La Teoria Moderna del Portafoglio con le Matrici

In questo articolo vedremo come tutta la Teoria del Portafoglio che oggi conosciamo possa essere riscritta mediante delle semplici equazioni matriciali. Quindi vedremo come l’algebra lineare con le sue matrici e la finanzia aziendale si fondono per diventare una sola grande cosa.

Nel mondo della finanza, la gestione degli investimenti è un’arte e una scienza. Per decenni, le decisioni erano basate principalmente sull’intuizione e sull’esperienza. Tutto cambiò nel 1952, quando l’economista Harry Markowitz pubblicò il suo celebre saggio “Portfolio Selection” sul Journal of Finance.

Questo lavoro gettò le basi per la Teoria Moderna del Portafoglio (MPT), una rivoluzione che per la prima volta fornì un quadro matematico rigoroso per la costruzione di portafogli d’investimento. A Markowitz, per questa intuizione, fu assegnato il Premio Nobel per l’economia nel 1990.

Il principio fondamentale della MPT è che un investitore razionale non dovrebbe mai considerare il rischio di un singolo asset in isolamento, ma piuttosto valutare il suo contributo al rischio dell’intero portafoglio. La diversificazione, se gestita in modo ottimale, non si limita a spalmare il rischio, ma può ridurlo significativamente, grazie all’interazione tra i rendimenti di diversi asset.

1. Fondamenti Matematici: Rendimento e Rischio dei Singoli Asset

La costruzione di un portafoglio ottimale inizia con l’analisi statistica dei singoli asset che lo compongono. Per ogni titolo, obbligazione o altra attività finanziaria, è necessario calcolare due metriche fondamentali: il rendimento atteso e la volatilità (rischio).

1.1 Calcolo dei Rendimenti

Il punto di partenza è una serie storica di prezzi di mercato per ciascun asset. Da questi, si calcolano i rendimenti. Sebbene si possa usare il rendimento aritmetico, i rendimenti logaritmici sono preferiti nella finanza quantitativa per le loro proprietà matematiche di additività temporale, il che semplifica notevolmente l’analisi statistica successiva.

Il rendimento logaritmico al tempo $t$ è dato da:

$$R_t=\ln\left(\frac{P_t}{P_{t-1}}\right)$$

$P_t$ = Prezzo dell’asset al tempo $t$
$P_{t-1}$ = Prezzo dell’asset al tempo $t-1$

1.2 Rendimento Atteso e Deviazione Standard

Una volta ottenute le serie di rendimenti, possiamo calcolare le due metriche chiave per ogni asset: Rendimento Atteso ($E(R)$): Rappresenta la media dei rendimenti storici e serve come stima del rendimento futuro atteso. $$E(R_i)=\frac{1}{T}\sum_{t=1}^{T}R_{i,t}$$ Rischio (Deviazione Standard, $\sigma$): Misura la volatilità o l’incertezza dei rendimenti. Una deviazione standard più alta indica un maggiore rischio. $$\sigma_i=\sqrt{\frac{1}{T-1}\sum_{t=1}^{T}(R_{i,t}-E(R_i))^2}$$

2. La Matrice di Covarianza: Il Cuore della MPT

L’intuizione di Markowitz è che il rischio del portafoglio non è la semplice somma dei rischi dei suoi componenti. L’interazione tra i rendimenti degli asset gioca un ruolo cruciale, ed è misurata dalla covarianza.

2.1 La Covarianza

La covarianza tra due asset $i$ e $j$ quantifica la direzione con cui i loro rendimenti tendono a muoversi.

• Una covarianza positiva indica che i rendimenti si muovono prevalentemente nella stessa direzione.
• Una covarianza negativa suggerisce che tendono a muoversi in direzioni opposte, offrendo il massimo beneficio di diversificazione.
• Una covarianza vicina a zero implica che i movimenti sono in gran parte indipendenti.

La formula della covarianza è: $$\text{Cov}(R_i,R_j)=\frac{1}{T-1}\sum_{t=1}^{T}(R_{i,t}-E(R_i))(R_{j,t}-E(R_j))$$

2.2 La Matrice di Covarianza ($\Sigma$)

Per un portafoglio con $N$ asset, tutte le covarianze (e le varianze) sono organizzate in una matrice quadrata e simmetrica, la matrice di covarianza ($\Sigma$), di dimensione $N \times N$.

$$ \Sigma = \begin{pmatrix}
\sigma_1^2 & \sigma_{1,2} & \cdots & \sigma_{1,N} \\
\sigma_{2,1} & \sigma_2^2 & \cdots & \sigma_{2,N} \\
\vdots & \vdots & \ddots & \vdots \\
\sigma_{N,1} & \sigma_{N,2} & \cdots & \sigma_N^2
\end{pmatrix} $$

Gli elementi sulla diagonale principale ($\sigma_i^2$) sono le varianze dei singoli asset, mentre gli elementi fuori dalla diagonale ($\sigma_{i,j}$) sono le covarianze tra le coppie di asset.

3. Calcolo del Rendimento e del Rischio del Portafoglio

L‘algebra lineare offre un metodo efficiente per calcolare il rendimento e il rischio dell’intero portafoglio, indipendentemente dal numero di asset.

Vettore dei Pesi ($\mathbf{w}$): Questo vettore colonna di $N$ elementi contiene la percentuale di capitale investito in ciascun asset. È la variabile chiave che verrà ottimizzata. $$ \mathbf{w} = \begin{pmatrix} w_1 \\ w_2 \\ \vdots \\ w_N \end{pmatrix} $$

3.1 Rendimento Atteso del Portafoglio}

Il rendimento atteso di un portafoglio è semplicemente la somma ponderata dei rendimenti attesi dei suoi componenti. In notazione matriciale, è il prodotto tra il vettore dei pesi trasposto e il vettore dei rendimenti attesi:
$$E(R_p)=\mathbf{w}^T E(\mathbf{R})$$

3.2 Varianza e Rischio del Portafoglio

Questo è il calcolo più importante della MPT. La varianza del portafoglio è calcolata tramite un prodotto matriciale che incorpora tutte le varianze e le covarianze:
$$\sigma_p^2=\mathbf{w}^T\Sigma\mathbf{w}$$

Questa formula compatta racchiude tutte le varianze e le covarianze del portafoglio in un unico calcolo. Il rischio del portafoglio è la radice quadrata di questo valore: $\sigma_p=\sqrt{\mathbf{w}^T\Sigma\mathbf{w}}$.

4. La Frontiera Efficiente: Un Universo di Possibilità

Il problema di ottimizzazione della MPT consiste nel trovare il vettore di pesi $\mathbf{w}$ che, per un dato rendimento, minimizza il rischio. L’insieme di tutti questi portafogli “ottimali” forma una curva, la Frontiera Efficiente. La sua costruzione e la sua forma dipendono in modo cruciale dalla possibilità di effettuare o meno le vendite allo scoperto.

4.1 Caso A: Con Vendite allo Scoperto (Short Selling)

Le vendite allo scoperto permettono di scommettere sul calo del prezzo di un asset, assegnandogli un peso negativo. In questo scenario, il problema di ottimizzazione ha una soluzione analitica compatta che può essere risolta con l’algebra matriciale inversa.

a) Il Portafoglio a Varianza Minima (MVP)

L’MVP è il portafoglio che offre il rischio più basso in assoluto. Si ottiene minimizzando la varianza del portafoglio con il solo vincolo che la somma dei pesi sia 1.

Dimostrazione:
Il problema è minimizzare la varianza $\sigma_p^2=\mathbf{w}^T\Sigma\mathbf{w}$ con il vincolo $\mathbf{1}^T\mathbf{w}=1$.

Per risolverlo, utilizziamo il metodo dei moltiplicatori di Lagrange. La funzione Lagrangiana è definita come:
$$L(\mathbf{w},\lambda)=\mathbf{w}^T\Sigma\mathbf{w}-\lambda(\mathbf{1}^T\mathbf{w}-1)$$

Per trovare il minimo, calcoliamo la derivata parziale rispetto a $\mathbf{w}$ e la poniamo uguale a zero:
$$\frac{\partial L}{\partial \mathbf{w}}=2\Sigma\mathbf{w}-\lambda\mathbf{1}=0 \implies 2\Sigma\mathbf{w}=\lambda\mathbf{1}$$

Poiché la matrice di covarianza $\Sigma$ è invertibile, possiamo moltiplicare entrambi i lati per la sua inversa $\Sigma^{-1}$:
$$\mathbf{w}=\frac{1}{2}\lambda\Sigma^{-1}\mathbf{1}$$

Ora, sostituiamo questa espressione per $\mathbf{w}$ nel vincolo di somma dei pesi:
$$\mathbf{1}^T\mathbf{w}=1 \implies \mathbf{1}^T\left(\frac{1}{2}\lambda\Sigma^{-1}\mathbf{1}\right)=1$$
$$\frac{1}{2}\lambda(\mathbf{1}^T\Sigma^{-1}\mathbf{1})=1 \implies \frac{1}{2}\lambda=\frac{1}{\mathbf{1}^T\Sigma^{-1}\mathbf{1}}$$

Infine, sostituiamo il valore di $\frac{1}{2}\lambda$ nell’espressione per $\mathbf{w}$ per ottenere il risultato finale:
$$\mathbf{w}_{\text{MVP}}=\frac{\Sigma^{-1}\mathbf{1}}{\mathbf{1}^T\Sigma^{-1}\mathbf{1}}$$
$\Sigma^{-1}$ = L’inversa della matrice di covarianza.
$\mathbf{1}$ = Un vettore colonna di uno.

b) La Frontiera Efficiente

L’intera frontiera efficiente può essere costruita minimizzando il rischio per un dato rendimento obiettivo, $E(R_p)$. Questo introduce un secondo vincolo.

Dimostrazione:
Il problema consiste nel minimizzare $\sigma_p^2=\mathbf{w}^T\Sigma\mathbf{w}$ soggetto a due vincoli:
$$ \mathbf{1}^T\mathbf{w}=1 $$
$$ E(\mathbf{R})^T\mathbf{w}=E(R_p) $$

La Lagrangiana è:
$$L(\mathbf{w},\lambda_1,\lambda_2)=\mathbf{w}^T\Sigma\mathbf{w}-\lambda_1(\mathbf{1}^T\mathbf{w}-1)-\lambda_2(E(\mathbf{R})^T\mathbf{w}-E(R_p))$$

La derivata parziale rispetto a $\mathbf{w}$ è:
$$\frac{\partial L}{\partial \mathbf{w}}=2\Sigma\mathbf{w}-\lambda_1\mathbf{1}-\lambda_2E(\mathbf{R})=0$$

Da cui si ottiene:
$$\mathbf{w}=\frac{1}{2}\lambda_1\Sigma^{-1}\mathbf{1}+\frac{1}{2}\lambda_2\Sigma^{-1}E(\mathbf{R})$$

Per risolvere $\lambda_1$ e $\lambda_2$, usiamo i due vincoli originali. Definiamo le costanti per semplificare le notazioni:

$$A=\mathbf{1}^T\Sigma^{-1}\mathbf{1}$$
$$B=\mathbf{1}^T\Sigma^{-1}E(\mathbf{R})$$
$$C=E(\mathbf{R})^T\Sigma^{-1}E(\mathbf{R})$$
$$D=AC-B^2$$

Sostituendo l’espressione di $\mathbf{w}$ nei due vincoli, si ottiene un sistema di due equazioni lineari in $\lambda_1/2$ e $\lambda_2/2$:
$$\frac{\lambda_1}{2}A+\frac{\lambda_2}{2}B=1$$
$$\frac{\lambda_1}{2}B+\frac{\lambda_2}{2}C=E(R_p)$$

Risolvendo questo sistema, si trovano le espressioni per i moltiplicatori:
$$\frac{\lambda_1}{2}=\frac{CE(R_p)-B}{D}$$
$$\frac{\lambda_2}{2}=\frac{A-BE(R_p)}{D}$$

Sostituendo nuovamente questi valori nell’espressione per $\mathbf{w}$, otteniamo la formula finale per i pesi di qualsiasi portafoglio sulla frontiera efficiente:
$$\mathbf{w}_p=\frac{1}{D}\left[(CE(R_p)-B)\Sigma^{-1}\mathbf{1}+(A-BE(R_p))\Sigma^{-1}E(\mathbf{R})\right]$$

Questa formula, sebbene matematicamente elegante, richiede l’uso di software per gestire le complesse operazioni matriciali.

La frontiera efficiente risultante è un’iperbole, che si estende indefinitamente verso rendimenti positivi e negativi.

4.2 Caso B: Senza Vendite allo Scoperto

Se non si ammettono le vendite allo scoperto, il problema si complica. L’aggiunta del vincolo di non negatività ($w_i\ge 0$) trasforma il problema in una programmazione quadratica vincolata, che non ha una soluzione analitica diretta. Non esiste una formula matriciale unica che restituisca i pesi ottimali.

La soluzione è affidata a solutori numerici, come il “Solver” di Microsoft Excel. Questi algoritmi non risolvono il problema con una formula, ma lo fanno in modo iterativo, cercando la soluzione migliore all’interno di un’area definita dai vincoli.

5. La Matematica Dietro la Soluzione Numerica

Sebbene non ci sia una formula diretta nel caso senza vendite allo scoperto, la matematica sottostante ai solutori numerici fa ampio uso dell’algebra lineare per muoversi verso la soluzione ottimale. La Funzione Obiettivo e i Vincoli Il problema di minimizzazione è formalizzato come: Minimizzare:

$$ \frac{1}{2}\mathbf{w}^T\Sigma\mathbf{w} $$ Soggetto a: Vincolo di Allocazione Totale: $$ \mathbf{1}^T\mathbf{w}=1 $$ Vincolo di Non Negatività: $$ w_i\ge 0 \text{ per tutti gli } i $$

Vincolo di Rendimento Obiettivo (per la frontiera):

$$ E(R_p)=\mathbf{w}^T E(\mathbf{R})=E(R_{\text{obiettivo}}) $$

Il Ruolo dei Moltiplicatori di Lagrange e delle Condizioni KKT

Gli algoritmi di ottimizzazione si basano su un sistema di equazioni e disuguaglianze chiamato Condizioni di Karush-Kuhn-Tucker (KKT). Questo sistema incorpora i vincoli tramite i moltiplicatori di Lagrange, che sono variabili ausiliarie che “penalizzano” la funzione obiettivo se i vincoli non sono rispettati.

La Lagrangiana del nostro problema è:

$$ L(\mathbf{w},\lambda,\mathbf{\mu})=\frac{1}{2}\mathbf{w}^T\Sigma\mathbf{w}+\lambda(\mathbf{1}^T\mathbf{w}-1)-\mathbf{\mu}^T\mathbf{w} $$

Qui $\lambda$ è il moltiplicatore per il vincolo di uguaglianza e $\mathbf{\mu}$ è un vettore di moltiplicatori per i vincoli di non negatività. Le condizioni KKT per la soluzione ottimale $\mathbf{w}^{}$ includono:

Condizione di Stazionarietà:

$$ \nabla_{\mathbf{w}}L=\Sigma\mathbf{w}^{}+\lambda\mathbf{1}-\mathbf{\mu}=0 $$ Condizione di

Complementarietà:

$$ \mathbf{\mu}^T\mathbf{w}^{}=0 $$
(se un peso $w_i^*$ è positivo, il suo moltiplicatore $\mu_i$ deve essere zero, e viceversa).

Vincoli Primari e Duali: I vincoli originali devono essere soddisfatti, insieme al vincolo di non negatività per i moltiplicatori di Lagrange ($\mathbf{\mu}\ge 0$).

Queste condizioni, prese insieme, formano un sistema complesso che non può essere risolto direttamente. I solutori numerici, tuttavia, sono specificamente progettati per trovare, attraverso un processo iterativo, un vettore di pesi che soddisfi tutte queste condizioni.

In questo caso, la frontiera efficiente che si ottiene è una curva più “ristretta” e limitata rispetto al caso con vendite allo scoperto. Non ammette rendimenti negativi e il punto di minimo è ben definito.

6. Il Significato Economico e la Scelta dell’Investitore

Al termine dell’ottimizzazione, l’investitore si trova di fronte alla curva della frontiera efficiente, che rappresenta l’insieme di tutte le scelte razionali. La curva mostra il trade-off tra rischio e rendimento: per ottenere un rendimento più elevato, l’investitore deve accettare un rischio maggiore. La scelta finale del portafoglio dipende dalla propensione al rischio dell’investitore.

Un investitore avverso al rischio sceglierà un portafoglio più vicino al punto di varianza minima.

Un investitore con una maggiore tolleranza al rischio si spingerà verso l’alto lungo la curva, accettando una maggiore volatilità in cambio di un rendimento atteso superiore.

La MPT ha trasformato la gestione del portafoglio da un’arte soggettiva a una scienza quantitativa. Sebbene il modello abbia i suoi limiti (come la dipendenza da dati storici e l’assunzione di una distribuzione normale dei rendimenti), i suoi principi fondamentali rimangono validi e costituiscono la base per modelli più avanzati e per la gestione del portafoglio nel mondo reale.

SCOPRI IL MONDO DELLA FINANZA AZIENDALE

Comincia un fantastico viaggio alla scoperta della finanza aziendale

Un percorso che parte dal rendiconto finanziario fino alla valutazione di imprese e progetti.

Passando per i flussi di cassa, le attualizzazioni, la scelta dei progetti e il mercato dei titoli finanziari

scopri il canale Youtube