59 0,69 0,79 0,94 0,24 0,32 0,59 1 0,93 0,21
M. 11 0,00 -0,33 0,55 0,56 0,71 0,92 0,35 0,39 0,61 0,93 1 0,33
M. 12 -0,10 -0,02 0,64 0,29 0,58 0,37 0,80 0,78 0,83 0,21 0,33 1

A tale scopo, egli attribuisce allo stimatore costante µcost un valore pari al rendimento

215
medio campionario del portafoglio a minimum variance:
I T ⋅ Σˆ −1
µ cos t = ⋅ µˆ = WMin Var ⋅ µˆ = 5,09%
I T ⋅ Σˆ −1 ⋅ I
con :
⎡ 110,8% ⎤ ⎡ 3,83% ⎤
⎢ − 3,8% ⎥ ⎢ 6,46% ⎥
⎢ ⎥ ⎢ ⎥
⎢ 19,9% ⎥ ⎢14,01% ⎥
⎢ ⎥ ⎢ ⎥
⎢ − 4,9% ⎥ ⎢ 7,79% ⎥
⎢ − 50,0% ⎥ ⎢ 7,64% ⎥
⎢ ⎥ ⎢ ⎥
⎢ 28,4% ⎥ ⎢ 8,20% ⎥
T
WMin =⎢ e µˆ = ⎢
− 29,5%⎥ 9,22% ⎥
Var
⎢ ⎥ ⎢ ⎥
⎢ − 5,4% ⎥ ⎢13,40% ⎥
⎢ 21,6% ⎥ ⎢ 9,56% ⎥
⎢ ⎥ ⎢ ⎥
⎢ 5,0% ⎥ ⎢17,71%⎥
⎢ ⎥ ⎢ ⎥
⎢ − 12,8% ⎥ ⎢ 8,11% ⎥
⎢⎣ 20,7% ⎥⎦ ⎢⎣ 8,22% ⎥⎦

Il coefficiente di shrinkage α è:
(C + 2)
δ (µˆ − µ cos t ⋅ I ) ⋅ Σˆ −1 ⋅ (µˆ − µ cos t ⋅ I )
T
1,7943
α= = = = 13,01%
T +δ (C + 2) 12 + 1,7943
T+
(µˆ − µ cos t ⋅ I )T ⋅ Σˆ −1 ⋅ (µˆ − µ cos t ⋅ I )
Disponendo di tutte le informazioni necessarie, si procede al calcolo dello stimatore
di shrinkage della media:
⎡ 3,83% ⎤ ⎡1⎤ ⎡ 3,99% ⎤
⎢ 6,46% ⎥ ⎢1⎥ ⎢ 6,28% ⎥
⎢ ⎥ ⎢⎥ ⎢ ⎥
⎢14,01% ⎥ ⎢1⎥ ⎢12,85% ⎥
⎢ ⎥ ⎢⎥ ⎢ ⎥
⎢ 7,79% ⎥ ⎢1⎥ ⎢ 7,44% ⎥
⎢ 7,64% ⎥ ⎢1⎥ ⎢ 7,31% ⎥
⎢ ⎥ ⎢⎥ ⎢ ⎥
⎢ 8,20% ⎥ ⎢ 1⎥ ⎢ 7,80% ⎥
µˆ shrink = (1 − α ) ⋅ µˆ + α ⋅ µ cos t ⋅ I = 86,99% ⋅ ⎢ + 13,01% ⋅ 5,09% ⋅ ⎢ ⎥ = ⎢
9,22% ⎥ 1 8,68% ⎥
⎢ ⎥ ⎢⎥ ⎢ ⎥
⎢13,40% ⎥ ⎢1⎥ ⎢12,32% ⎥
⎢ 9,56% ⎥ ⎢1⎥ ⎢ 8,68% ⎥
⎢ ⎥ ⎢⎥ ⎢ ⎥
⎢17,71%⎥ ⎢1⎥ ⎢16,07%⎥
⎢ ⎥ ⎢⎥ ⎢ ⎥
⎢ 8,11% ⎥ ⎢1⎥ ⎢ 7,72% ⎥
⎢⎣ 8,22% ⎥⎦ ⎢⎣1⎥⎦ ⎢⎣ 7,81% ⎥⎦

216
 La Figura 5.5 offre una rappresentazione grafica dell’effetto di “compressione” che
la logica bayesiana produce sulle stime. Le stime µ̂ shrink , insieme ai parametri

campionari di deviazione standard ( σˆ ) e correlazione ( ρ̂ ), vengono utilizzate per

risolvere il problema di programmazione quadratica in grado di restituisce la
composizione dei portafogli efficienti:
C
Min
W
∑ w w σˆ σˆ
i , j =1
i j i j ρˆ i , j

Con vincoli :
K
(5.40) ∑w µ
i =1
i shrink = R*
K

∑w
i =1
i =1
wi ≥ 0 con i = 1,..., C
La Figura 5.6 permette di confrontare la frontiera efficiente ottenuta con le medie
campionarie e quella riconducibile agli stimatori di shrinkage delle medie; il compito di
esibire la differente composizione è affidato ai grafici ad area della Figura 5.7.

Figura 5.5: L’effetto di shrinkage sulle stime

Medie Campionarie Stimatori di shrinkage
Stimatore costante
20%

16%

12%

8%

4%

0%
0 1 2 3 4 5 6 7 8 9 10 11 12

Si noti come i portafogli ottenuti usando alternativamente µ̂ e µ̂ shrink non

presentino differenze in termini di composizione. L’uso degli shrinkage estimator di
Jorion (1985, 1986) non produce quindi un effetto sul peso dei mercati22. Esso produce

22
L’effetto di composizione si manifesta solo nell’ipotesi estrema in cui il coefficiente ALFA assuma
valore pari a 1.

217
invece un impatto consistente in termini di combinazioni rischio-rendimento dei
portafogli: la frontiera calcolata con medie bayesiane tende ad assumere una forma più
piatta con una conseguente contrazione del range dei valori assunti dal rendimento
atteso. In particolare, minore è la fiducia che si ripone nella media campionaria,
maggiore è la riduzione dell’inclinazione dell’efficient set.

Figura 5.6: Confronto tra le frontiere campionaria e bayesiana

18%
E(R)
16%

14%

12%

10%

8% Frontiera con medie campionarie

6% Frontiera con medie bayesiane

4%

2%

0% σ
0% 10% 20% 30% 40% 50%

Figura 5.7: Confronto tra la composizione dei portafogli ottenuti applicando µ̂ e

µ̂ shrink .
Pesi Pesi

Portafogli Portafogli

Portafogli con medie bayesiane Portafogli con medie campionarie

Il contributo degli stimatori di shrinkage alla riduzione del problema

218
dell’incertezza dei parametri è ravvisabile proprio nell’abbassamento della frontiera
efficiente. Il flattening della curva è difatti il fenomeno che protegge gli investitori dai
pericoli dell’estimation error. Allo scopo di dimostrare quanto affermato, occorre fare
ricorso alle funzioni di utilità. Ipotizziamo che le preferenze dell’investitore siano
rappresentate dalla seguente funzione di utilità attesa:
3 2
(5.41) E[U ( x)] = E ( R) − ⋅σ
2
La Figura 5.8 identifica le combinazioni rischio-rendimento dei portafogli efficienti che
massimizzano E[U(x)]; grazie alla forma più piatta, la frontiera con medie bayesiane
“incontra” la funzione di utilità in corrispondenza di un punto che si colloca più a
sinistra nel sistema di assi, sicché il portafoglio ottimale selezionato con la frontiera con
medie bayesiane è meno rischioso del portafoglio selezionato con la frontiera calcolata
utilizzando medie campionarie (Tabella 5.4).

Figura 5.8: I punti di tangenza tra le frontiere efficienti e le curve di indifferenza

18% I1
E(R)
16%
I2
14%

12%

10%

8%

6%
Frontiera Efficiente con medie campionarie
4%
Frontiera Efficiente con medie bayesiane
2%

0% σ
0% 10% 20% 30% 40% 50%

In conclusione, la reazione degli shrinkage estimator all’incertezza nelle stime

non si concretizza, come nelle tecniche euristiche, nella ricerca di una maggiore
diversificazione, bensì nella selezione di portafogli che diventano via via meno

219
rischiosi: come posizione estrema, in presenza di una fiducia nulla per le medie
campionarie, gli investitori sarebbero indotti a selezionare il portafoglio a minimo
rischio (Figura 5.9).

Tabella 5.4: La composizione dei portafogli ottimali identificata dal punto di

tangenza tra le curve di indifferenza e le frontiere efficienti.

Portafogli Ottimali
Frontiera con medie Frontiera con medie
Mercati
campionarie di shrinkage
Monetario Area Euro 0,00% 0,00%
Obbligazionario Area Euro 40,47% 47,97%
Azionario Mondo Energia 49,61% 45,00%
Azionario Mondo Materiali 0,00% 0,00%
Azionario Mondo Industriali 0,00% 0,00%
Azionario Mondo Beni Voluttuari 0,00% 0,00%
Azionario Mondo Beni di Prima Necessità 0,00% 0,00%
Azionario Mondo Salute 6,45% 3,72%
Azionario Mondo Finanza 0,00% 0,00%
Azionario Mondo Information Technology 3,46% 3,31%
Azionario Mondo Telecomunicazioni 0,00% 0,00%
Azionario Mondo Pubblica Utilità 0,00% 0,00%

σ del Portafoglio 12,11% 10,59%

Percentuale di azionario in portafoglio 59,53% 52,03%

Figura 5.9: Il caso estremo di portafoglio ottimo che coincide con quello a minimo
rischio.

220
 18%
E(R)
16% I2

14%

12%

10%

8%

6%

4%
Frontiera Efficiente con medie campionarie
2% Frontiera Efficiente con medie bayesiane

0% σ
0% 10% 20% 30% 40% 50%

Allo scopo di approfondire l’effetto che gli stimatori di shrinkage producono sul
processo di portfolio selection, proponiamo un esperimento23. Ricorriamo alle frontiere
efficienti con ammissione dello shortselling, in modo da sfruttarne le proprietà di
seguito descritte:
A. noti due portafogli efficienti, la loro combinazione lineare permette di ottenere tutti
gli altri portafogli;
B. la composizione del portafoglio a minimum variance dipende esclusivamente dalla
matrice delle covarianze.
Ipotizziamo che un asset manager abbia prodotto, per sei mercati, le stime
campionarie µ̂ , σ̂ e ρ̂ riportate nella Tabella 5.5 ed estratte da un campione di
osservazioni storiche di ampiezza T=12. La composizione dei portafogli efficienti può
essere calcolata analiticamente scrivendo la Lagrangiana24:
1 n ⎡ n
⎤ ⎛ n
⎞
(5.42) L= ∑
2 i , j =1
wi w σ
j i σ ρ
j i, j + λ ⎢
⎣
R * − ∑
i =1
wi E ( R )
i ⎥
⎦
+ γ ⎜
⎝
1 − ∑
i =1
wi ⎟
⎠
Sfruttando la proprietà citata nel punto A., la composizione percentuale (W*) dei

23
L’analisi è ispirata a Jorion (1985).
24
Si veda l’Appendice A.2.1

221
portafogli efficienti può essere ottenuta come combinazione lineare del portafoglio a
minimum variance e di quello caratterizzato dal valore massimo del coefficiente E(R)/σ:
⎡ 0,633 ⎤ ⎡− 2,062⎤
⎢ 0,249 ⎥ ⎢− 4,917⎥
⎢ ⎥ ⎢ ⎥
ˆΣ −1 ⋅ I ˆΣ −1 ⋅ µˆ ⎢ 0,213 ⎥ ⎢ 8,267 ⎥
(5.43) W * = β ⋅ T −1 + (1 − β ) ⋅ T −1 ⋅I = β ⋅⎢ ⎥ + (1 − β ) ⋅ ⎢ ⎥
I ⋅ Σˆ ⋅ I I ⋅ Σˆ ⋅ µˆ ⎢− 0,340⎥ ⎢− 2,666⎥
⎢ 0,235 ⎥ ⎢ − 1,512 ⎥
⎢ ⎥ ⎢ ⎥
⎢⎣ 0,009 ⎥⎦ ⎢⎣ 3,890 ⎥⎦
Dove:

Σˆ −1 ⋅ I
− è la composizione del portafoglio (denominato mV) a minimum variance;
I T ⋅ Σˆ −1 ⋅ I
Σˆ −1 ⋅ µˆ
− è la composizione del portafoglio (denominato Mc) con E(R)/σ
I T ⋅ Σˆ −1 ⋅ µˆ
massimo.
La Figura 5.10 offre una rappresentazione grafica della frontiera efficiente
unconstrained e della combinazione rischio-rendimento dei portafogli mV e Mc.

Tabella 5.5: I parametri di input stimati con la classical rule.

Rendimenti Rischi ρ Mkt A Mkt B Mkt C Mkt D Mkt E Mkt F
Mercati Mkt A 1 0,15 0,23 0,19 0,10 0,30
Attesi Attesi
Mkt A 6,00% 15,00% Mkt B 0,15 1 0,75 0,88 0,73 0,65
Mkt C 0,23 0,75 1 0,89 0,80 0,09
Mkt B 8,00% 20,90%
Mkt D 0,19 0,88 0,89 1 0,89 0,42
Mkt C 9,00% 19,22%
Mkt E 0,10 0,73 0,80 0,89 1 0,36
Mkt D 5,00% 20,20%
Mkt F 0,30 0,65 0,09 0,42 0,36 1
Mkt E 6,00% 22,00%
Mkt F 10,80% 27,00%

Figura 5.10:La combinazione rischio-rendimento dei portafogli unconstrained.

222
 80%
E(R)
70%

60%

50%

40%

30%

20% Frontiera Efficiente unconstrained

mV
10% Mc

0%
σ
0% 10% 20% 30% 40% 50% 60%

Per ridurre l’errore di stima, applichiamo alle medie campionarie gli stimatori di
shrinkage. Seguendo Jorion (1985, 1986) attribuiamo allo stimatore costante µcost un
valore pari al rendimento medio campionario del portafoglio a minimum variance:
I T ⋅ Σˆ −1
µ cos t = ⋅ µˆ = WMin Var ⋅ µˆ =
I T ⋅ Σˆ −1 ⋅ I
⎡ 6,0% ⎤
⎢ 8,0% ⎥
⎢ ⎥
⎢ 9,0% ⎥
= [0,633 0,249 0,213 − 0,340 0,235 0,09] ⋅ ⎢ ⎥ = 7,52%
⎢ 5,0% ⎥
⎢ 6,0% ⎥
⎢ ⎥
⎢⎣10,8%⎥⎦

Il coefficiente di shrinkage α è:
(C + 2)
δ (µˆ − µ cos t ⋅ I ) ⋅ Σˆ −1 ⋅ (µˆ − µ cos t ⋅ I )
T
4,8365
α= = = = 28,73%
T +δ (C + 2 ) 12 + 4,8365
T+
(µˆ − µ cos t ⋅ I )T ⋅ Σˆ −1 ⋅ (µˆ − µ cos t ⋅ I )
Lo stimatore µ̂ shrink è:

223
 ⎡ 6,0% ⎤ ⎡1⎤ ⎡6,44%⎤
⎢ 8,0% ⎥ ⎢1⎥ ⎢7,86% ⎥
⎢ ⎥ ⎢⎥ ⎢ ⎥
⎢ 9,0% ⎥ ⎢1⎥ ⎢8,58% ⎥
µˆ shrink = (1 − α ) ⋅ µˆ + α ⋅ µ cos t ⋅ I = 71,27% ⋅ ⎢ ⎥ + 28,73% ⋅ 7,72% ⋅ ⎢ ⎥ = ⎢ ⎥
⎢ 5,0% ⎥ ⎢1⎥ ⎢5,72% ⎥
⎢ 6,0% ⎥ ⎢1⎥ ⎢6,44%⎥
⎢ ⎥ ⎢⎥ ⎢ ⎥
⎣⎢10,8%⎦⎥ ⎣⎢1⎦⎥ ⎣⎢9,86% ⎦⎥

Le stime di shrinkage, insieme ai parametri campionari di deviazione standard ( σ̂ )

e correlazione ( ρ̂ ), vengono utilizzate per costruire la frontiera bayesiana
unconstrained. Quest’ultima presenta il portafoglio a minimum variance che coincide
con quello della frontiera campionaria25; il portafoglio (che denominiamo ancora Mc)
con composizione:
⎡− 2,062⎤
⎢− 4,917 ⎥
⎢ ⎥
⎢ 8,267 ⎥
⎢ ⎥
⎢− 2,666⎥
⎢ − 1,512 ⎥
⎢ ⎥
⎢⎣ 3,890 ⎥⎦
è nuovamente parte dell’efficient set, poiché, come si è già sottolineato, gli stimatori di
shrinkage non mutano la composizione dei portafogli26. Assumendo che le preferenze
dell’investitore siano rappresentate dalla seguente funzione di utilità attesa:
E[U ( x)] = E ( R) − 4 ⋅ σ 2
la Figura 5.11 mostra i portafogli di tangenza che massimizzano E[U(x)]. I portafogli
ottenuti con medie campionarie e bayesiane che ottimizzano le preferenze
dell’investitore presentano le seguenti composizioni:
⎡ − 0,968⎤ ⎡ − 0,508⎤
⎢− 2,820⎥ ⎢ − 1,939 ⎥
⎢ ⎥ ⎢ ⎥
⎢ 4,997 ⎥ ⎢ 3,623 ⎥
WCampion =⎢ ⎥ e WBayes =⎢ ⎥
⎢ − 1,722 ⎥ ⎢ − 1,325 ⎥
⎢ − 0,802⎥ ⎢− 0,504⎥
⎢ ⎥ ⎢ ⎥
⎣⎢ 2,315 ⎦⎥ ⎣⎢ 1,652 ⎦⎥
Sfruttando la proprietà delle frontiere unconstrained citata nel precedente punto B.,

25
La matrice delle covarianze è immutata.
26
In tal caso, tuttavia, il portafoglio Mc non è quello che massimizza il rapporto con E(R)/σ .

224
possiamo identificare – tanto per la frontiera campionaria, quanto per quella bayesiana –
il coefficiente β tale per cui la combinazione tra i portafogli mV e Mc restituisca il
portafoglio che massimizza l’utilità attesa:
⎡ − 0,968⎤ ⎡ 0,633 ⎤ ⎡− 2,062⎤
⎢− 2,820⎥ ⎢ 0,249 ⎥ ⎢− 4,917⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 4,997 ⎥ ⎢ 0,213 ⎥ ⎢ 8,267 ⎥
− Frontieramedie campionarie: ⎢ ⎥ = 40,6% ⋅ ⎢ ⎥ + (1 − 40,6%) ⋅ ⎢ ⎥
⎢ − 1,722 ⎥ ⎢− 0,340⎥ ⎢− 2,666⎥
⎢ − 0,802⎥ ⎢ 0,235 ⎥ ⎢ − 1,512 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣ 2,315 ⎥⎦ ⎢⎣ 0,009 ⎥⎦ ⎢⎣ 3,890 ⎥⎦

⎡ − 0,508⎤ ⎡ 0,633 ⎤ ⎡− 2,062⎤

⎢ − 1,939 ⎥ ⎢ 0,249 ⎥ ⎢− 4,917 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 3,623 ⎥ ⎢ 0,213 ⎥ ⎢ 8,267 ⎥
− Frontieramedie bayesiane: ⎢ ⎥ = 57,7% ⋅ ⎢ ⎥ + (1 − 57,7%) ⋅ ⎢ ⎥
⎢ − 1,325 ⎥ ⎢− 0,340⎥ ⎢− 2,666⎥
⎢− 0,504⎥ ⎢ 0,235 ⎥ ⎢ − 1,512 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣ 1,652 ⎥⎦ ⎢⎣ 0,009 ⎥⎦ ⎢⎣ 3,890 ⎥⎦

Figura 5.11: I punti di tangenza tra le frontiere efficienti unconstrained e le curve

di indifferenza.
80% I1 I2
E(R)
70%

60%

50%

40%

30%

20% Frontiera con medie campionarie unconstrained

mV
10% Mc
Frontiera con medie bayesiane unconstrained
0%
σ
0% 10% 20% 30% 40% 50% 60%

Il processo bayesiano spinge verso un portafoglio ottimo maggiormente dipendente

225
dal portafoglio a minimum variance; poiché quest’ultimo è indipendente dalle misure di
rendimento atteso, possiamo affermare che il processo di shrinkage riduce il ruolo che
le stime dei rendimenti attesi hanno sulla composizione dei portafogli efficienti. Mano a
mano che la dimensione del campione si riduce (decresce la significatività della stima
campionaria µ̂ ), il coefficiente β è destinato ad aumentare, erodendo così la capacità
dei rendimenti attesi di influenzare la composizione dei portafogli.

5.3.2 Shrinkaged versus sampled portfolio

Questo esperimento propone un confronto tra portafogli ottenuti con dati
campionari e portafogli costruiti con gli stimatori di shrinkage per le medie. L’obiettivo
è quello di dimostrare che, in presenza di stime erratiche, un portafoglio che nasce da un
processo bayesiano ha elevate probabilità di dominare out-of-sample un portafoglio
giudicato efficiente sulla base di stime campionarie incerte.
Ipotizziamo che un asset manager italiano voglia costruire un portafoglio
combinando 8 mercati, di cui 6 azionari. L’orizzonte temporale d’investimento è
annuale e l’insieme dei parametri true corrispondenti alle asset class selezionate è
quello riportato nella Tabella 5.2. L’asset manager non conosce questi parametri e
ricorre quindi alle informazioni derivanti dalle serie storiche campionarie. Assumiamo
che i rendimenti degli asset siano variabili random stazionarie e distribuite
normalmente; per simulare campioni di dati assimilabili a serie storiche, facciamo
ricorso alla tecnica Monte Carlo. Immaginando che l’asset manager disponga di un
campione storico di 12 anni, dovremo simulare serie di rendimenti annuali di ampiezza
T=12. É proprio in un contesto di stime campionarie estratte da serie storiche di
dimensione ridotte che gli stimatori di shrinkage dovrebbero offrire un contributo
determinante nella riduzione dell’estimation error.
Allo scopo di valutare la presunta superiorità di un approccio bayesiano viene
sviluppato questo procedimento:
1. in base alle variabili di input true, si simula, per ciascuna asset class e mediante la
tecnica Monte Carlo, una serie di 12 rendimenti annuali;
2. utilizzando questo campione simulato, si calcola il set di input campionari [ µ̂ , σ̂ e
ρ̂ ];

226
3. si effettua una ottimizzazione media-varianza e si seleziona il portafoglio migliore
per un investitore le cui preferenze sono identificate dalla seguente funzione di
utilità, E[U ( x)] = E ( R) − 3 ⋅ σ 2 ;
4. utilizzando gli input campionari [ µ̂ , σ̂ e ρ̂ ], si calcolano gli stimatori di shrinkage
delle medie ( µ̂ shrink )27; queste, insieme alla matrice delle covarianze campionarie
vengono utilizzate come input di una ottimizzazione funzionale alla successiva
identificazione del portafoglio che massimizza le preferenze dell’investitore;
5. note le composizioni dei due portafogli così identificati, è possibile determinare
quali sono le combinazioni [σtrue; E(R)true] che i portafogli avrebbero conseguito
sulla base dei veri input;
6. l’intero processo viene ripetuto 1.000 volte.

La Figura 5.12 offre una rappresentazione grafica delle combinazioni [σtrue;

E(R)true] dei portafogli con medie campionarie e bayesiane ottenuti mediante le 1.000
simulazioni.

Figura 5.12: Le Combinazioni [σtrue; E(R)true] dei portafogli ottenuti con medie
campionarie e bayesiane.
25% E(R) 25% E(R)

20% 20%

15% 15%

10% 10%

5% 5%

σ σ
0% 0%
0% 10% 20% 30% 40% 0% 10% 20% 30% 40%

Portafogli con medie campionarie Portafogli con medie bayesiane

Come primo risultato, si noti come i due portafogli non presentino, sulla base delle
stime corrette, un livello di dispersione delle combinazioni [σtrue; E(R)true]
significativamente diverso. Tuttavia, nella Figura 5.12 gli indicatori di maggiore
dimensione, identificando i valori medi di rendimento atteso e rischio, dimostrano che il

27
Si è applicato il modello di Jorion (1986).

227
processo di shrinkage favorisce la selezione di portafogli caratterizzati da minore
rischiosità. Allo scopo di facilitare il confronto tra i risultati, facciamo ricorso al
concetto di equivalente certo (EC). Dato un portafoglio rischioso con combinazione
[σtrue; E(R)true], il suo equivalente certo è l’investimento risk-free - con coordinate (0;
rf*) - che l’investitore considera equamente preferibile. L’obiettivo è quello di
identificare il tasso privo di rischio tale per cui il portafoglio risky e quello risk-free
producono per l’investitore la medesima soddisfazione. A tale scopo, occorre seguire
l’iter qui di seguito descritto. Note la combinazione [σtrue; E(R)true] di un portafoglio,
nonché la funzione di utilità dell’investitore, è possibile identificare il livello di utilità
attesa che questo attribuisce al portafoglio:
1
(5.44) E[U ( x)]* = E ( R ) true − ⋅ λ ⋅ σ true
2
2
Calcolato E[U(x)]*, è possibile “disegnare” la curva di isoutilità:
1
(5.45) E ( R) = E[U ( x)] * + ⋅ λ ⋅ σ 2
2
che identifica le combinazioni rischio-rendimento alle quali corrisponde un equivalente
livello di soddisfazione per l’investitore. Il tasso di rendimento rf* si ottiene
identificando il valore E(R) corrispondente al rischio nullo:
1
(5.46) E ( R) = E[U ( x)] * + ⋅ λ ⋅ 0 2 = E[U ( x)] *
2
L’EC del portafoglio è quindi un investimento privo di rischio con combinazione
{0; E[U ( x)] *}. A scopo esemplificativo, ipotizziamo di voler calcolare l’equivalente
certo di un portafoglio con coordinate rischio-rendimento pari a (11,35%; 10,57%).
Data la funzione di utilità attesa dell’investitore - E[U ( x)] = E ( R) − 3 ⋅ σ 2 - possiamo
calcolare il livello E[U(x)]* attribuito al portafoglio:
E[U ( x)]* = 10,57% − 3 ⋅ (11,35% 2 ) = 6,71%
Calcolato E[U(x)]*, è possibile “disegnare” la curva di isoutilità:
1
E ( R) = 6,71% + ⋅ λ ⋅σ 2
2
Poiché questa funzione “incontra” l’asse delle ordinate in corrispondenza di un valore
pari a rf*=6,71%, l’investimento con combinazione (0; 6,71%) identifica l’equivalente
certo del portafoglio iniziale (Figura 5.13). Naturalmente, più elevato è il valore rf*,

228
maggiore è la soddisfazione dell’investitore.
Tornando alla simulazione, date le combinazioni rischio-rendimento della Figura
5.12 si è provveduto a calcolare l’equivalente certo (ed i valori rf*) dei 1.000 portafogli
campionari e bayesiani. La Figura 5.14 identifica le distribuzione discrete di rf*; il
valore medio e la deviazione standard di rf* sono i seguenti:
* *
r f campion = 4,88% r f bayes = 5,50%

σ campion
*
= 3,71% σ bayes
*
= 2,93%

Inoltre, nel 63,8% delle simulazioni il portafoglio che origina dagli shrinkage
estimator presenta un equivalente certo con rendimento maggiore. I dati numerici e la
forma delle funzioni di distribuzione evidenziano la capacità dei portafogli bayesiani di
produrre equivalenti certi di qualità superiore rispetto ai portafogli campionari.

Figura 5.13: Identificazione dell’equivalente certo di un portafoglio rischioso.

E(R)
Isoutilità

10,57%
risky portfolio

6,71%
equivalente certo

11,35%

Figura 5.14: Le funzioni di distribuzione di rf*.

229
 Probabilità
0,45
0,4
0,35 Portafogli con medie campionarie
0,3 Portafogli con medie bayesiane
0,25
0,2
0,15
0,1
0,05
0 rf*
-20% -16% -12% -8% -4% 0% 4% 8%

A conferma della maggiore qualità dei portafogli che originano dall’approccio di

shrinkage, nella Figura 5.15 sono state riportate le funzioni di distribuzione cumulata di
probabilità (F) dei valori rf* corrispondenti ai portafogli ottenuti con le medie
campionarie e bayesiane.

Figura 5.15: Le funzioni di distribuzione cumulata di probabilità della variabile

rf*.
Prob. cumulata
100%
Portafogli con medie di shrinkage
80%
Portafogli con medie campionarie

60%

40%

20%

rf*
0%
-25,00% -20,00% -15,00% -10,00% -5,00% 0,00% 5,00% 10,00%

230
 Il grafico evidenzia che gli equivalenti certi bayesiani arrivano quasi a dominare
stocasticamente in forma debole (o dominanza di primo ordine) gli equivalenti certi
campionari28.

5.3.3 Una riflessione finale

Le simulazioni confermano la capacità di un modello di shrinkage di alleviare i
problemi che si celano dietro l’utilizzo di parametri di input poco affidabili. Infatti,
grazie a questa metodologia, l’asset manager è in grado di applicare alle combinazioni
( σ̂ ; µ̂ ) una correzione proporzionale al grado di fiducia riposta nei parametri di input.
Gli esperimenti condotti sembrano confermare due risultati significativi:
− gli stimatori di shrinkage delle medie presentano livelli di estimation error inferiori
agli stimatori campionari;
− i portafogli efficienti originanti dall’utilizzo di stimatori di shrinkage si
caratterizzano per risultati out-of-sample migliori rispetto ai portafogli che si
alimentano di soli input campionari.
Se da un punto di vista statistico-matematico i risultati conseguiti dagli shrinkage
estimator sono positivi, non si può tacere delle perplessità di natura operativa che
accompagnano l’applicazione di questa metodologia29. Un primo elemento in grado di
ostacolarne l’uso pratico è ravvisabile nella mancata modifica della composizione dei
portafogli efficienti. Infatti, in assenza di cambiamenti nei pesi delle asset class, i
portafogli attenuti con gli stimatori di shrinkage “ereditano” dalla ottimizzazione

28
Definiti:
− Fbayes(τ) = la probabilità cumulata che il rendimento dell’equivalente certo bayesiano assuma un
valore inferiore a τ;
− Fcampion(τ) = la probabilità cumulata che il rendimento dell’equivalente certo campionario assuma un
valore inferiore a τ;
i portafogli bayesiani dominano in forma debole i portafogli campionari se:
Fbayes (τ ) ≤ Fcampion (τ ) per τ ∈ [−∞;+∞]

29
Queste critiche non possono essere estese all’intera categoria degli stimatori di shrinkage, bensì vanno
limitate alle sole applicazioni proposte nelle pagine precedenti.

231
classica di Markowitz le carenze più volte enunciate30:
− eccessiva concentrazione dei portafogli;
− natura unreasonable dei pesi delle asset class;
− elevata sensibilità dei portafogli a variazioni marginali degli input.
Gli stimatori di shrinkage non offrono alcuna risposta a queste problematiche
operative e ciò li colloca su un piano teorico, di sostanziale incapacità di affrontare (e
risolvere) molte delle questioni pratiche che un asset manager è chiamato a fronteggiare
quotidianamente. Per questa ragione l’iter proposto dagli shrinkage estimator appare di
difficile applicazione nell’ambito dell’asset management, a meno che questa tecnica
non venga combinata con logiche euristiche in grado di affrontare anche il problema
della ragionevolezza e stabilità dei portafogli31.
Un secondo elemento foriero di perplessità è riconducibile alla natura del prior. Nel
paragrafo dedicato all’introduzione della statistica bayesiana si è detto che
l’informazione prior dà l’opportunità di incorporare nelle stime il bagaglio di
conoscenze ed esperienze personali dell’asset manager. Tuttavia, l’uso della grand
mean o del rendimento del portafoglio a minimum variance rappresenta una scelta
puramente matematica (legata alla minimizzazione di una loss function) che non offre la
concreta opportunità di incorporare delle vere e proprie previsioni economiche.
Permane quindi il rischio che l’asset manager, non potendo realmente incidere sui
parametri che alimentano l’ottimizzazione, consideri gli input (ed i portafogli) non
rappresentativi delle sue view di mercato.
Il modello di Black e Litterman, oggetto di esame nel successivo paragrafo,
dimostra di saper fronteggiare - in un framework bayesiano - anche i problemi pratici
che gli shrinkage estimator ignorano.

5.4 Il modello di Black e Litterman

Pur a fronte di un rigore metodologico invidiabile, i modelli quantitativi di
costruzione del portafoglio non vengono applicati con l’assiduità che sarebbe lecito
attendersi. Ne consegue che la naive portfolio formation rule, seppur priva di

30
Cfr il paragrafo 3.3.
31
Sull’utilizzo congiunto di modelli euristici e bayesiani, si veda il paragrafo 5.5.

232
giustificazioni teoriche, è molto più diffusa di quanto si creda. A tal proposito Black e
Litterman (1992) scrivono: «Quantitative asset allocation models have not played the
important role they should in global portfolio management. A good part of the problem
is that such models are difficult to use and tend to result in portfolios that are badly
behaved».
Il fallimento operativo delle tecniche quantitative è sovente riconducibile alla
incapacità di sviluppare un modello di portfolio construction che sia compliant con il
modo di ragionare (e di operare) dei gestori. Così, ad esempio, l’ottimizzazione classica
alla Markowitz conduce raramente a composizioni di asset class giudicate ragionevoli;
questo pensiero, più volte ribadito nel corso di questo scritto, è ben sintetizzato dai
“padri” della metodologia in esame: «When investors impose no constraints, the model
almost always ordain large short positions in many asset. When constraints rule out
short position, the models often prescribe “corner” solutions with zero weights in many
assets, as well as unreasonably large weights in the assets of market with small
capitalization» (Black e Litterman, 1992).
Una tecnica matematica che ambisca ad una concreta applicazione deve quindi
incorporare le esigenze degli asset manager; in assenza di ciò il modello quantitativo è
destinato al solo piano teorico. Non è arduo produrre un elenco delle proprietà che un
modello di asset allocation dovrebbe acquisire al fine di trovare il favore dei gestori:
1. il modello dovrebbe evitare la costruzione di corner portfolio, privilegiando la
diversificazione;
2. il modello dovrebbe tenere in debita considerazione le capitalizzazioni di borsa dei
mercati, in modo da incorporare la tendenza dei gestori a discostarsi da una
posizione market neutral solo in presenza di aspettative affidabili;
3. le stime di rendimento atteso, rischio e correlazione, lungi dal limitarsi a riflettere la
sola storia (classical rule), dovrebbero incorporare le view sui mercati espresse dagli
asset manager;
4. il modello dovrebbe permettere di esprimere aspettative sui mercati caratterizzate da
diversi gradi di fiducia;
5. il modello dovrebbe permettere di esprimere view relative (il mercato A batte il

233
 mercato B del k%) e view assolute (il mercato C renderà l’x%)32;
6. il modello dovrebbe contemplare la possibilità che l’asset manager produca view
per un sotto-insieme dei mercati considerati nel processo di asset allocation,
limitandosi ad esempio a quelli che conosce meglio.
Il modello di Black e Litterman (d’ora in avanti anche B-L) è in grado di recepire
tutti i punti menzionati, palesando così uno straordinario equilibrio tra rigore
metodologico e fruibilità. E proprio grazie al raro equilibrio tra teoria e pratica, Fisher
Black e Robert Litterman, con i loro contributi datati 1990 e 1992, hanno consegnato
alla storia della finanza uno strumento efficacissimo al fine di «integrare le opinioni del
comitato di investimento in un modello di equilibrio universale» (Fusai e Meucci,
2003). Pertanto, l’approccio B-L, oltre che come mezzo di riduzione dell’estimation
error, deve essere visto come uno strumento prezioso al fine di rendere applicabile il
modello di Markowitz.
Brandt (1995) suggerisce che il modello B-L rappresenta un caso particolare di
stima mista33, consistente nel combinare due fonti informative alternative per giungere
(attraverso un approccio bayesiano) ad una posterior distribution34. Ancor prima di
descrivere le analytics del modello, analizziamo un caso generale di stima mista
coerente con il framework econometrico di B-L. L’analisi sarà utile allo scopo di
evidenziare la natura bayesiana dell’approccio.
Ipotizziamo che i rendimenti di una asset class si distribuiscano come una normale:
(5.47) r ~ N (µ , s)
I parametri µ e s (varianza) sono ignoti. L’asset manager, “pescando” da una fonte
informativa35, fa una prima assunzione circa la distribuzione dei rendimenti del mercato:
(5.48) r ~ N ( µ~, ~
s)
Tale stima è soggetta ad estimation error e per alleviare questo problema essa viene
combinata con una nuova previsione “figlia” di una seconda fonte informativa: l’asset
manager, sulla base della sua esperienza e abilità, è chiamato ad esprimere una view

32
Infatti, è piuttosto frequente che nei Comitati di Investimento venga prodotta una previsione che
coinvolge più mercati comtemporanemente. Diventa quindi necessario implementare un modello
matematico che rifletta questo modus operandi.
33
Il primo esempio di mixed estimation è di Theil e Golberger (1961). Per un approfondimento del tema
si veda anche Scowcroft e Sefton (2003).
34
He e Litterman (2002) dimostrano invece che questo modello può essere interpretato come un caso
particolare di shrinkage.
35
La possibile natura di questa prima fonte di informazioni verrà analizzata successivamente.

234
circa l’andamento del mercato. La view - identificata con v - è una variabile random la
cui funzione di distribuzione condizionata è:
(5.49) v r ~ N (µ , ω )

La view è unbiased (il valore medio coincide con il valore true ignoto), ma
imprecisa (se assumiamoo ω>0). Come suggerisce Meucci (2005), la variabile v può
essere interpretata come una “perturbazione” del risultato conseguito con la
distribuzione iniziale [ r ~ N ( µ~, ~
s ) ]: al crescere della fiducia nei confronti della view,
l’asset manager crede che il rendimento true del mercato si avvicini a quest’ultima,
differendo maggiormente dal rendimento stimato mediante la distribuzione iniziale. In
pratica, al crescere della fiducia della opinione (ovvero al ridursi del valore di ω)
aumenta la capacità di v di influenzare la posterior distribution dei rendimenti del
mercato, allontanando quest’ultima dalla forma:
(5.50) r ~ N ( µ~, ~
s)
La Figura 5.16 mostra la relazione esistente tra view e rendimenti. Nel caso in cui vi
sia elevata fiducia nella view, l’asset manager ipotizza che v rappresenti un’ottima
proxy del valore futuro assunto da r; infatti, ad ogni valore di v corrisponde un range
ridotto di possibili valori del rendimento del mercato. In una situazione di questo tipo, la
posterior distribution risulterà influenzata marginalmente dalla distribuzione iniziale ed
avrà valore atteso prossimo a v, con bassa dispersione. Di contro in presenza di bassa
fiducia nella view, l’asset manager ipotizza che la view abbia scarsa capacità di
prevedere il valore futuro assunto da r; conseguentemente, ad ogni valore di v
corrisponde un ampio intervallo di valori del rendimento. La posterior distribution
risulterà influenzata prevalentemente dalla distribuzione iniziale, con la view che
assume un ruolo marginale.

Figura 5.16: Relazione tra rendimenti di mercato e view in presenza di diversi

livelli di fiducia di quest’ultima

Elevata confidenza nella view Bassa confidenza nella view

235
 View (v ) View (v )

Rendimento (r )
Rendimento (r )

Il teorema di Bayes ci offre l’opportunità di combinare le espressioni f (v r ) e f (r )

così da ottenere la posterior distribution dei rendimenti del mercato:

(5.51) f (r v) = N ( µ mixed , s mixed )
dove:

(
µ mixed = ~s −1 + ω −1 ) × (~s
−1 −1
)
⋅ µ~ + ω −1 ⋅ v ;

= (~ )
−1 −1
s mixed s +ω .

A conferma della natura bayesiana del modello, il rendimento atteso si ottiene come
media ponderata tra µ~ e v. Per facilitare la comprensione proponiamo un esempio
numerico.
Ipotizziamo che un gestore, “attingendo” da una prima fonte di informazioni
assuma che la distribuzione dei rendimenti annuali del mercato azionario Europa sia la
seguente:
r ~ N ( µ~, ~
s ) = N (7%,19% 2 )
Egli, tuttavia, sulla base della sua esperienza prevede che nel prossimo anno il
rendimento del mercato sarà pari al v=3%; inoltre, fiducioso della sua view attribuisce a
ω un valore basso pari a 0,0196 (ovvero 14%2).
Applicando la mixed estimation, il gestore ottiene il valore atteso e la deviazione
standard dei rendimenti:

(
µ mixed = ~s −1 + ω −1 ) × (~s ⋅ µ~ + ω ⋅ v ) = 4,41% ;
−1 −1 −1

= (~
s + ω ) = 11,27% .
−1 −1
σ mixed = s mixed
Pertanto, la posterior distribution dei rendimenti del mercato è la seguente:

236
 f (r v) = N ( µ mixed , s mixed ) = N (4,41%;11,27%)

Nell’ipotesi in cui la view fosse giudicata meno affidabile ed al parametro Ω si

attribuisse un valore pari a 0,160 (ovvero 40%2), il risultato sarebbe stato
significativamente diverso:

(
µ mixed = ~s −1 + ω −1 ) × (~s ⋅ µ~ + ω
−1 −1 −1
)
⋅ v = 6,26% ;

σ mixed = (~s + ω ) = 17,16% .

−1 −1

In questo secondo caso la posterior distribution assumerebbe una forma molto

prossima alla distribuzione iniziale [ f (r ) = N ( µ~, ~
s ) ]. La Figura 5.17 permette di
apprezzare graficamente il diverso livello di “perturbazione” che, nei due diversi
scenari, la view produce sulla distribuzione dei rendimenti.

Figura 5.17: L’effetto “perturbazione” prodotto dalla view

ω=0,0196

Probabilità v
Posterior distribution
Distribuzione pre-view

-50% -38% -25% -13% 0% 13% 25% 38% 50%

Rendimenti

ω=0,160

237
 Probabilità v
Posterior distribution
Distribuzione pre-view

-50% -38% -25% -13% 0% 13% 25% 38% 50%

Rendimenti

Giunti a questo punto, non rimane che analizzare il metodo della stima mista
proposta da Black e Litterman.

5.4.1 Le analytics del modello

L’interesse che la metodologia B-L ha suscitato in ambito accademico ed operativo
è ravvisabile nella rapida e prolifica produzione di lavori sul tema: Black e Litterman
(1990, 1992), Bevan e Winkelmann (1998), He e Litterman (1999, 2002), Lee (2000),
Satchell e Scowcroft (2000), Drobetz (2001), Christodoulakis (2002), Fusai e Meucci
(2003), Litterman e Quantitative Resources Group di Goldman Sachs (2003), Idzorek
(2004), Meucci (2005, 2006), Fabozzi et al. (2006, 2007), Jones et al. (2007).
Attingendo da questa corposa letteratura, proponiamo una trattazione della struttura
statistica del modello.
Ipotizziamo che i rendimenti delle asset class si distribuiscano come una normale
multivariata:
(5.52) r ~ N ( µ , Σ)
Coerentemente con la sua natura bayesiana, il modello B-L fa uso di due set
informativi indipendenti che contribuiranno ad identificare la posterior distribution dei
rendimenti. Lo scopo è quello di addivenire ad una distribuzione finale, combinando i

238
rendimenti di equilibrio (prima fonte informativa) e le view degli asset manager
(seconda fonte informativa).
L’intuizione alla base del modello è data dall’assunto che gli asset manager, in
assenza di previsioni sui mercati, dovrebbero costruire portafogli di equilibrio (o market
neutral), ovvero portafogli che, non incorporando scommesse di alcun tipo, sono fedeli
alla capitalizzazione di borsa dei mercati. Questo principio, già discusso nel paragrafo
4.2 dedicato alle ottimizzazioni vincolate, è perfettamente condivisibile, poiché in linea
con l’operatività dei gestori di portafoglio.
Sulla base di questo presupposto, assumiamo che il primo set informativo sia
costituito:
− dal vettore colonna dei rendimenti attesi (Π) dei mercati;
− dalla matrice delle covarianze (Σ);
che processati in una ottimizzazione alla Markowitz restituiscono un portafoglio
efficiente neutrale. In altri termini, piuttosto che utilizzare le medie, le deviazioni
standard e le correlazioni campionarie, il modello si affida a misure di rendimento
atteso, rischio e correlazione che, in assenza di view in grado di modificarne il valore,
restituirebbero un portafoglio dalla composizione market neutral. La prima fonte
informativa è quindi identificabile nella distribuzione di equilibrio dei rendimenti:
(5.53) r ~ N (Π , Σ )
Occorre verificare come sia possibile stimare i parametri Π e Σ. A tale scopo, è
necessario ricorrere ad una ottimizzazione media-varianza nella quale input ed output
sono rovesciati.
Dati:
Μ = vettore colonna dei rendimenti;
C = matrice delle covarianze;
λ = coefficiente di avversione al rischio dell’investitore;
W = vettore colonna dei pesi delle asset class;
la soluzione di questa ottimizzazione non vincolata36:
⎛ 1 ⎞
(5.54) Max⎜W T ⋅ M − λ ⋅ W T ⋅ C ⋅ W ⎟
W ⎝ 2 ⎠

36
Si noti l’assenza di qualsiasi vincolo, compreso quello relativo alla somma dei pesi pari a 1.

239
 C −1
è la seguente W = ⋅M
λ
Effettuando alcuni semplici passaggi algebrici si giunge al seguente risultato:
(5.55) M = (λC ) ⋅ W
Quindi, conoscendo la matrice delle covarianze (C), il parametro di avversione al
rischio (λ) e la composizione di un portafoglio (W), è possibile determinare i rendimenti
(M) che utilizzati in una ottimizzazione media-varianza restituirebbero un portafoglio
efficiente con composizione W. Poiché questo processo ribalta la logica
dell’ottimizzazione classica (i pesi diventano un input e i rendimenti l’output), esso
viene comunemente definito reverse optimization.
Tornando al modello B-L, questo modus operandi può essere applicato per
determinare la nostra distribuzione multivariata di equilibrio. Se ipotizziamo che la
matrice delle covarianze Σ sia nota e che il portafoglio market neutral (assimilabile al
portafoglio di mercato del Capital Asset Pricing Model) abbia una composizione
identificata dal vettore colonna WMN, allora il vettore Π dei rendimenti di equilibrio può
essere così calcolato:
(5.56) Π = (λΣ ) ⋅ WMN
Per la stima del coefficiente di avversione al rischio si ricorre frequentemente alla
formula:
E ( R ) MN − r f
(5.57) λ=
σ MN
2

dove:
E ( R) MN = Rendimento atteso del portafoglio market neutral;

r f = Rendimento risk-free;

σ MN
2
= Varianza del portafoglio market neutral.

Tuttavia, nel caso in cui λ venga così calcolato, l’espressione (λΣ ) ⋅ WMN stima gli

excess return (i premi al rischio) di equilibrio; ai fini della stima dei rendimenti di
equilibrio occorre quindi applicare questa formula:
(5.58) Π = r f ⋅ I + (λΣ ) ⋅ WMN

dove I è un vettore colonna di valori unitari di dimensione equivalente al numero degli

240
asset.
É dimostrabile37 che stimando il λ in questo modo, i valori Π conseguiti con la
reverse optimization coincidono con quelli conseguiti utilizzando lo Security Market
Line del CAPM di Sharpe, Lintner e Mossin38.
La prima fonte informativa del modello B-L è sintetizzabile nella distribuzione dei
rendimenti r ~ N (Π, Σ) , dove, noto λ:

− la matrice delle covarianze è ipotizzata nota;

− il vettore dei rendimenti attesi è calcolato ricorrendo alla reverse optimization.
L’assunto è che i rendimenti attesi µ dei mercati siano variabili aleatorie distribuite
normalmente, centrate attorno ai valori di equilibrio Π:

(5.59) µ = Π + ε (I )

37
Nel framework del CAPM, i rendimenti attesi di equilibrio dei risky asset sono determinati nel modo
seguente:
[ ]
E ( R ) i = r f + E ( R) MN − r f ⋅
Cov(rMN ; ri )
2
[ ]
= r f + E ( R ) MN − r f ⋅ β i
σ MN
dove:
E ( R ) i = Rendimenti atteso della attività [Link];
E ( R) MN = Rendimento atteso del portafoglio di mercato;
r f = Rendimento dell’attività risk-free;
Cov(rMN ; ri ) = Covarianza tra i rendimenti del portafoglio di mercato e dell’attività [Link];
β i = Beta della attività [Link];
2
σ MN = Varianza del portafoglio di mercato.

Ipotizzando di utilizzare questa formula per calcolare i rendimenti attesi di equilibrio di più asset class,
l’insieme delle Security Market Line può essere espresso in forma matriciale:

Π = rf ⋅I +
[
E ( R) MN − r f ]
⋅ COV = r f ⋅ I + λ ⋅ COV
2
σ MN
Dove:
Π = Vettore colonna dei rendimenti attesi delle asset class;
COV = Vettore colonna delle covarianze tra i rendimenti del portafoglio di mercato e di ciascuna delle
asset class; l’[Link] elemento di questo vettore è la covarianza tra il portafoglio di mercato e
l’[Link] asse class.
I = Vettore colonna di valori unitari di dimensione equivalente al vettore Π.
Poiché la matrice COV è pari al prodotto tra la matrice delle covarianze dei rendimenti degli asset (Σ) e il
vettore colonna (WMN) che identifica i pesi del portafoglio di mercato:
COV = Σ ⋅ W MN
l’espressione matriciale che identifica i rendimenti attesi di equilibrio può essere scritta nel seguente
modo:
Π = r f ⋅ I + λ ⋅ Σ ⋅ W MN
Questa è la formula che si ottiene applicando la reverse optimization.
38
Cfr. Sharpe (1964), Lintner (1965) e Mossin (1966).

241
dove ε(Ι) è un vettore colonna di dimensione (N) equivalente al numero delle asset class,
che esprime gli errori dei rendimenti di equilibrio. ε(Ι) si distribuisce come una normale
multivariata con media nulla (i rendimenti di equilibrio Π sono unbiased) e matrice
delle covarianze τΣ:
⎡ε1( I ) ⎤ ⎛ ⎡0 ⎤ ⎞
⎢ (I ) ⎥ ⎜⎢ ⎥ ⎟
ε ⎜ 0 ⎟
(5.60) ε (I ) = ⎢ 2 ⎥ ~ N⎜ ⎢ ⎥ ; τΣ ⎟
⎢ M ⎥ ⎢M⎥
⎢ (I ) ⎥ ⎜⎢ ⎥ ⎟
⎢⎣ε N ⎥⎦ ⎜ 0 ⎟
⎝⎣ ⎦ ⎠
Alternativamente, potremmo scrivere:
(5.61) µ ~ N (Π, τΣ )
In letteratura non vi è uniformità circa il valore da attribuire allo scalare τ. Vale
tuttavia una considerazione generale: poiché l’incertezza dei rendimenti medi è inferiore
dell’incertezza dei rendimenti, τ dovrebbe essere minore di uno, in modo tale che τΣ
assuma valori numerici inferiori di Σ. É frequente attribuire a questo scalare un valore
compreso tra 0,01 e 0,0539. Inoltre, nell’ipotesi in cui la matrice delle covarianze (Σ) sia
estrapolata da un campione di osservazioni storiche di ampiezza T, è possibile attribuire
a τ un valore pari a 1/T. Operando in questo modo, applichiamo ai rendimenti attesi di
equilibrio le proprietà delle medie campionarie40. Ad ogni modo, τ rimane una variabile
soggettiva: maggiore è la fiducia nei confronti della condizione di equilibrio del
mercato, minore deve essere il valore attribuito a questo scalare.
Mutuando il linguaggio bayesiano, l’espressione µ = Π + ε (I ) rappresenta la prior
information41. Il fatto che Π e Σ siano scelti in modo da restituire un investimento

39
Cfr. Lee (2000).
40
Infatti, se i rendimenti attesi delle asset class seguono una distribuzione normale multivariata con
parametri ignoti µ e Σ:
r ~ N ( µ , Σ)
le medie campionarie delle asset class (rappresentate dal vettore µ̂ ) estratte da un campione di ampiezza
T sono anch’esse distribuite normalmente con parametri ignoti µ e Σ/Τ:
Σ
µˆ ~ N ( µ , )
T
41
In realtà non vi è unanimità di consensi circa la natura del prior information: He e Litterman (1999,
2002) - al pari di quanto affermato in questo lavoro - identificano il prior nei rendimenti di equilibrio; di
contro per Lee (2000) e Meucci (2005) il prior è dato dalle view. Entrambe queste opzioni sembra
coerenti con un framework bayesiano. Infatti, a favore della prima ipotesi vi è l’assunto che la view
potrebbe essere estrapolata da serie storiche campionarie, le cui dimensioni ne influenzano il grado di

242
neutrale dimostra che, a differenza degli stimatori di shrinkage, qui il prior non viene
scelto in funzione della sola necessità di minimizzare l’errore di stima, ma anche della
volontà di partire da un portafoglio neutrale dalla composizione ragionevole. Da ciò
deriva una significativa riduzione della probabilità di conseguire portafogli giudicati
unreasonable42.

Il passaggio successivo riguarda l’introduzione della seconda fonte informativa,

identificabile nella produzione delle view. Il contributo di queste ultime è colto
efficacemente da Drobetz (2001): «The Black-Litterman model gravitates toward a
neutral, i.e. market capitalization weighted, portfolio that tilts in the direction of assets
favoured in the views expressed by the investor. The extent of deviation from
equilibrium depends on the degree of confidence the investor has in each view».
Parafrasando le parole di Drobetz, il compito delle view è quello di attribuire all’asset
manager (o all’investitore) la possibilità di allontanare il portafoglio dalla composizione
neutrale, in modo da allinearlo alle opinioni relative al futuro comportamento dei
mercati. Questo modello non nasce dunque dall’assunto che i mercati siano in costante
equilibrio; piuttosto, partendo da uno stato di equilibrio, attribuisce agli analisti
l’opportunità di discostarsene in presenza di opinioni contrastanti ma affidabili: «We
need not assume that markets are always in equilibrium to find an equilibrium
approach useful. Rather, we view the world as a complex, highly random system in
which there is a constant barrage of new data and shocks to existing valuations that as
often as not knock the system away from equilibrium. However, although we anticipate
that these shocks constantly create deviations from equilibrium in financial market [...]
we also assume that these deviations represent opportunities» (Litterman, B. e

fiducia. Di contro, la tesi di Lee e Meucci trova conferma nel fatto che il prior dovrebbe assumere una
natura soggettiva (mentre i rendimenti di equilibrio sono, almeno in teoria, oggettivi ) e coincidere quindi
con le view. Chi scrive è concorde con He e Litterman; questa posizione nasce dal seguente
ragionamento: il prior bayesiano ha il compito di ridurre l’errore di stima, favorendo, in una logica
media-varianza, la costruzione di portafogli meno esposti al problema. Analizzando la questione da
quest’ottica, è la distribuzione iniziale di equilibrio che contribuisce a migliorare le previsioni
economiche dei gestori, non l’opposto. Del resto le sole view condurrebbero a portafogli concentrati (con
le conseguenze negative a noi note), mentre le sole distribuzioni di equilibrio condurrebbero a portafogli
diversificati. In tal senso, sono le view a dover essere supportate dai dati di equilibrio, ed è quindi più
corretto identificare il prior negli input market neutral.
42
La possibilità di conseguire soluzioni irragionevoli, perché concentrate o poco fedeli alle
capitalizzazioni di borsa, è ravvisabile solo nell’ipotesi in cui la seconda fonte informativa (le view)
produca una elevata “perturbazione”, in grado di mutare sensibilmente la distribuzione di equilibrio. Il
tema è approfondito nel paragrafo 5.4.2.

243
Quantitative Resources Group di Goldman Sachs, 2003). Questa capacità di incorporare
nel modello le economic view dei gestori rappresenta la proprietà operativamente più
interessante del modello in esame43. Il modello B-L è molto flessibile e non obbliga
l’asset manager ad esprimere delle view sulla totalità delle asset class. Inoltre, come già
anticipato, le view potranno essere di tipo relativo e/o assoluto.
Da un punto di vista analitico le view vengono espresse utilizzando la seguente
forma matriciale:
(5.62) P ⋅ µ = Q + ε (II )
a. P è una matrice di dimensione K×N, dove ciascuna delle K righe identifica una
specifica view ed N indica la numerosità delle asset class. Il compito di P è quello di
identificare i mercati coinvolti nelle view.
b. µ è un vettore colonna di dimensione N che identifica i rendimenti attesi delle asset
class. La produttoria tra P e µ permette di identificare la natura delle variabili
aleatorie sulle quali si focalizzano la opinioni dei gestori.
c. Q è un vettore colonna di dimensione K che identifica le view, ovvero i rendimenti
che ci si attende dalle combinazioni dei mercati identificate dalla produttori tra P e
µ.
d. ε(ΙΙ) è un vettore colonna di dimensione K che esprime gli errori delle view. Il vettore
degli errori si distribuisce come una normale con media nulla (le view sono
unbiased) e matrice delle covarianze Ω.

Alternativamente possiamo scrivere:

(5.63) P ⋅ µ ~ N (Q; Ω )
Allo scopo di chiarire la natura di queste matrici, facciamo ricorso ad un esempio
numerico. Ipotizziamo che un asset manager consideri 6 mercati ed esprima le seguenti
opinioni:
1. Il terzo mercato renderà il 10%;
2. Il secondo mercato renderà il 4% in più del sesto mercato;
3. Il 50% del secondo mercato più il 50% del quinto mercato renderanno più del
primo mercato di un importo pari al 2%.

43
Va sottolineato che l’approccio di Black-Litterman non rappresenta l’unico tentativo di incorporare le
view economiche partendo da un modello di equilibrio. A tal proposito si rimanda ai lavori di Kandel e
Stambaugh (1996), Connor (1997), Pastor (2000), Pastor e Stambaugh (2000, 2002) e Avramov (2004).

244
 La generica formula P ⋅ µ = Q + ε (II ) assume la seguente forma44:

⎡ E ( R) Mkt1 ⎤
⎢ E ( R) ⎥
⎡0 0 +1 0 0 0⎤ ⎢ Mkt 2 ⎥
⎡10%⎤ ⎡ε 1 ⎤
( II )

⎢ 0 + 1 0 0 0 − 1⎥ × ⎢ E ( R ) Mkt 3 ⎥ ⎢ ⎥ ⎢ ( II ) ⎥
⎢ ⎥ ⎢ E ( R) ⎥ = ⎢ 4% ⎥ + ⎢ε 2 ⎥
⎢⎣− 1 0,5 0 0 0,5 0 ⎥⎦ ⎢ Mkt 4 ⎥
⎢ 2% ⎥⎦ ⎢ε 3( II ) ⎥
⎢ E ( R) Mkt 5 ⎥ ⎣ ⎣ ⎦
⎢ ⎥
⎢⎣ E ( R) Mkt 6 ⎥⎦
dove
⎡ε 1( II ) ⎤ ⎛ ⎡0 ⎤ ⎞
⎢ ( II ) ⎥ ⎜⎢ ⎥ ⎟
ε ( II ) = ⎢ε 2 ⎥ ~ N⎜ ⎢0⎥ ; Ω ⎟
⎢ε ( II ) ⎥ ⎜ ⎢0 ⎥ ⎟
⎣ 3 ⎦ ⎝⎣ ⎦ ⎠
Sviluppando il prodotto matriciale nel primo addendo, arriviamo ad un risultato che
permette di apprezzare la natura delle variabili aleatorie sulle quali si focalizzano le
view:

⎤ ⎡10%⎤ ⎡ε 1 ⎤
( II )
⎡ E ( R) Mkt1
⎢ ( ) − ( ) ⎥ = ⎢ 4% ⎥ + ⎢ε ( II ) ⎥
⎢ E R Mkt 2 E R Mkt 6 ⎥ ⎢ ⎥ ⎢ 2 ⎥
⎢⎣0,5 ⋅ E ( R) Mkt 2 + 0,5 ⋅ E ( R) Mkt 5 − E ( R) Mkt1 ⎥⎦ ⎢⎣ 2% ⎥⎦ ⎢ε 3( II ) ⎥
⎣ ⎦

Ancor prima di affrontare il tema della combinazione delle due fonti informative
(distribuzione di equilibrio e opinioni), occorre analizzare la forma della matrice Ω, il
cui compito è quello di definire il grado di fiducia delle view. É usuale costruire una
matrice diagonale, ovvero caratterizzata da valori esterni alla diagonale principale pari a
zero45:
⎡ϖ 1 0 0 0 ⎤
⎢0 ϖ 0 0 ⎥⎥
(5.64) Ω= ⎢ 2
⎢0 0 O 0⎥
⎢ ⎥
⎣0 0 0 ϖn⎦

Questa configurazione implica l’indipendenza tra le view, e ha il pregio di facilitare

il compito del gestore, dispensandolo dall’onere di stimare le correlazioni tra le proprie

44
In riferimento alla matrice P, si noti come tutte le asset class non contemplate nelle view assumono
peso nullo.
45
L’assunzione di una matrice Ω diagonale non è obbligatoria. Sulla trattazione del problema in ipotesi di
matrice non diagonale si rimanda al lavoro di He e Litterman (2002).

245
opinioni. I valori ϖ presenti lungo la diagonale principale esprimono l’errore di
previsione e la loro stima rappresenta forse l’aspetto più complesso e dibattuto del
modello B-L. Se le view venissero estrapolate da un modello di previsione quantitativo,
la stima di ϖ risulterebbe facilitata, poiché in tal caso sarebbe possibile utilizzare
l’errore del modello, ovvero la varianza del rendimento atteso non spiegata dal modello
stesso:
⎡σ 12 ⋅ (1 − R 12 ) 0 0 0 ⎤
⎢ ⎥
⎢ 0 σ 2 ⋅ (1 − R 2 ) 0
2 2
0 ⎥
(5.65) Ω=
⎢ 0 0 O 0 ⎥
⎢ ⎥
⎢⎣ 0 0 0 σ K ⋅ (1 − R K )⎥⎦
2 2

dove R2 identifica la porzione di varianza del rendimento atteso spiegata dal modello.
In assenza di un modello di stima, vi è pur sempre la possibilità di trasformare una
opinione da qualitativa in quantitativa. Ad esempio, qualora un analista abbia
pronosticato - per un mercato o una combinazione di più mercati - un rendimento atteso
v, egli può essere esortato ad identificare l’intervallo [α1; α2] tale per cui la probabilità
che il rendimento atteso si collochi al suo interno sia pari al k%. Queste informazioni,
insieme alle proprietà di una distribuzione normale, permettono di identificare la
varianza implicita del rendimento atteso:
α2
(5.66) ( )
σ tale per cui : ∫ n x; v;σ 2 dx = k %
2

α1

Ad esempio ipotizziamo che un asset manager ritenga che il mercato giapponese

conseguirà un rendimento del 5% e che vi sia una probabilità del 95% che il rendimento
atteso si collochi all’interno dell’intervallo [0%;10%]. Sfruttando le proprietà della
gaussiana possiamo quantificare la varianza utilizzabile per configurare la matrice Ω:
0,1
( )
σ 2 tale per cui : ∫ n x;5%; σ 2 dx = 95%
0

σ = 3,04% = 0,000924
2 2

Molti dei lavori proposti in letteratura calcolano i valori ϖ, utilizzando direttamente

la matrice delle covarianze già utilizzata per la stima della prior distribution. Il modo
più semplice per calcolare i valori della diagonale principale di Ω è quello proposto da

246
He e Litterman (2002): «The confidence level on a view is calibrated so that the ratio
between the parameters ϖ and τ is equal to the variance of the portfolio in the view».
Seguendo questa procedura, la matrice Ω assume la seguente forma:

⎡ p1 ⋅ (τΣ ) ⋅ p1T 0 0 0 ⎤
⎢ ⎥
0 p 2 ⋅ (τΣ ) ⋅ p 2T 0 0
(5.67) Ω=⎢ ⎥
⎢ 0 0 O 0 ⎥
⎢ ⎥
⎣⎢ 0 0 0 p K ⋅ (τΣ ) ⋅ p TK ⎦⎥

Dove p1, p2,...,pK rappresentano le righe della matrice P.

Questa soluzione semplificata ha il limite di stimare Ω senza che l’asset manager
esprima il grado di fiducia riposta nelle opinioni. Il suo utilizzo presuppone l’ipotesi che
la fiducia nelle view sia equivalente alla fiducia nella condizione di equilibrio dei
mercati.
Allo scopo di rimuovere questa limitazione, è possibile ricorrere ad una soluzione
alternativa:
⎡⎛ 1 ⎞ ⎤
⎢⎜⎜ − 1⎟⎟ ⋅ p1 ⋅ (τΣ ) ⋅ p1
T
0 0 0 ⎥
⎢⎝ 1 ⎠
c ⎥
⎢ ⎛ 1 ⎞ ⎥
(5.68) Ω = ⎢ 0 ⎜⎜ − 1⎟⎟ ⋅ p 2 ⋅ (τΣ ) ⋅ p 2T 0 0 ⎥
⎢ ⎝ c2 ⎠ ⎥
⎢ 0 0 O 0 ⎥
⎢ ⎛ 1 ⎞ ⎥
⎢ 0 0 0 ⎜⎜ − 1⎟⎟ ⋅ p K ⋅ (τΣ ) ⋅ p TK ⎥
⎣ ⎝ cK ⎠ ⎦
c1, c2,...,cK sono scalari il cui compito è quello di esprimere la fiducia che l’asset
manager ripone nelle k generiche view. I parametri c possono assumere valori
all’interno dell’intervallo (0; 100%), estremi esclusi; la logica di attribuzione dei valori
è la seguente:
− se l’asset manager ripone una bassa confidenza nella opinione, lo scalare c assume
valori prossimi a zero. La distribuzione di probabilità della view sarà caratterizzata
da elevata dispersione, a causa della quale i rendimenti finali saranno scarsamente
influenzati dalla view;
− se l’asset manager ripone una elevata confidenza nell’opinione, lo scalare c assume
valori prossimi al 100%. La distribuzione di probabilità della view sarà caratterizzata
da bassa dispersione, e i rendimenti finali dipenderanno prevalentemente dalla view.
In sintesi, al crescere di c aumenta la confidenza nella opinione, così come la sua

247
capacità di influenzare la distribuzione finale (la posterior distribution) dei rendimenti
attesi. Una notazione particolare merita il caso in cui c assuma un valore pari al 50%; in
questo caso la varianza della view diventa:
⎛ 1 ⎞
(5.69) ⎜ − 1⎟ ⋅ pi ⋅ (Σ ⋅ τ ) ⋅ piT = (2 − 1) ⋅ pi ⋅ (Σ ⋅ τ ) ⋅ piT = pi ⋅ (Σ ⋅ τ ) ⋅ piT
⎝ 0,5 ⎠
Si torna così alla versione semplificata, nella quale i rendimenti di equilibrio e le
view contribuiscono equamente alla determinazione della distribuzione finale dei
rendimenti. Come si potrà verificare negli esempi numerici proposti nel successivo
paragrafo, attribuendo a c valori elevati si producono rendimenti attesi finali che,
discostandosi significativamente da quelli di equilibrio, conducono a portafogli ottimali
anch’essi notevolmente difformi dalla posizione market neutral. Per tale ragione ed in
virtù della concreta difficoltà di produrre view attendibili, si suggerisce di attribuire a c
valori non eccessivi.

A questo punto non rimane che affrontare il tema della stima della posterior
distribution. A tal proposito Black e Litterman (1992) scrivono: «The expected excess
return, E[R], is unobservable. It is assumed to have a probability distribution that is
proportional to a product of two normal distribution. The first distribution represents
equilibrium. [...] The second distribution represents the investor’s views». Difatti, la
prior information e le opinioni dei gestori ci restituiscono due distinte espressioni:
(5.70) µ = Π + ε (I )

(5.71) P ⋅ µ = Q + ε ( II )
Entrambe hanno l’ambizione di stimare la distribuzione dei rendimenti attesi delle asset
class46 pescando rispettivamente da una condizione di market equilibrium e dalle
capacità previsionali individuali. Ipotizzando che queste fonti informative siano
indipendenti tra loro, ovvero assumendo la non correlazione tra ε(I) e ε(II):
⎡ε (I ) ⎤ ⎛ ⎡τΣ 0 ⎤ ⎞
(5.72) ⎢ ( II ) ⎥ ~ N⎜⎜ 0; ⎢ ⎥ ⎟⎟
⎣ε ⎦ ⎝ ⎣ 0 Ω⎦ ⎠
il risultato finale - ovvero i rendimenti attesi definiti alla Black-Litterman (ΠBL) - si

46
La prima espressione riguarda la totalità dei mercati, la seconda anche semplicemente un sottoinsieme.

248
ottiene nel modo seguente47:

(5.73) [
Π BL = (τΣ) −1 + P T ⋅ Ω −1 ⋅ P ] × [(τΣ)
−1 −1
⋅ Π + P T ⋅ Ω −1 ⋅ Q ]
Mutuando Idzorek (2004), nella Figura 5.18 viene sintetizzato graficamente l’intero
modello Black-Litterman. Disponiamo così del vettore dei rendimenti attesi ΠBL
utilizzabile come input in una ottimizzazione media-varianza.

Figura 5.18: Rappresentazione sintetica del modello Black-Litterman

47
Per la dimostrazione si rimanda a Theil e Golberger (1961). É possibile calcolare anche la matrice delle
covarianze dei rendimenti attesi:
[ ]
Σ BL = (τΣ) −1 + P T ⋅ Ω −1 ⋅ P
−1

Questo risultato fu proposto da Satchell e Scowcroft (2000), mentre Black e Litterman, nel loro lavoro del
1992, non lo segnalarono. Tuttavia, la “dimenticanza” degli autori non appare significativa, poiché ΣBL,
rappresentando la matrice delle covarianze dei rendimenti attesi (anziché dei rendimenti), non può essere
utilizzata come input nelle ottimizzazioni media-varianza. Tuttavia questo risultato non è privo di valore,
poiché in taluni casi è possibile riconvertire la matrice delle covarianze dei rendimenti attesi nella matrice
delle covarianze dei rendimenti. Ad esempio, applicando le proprietà delle medie campionarie, la matrice
Σ delle covarianze delle medie estratta da un campione di ampiezza T, può essere trasformata nella
matrice delle covarianze dei rendimenti, moltiplicando tra loro Σ e T.
Infine, nell’ipotesi in cui le view siano ipotizzate certe (la diagonale principale della matrice Ω presenta
tutti valori nulli), i rendimenti alla Black-Litterman si ottengono risolvendo la seguente ottimizzazione
vincolata (Cfr. Black e Litterman, 1992 e Lee, 2000):
min (Π − Π BL ) ⋅τΣ −1 ⋅ (Π − Π BL )
T

Π BL

Vincolo :
P ⋅ Π BL = Q
La funzione minimizzanda rappresenta la distanza di Mahalanobis (cfr. il paragrafo 5.4.2); il vincolo
impone che i rendimenti finali alla Black-Litterman siano perfettamente fedeli alle view espresse. Il
risultato finale è in tal caso il seguente:
Π BL = Π + (τΣ) ⋅ P T ⋅ ( P ⋅ τΣ ⋅ P T ) −1 ⋅ (Q − P ⋅ Π )

249
 Avversione al Matrice delle Asset class
Pesi Incertezza
rischio covarianze dei View presenti nelle
market neutral delle view
dell'investitore rendimenti view
λ Σ WΜΝ Q P Ω

Vettore dei rendimenti attesi di equilibrio

Π=(λΣ)⋅WMN

Prior distribution Distribuzione delle view

µ ~N(Π; τ Σ) Pµ ∼Ν(Q; Ω)

Posterior distribution dei rendimenti attesi

µ ∼Ν(ΠBL; ΣBL)
Fonte: Idzorek (2004)

5.4.2 Applicazione pratica

Il ricorso ad un esempio numerico sarà utile al fine di chiarire le caratteristiche del
modello, nonché apprezzarne la coerenza con il modus operandi degli asset manager. A
tal fine, l’esercizio numerico riproduce il comportamento di un gestore alle prese con un
problema di asset allocation.
Un gestore di un fondo bilanciato, nel tentativo di soddisfare le esigenze di un
investitore-tipo, costruisce un portafoglio combinando più mercati. Gli asset che egli
considera potenzialmente interessanti sono 8, ed a ciascuno di essi viene associato un
indice di mercato (Tabella 5.6).

Tabella 5.6: Mercati e Benchmark selezionati

250
 Mercati Indici di Mercato
Monetario area Euro I. Mkt. 1 = JPM Euro Cash 3M - Tot Return Ind
Obbligazionario Area Euro I. Mkt. 2 = CGBI WGBI EMU All Mats. - Tot Return Ind
Obbligazionario Internazionale I. Mkt. 3 = CGBI WGBI BD All Mats - Tot Return Ind
Azionario Europa I. Mkt. 4 = MSCI Europe - Gross Index
Azionario Nord America I. Mkt. 5 = MSCI North America - Gross Index
Azionario Giappone I. Mkt. 6 = MSCI Japan - Gross Index
Azionario Pacifico con esclusione del Giappone I. Mkt. 7 = MSCI Pacific free ex Japan - Gross Index
Azionario Paesi Emergenti I. Mkt. 8 = MSCI EM (Emerging Markets) - Gross Index

Egli ipotizza che i rendimenti delle asset class si distribuiscano come una normale
multivariata:
(5.74) r ~ N ( µ , Σ)
Ai fini della stima dei rendimenti attesi, ci si affida al modello B-L che,
coerentemente con la sua natura bayesiana, combina due set informativi indipendenti: il
primo prevalentemente oggettivo48, il secondo soggettivo. Ai fini della stima dei
rendimenti attesi di equilibrio (Π) occorre disporre:
− della composizione del portafoglio market neutral (WMN);
− della matrice delle covarianze (Σ);
− del parametro di avversione al rischio dell’investitore (λ).
In primis, il gestore deve identificare il portafoglio-benchmark privo di scommesse,
ovvero coerente con le capitalizzazioni di borsa dei mercati. Da un punto di vista teorico
questo portafoglio dovrebbe coincidere con il market portfolio del Capital Asset Pricing
Model. Tuttavia, in termini squisitamente operativi questa non rappresenta una
soluzione efficace: infatti, il portafoglio di mercato potrebbe avere una composizione
incoerente con l’avversione al rischio; ad esempio, esso potrebbe presentare una
percentuale di risky asset non in linea con gli obiettivi perseguiti dall’investitore49. Per
questa ragione, è operativamente più corretto selezionare un portafoglio che sia sì
market neutral, ma anche coerente con la tolleranza al rischio dell’investitore-tipo50. Il

48
Sarebbe errato affermare che la stima della posterior distribution sia totalmente oggettiva, poiché la
determinazione della matrice delle covarianze è di tipo soggettivo. Ad esempio, qualora si ricorra alla
logica campionaria, occorrerebbe definire (soggettivamente) l’ampiezza del campione.
49
Il problema sarebbe eliminato se il market portfolio venisse combinato con l’attività risk-free. Ma nella
pratica i gestori non ricorrono a questa soluzione.
50
Sulla costruzione di portafogli market neutral caratterizzati da livelli diversi di rischio, si veda il
paragrafo 4.2.1.

251
portafoglio selezionato è il seguente51:
⎡ [Link] Area Euro ⎤ ⎡8,40% ⎤
⎢w ⎥ ⎢ ⎥
⎢ [Link] Area Euro ⎥ ⎢61,60%⎥
⎢ [Link] Internazionale ⎥ ⎢4,50% ⎥
⎢ ⎥ ⎢ ⎥
⎢ [Link] Europa ⎥ ⎢ 7,96% ⎥
WMN = ⎢ =
[Link] Nord America ⎥ ⎢12,21%⎥
⎢ ⎥ ⎢ ⎥
⎢ [Link] Giappone ⎥ ⎢2,30% ⎥
⎢w ⎥ ⎢0,97% ⎥
⎢ [Link] Pac. ex Giappone ⎥ ⎢ ⎥
⎢⎣ [Link] Emerg. Market ⎥⎦ ⎢⎣2,07% ⎥⎦

La matrice delle covarianze (Σ) - che il modello assume esatta - viene estrapolata da
un campione storico di rendimenti (espressi in euro) di ampiezza T=19 anni relativo al
periodo Gennaio 1988 - Dicembre 2006 (Tabella 5.7)..

Tabella 5.7: La matrice delle covarianze (Σ)

I. Mkt. 1 I. Mkt. 2 I. Mkt. 3 I. Mkt. 4 I. Mkt. 5 I. Mkt. 6 I. Mkt. 7 I. Mkt. 8
I. Mkt. 1 0,0009 0,00044 0,0007 -0,00068 0,00022 -0,00222 0,00073 0,00128
I. Mkt. 2 0,00044 0,00267 0,0024 -0,00015 0,00064 -0,00439 0,00187 -0,00288
I. Mkt. 3 0,0007 0,0024 0,00695 0,00903 0,01137 0,00842 0,01396 0,01373
I. Mkt. 4 -0,00068 -0,00015 0,00903 0,03948 0,03824 0,03765 0,03792 0,04713
I. Mkt. 5 0,00022 0,00064 0,01137 0,03824 0,04607 0,03478 0,0304 0,04386
I. Mkt. 6 -0,00222 -0,00439 0,00842 0,03765 0,03478 0,09444 0,06984 0,09136
I. Mkt. 7 0,00073 0,00187 0,01396 0,03792 0,0304 0,06984 0,09455 0,10289
I. Mkt. 8 0,00128 -0,00288 0,01373 0,04713 0,04386 0,09136 0,10289 0,14207

Per la stima del parametro di avversione al rischio seguiamo una logica di

determinazione facilmente replicabile, basata sull’uso della espressione più diffusa:
E ( R ) MN − r f
(5.75) λ=
σ MN
2

Il tasso risk-free è pari al 4%. Disponendo della composizione del portafoglio di

equilibrio e della matrice delle covarianze, possiamo calcolare il denominatore, ossia la
varianza del portafoglio di equilibrio:
(5.76) σ MN
2
= WMN
T
⋅ Σ ⋅ WMN = 0,00416

Per il calcolo del rendimento atteso del portafoglio market neutral, ipotizziamo che

51
Ad esempio, la sua natura market neutral impone di attribuire ai mercati azionari un peso proporzionale
alle loro capitalizzazioni di borsa.

252
il fondo bilanciato si rivolga ad un investitore-tipo il quale, sensibile alla manifestazione
degli eventi estremi negativi, sia disponibile ad assumere un rischio tale per cui la
probabilità che il portafoglio riporti un risultato peggiore del -5% (threshold) sia pari al
5% (shortfall probability). Sfruttando le proprietà delle distribuzioni gaussiane,
disponiamo di tutti gli input necessari per stimare il valore di E(R)MN per cui la shortfall
probability sia esattamente quella desiderata:
2
E (R) MN −1,645⋅σ MN

∫ n (x; E (R) MN ; σ MN ) = 5%
2
(5.77) E (R) MN tale per cui :
−∞

La soluzione dell’equazione è E(R)MN = 5,606%. Il coefficiente di avversione al

rischio è:
5,606% − 4%
λ= = 3,863
0,00416
A questo punto possiamo procedere al calcolo dei rendimenti di equilibrio:
⎡ E ( R) [Link] Area Euro ⎤ ⎡ 4,129% ⎤
⎢ E ( R) ⎥ ⎢ ⎥
⎢ [Link] Area Euro ⎥ ⎢4,661%⎥
⎢ E ( R) [Link] Internazionale ⎥ ⎢5,766% ⎥
⎢ ⎥ ⎢ ⎥
⎢ E ( R) [Link] Europa ⎥ ⎢ 7,969% ⎥
Π = r f ⋅ I + (λΣ ) ⋅ WMN = ⎢ =
E ( R) [Link] Nord America ⎥ ⎢8,477% ⎥
⎢ ⎥ ⎢ ⎥
⎢ E ( R) [Link] Giappone ⎥ ⎢7,656%⎥
⎢ E ( R) ⎥ ⎢ 9,104% ⎥
⎢ [Link] Pac. ex Giappone ⎥
⎢ ⎥
⎢⎣ E ( R) [Link] Emerg. Market ⎥⎦ ⎢⎣9,442% ⎥⎦

La prima fase del modello si chiude con la determinazione del parametro τ grazie al
quale trasformare la matrice delle covarianze dei rendimenti in quella dei rendimenti
attesi. Applicando ai rendimenti di equilibrio le proprietà delle medie campionarie,
stimiamo il parametro in oggetto ricorrendo alla dimensione T del campione utilizzato
per estrapolare Σ:
1 1
(5.78) τ= = = 0,0526
T 19
La prior distribution è:

253
 ⎛ ⎡ 4,129% ⎤ ⎡ 0,0009 0,0004 0,0007 - 0,0007 0,0002 - 0,002 0,0007 0,0013 ⎤ ⎞
⎜⎢ ⎥ ⎢ ⎥⎟
⎜ ⎢4,661%⎥ ⎢ 0,0004 0,0027 0,0024 - 0,0001 0,0006 - 0,004 0,0019 - 0,0029⎥ ⎟
⎜⎢ ⎥ ⎢ 0,0007 0,0024 ⎟
⎜⎢ 5,766% 0,0069 0,0090 0,0114 0,0084 0,0140 0,0137 ⎥ ⎟
⎥ ⎢ ⎥
⎜ ⎢7,969% ⎥ ⎢- 0,0007 - 0,0001 0,0090 0,0395 0,0382 0,0377 0,0379 0,0471 ⎥ ⎟
µ ~ N (Π; τΣ ) = N ⎜ ⎢ ⎥ ; 0,0526 ⋅ ⎢ 0,0002 0,0006 ⎟
⎜ ⎢8,477% ⎥ 0,0114 0,0382 0,0461 0,0348 0,0304 0,0439 ⎥ ⎟
⎢ ⎥
⎜ ⎢7,656%⎥ ⎢ - 0,002 - 0,004 0,0084 0,0377 0,0348 0,0944 0,0698 0,0914 ⎥ ⎟
⎜⎢ ⎥ ⎢ 0,0007 0,0019 ⎟
⎜ ⎢ 9,104% ⎥ ⎢ 0,0140 0,0379 0,0304 0,0698 0,0946 0,1029 ⎥⎥ ⎟
⎜⎢ ⎟
⎝ ⎣9,442% ⎥⎦ ⎢⎣ 0,0013 - 0,0029 0,0137 0,0471 0,0439 0,0914 0,1029 0,1421 ⎥⎦ ⎠

Il passaggio successivo consiste nella produzione delle view. A tale scopo occorre
stimare le seguenti variabili:
− P;
− Q;
− Ω;
note le quali sarà possibile determinare la distribuzione delle view:
(5.79) P ⋅ µ ~ N (Q; Ω )
Ipotizziamo che il Comitato di Investimento della mutual fund company esprima le
seguenti opinioni:
1. Il Mercato Monetario Euro renderà più del Mercato Obbligazionario Euro di un
importo pari all’1% (in equilibrio: -0,532%);
2. Il Mercato Azionario Europa renderà più del Mercato Azionario Nord America di
un importo pari al 2% (in equilibrio: -0,508%);
3. Il Mercato Azionario Emerging Market renderà il 3,5% in più (in equilibrio:
+1,786%) del Mercato Azionario Giappone.
Il confronto tra le view e la condizione di equilibrio permette di apprezzare come il
Comitato di Investimento abbia delle opinioni sensibilmente diverse dalla posizione
market neutral. In particolare viene suggerita:
- una riduzione della duration del portafoglio obbligazionario domestico,
riconducibile ad un incremento del monetario ai danni dell’obbligazionario Area
Euro;
- una riallocazione del peso dei mercati azionari, favorevole ai comparti Europa e
Paesi Emergenti.
L’entità di questi fenomeni è proporzionale al grado di fiducia che accompagna
queste opinioni. Ipotizziamo che il Comitato attribuisca al parametro c delle 3 view un

254
valore pari all’8%52, corrispondente ad un livello moderato di fiducia. Procediamo alla
stima dei parametri P, Q e Ω53:
⎡+ 1 − 1 0 0 0 0 0 0⎤
⎢
P=⎢0 0 0 + 1 − 1 0 0 0 ⎥⎥
⎢⎣ 0 0 0 0 0 − 1 0 + 1⎥⎦

⎡ 1% ⎤
Q = ⎢⎢ 2% ⎥⎥
⎢⎣3,5%⎥⎦

⎡⎛ 1 ⎞ ⎤
⎢⎜⎜ − 1⎟⎟ ⋅ p1 ⋅ (τΣ ) ⋅ p1
T
0 0 ⎥
⎢⎝ c1 ⎠ ⎥
⎢ ⎛ 1 ⎞ ⎥
Ω =⎢ 0 ⎜⎜ − 1⎟⎟ ⋅ p2 ⋅ (τΣ ) ⋅ p2T 0 ⎥=
⎢ ⎝ c2 ⎠ ⎥
⎢ ⎛1 ⎞ ⎥
⎢ 0 0 ⎜⎜ − 1⎟⎟ ⋅ p3 ⋅ (τΣ ) ⋅ p3T ⎥
⎢⎣ ⎝ c3 ⎠ ⎥⎦
⎡0,00163 0 0 ⎤
⎢
=⎢ 0 0,00549 0 ⎥⎥
⎢⎣ 0 0 0,03255⎥⎦

A titolo esemplificativo, si mostra il prodotto matriciale per il calcolo della varianza

della prima opinione:
⎡+ 1⎤
⎢ − 1⎥
⎢ ⎥
⎢0⎥
⎢ ⎥
⎛1 ⎞ ⎛ 1 ⎞ 0
Ω(1,1) = ⎜⎜ − 1⎟⎟ ⋅ p1 ⋅ (τΣ ) ⋅ p1 = ⎜⎜
T − 1⎟⎟ ⋅ [+ 1 − 1 0 0 0 0 0 0] ⋅ (τΣ ) ⋅ ⎢ ⎥ = 0,00163
⎝ 0,08 ⎠ ⎢ 0⎥
⎝ c1 ⎠ ⎢ ⎥
⎢0⎥
⎢0⎥
⎢ ⎥
⎢⎣ 0 ⎥⎦

A questo punto disponiamo di tutti gli ingredienti per stimare i rendimenti attesi
alla Black-Litterman:

(5.80) [
Π BL = (τΣ) −1 + P T ⋅ Ω −1 ⋅ P ] × [(τΣ)
−1 −1
⋅ Π + P T ⋅ Ω −1 ⋅ Q ]
Analiticamente:

52
Ai fini del risultato finale si attribuisce un peso dell’8% alle view e del 92% ai rendimenti di equilibrio.
53
La terza (Obbligazionario Internazionale) e la settima (Azionario Pacifico ex Giappone) asset class
hanno sempre peso nullo, perché esse non sono mai oggetto di previsione nelle tre opinioni.

255
 −1
⎡ −1 ⎤
⎢⎛⎜ ⎡ 0,0009 0,0004 0,0007 - 0,0007 0,0002 - 0,002 0,0007 0,0013 ⎤ ⎞
⎟ ⎥
⎢⎜ ⎢ 0,0004 0,0027 0,0024 - 0,0001 0,0006 - 0,004 0,0019 - 0,0029⎥⎥ ⎟ ⎥
⎢⎜ ⎢ ⎥
⎢ 0,0007 0,0024 0,0069 ⎟
⎢⎜ 0,0090 0,0114 0,0084 0,0140 0,0137 ⎥ ⎟ ⎥
⎢⎜ ⎢ ⎥ ⎥
- 0,0007 - 0,0001 0,0090 0,0395 0,0382 0,0377 0,0379 0,0471 ⎥ ⎟
⎢⎜ 0,0526 ⋅ ⎢ ⎟ +⎥
⎢⎜ ⎢ 0,0002 0,0006 0,0114 0,0382 0,0461 0,0348 0,0304 0,0439 ⎥ ⎟ ⎥
⎢⎜ ⎢ ⎥ ⎥
⎢⎜ ⎢ - 0,002 - 0,004 0,0084 0,0377 0,0348 0,0944 0,0698 0,0914 ⎥ ⎟ ⎥
⎢ 0,0007 0,0019 0,0140 ⎟
⎢⎜ 0,0379 0,0304 0,0698 0,0946 0,1029 ⎥ ⎟ ⎥
⎢⎜ ⎢ ⎥ ⎥
⎢ ⎝ ⎢⎣ 0,0013 - 0,0029 0,0137 0,0471 0,0439 0,0914 0,1029 0,1421 ⎥⎦ ⎠⎟ ⎥ ×
Π BL =
⎢ ⎥
⎢ ⎡+ 1 0 0 ⎤ ⎥
⎢ ⎢− 1 0 0 ⎥ ⎥
⎢ ⎢ ⎥ ⎥
⎢ ⎢ 0 0 0 ⎥ 0,00163 −1 ⎥
⎢ ⎢ 0 +1 0 ⎥ ⎡
0 0 ⎤ ⎡+ 1 − 1 0 0 0 0 0 0⎤
⎥
⎢+ ⎢ ⎥ ⋅ ⎢ 0 0,00549 0 ⎥⎥ ⋅ ⎢⎢ 0 0 0 + 1 − 1 0 0 0 ⎥⎥ ⎥
⎢ ⎢ 0 −1 0 ⎥ ⎢ ⎥
⎢ ⎢ 0 0 − 1⎥ ⎣ 0 ⎢ 0 0,03255⎥⎦ ⎢⎣ 0 0 0 0 0 − 1 0 + 1⎦ ⎥ ⎥
⎢ ⎢ ⎥ ⎥
⎢ ⎢0 0 0⎥ ⎥
⎢ ⎢ ⎥ ⎥
⎣ ⎢⎣ 0 0 + 1⎥⎦ ⎦
⎡ −1 ⎤
⎢⎛⎜ ⎡ 0,0009 0,0004 0,0007 - 0,0007 0,0002 - 0,002 0,0007 0,0013 ⎤ ⎞
⎟
⎡ 4,129% ⎤ ⎥
⎢⎜ ⎢ 0,0004 0,0027 0,0024 - 0,0001 0,0006 - 0,004 0,0019 - 0,0029⎥⎥ ⎟ ⎢4,661%⎥ ⎥
⎢⎜ ⎢ ⎢ ⎥ ⎥
⎢ 0,0007 0,0024 0,0069 ⎟
⎢⎜ 0,0090 0,0114 0,0084 0,0140 0,0137 ⎥ ⎟ ⎢5,766% ⎥ ⎥
⎢⎜ ⎢ ⎥ ⎢ ⎥ ⎥
- 0,0007 - 0,0001 0,0090 0,0395 0,0382 0,0377 0,0379 0,0471 ⎥ ⎟ ⎢7,969%⎥ + ⎥
⎢⎜ 0,0526 ⋅ ⎢ ⎟ ⋅
⎢⎜ ⎢ 0,0002 0,0006 0,0114 0,0382 0,0461 0,0348 0,0304 0,0439 ⎥ ⎟ ⎢8,477% ⎥ ⎥
⎢⎜ ⎢ ⎥ ⎢ ⎥ ⎥
⎢ - 0,002 - 0,004 0,0084 0,0377 0,0348 0,0944 0,0698 0,0914 ⎥ ⎟ ⎢7,656%⎥ ⎥
⎢⎜ ⎟
⎢⎜ ⎢ 0,0007 0,0019 0,0140 0,0379 0,0304 0,0698 0,0946 0,1029 ⎥ ⎟ ⎢ 9,104% ⎥ ⎥
⎢⎜ ⎢ ⎥ ⎢ ⎥ ⎥
⎢⎣ 0,0013 - 0,0029 0,0137 ⎟
0,1421 ⎥⎦ ⎠
× ⎢ ⎝ 0,0471 0,0439 0,0914 0,1029 ⎣⎢9,442%⎥⎦ ⎥
⎢ ⎥
⎢ ⎡+ 1 0 0 ⎤ ⎥
⎢ ⎢− 1 0 0 ⎥ ⎥
⎢ ⎢ ⎥ ⎥
⎢ ⎢ 0 0 0 ⎥ 0,00163 −1 ⎥
⎢ ⎢ 0 +1 0 ⎥ ⎡ ⎤ ⎡ 1% ⎤
0 0
⎥
⎢+ ⎢ ⎥ ⋅ ⎢ 0 0,00549 0 ⎥⎥ ⋅ ⎢⎢ 2% ⎥⎥ ⎥
⎢ ⎢ 0 −1 0 ⎥ ⎢ ⎥
⎢ ⎢ 0 0 − 1⎥ ⎢⎣ 0 0 0,03255⎥⎦ ⎢⎣3,5%⎥⎦ ⎥
⎢ ⎢ ⎥ ⎥
⎢ ⎢0 0 0⎥ ⎥
⎢ ⎢ ⎥ ⎥
⎣ ⎢⎣ 0 0 + 1⎥⎦ ⎦

⎡ 4,14% ⎤
⎢4,55%⎥
⎢ ⎥
⎢5,65% ⎥
⎢ ⎥
⎢ 7,99%⎥
Π BL =
⎢8,31% ⎥
⎢ ⎥
⎢7,81%⎥
⎢9,30% ⎥
⎢ ⎥
⎣⎢9,83% ⎦⎥

256
 La Figura 5.19 propone un confronto tra i rendimenti di equilibrio e quelli alla
Black-Litterman.

Figura 5.19: Π versus ΠBL

E(R)
Rend. attesi di equilibrio
10% Rendimenti attesi alla B-L

8%

6%

4%

2%

0%
[Link] [Link]

[Link] Giappone
[Link] N. America

[Link] Pac. ex.

[Link] Europa

[Link] Paesi [Link]

[Link] Euro

[Link] Euro

Giapp.

In presenza di covarianze (correlazioni) non nulle tra i mercati inclusi ed esclusi

dalle opinioni, mutano anche i rendimenti attesi delle asset class non coinvolte nelle
view. Ad esempio, l’Obbligazionario Internazionale vede ridursi il suo rendimento
atteso, trascinato verso il basso dalla correlazione positiva con l’Obbligazionario Area
Euro. Dunque qualora un gestore non volesse produrre effetti “a cascata” tra le asset
class, egli dovrebbe azzerare le covarianze corrispondenti. Focalizzandosi sui soli
mercati considerati nelle opinioni, la Tabella 5.8 mostra il differenziale di rendimento
atteso riconducibile a:
- la condizione di equilibrio (prior distribution);
- le opinioni del Comitato di Investimento;
- la soluzione finale (posterior distribution).
I dati numerici confermano la tendenza dei rendimenti attesi alla B-L ad

257
allontanarsi dai dati di equilibrio, per convergere verso le view degli analisti.
Naturalmente, avendo espresso una fiducia c moderata, l’effetto non è pronunciato. Se
c→100% i risultati sarebbero di gran lunga differenti, poiché i rendimenti finali
risulterebbero influenzati esclusivamente dalle view.

Tabella 5.8: L’effetto di variazione del rendimento atteso prodotto sulle asset
class contemplate nelle view
Equilibrio View Black-Litterman

E(R)MonEuro-E(R)ObblEuro -0,532% 1,000% -0,407%

E(R)AzEuropa-E(R)[Link]. -0,508% 2,000% -0,311%

E(R)[Link]-E(R)AzGiapp. 1,786% 3,500% 2,014%

A questo punto possiamo “lanciare” l’ottimizzazione media-varianza54:

T
(
Max W BL
WBL
⋅ Π BL )
vincoli :
8
(5.81) ∑w
i =1
i =1

wi ≥ 0 per i = 1, 2, 3,..., 8.
T
W BL ⋅ Π BL − r f
λ= = 3,863
T
W BL ⋅ Σ ⋅ W BL
T

La soluzione al problema è:
⎡ wMonetario Area Euro ⎤ ⎡ 20,18% ⎤
⎢w ⎥ ⎢ ⎥
⎢ Obbligazionario Area Euro ⎥ ⎢49,82% ⎥
⎢ wObbligazionario Internazionale ⎥ ⎢ 4,50% ⎥
⎢ ⎥ ⎢ ⎥
⎢ wAzionario Europa ⎥ ⎢13,69% ⎥
W BL = ⎢ =
⎥ ⎢ 6,48% ⎥
w
⎢ Azionario Nord America ⎥ ⎢ ⎥
⎢ wAzionario Giappone ⎥ ⎢ 1,67% ⎥
⎢w ⎥ ⎢ ⎥
⎢ Azionario Pac. ex Giappone ⎥ ⎢ 0,97% ⎥
⎢⎣ wAzionario Emerg. Market ⎥⎦ ⎣⎢ 2,69% ⎦⎥

54
Si noti che a differenza di quanto fatto in precedenza, i rendimenti alla B-L non vengono utilizzati per
“creare” l’intero set dei portafogli efficienti. L’ottimizzazione media-varianza viene infatti impostata per
stimare quell’unico portafoglio coerente con l’avversione al rischio dell’investitore. Questa soluzione è
motivata dal fatto che i rendimenti alla Black-Litterman sono stimati sulla base di un preciso valore del
parametro λ ed è quindi teoricamente corretto (e operativamente più efficace) effettuare l’ottimizzazione
in modo che anche il nuovo portafoglio sia caratterizzato dallo stesso valore di λ.

258
 Al fine di rendere più immediato l’effetto prodotto dalle view, la Figura 5.20 mostra
la variazione di peso che gli 8 mercati subiscono utilizzando nella ottimizzazione i
rendimenti alla B-L, anziché i rendimenti market neutral. L’effetto di variazione
conferma pienamente le aspettative del Comitato di Investimento: i tre mercati
(Monetario Area euro, Azionario Europa, Azionario Paesi emergenti) sui quali era
maturata una view positiva vedono accrescere il loro peso ai danni delle asset class
(Obbligazionario Area euro, Azionario Nord America, Azionario Giappone) sulle quali
gravava una opinione negativa. L’effetto di switch dei pesi non è pronunciato,
riflettendo così la fiducia moderata nei confronti delle opinioni.

Figura 5.20: Le variazioni dei pesi delle asset class (c=8%).

[Link] Paesi [Link] 0,6%

[Link] Pac. ex. Giapp. 0,0%

[Link] Giappone -0,6%

[Link] N. America -5,7%

[Link] Europa 5,7%

[Link] [Link] 0,0%

-11,8% [Link] Euro

[Link] Euro 11,8%

-28% -24% -20% -16% -12% -8% -4% 0% 4% 8% 12% 16% 20% 24% 28%
Variazione di peso

Qualora gli analisti innalzassero la confidenza dal’8% al 17%, i rendimenti B-L:

259
 ⎡ 4,15% ⎤
⎢ 4,42% ⎥
⎢ ⎥
⎢ 5,52% ⎥
⎢ ⎥
⎢ 8,02% ⎥
Π BL =
⎢ 8,11% ⎥
⎢ ⎥
⎢ 7,99% ⎥
⎢ 9,51% ⎥
⎢ ⎥
⎣⎢10,24%⎦⎥
si allontanerebbero ulteriormente dalla condizione di equilibrio, favorendo così la
costruzione di un portafoglio ottimale maggiormente influenzato dalle opinioni degli
analisti (Figura 5.21):
⎡ [Link] Area Euro ⎤ ⎡33,21%⎤
⎢w ⎥ ⎢ ⎥
⎢ [Link] Area Euro ⎥ ⎢36,93%⎥
⎢ [Link] Internazionale ⎥ ⎢ 4,33% ⎥
⎢ ⎥ ⎢ ⎥
⎢ [Link] Europa ⎥ ⎢ 20,18% ⎥
WBL = ⎢ =
[Link] Nord America ⎥ ⎢ 0,01% ⎥
⎢ ⎥ ⎢ ⎥
⎢ [Link] Giappone ⎥ ⎢ 1,07% ⎥
⎢w ⎥ ⎢ 0,93% ⎥
⎢ [Link] Pac. ex Giappone ⎥ ⎢ ⎥
⎢⎣ [Link] Emerg. Market ⎥⎦ ⎢⎣ 3,34% ⎥⎦

Figura 5.21: Le variazioni dei pesi delle asset class (c=17%).

260
 [Link] Paesi [Link] 1,3%

[Link] Pac. ex. Giapp.

0,0%

[Link] Giappone -1,2%

[Link] N. America -12,2%

[Link] Europa 12,2%

[Link] [Link]
-0,2%

-24,7% [Link] Euro

[Link] Euro 24,8%

-28% -24% -20% -16% -12% -8% -4% 0% 4% 8% 12% 16% 20% 24% 28%
Variazione di peso

Se le view si rivelassero esatte questo portafoglio renderebbe sensibilmente più del

portafoglio market neutral. Nell’ipotesi estrema (e puramente teorica) di un Comitato
d’investimento che, esprimendo una fiducia pari all’99%, si comporta da
“chiaroveggente”, le opinioni rappresenterebbero l’unica vera fonte informativa in
grado di influenzare il risultato finale. I rendimenti alla B-L e la composizione del
portafoglio efficiente sarebbero i seguenti:
⎡ 4,17% ⎤
⎢ 3,19% ⎥
⎢ ⎥
⎢ 4,19% ⎥
⎢ ⎥
⎢ 8,10% ⎥
Π BL =
⎢ 6,13% ⎥
⎢ ⎥
⎢ 9,67% ⎥
⎢10,85%⎥
⎢ ⎥
⎢⎣13,16% ⎥⎦

261
 ⎡ [Link] Area Euro ⎤ ⎡73,12%⎤
⎢w ⎥ ⎢ ⎥
⎢ [Link] Area Euro ⎥ ⎢ 0% ⎥
⎢ [Link] Internazionale ⎥ ⎢ 0% ⎥
⎢ ⎥ ⎢ ⎥
⎢ [Link] Europa ⎥ ⎢14,85%⎥
WBL = ⎢ =
[Link] Nord America ⎥ ⎢ 0% ⎥
⎢ ⎥ ⎢ ⎥
⎢ [Link] Giappone ⎥ ⎢ 1,66% ⎥
⎢w ⎥ ⎢ 0,62% ⎥
⎢ [Link] Pac. ex Giappone ⎥ ⎢ ⎥
⎢⎣ [Link] Emerg. Market ⎥⎦ ⎢⎣ 9,75% ⎥⎦

Come è lecito attendersi, il portafoglio risulta essere concentrato sulle asset class
privilegiate nelle scommesse del Comitato, palesando così i fenomeni di
irragionevolezza e bassa diversificazione che rappresentano la causa principale della
scarsa applicazione pratica dell’approccio di Markowitz. Tuttavia, grazie al modello B-
L, l’asset manager non subisce passivamente questi problemi, ma ha l’opportunità di
evitarli non attribuendo eccessiva fiducia alle proprie opinioni. Al tempo stesso, però,
non si priva il gestore del diritto, pericoloso ma legittimo, di stravolgere la
composizione market neutral nel tentativo di apportare un elevato valore aggiunto
all’investitore. É tuttavia palese che per quanto c possa teoricamente assumere valori
all’interno dell’intervallo (0; 1), estremi esclusi, l’elevata sensibilità della composizione
dei portafogli alla Markowitz alla variazione degli input fa sì che, al fine di non
conseguire composizioni eccessivamente concentrare, si debba attribuire al parametro c
valori decisamente inferiori al massimo teorico.
Al lettore attento non sarà sfuggita la somiglianza tra il risultato finale conseguito
con questa metodologia e quello ottenibile applicando i vincoli infra-gruppo55; in
entrambi i casi, infatti, l’asset manager partendo da una posizione neutrale, se ne
discosta (in un caso imponendo gli upper e lower bound infra-gruppo, nell’altro
fissando il parametro c) in modo proporzionale alla fiducia riposta nelle stime personali.
La Figura 5.22 mostra l’impatto che l’aumento di c produce sui pesi dei mercati
coinvolti nelle view: al crescere della confidenza le soluzioni convergono verso corner
portfolio che stravolgono totalmente la composizione di equilibrio. La tendenza ad
allontanarsi dalla soluzione di partenza sarà tanto maggiore quanto maggiore è
l’incoerenza delle view rispetto ai rendimenti market neutral. Nell’esempio numerico,
quando c assume valori intorno al 35% si verifica già una elevatissima concentrazione
55
Cfr. il paragrafo 4.2.1.

262
nei mercati con previsione ottimistica. Allo scopo di prevenire il manifestarsi di
composizioni estreme, potrebbe essere utile conoscere anticipatamente:
- in che misura le view contrastino con i rendimenti attesi prior;
- quali siano le view meno coerenti.

Figura 5.22: Evoluzione dei pesi delle asset class al crescere del livello di fiducia
nelle opinioni del Comitato di Investimento.
Mercati con view positiva Mercati con view negativa

Peso
80% Peso
70%
70%
60%
60% [Link] Euro
50%
50% [Link] N. America
[Link] Euro 40%
40%
[Link] Europa [Link] Giappone
30% 30%
[Link] Paesi [Link]
20% 20%
10% 10%
0% 0%
0%
9%
18%
27%
36%
45%
54%
63%
72%
81%
90%
99%

0%
9%
18%
27%
36%
45%
54%
63%
72%
81%
90%
99%
c c

La soluzione a questo problema è proposta da Fusai e Meucci (2003) e Meucci

(2005), che ricorrono al concetto di z-score di una variabile aleatoria. Lo z-score
rappresenta la distanza di un valore x “sospetto” di una variabile aleatoria X rispetto al
suo valore atteso µ, rapportato alla deviazione standard (σ) di X:
X −µ
(5.82)
σ
Una specifica realizzazione dello z-score viene indicata in questo modo:
x−µ
(5.83)
σ
In un contesto multivariato - dove x e µ diventano vettori colonna e σ viene
sostituito dalla matrice delle covarianze C - lo z-score diventa la distanza di
Mahalanobis:

(5.84) m 2 = ( x − µ )T C −1 ( x − µ )
Sotto l’ipotesi di normalità, la distanza di Mahalanobis si distribuisce come una chi-

263
quadro con un numero N di gradi di libertà pari al numero delle variabili aleatorie:

(5.85) M 2 = ( X − µ )T C −1 ( X − µ ) ~ χ N
2

Tornando al contesto finanziario, possiamo applicare questo indicatore alla

variabile aleatoria X “rendimento atteso”, utilizzando gli expected return alla Black-
Litterman (ΠBL) come variabili “sospette” e quelli di equilibrio (Π) come valori attesi;
la dispersione dei rendimenti attesi è rappresentata dalla matrice τΣ:

(5.86) 2
mview = (Π BL − Π )T (τΣ) −1 (Π BL − Π )
2
La forma analitica suggerisce che se l’indice mview assume valori ridotti, allora i
rendimenti finali non si discostano significativamente dai rendimenti di equilibrio; vi è
dunque coerenza tra view e rendimenti market neutral. Allo scopo di rendere ancora più
trasparente il grado di coerenza che sussiste tra le view e la condizione iniziale di
equilibrio, Fusai e Meucci (2003) ricorrono ad un indice (Cview) in grado di misurare
quale sia la probabilità che la variabile aleatoria M2 possa assumere valori superiori
2
rispetto alla realizzazione mview :

(5.87) (
C view = Pr M 2 ≥ mview
2
) 2
= 1 − FNChiQ mview( )
2
(
dove: FNChiQ mview )
identifica la funzione di densità di probabilità cumulata di una chi-

quadro con N gradi di libertà.

Al crescere di Cview, aumenta la coerenza delle view nei confronti dei rendimenti attesi
2
di equilibrio. Come caso estremo, quando ΠBL e Π coincidono, la realizzazione mview

della distanza di Mahalanobis si azzera e l’indicatore assume il suo valore massimo,

rappresentativo della perfetta coerenza tra rendimenti di equilibrio e opinioni:

(5.88) ( )
C view = Pr M 2 ≥ 0 = 1 − FNChiQ (0 ) = 100%

Cview è dunque un indicatore utile allo scopo di sintetizzare in un valore numerico -

compreso tra zero e uno - la capacità delle view di influenzare i risultati della stima
mista. Meucci (2005) suggerisce di fissare una soglia minima dell’indicatore56, sotto la
quale il gestore dovrebbe modificare le view allo scopo di reintegrare un livello
accettabile di coerenza. Piuttosto che modificare uniformemente o casualmente le

56
Meucci (2005) non spiega in che modo definire il threshold; l’utilizzatore dovrà affidarsi alla sua
esperienza.

264
opinioni, Fusai e Meucci (2003) suggeriscono di ricorrere alla stima della sensibilità
dell’indice Cview al variare delle view:

(5.89) S=
∂C view
∂view
(2
= −2 f NChiQ mview )[
⋅ P ⋅ (τΣ) ⋅ P T]−1
⋅ P ⋅ (Π BL − Π )

(2
dove: f NChiQ mview )
identifica la funzione di densità di probabilità di una chi-quadro

con N gradi di libertà.

Il risultato S di questa produttoria è un vettore colonna con un numero di righe pari
al numero di view espresse: l’opinione che si discosta maggiormente dai rendimenti di
equilibrio (la cui variazione produce quindi un impatto più elevato sul valore dell’indice
Cview) è quella che corrisponde al valore assoluto più elevato del vettore S. Allo scopo di
ridurre l’incoerenza il gestore dovrà agire su questa view nel modo seguente:
- se il valore di S è positivo, la view dovrà essere incrementata;
- se il valore di S è negativo, la view dovrà essere ridotta.

Proponiamo una’applicazione pratica di questa procedura. Riprendendo l’ultimo

esempio numerico nel quale gli analisti utilizzavano una confidenza del 99%, la
distanza di Mahalanobis è:
T
⎛ ⎡ 4,17% ⎤ ⎡ 4,129% ⎤ ⎞ ⎛ ⎡ 4,17% ⎤ ⎡ 4,129% ⎤ ⎞
⎜⎢ ⎥ ⎢ ⎥ ⎟ ⎜⎢ ⎥ ⎢ ⎥⎟
⎜ ⎢ 3,19% ⎥ ⎢4,661%⎥ ⎟ ⎜ ⎢ 3,19% ⎥ ⎢4,661%⎥ ⎟
⎜ ⎢ 4,19% ⎥ ⎢5,766% ⎥ ⎟ ⎜ ⎢ 4,19% ⎥ ⎢5,766% ⎥ ⎟
⎜⎢ ⎥ ⎢ ⎥ ⎟ ⎜⎢ ⎥ ⎢ ⎥⎟
⎜ 8,10% 7,969% ⎟ ⎜ 8,10% 7,969% ⎥ ⎟ = 2,988
2
= ⎜⎢ ⎥−⎢ ⎥ (τΣ) −1 ⎢
⎜
⎥−⎢
⎟ ⎥⎟
mview
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢
⎜ ⎢ 6,13% ⎥ ⎢8,477% ⎥ ⎟ ⎜ ⎢ 6,13% ⎥ ⎢8,477% ⎥ ⎟
⎜ ⎢ 9,67% ⎥ ⎢7,656%⎥ ⎟ ⎜ ⎢ 9,67% ⎥ ⎢7,656%⎥ ⎟
⎜⎢ ⎥ ⎢ ⎥ ⎟ ⎜⎢ ⎥ ⎢ ⎥⎟
⎜ ⎢10,85%⎥ ⎢ 9,104% ⎥ ⎟ ⎜ ⎢10,85%⎥ ⎢ 9,104% ⎥ ⎟
⎜ ⎢13,16% ⎥ ⎢9,442%⎥ ⎟ ⎜ ⎢13,16% ⎥ ⎢9,442%⎥ ⎟
⎝⎣ ⎦ ⎣ ⎦⎠ ⎝⎣ ⎦ ⎣ ⎦⎠
Calcoliamo il coefficiente Cview:

( )
C view = Pr M 2 ≥ 2,936 = 1 − FNChiQ (2,936 ) = 93,51%

Se ipotizziamo che la soglia minima sia stata fissata in corrispondenza di un valore

pari al 97,5%, subentra la necessità di ridurre la distanza di Mahalanobis tra i rendimenti
attesi. Allo scopo di definire quale delle view modificare, stimiamo il vettore S, capace
di misurare la sensibilità di Cview al variare delle opinioni:

265
 ∂C view ChiQ ⎛ 2 ⎞ ⎡ −1
⎜ mview ⎟ ⋅ ⎢ P ⋅ (τΣ) ⋅ P ⎤⎥ ⋅ P ⋅ (Π BL − Π )
S = = −2 f N T
∂view ⎝ ⎠ ⎣ ⎦
−1
⎡ +1 0 0 T ⎤ T ⎛ ⎡ 4,17% ⎤ ⎡ 4,129% ⎤ ⎞
⎢ ⎡ ⎤ ⎡ + 1 0 0 ⎤ ⎥ ⎡+ 1 0 0 ⎤
⎢− 1 0 0 ⎥ ⎜⎢ ⎥⎟
⎢⎢− 1 0 0 ⎥ ⎢− 1 0 0 ⎥ ⎥ ⎥ ⎢
⎜ ⎢ 3,19% ⎥ ⎢4,661% ⎥ ⎟
⎢ ⎢ ⎥ ⎢ ⎥ ⎥ ⎢ ⎥
⎜⎢ ⎥⎟
⎢⎢ 0 0 0 ⎥ ⎢ 0 0 0 ⎥⎥ ⎢0 0 0⎥ ⎥ ⎢
⎜ ⎢ 4,19% ⎥ ⎢5,766% ⎥ ⎟
⎢⎢ 0 + 1 0 ⎥ ⎢ ⎥
0 + 1 0 ⎥⎥
⎢
0 +1 0 ⎥
⎥
⎜ 8,10% ⎥ ⎢7,969% ⎥ ⎟
= −2 f N
ChiQ
(2,936) ⋅ ⎢⎢ ⎢ ⎥ ⋅τΣ ⋅ ⎢ ⎥ ⋅ ⎢ ⋅⎜⎢ −
⎢ 0 −1 0 ⎥ ⎢ 0 −1 0 ⎥⎥ ⎢ 0 −1 0 ⎥ ⎢ ⎥ ⎢ ⎥⎟
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎜ ⎢ 6,13% ⎥ ⎢8,477% ⎥ ⎟
⎢ 0 0 −1 0 0 − 1⎥ ⎥ 0 0 − 1⎥ ⎜ ⎢ 9,67% ⎥ ⎢7,656% ⎥ ⎟
⎢ ⎢ ⎥ ⎢ ⎥ ⎢
⎜⎢ ⎥⎟
⎢⎢ 0 0 0 ⎥ ⎢ 0 0 0 ⎥⎥ ⎢0 0 0⎥ ⎥ ⎢
⎜ ⎢10,85%⎥ ⎢ 9,104% ⎥ ⎟
⎢ ⎢ ⎥ ⎢ ⎥ ⎥ ⎢ ⎥
⎢⎣ 0 0 + 1⎥⎦ ⎜ ⎢13,16% ⎥ ⎢9,442% ⎥ ⎟
⎢⎣ ⎢⎣ 0 0 + 1⎥⎦ ⎢⎣ 0 0 + 1⎥⎦ ⎥
⎦ ⎝⎣ ⎦ ⎣ ⎦⎠
⎡− 13,35⎤
= ⎢⎢− 6,57 ⎥⎥
⎢⎣− 0,21 ⎥⎦

L’opinione da muovere è la prima (il Mercato Monetario Euro renderà l’1% in più
del Mercato Obbligazionario Euro), poiché questa è caratterizzata dalla più ampia
capacità di influenzare il valore Cview. L’importo dell’1% deve essere ridotto, perché il
corrispondente importo nel vettore S è negativo (-13,35). Se la view passasse dall’1%
allo 0,5%, la distanza di Mahalonabis scenderebbe a 2,097 e, conseguentemente,
l’indicatore Cview salirebbe al 97,79%, collocandosi al di sopra della soglia minima
accettabile.
Questa procedura di controllo della coerenza può rappresentare un prezioso
strumento per il Comitato di Investimento. Tuttavia, va rimarcato che il livello di
coerenza che interessa al gestore non è tanto quello tra rendimenti di equilibrio e view,
ma piuttosto quello tra composizione del portafoglio di equilibrio e portafoglio finale
alla Black-Litterman. Di conseguenza l’asset manager che fa uso di questo strumento di
controllo e rispetta la soglia minima Cview, non è immune dal rischio che, a causa
dell’instabilità dei portafogli alla variazione degli input57, il portafoglio ottimale risulti
eccessivamente concentrato.

A conclusione del paragrafo, proponiamo un ultimo esempio numerico che ha il

compito di confermare la capacità del modello di replicare i comportamenti degli asset
manager all’interno di un framework quantitativo. Ipotizziamo che il Comitato di

57
Cfr. il paragrafo 3.4.

266
Investimento abbia maturato delle aspettative differenti58:
- fenomeno del flight-to-quality e conseguente riduzione dei tassi di interesse
nell’Area Euro;
- ipotesi di bear market con generalizzato ribasso dei mercati azionari.
Queste posizioni sottendono, rispetto al portafoglio di equilibrio, una riduzione
della componente azionaria ed un incremento della duration nel comparto fixed income
dell’Area UME.
Le view espresse sono le seguenti:
1. Il Mercato Obbligazionario Euro sovraperformerà il Mercato Monetario Euro del
2%;
2. Il Mercato Obbligazionario Euro sovraperformerà il Mercato Azionario Globale
del 5%.
Pur a fronte di una combinazione di opinioni piuttosto complessa (la seconda view
coinvolge congiuntamente un mercato obbligazionario e 5 mercati azionari),
l’implementazione del modello di Black-Litterman non presenta particolari difficoltà.
La scelta del livello di confidenza da affiancare alle view può essere organizzata in
modo tale che il valore attribuito allo scalare c sia proporzionale al livello di consenso
che le previsioni raccolgono tra gli esponenti del Comitato di Investimento; ad esempio,
una posizione unanime a favore di una view dovrebbe presagire l’attribuzione di un
livello di fiducia elevato. Il valore di c può essere legato anche alla capacità del
Comitato di Investimenti di produrre delle opinioni esatte; il grado di fiducia sarebbe
così destinato a salire o a scendere nel tempo a seconda della performance prodotta dai
gestori. Nell’esempio, ipotizziamo che i livelli di fiducia delle due opinioni siano
differenziati:
- c1 = 6%;
- c2 = 9%.
La stima della seconda riga della matrice P, che identifica le asset class coinvolte
nelle view, si presenta complessa in virtù delle numerosità dei mercati coinvolti. Nello
specifico, occorre identificare con esattezza i pesi negativi da attribuire ai 5 mercati
azionari. Poiché la view non discrimina tra i singoli mercati equity, limitandosi a
evidenziare una generalizzata discesa dei corsi azionari, il peso negativo attribuito nella

58
La prior distribution resta invece immutata.

267
opinione ai singoli mercati azionari deve essere proporzionale al loro peso all’interno
del portafoglio di equilibrio:
7,96%
Peso [Link] Europa = − = −31,20%
∑ % [Link] in portafoglio
12,21%
Peso [Link] Nord America = − = −47,90%
∑ % [Link] in portafoglio
2,30%
Peso [Link] Giappone = − = −9,00%
∑ % [Link] in portafoglio
0,97%
Peso [Link] Pacifico ex Giappone = − = −3,80%
∑ % [Link] in portafoglio
2,07%
Peso [Link] Emerging Market = − = −8,10%
∑ % [Link] in portafoglio
Procediamo alla stima delle matrici P, Q e Ω.
⎡− 1 + 1 0 0 0 0 0 0 ⎤
P=⎢ ⎥
⎣ 0 + 1 0 − 0,312 − 0,479 − 0,09 − 0,038 − 0,081⎦
⎡2%⎤
Q=⎢ ⎥
⎣5% ⎦
⎡⎛ 1 ⎞ ⎤
⎢⎜⎜ − 1⎟⎟ ⋅ p1 ⋅ (τΣ ) ⋅ p1
T
0 ⎥
Ω = ⎢⎝ 1 ⎠
c ⎥=
⎢ ⎛ 1 ⎞ ⎥
⎢ 0 ⎜⎜ − 1⎟⎟ ⋅ p 2 ⋅ (τΣ ) ⋅ p 2T ⎥
⎣ ⎝ c2 ⎠ ⎦
⎡0,002217 0 ⎤
=⎢
⎣ 0 0,024632⎥⎦

Disponendo degli input necessari, stimiamo i rendimenti attesi alla Black-

Litterman:

268
 Π BL [
= (τΣ) −1 + P T ⋅ Ω −1 ⋅ P ] × [(τΣ)
−1 −1
⋅ Π + P T ⋅ Ω −1 ⋅ Q ]
⎡ 4,12% ⎤
⎢4,78%⎥
⎢ ⎥
⎢5,68% ⎥
⎢ ⎥
⎢ 7,33% ⎥
=
⎢7,80% ⎥
⎢ ⎥
⎢6,73% ⎥
⎢8,43% ⎥
⎢ ⎥
⎢⎣8,27% ⎥⎦
Utilizzando questo vettore come input di una ottimizzazione media-varianza di
questo tipo:
T
(
Max W BL
WBL
⋅ Π BL )
vincoli :
8
(5.90) ∑w
i =1
i =1

wi ≥ 0 per i = 1, 2, 3,..., 8.
T
W BL ⋅ Π BL − r f
λ= = 3,863
T
W BL ⋅ Σ ⋅ W BL
T

otteniamo il portafoglio ottimale:

⎡ [Link] Area Euro ⎤ ⎡ 0,07% ⎤
⎢w ⎥ ⎢ ⎥
⎢ [Link] Area Euro ⎥ ⎢74,26%⎥
⎢ [Link] Internazionale ⎥ ⎢ 4,50% ⎥
⎢ ⎥ ⎢ ⎥
⎢ [Link] Europa ⎥ ⎢ 6,52% ⎥
W BL = ⎢ =
[Link] Nord America ⎥ ⎢10,21% ⎥
⎢ ⎥ ⎢ ⎥
⎢ [Link] Giappone ⎥ ⎢ 1,91% ⎥
⎢w ⎥ ⎢ 0,81% ⎥
⎢ [Link] Pac. ex Giappone ⎥ ⎢ ⎥
⎢⎣ [Link] Emerg. Market ⎥⎦ ⎣⎢ 1,72% ⎦⎥

Anche in questo caso il risultato finale è coerente con le opinioni espresse dal
Comitato di Investimento (Figura 5.23):
- la componente Monetario Area Euro si è ridotta (dall’8,4% allo 0,07%) a favore
dell’Obbligazionario Area Euro (che passa dal 61,6% al 74,26%);
- la componente azionaria subisce una generalizzata riduzione, passando dal 25,5% al
21,17%; in assenza di opinioni sui singoli mercati, il peso percentuale dei cinque

269
 asset azionari all’interno della componente equity non subisce variazioni, rimanendo
market neutral;
- l’Obbligazionario Internazionale, ignorato nelle view, mantiene il suo peso neutrale.

Figura 5.23: Le variazioni dei pesi delle asset class in presenza di una view
complessa.

[Link] Paesi [Link] -0,3%

[Link] Pac. ex. Giapp. -0,2%

-0,4% [Link] Giappone

-2,0% [Link] N. America

-1,4% [Link] Europa

[Link] [Link] 0,0%

[Link] Euro 12,7%

-8,3% [Link] Euro

-22% -18% -14% -10% -6% -2% 2% 6% 10% 14% 18% 22%
Variazione di peso

Il. Modello B-L giunge ad una composizione di portafoglio che è una replica fedele
di quella che il Comitato di Investimento - in assenza di un modello matematico -
avrebbe prodotto modificando manualmente i pesi del portafoglio neutrale di partenza.
L’approccio descritto si dimostra quindi capace di replicare matematicamente
l’operatività dei gestori, fugando i rischi di instabilità e di natura unreasonable dei
portafogli e al tempo stesso assicurando i vantaggi (e la tranquillità) propri di un
modello ben codificato e rigoroso da un punto di vista metodologico.

270
5.5 Combinare modelli euristici e bayesiani
Nel corso del presente lavoro, modelli euristici e modelli bayesiani sono stati introdotti
come soluzioni utili al fine di alleviare i problemi che limitano l’utilizzo pratico della
ottimizzazione media-varianza. Pur non mancando i lavori che le mettono in diretta
competizione,59 sarebbe un errore interpretare queste metodologie alla stregua di
soluzioni alternative. A conferma di ciò, proponiamo un esempio di utilizzo combinato
del resamplingTM e del modello di Black-Litterman. La simulazione che segue
rappresenta solo uno dei possibili accostamenti tra modelli bayesiani ed euristici.
L’applicazione del modello Black-Litterman restituisce come risultato finale la
distribuzione normale dei rendimenti attesi:
µ ~ N(Π BL ; Σ BL )
dove :
(5.91)
[
Π BL = (τΣ) −1 + P T ⋅ Ω −1 ⋅ P ] × [(τΣ)
−1 −1
⋅ Π + P T ⋅ Ω −1 ⋅ Q ]
= [(τΣ) ⋅ P]
−1 −1
Σ BL + P T ⋅ Ω −1
Piuttosto che “lanciare” una ottimizzazione media-varianza sulla base dei parametri
ΠBL e Σ (matrice delle covarianze dei rendimenti), è possibile utilizzare il resamplingTM
al fine di identificare il portafoglio ricampionato caratterizzato da un livello di
avversione al rischio coerente con quello utilizzato per la stima dei rendimenti market
neutral. Procediamo con l’esempio numerico.
Utilizzando i dati numerici del paragrafo 5.4.2, ipotizziamo che il gestore di un
fondo bilanciato, nel tentativo di soddisfare le esigenze di un investitore-tipo con
parametro di avversione al rischio λ pari a 3,863, costruisce un portafoglio combinando
gli 8 mercati della Tabella 5.6.
L’ipotesi sottostante è la distribuzione normale multivariata dei rendimenti delle
asset class:
(5.92) r ~ N ( µ , Σ)
Per la stima dei rendimenti attesi, piuttosto che ricorrere alla classical rule, ci si
affida al modello B-L. La composizione del portafoglio market neutral (WMN) è la
seguente:

59
Tra questi, si cita il lavoro di Markowitz e Usmen (2003), dove gli autori elaborano una serie di test nei
quali la resampled efficiency si rivela superiore alla logica bayesiana.

271
 ⎡ [Link] Area Euro ⎤ ⎡8,40% ⎤
⎢w ⎥ ⎢ ⎥
⎢ [Link] Area Euro ⎥ ⎢61,60%⎥
⎢ [Link] Internazionale ⎥ ⎢4,50% ⎥
⎢ ⎥ ⎢ ⎥
⎢ [Link] Europa ⎥ ⎢ 7,96% ⎥
WMN = ⎢ =
[Link] Nord America ⎥ ⎢12,21%⎥
⎢ ⎥ ⎢ ⎥
⎢ [Link] Giappone ⎥ ⎢2,30% ⎥
⎢w ⎥ ⎢0,97% ⎥
⎢ [Link] Pac. ex Giappone ⎥ ⎢ ⎥
⎢⎣ [Link] Emerg. Market ⎥⎦ ⎢⎣2,07% ⎥⎦

La matrice delle covarianze (Σ) dei rendimenti è quella riportata nella Tabella 5.7.
Noti ΠMN, Σ e λ, ed ipotizzando ancora un tasso risk-free del 4%, possiamo procedere al
calcolo dei rendimenti di equilibrio:
⎡ E ( R) [Link] Area Euro ⎤ ⎡ 4,129% ⎤
⎢ E ( R) ⎥ ⎢ ⎥
⎢ [Link] Area Euro ⎥ ⎢4,661%⎥
⎢ E ( R) [Link] Internazionale ⎥ ⎢5,766% ⎥
⎢ ⎥ ⎢ ⎥
⎢ E ( R) [Link] Europa ⎥ ⎢ 7,969% ⎥
Π = r f ⋅ I + (λΣ ) ⋅ WMN = ⎢ =
E ( R) [Link] Nord America ⎥ ⎢8,477% ⎥
⎢ ⎥ ⎢ ⎥
⎢ E ( R) [Link] Giappone ⎥ ⎢7,656%⎥
⎢ E ( R) ⎥ ⎢ 9,104% ⎥
⎢ [Link] Pac. ex Giappone ⎥
⎢ ⎥
⎢⎣ E ( R) [Link] Emerg. Market ⎥⎦ ⎣⎢9,442% ⎦⎥

Attribuito a τ un valore pari a 0,0526, è possibile identificare la distribuzione prior:

⎛ ⎡ 4,129% ⎤ ⎡ 0,0009 0,0004 0,0007 - 0,0007 0,0002 - 0,002 0,0007 0,0013 ⎤ ⎞
⎜⎢ ⎥ ⎢ ⎥⎟
⎜ ⎢4,661%⎥ ⎢ 0,0004 0,0027 0,0024 - 0,0001 0,0006 - 0,004 0,0019 - 0,0029⎥ ⎟
⎜⎢ ⎥ ⎢ 0,0007 0,0024 ⎟
⎜⎢ 5,766% 0,0069 0,0090 0,0114 0,0084 0,0140 0,0137 ⎥ ⎟
⎥ ⎢ ⎥
⎜ ⎢7,969% ⎥ ⎢- 0,0007 - 0,0001 0,0090 0,0395 0,0382 0,0377 0,0379 0,0471 ⎥ ⎟
µ ~ N (Π; τΣ ) = N ⎜ ⎢ ⎥ ; 0,0526 ⋅ ⎢ 0,0002 0,0006 ⎟
⎜ ⎢8,477% ⎥ 0,0114 0,0382 0,0461 0,0348 0,0304 0,0439 ⎥ ⎟
⎢ ⎥
⎜ ⎢7,656%⎥ ⎢ - 0,002 - 0,004 0,0084 0,0377 0,0348 0,0944 0,0698 0,0914 ⎥ ⎟
⎜⎢ ⎥ ⎢ 0,0007 0,0019 ⎟
⎜ ⎢ 9,104% ⎥ ⎢ 0,0140 0,0379 0,0304 0,0698 0,0946 0,1029 ⎥⎥ ⎟
⎜⎢ ⎟
⎝ ⎣9,442% ⎥⎦ ⎢⎣ 0,0013 - 0,0029 0,0137 0,0471 0,0439 0,0914 0,1029 0,1421 ⎥⎦ ⎠

Si passa adesso alla definizione delle view:

1. Il Mercato Monetario Euro renderà l’1% in più del Mercato Obbligazionario Euro;
2. Il Mercato Azionario Europa renderà il 2% in più del Mercato Azionario Nord
America;
3. Il Mercato Azionario Emerging Market renderà il 3,5% in più del Mercato
Azionario Giappone.
Le matrici P e Q sono:

272
 ⎡+ 1 − 1 0 0 0 0 0 0⎤
⎢
P=⎢0 0 0 + 1 − 1 0 0 0 ⎥⎥
⎢⎣ 0 0 0 0 0 − 1 0 + 1⎥⎦

⎡ 1% ⎤
Q = ⎢⎢ 2% ⎥⎥
⎢⎣3,5%⎥⎦

Ipotizziamo che il Comitato di Investimento attribuisca alle 3 view una fiducia c

pari al’8%, la matrice Ω rappresentativa della fiducia delle opinioni è la seguente:
⎡⎛ 1 ⎞ ⎤
⎢⎜⎜ − 1⎟⎟ ⋅ p1 ⋅ (τΣ ) ⋅ p1
T
0 0 ⎥
⎢⎝ c1 ⎠ ⎥
⎢ ⎛ 1 ⎞ ⎥
Ω =⎢ 0 ⎜⎜ − 1⎟⎟ ⋅ p 2 ⋅ (τΣ ) ⋅ p 2T 0 ⎥=
⎢ ⎝ c2 ⎠ ⎥
⎢ ⎛ 1 ⎞ ⎥
⎢ 0 0 ⎜⎜ − 1⎟⎟ ⋅ p3 ⋅ (τΣ ) ⋅ p3T ⎥
⎣⎢ ⎝ c3 ⎠ ⎦⎥
⎡0,00163 0 0 ⎤
⎢
=⎢ 0 0,00549 0 ⎥⎥
⎢⎣ 0 0 0,03255⎥⎦

A questo punto disponiamo di tutti gli ingredienti necessari per stimare i rendimenti
attesi e la matrice delle covarianze alla Black-Litterman:

Π BL [
= (τΣ) −1 + P T ⋅ Ω −1 ⋅ P ] × [(τΣ)
−1 −1
⋅ Π + P T ⋅ Ω −1 ⋅ Q ]
⎡ 4,14% ⎤
⎢4,55%⎥
⎢ ⎥
⎢5,65% ⎥
⎢ ⎥
⎢ 7,99%⎥
=
⎢8,31% ⎥
⎢ ⎥
⎢7,81% ⎥
⎢9,30% ⎥
⎢ ⎥
⎣⎢9,83% ⎦⎥

Processando una ottimizzazione media-varianza di questo tipo:

273
 T
(
Max W BL
WBL
⋅ Π BL )
vincoli :
8
(5.93) ∑w
i =1
i =1

wi ≥ 0 per i = 1, 2, 3,..., 8.
T
W BL ⋅ Π BL − r f
λ= = 3,863
T
W BL ⋅ Σ ⋅ W BL
T

Il gestore otterrebbe il seguente risultato:

⎡ [Link] Area Euro ⎤ ⎡ 20,18% ⎤
⎢w ⎥ ⎢ ⎥
⎢ [Link] Area Euro ⎥ ⎢49,82%⎥
⎢ [Link] Internazionale ⎥ ⎢ 4,50% ⎥
⎢ ⎥ ⎢ ⎥
⎢ [Link] Europa ⎥ ⎢13,69% ⎥
W BL = ⎢ =
[Link] Nord America ⎥ ⎢ 6,48% ⎥
⎢ ⎥ ⎢ ⎥
⎢ [Link] Giappone ⎥ ⎢ 1,67% ⎥
⎢w ⎥ ⎢ 0,97% ⎥
⎢ [Link] Pac. ex Giappone ⎥ ⎢ ⎥
⎢⎣ [Link] Emerg. Market ⎥⎦ ⎢⎣ 2,69% ⎥⎦

Tuttavia, egli decide di sfruttare le proprietà del resamplingTM. A tale scopo

vengono sviluppate le fasi seguenti:
1. Sulla base delle variabili di input ΠBL e Σ, si simula - mediante l’utilizzo della
tecnica Monte Carlo - una serie di T rendimenti per ciascuna asset class (ipotesi di
distribuzione normale dei rendimenti).
2. Date le serie simulate, si provvede al calcolo di un nuovo set di input (Πsim e Σsim).
3. Gli input così ottenuti vengono utilizzati al fine di “lanciare” una ottimizzazione alla
Markowitz che restituisce un nuovo insieme di 1.000 portafogli efficienti.
4. Sulla base della composizione di questi portafogli e degli input originari (ΠBL e Σ) si
costruisce una frontiera che identifica le combinazioni “rischio-rendimento” che i
portafogli conseguiti utilizzando i dati simulati avrebbero conseguito in presenza del
set di input originario.
5. La procedura viene ripetuta per H volte (nell’esempio numerico 500 volte), in modo
da ottenere altrettante frontiere simulate.
6. I portafogli che compongono ciascuna frontiera simulata vengono ordinati in base al
loro rendimento atteso. La composizione media dei [Link] portafogli delle H

274
 frontiere, identifica la composizione del [Link] punto della frontiera ricampionata.
7. Replicando la fase 6 per tutti i punti componenti le frontiere, si ottiene la
composizione di tutti i portafogli della frontiera ricampionata.
8. Sulla base degli input originari e della composizione dei portafogli ricampionati, è
possibile determinare le combinazioni [σ;E(R)] dei portafogli componenti
quest’ultima.
9. L’iter si chiude con l’identificazione del portafoglio che ha un coefficiente di
avversione al rischio il più possibile vicino a quello dell’investitore-tipo
(λ=3,863)60.

Allo scopo di procedere alla stima del portafoglio, occorre tuttavia definire la
dimensione del parametro T identificativo della lunghezza delle serie di rendimenti
simulate nella tecnica Monte Carlo. Come noto, questo indicatore dipende dal grado di
fiducia che noi riponiamo nelle stime. Coerentemente con il processo utilizzato per la
stima delle matrici delle covarianze dei rendimenti attesi riconducibili alla informazione
prior (τΣ) ed alle view (Ω), tale parametro deve assumere una dimensione pari a:
1 1
(5.94) T= = = 19
τ 0,0526
In tal modo, infatti, le serie di rendimenti simulate di ampiezza 19 esprimono la
medesima incertezza implicita delle matrici delle covarianze τΣ e Ω. La Tabella 5.9
offre un confronto tra la composizione dei portafogli ottenuti:
1. con la logica market neutral
2. applicando il modello di Black-Litterman e l’ottimizzazione di Markowitz;
3. applicando il modello B-L e la procedura del ricampionamento.

Tabella 5.9: Un confronto tra portafogli conseguiti applicando diverse

metodologie

60
La procedura seguita impedisce di ottenere un portafoglio il cui parametro di avversione al rischio sia
pari a quello desiderato. Tuttavia, la costruzione di una frontiera ricampionata composta da ben 1.000
portafogli permette di identificare una soluzione con grado di avversione al rischio molto prossima a
quella desiderata.

275
 Market B-L + Ottimizzazione B-L +
Neutral Classica ResamplingTM
[Link] Euro 8,400% 20,184% 44,856%
[Link] Euro 61,600% 49,816% 30,840%
[Link] [Link] 4,500% 4,500% 5,657%
[Link] Europa 7,956% 13,690% 5,857%
[Link] N. America 12,215% 6,481% 4,154%
[Link] Giappone 2,295% 1,673% 3,902%
[Link] Pac. ex. Giapp. 0,969% 0,969% 1,913%
[Link] Paesi [Link] 2,066% 2,687% 2,821%

La combinazione tra la logica bayesiana ed il modello euristico porta alla

identificazione di una soluzione la cui composizione è senza dubbio ragionevole.
Tuttavia, il confronto tra la strategia di equilibrio e le restanti due soluzioni rivela che
solo l’applicazione dell’ottimizzazione classica di Markowitz permette di giungere ad
un portafoglio perfettamente in linea con le opinioni dei gestori. Infatti, la soluzione che
incorpora l’uso del ricampionamento porta ad alcuni risultati che il Comitato di
Investimento potrebbe rifiutare perché poco coerenti con le opinioni:
- l’Azionario Giappone cresce più di quanto faccia l’Azionario Paesi Emergenti;
- l’Azionario Europa vede ridurre il suo peso in portafoglio;
- i mercati non contemplati nelle view (Obbligazionario Internazionale e Azionario
Pacifico ex Giappone) crescono in modo sensibile.
Il rischio che si cela dietro questa combinazione euristico-bayesiana è quello di
produrre un fenomeno di “ipercorrettismo”: il resampling, infatti, può produrre un
eccessivo arricchimento (over-diversification) dei portafogli, ottenuto ai danni della
coerenza con le view. La probabile conseguenza è quella di giungere ad un portafoglio
che “offuschi” il ruolo delle opinioni. Per questa ragione chi scrive ritiene che un uso
corretto del modello di Black-Litterman e la conseguente definizione di livelli di fiducia
delle view prudenti possano garantire la costruzione di portafogli fedeli al modus
operandi dei gestori, senza la necessità di ricorrere al resamplingTM.

276