Questo articolo inaugura una serie di riflessioni ad alto livello su alcuni temi, a mio avviso centrali, nel mondo del trading e dell’investing. Meno formule e tecnicismi, ma pensieri in libertà, frutto dell’esperienza maturata fin qui sui mercati finanziari.
Una delle cose che rende lo studio dei mercati finanziari una delle materie più affascinati che conosca è di certo la sua mutevolezza.
Non sto parlando soltanto delle fisiologiche variazioni direzionali (trend), di variazione intorno alla media (volatilità) e di periodica alternanza tra fasi caratterizzate da trend e volatilità definita, che spesso hanno la caratteristica di mettere in crisi metodologie consolidate e validate nel tempo. Ma della capacità, unica nel suo genere, di non dare certezze, almeno in apparenza.
Chi riesce a cogliere in modo più efficace i cambiamenti del mercato, riuscendo ad adattare la propria operatività in modo sufficientemente rapido da non farsi troppo male, ma in modo sufficientemente lento da non essere preda delle sirene del momento? Esiste un vantaggio competitivo, da questo punto di vista, che pone un trader discrezionale in vantaggio rispetto ad un trading sistematico, o è piuttosto vero il contrario?
Se proviamo per un attimo ad allontanarci da preconcetti insidiosi come il precedente, che possono essersi ramificati in profondità nelle nostre menti, forse potremo riuscire ad ottenere una lettura neutra del fenomeno e quindi più vicina alla realtà. Partiamo dalle definizioni evitando di dare valutazioni di merito (perché non avrebbero senso):
Trading discrezionale: un approccio derivante dalla lettura del mercato durante il suo sviluppo in tempo reale, che si declina in una sequenza di azioni di compravendita, difficilmente definibili all’interno di un protocollo operativo meccanico. La capacità di replicare nel tempo queste azioni è intrinsecamente legato alla fiducia che l’operatore riesce a mantenere nel tempo sul proprio operato.
Trading sistematico: approccio che consiste nella codifica di strategie di trading o di investing validate in modo statistico, misurandone l’efficacia sulle serie storiche degli strumenti finanziari su cui sono state pensate. La fase di validazione (backtest e forward test) sostiene la fiducia dell’operatore.
A questo punto nasce spontanea una domanda: ma il trading discrezionale può essere sistematico?
La verità è che la stragrande maggioranza dei trader discrezionali segue un piano operativo definito da una lettura tecnica particolare, che agli occhi dell’operatore si è dimostrata affidabile nel tempo. Se escludiamo pochi virtuosi che sfuggono a tali regole, i due mondi tendono quindi a convergere. Ma in ogni caso, l’incapacità o l’impossibilità di tradurre con dettaglio ciò che scateni le decisioni di acquisto o di vendita, non garantisce che non esista un protocollo operativo, per quanto complesso. La complessità può essere la chiave di lettura del nostro problema.
Cosa funziona sui mercati finanziari?
Qualcuno potrebbe rispondere che ciò che ha funzionato in passato tendenzialmente dovrebbe avere maggiori possibilità di funzionare anche in futuro. Certo non sarebbe allettante l’idea di investire il proprio denaro su qualcosa che non abbia mai dato prova di funzionare sul passato. Su questa teoria si basa gran parte dell’industria finanziaria moderna e a primo sguardo ciò sembra rappresentare anche l’unica interpretazione possibile. Soprattutto se siamo abituati a dare una dimostrazione delle nostre tesi prima di metterle in campo. Un retaggio culturale con il quale siamo tutti cresciuti e che ci ha tolto dai guai in molte situazioni.
Ma siamo proprio sicuri che questa sia l’unica strada percorribile?
La variazione dei prezzi contiene intrinsecamente un insieme di fattori scatenanti, alcuni dei quali endogeni, individuabili cioè durante la loro nascita, sviluppo e conclusione e assimilati nei prezzi stessi, alcuni altri esogeni, cioè legati a tematiche avulse dall’azione dei prezzi. Per comprendere cosa si intenda per elementi esogeni si pensi a notizie non scontate completamente nei prezzi o alle perturbazioni casuali generate da milioni di transazioni sul book. Quando il mercato muta si è in grado solo in parte di comprendere la natura di tali mutamenti, proprio a causa dei fattori esogeni (quello che agli esperti di machine learning piace chiamare “rumore della serie”). Ma non solo: possono cambiare i player, gli orari di contrattazione o gli equilibri macroeconomici sottesi a quello specifico mercato. Ex post è semplice identificare cosa avremmo dovuto fare per non incappare in quella perdita e qui nasce un primo elemento destabilizzante.
A volte, per superare la crisi, avrebbe avuto senso mettere in campo le migliori strategie del passato, altre volte quelle peggiori.
Per comprendere davvero quanto scritto dobbiamo avere il coraggio di mettere tutto in discussione e di guardare la Gorgone Medusa negli occhi, senza il timore di pietrificarci incrociandone lo sguardo.
E’ il mercato che decreta quale sia il sistema di validazione migliore.
Questo sfugge, ad esempio, a chi stia operando da pochi anni su un mercato particolare e magari con un pò di buona sorte sia anche riuscito ad ottenere dei guadagni importanti. Solo per fare degli esempi, mi vengono in mente tutti coloro che abbiano cavalcato la bolla della New Economy a fine anni ’90 sul mercato azionario o ai molti (alcuni giovanissimi) che hanno incamerato delle fortune semplicemente investendo nelle crypto-valute dal 2015 (più in ottica investing che in ottica trading in questo caso).
Ma se si passa abbastanza tempo sui mercati, prima o poi ci si troverà a dover gestire una “singolarità” che è un modo elegante per denominare la complessità. Ad esempio ci si rende conto che ci saremmo salvati soltanto facendo ricorso a sistemi perdenti sul passato. E non sto parlando di pochi anni ma di sistemi perdenti da sempre che improvvisamente si accendono e diventano i partner ideali per cavalcare un mercato sconosciuto fino a quel momento.
Il fatto di occuparmi da qualche anno di Intelligenza Artificiale mi ha permesso di estendere queste elucubrazioni su un piano più generale, che esula dal solo ambito finanziario. D’altronde, pochi lo collegano, tutte le tecniche di validazione, dalle più semplici come le architetture “In Sample” ed “Out of Sample” fino alla “Walk Forward Analysis” sono state coniate in ambito Machine Learning per la validazione dei modelli numerici e poi sono state adattate in ambito finanziario. Desidero fare un esempio semplice che renda immediatamente ciò che intendo.
Di seguito potete osservare uno studio fatto su un paniere azionario di blue chips americane dal 2000 ad oggi (studio affetto da selection bias su indice DowJones30, ma ininfluente allo scopo della dimostrazione), con architettura di validazione 70%-30%:
– Validation Period: 30% (periodo in cui mettere a mercato una strategia post validazione, a destra della linea verde tratteggiata).
– Machine Learning Period: 70% (periodo aggregato Training = In Sample + Test = Out of Sample, a sinistra della linea verde tratteggiata).
– Training Period o In Sample: 70% del Machine Learning Period (equivalente all’area a sinistra della linea grigia tratteggiata).
– Test Period o Out of Sample: 30% del Machine Learning Period (equivalente all’area compresa tra la linea grigia tratteggiata e la linea verde tratteggiata).
In blue possiamo vedere il rendimento percentuale di una strategia di allocazione uniforme su 27 asset, strategia che su azionario ha sempre pagato in questa simulazione, al netto delle crisi del 2002-2003, del 2008 e di marzo 2020 (pandemia da Covid19).
In arancione vediamo invece il rendimento percentuale di una strategia di voting che premi i migliori modelli di predizione identificati nel Machine Learning Period. E’ evidente, in questo caso una prima flessione delle prestazioni passando da In Sample ad Out of Sample che si traduce successivamente in un inesorabile declino nella fase di Validation. Qualcuno potrebbe obiettare che si tratti di un caso evidente di “sovra-ottimizzazione” dei modelli (“overfitting”) ed in parte è vero. Tuttavia guardate cosa accada se invertiamo il criterio di selezione: prendiamo un sistema di voting che premi i peggiori modelli previsionali:
In questo caso l’andamento monotono crescente registrato nel Validation Period non è frutto di ottimizzazione, ma semplicemente di selezione dei peggiori predittori, il che si traduce in una probabilità non nulla che il sistema possa continuare a performare nel prossimo futuro. Tuttavia nessun sistema di validazione tradizionale basato sul Machine Learning Period lo avrebbe selezionato come papabile. Di seguito vediamo un dettaglio dell’ultimo periodo preso in esame:
Il nostro modello sovraperforma in modo evidente il Buy&Hold sia in termini di performance che di varianza (parente del rischio atteso).
Per completezza registriamo che, in questa specifica simulazione, non esiste alcuna soluzione validabile in modo tradizionale (a parità di modelli) che consenta, con questi cut off (vincoli di architettura sui periodi temporali), una soluzione in grado di fare altrettanto.
E allora che fare?
Quanto visto sembra suggerire una superiorità teorica dei sistemi adattivi quelli, cioè, in grado di leggere il mercato durante il mutamento e di sviluppare le necessarie contromisure operative. Quello che riescono a fare alcune architetture walk forward dinamiche di AI o, in modo intuitivo, pochissimi operatori di mercato.
Che si tratti di algoritmi di Intelligenza Artificiale o di Intelligenza Biologica (è pur vero che ciascun essere umano è di fatto munito di una rete neurale biologica), parafrasando Darwin, è proprio l’adattabilità la chiave per la sopravvivenza di lungo termine ed in generale la gestione della complessità. Uno dei motivi per cui sta fiorendo una nuova era di riarmo tecnologico, anche nel mondo finanziario.
Alla prossima puntata.
Giovanni Trombetta
Founder & Head of R&D Gandalf Project
PS: tutte le tavole e i modelli dell’articolo sono state ottenute con Python. Da anni forniamo gli strumenti per fare altrettanto all’interno di un acceleratore didattico che si chiama Python Academy.
AVVERTENZE: I contenuti di questo articolo (e degli altri contenuti in questo sito) e le opinioni espresse non devono in nessun caso essere considerati come un invito all’investimento.
Le analisi non costituiscono mai una sollecitazione all’acquisto o alla vendita di qualsivoglia strumento finanziario. Queste note hanno per oggetto analisi finanziarie e ricerca in materia di investimento. Qualora vengano espresse delle raccomandazioni, queste hanno carattere generale, sono rivolte ad un pubblico indistinto e mancano dell’elemento della personalizzazione.
Sebbene frutto di approfondite analisi, le informazioni contenute in questo e negli altri articoli possono contenere errori. Gli autori non possono in nessun caso essere ritenuti responsabili per eventuali scelte effettuate dai lettori sulla base di tali informazioni erronee. Chi decide di porre in essere una qualsiasi operazione finanziaria sulla base delle informazioni contenute nel sito lo fa assumendone la totale responsabilità.
DISCLAIMER: The contents of these notes and the opinions expressed should in no case be considered as an invitation to invest. The analyzes never constitute a solicitation to buy or sell any financial instrument.
These notes relate to financial analysis and investment research. If recommendations are made, these are of a general nature, are aimed at an indistinct audience and lack the element of personalization.
Although the result of in-depth analysis, the information contained in these notes may contain errors. The authors cannot under any circumstances be held responsible for any choices made by readers on the basis of such erroneous information. Anyone who decides to carry out any financial transaction on the basis of the information contained in the site does so assuming full responsibility.
