Sistema intelligente per l’ottimizzazione del portafoglio tramite nuove previsioni di volatilità con machine learning

Perché investire in modo più intelligente è importante

Chi ha visto i propri risparmi salire e scendere con il mercato azionario sa che le perdite importanti possono pesare più di quanto facciano piacere i guadagni modesti. Questo articolo affronta una questione rilevante sia per gli investitori privati sia per le grandi istituzioni: possiamo usare l’intelligenza artificiale moderna per costruire portafogli che non solo crescano nel tempo, ma resistano meglio anche alle forti cadute dei mercati in più paesi?

Dalla teoria classica alle macchine assetate di dati

La teoria tradizionale del portafoglio, risalente a Harry Markowitz negli anni ’50, insegna agli investitori a bilanciare rischio e rendimento distribuendo il capitale su asset diversi. Nell’ultimo decennio, approcci più complessi basati su deep learning e reinforcement learning hanno promesso di estrarre guadagni aggiuntivi dai dati finanziari. Tuttavia questi metodi più recenti sono spesso poco interpretabili, costosi da eseguire e difficili da rendere affidabili su mercati differenti. Soprattutto, la maggior parte si concentra sulla previsione dei rendimenti, mentre i professionisti del rischio danno grande importanza ai drawdown — l’entità delle peggiori perdite da picco a valle lungo il percorso.

Guardare al dolore del mercato invece che solo al suo guadagno

Gli autori spostano l’attenzione dalla previsione dei rendimenti a breve termine alla previsione di quanto possano diventare gravi le perdite. Studiano 40 mercati azionari, da economie sviluppate come Stati Uniti e Germania a mercati emergenti come Brasile e Sudafrica, su un periodo di 20 anni dal 1999 al 2018. Per ogni paese e anno calcolano misure di performance risk-adjusted ampiamente usate: il rapporto di Sharpe (rendimento per unità di rischio complessivo), il rapporto di Sterling (rendimento rispetto alle perdite medie passate) e il rapporto di Calmar, che mette in relazione diretta i guadagni annuali con il peggior drawdown. Questi rapporti vengono poi raggruppati in semplici categorie “alta”, “media” e “bassa” che indicano quanto un mercato appaia attraente o fragile dal punto di vista rischio‑rendimento.

Come funziona effettivamente il sistema intelligente

Dietro le quinte, il sistema proposto è un’attenta gestione dei dati affiancata a un modello strutturato di machine learning chiamato classificatore multi–Support Vector Machine (multi‑SVM). Per prima cosa il team pulisce e rimodella due decenni di dati azionari da Bloomberg, rimuovendo voci errate, colmando brevi lacune e normalizzando le scale in modo che un mercato piccolo e uno grande possano essere confrontati equamente. Successivamente ingegnerizzano caratteristiche che riassumono il comportamento di ciascun mercato, inclusi i valori massimi, minimi e medi delle azioni, la volatilità, i rendimenti annuali e i drawdown a tre anni mobili. Queste feature diventano gli input per diversi sottomodelli SVM, ognuno specializzato in uno dei rapporti chiave, tutti con kernel non lineari per catturare collegamenti complessi tra rischio e rendimento. Un passaggio di fusione combina poi i livelli di confidenza dei sottomodelli in un unico giudizio sul fatto che un dato anno‑paese appartenga alla categoria di qualità alta, media o bassa in termini di rischio‑rendimento.

Trasformare le previsioni in scelte di portafoglio

Per verificare se questa intelligenza aiuti davvero gli investitori, gli autori conducono un lungo esperimento storico di tipo “what if”. Ogni anno, immaginano di costruire un portafoglio globale che assegni peso aggiuntivo ai mercati che il sistema etichetta come di alta qualità, peso neutro ai mercati medi e peso ridotto a quelli di bassa qualità. Confrontano i risultati con tre benchmark noti: un modello di mercato semplice (CAPM), un portafoglio globale a pesi uguali e il popolare modello a tre fattori sviluppato da Fama e French. Nel periodo 1999–2018, il portafoglio guidato dal multi‑SVM offre il rendimento cumulativo più alto, la perdita peggiore più contenuta e il rapporto di Sharpe più forte. Il classificatore stesso colloca correttamente i mercati nelle categorie rischio‑rendimento circa il 97,5% delle volte, un miglioramento netto rispetto a un singolo SVM e rispetto a un modello Naïve Bayes di base.

Cosa significa per gli investitori e per il futuro

Per un non specialista, la conclusione chiave è che gli autori non inventano un nuovo robot di trading black‑box; invece combinano con cura strumenti consolidati per concentrarsi su ciò che gli investitori temono di più — perdite ampie e prolungate. Ponendo il modello su misure legate ai drawdown e mantenendo una struttura relativamente trasparente, offrono un modo pratico per guidare i pesi di un portafoglio globale più facile da spiegare rispetto a molti sistemi di deep learning, pur risultando competitivo in termini di performance. Lo studio suggerisce che classificare in modo intelligente i mercati in base alla loro salute risk‑adjusted, invece di inseguire solo i rendimenti lordi, può portare a portafogli che crescono più stabilmente e subiscono shock più lievi, offrendo un viaggio più confortevole attraverso mercati turbolenti.

Citazione: Biswas, T., Dey, A., Mandal, G. et al. Intelligent system for portfolio optimization for novel volatility forecasting using machine learning. Sci Rep 16, 14670 (2026). https://doi.org/10.1038/s41598-026-42813-4

Parole chiave: ottimizzazione del portafoglio, volatilità finanziaria, machine learning in finanza, gestione del rischio, mercati azionari globali