ETD

• asset allocation

La presente tesi analizza l’evoluzione della gestione del portafoglio finanziario nel contesto dei profondi cambiamenti che hanno caratterizzato i mercati negli ultimi decenni. In particolare, il lavoro si colloca all’intersezione tra finanza matematica, finanza comportamentale e innovazione tecnologica, con l’obiettivo di confrontare i modelli tradizionali di asset allocation, basati sulla teoria di Markowitz, con le moderne soluzioni automatizzate offerte dai robo-advisor, supportati da tecniche di Machine Learning.
Per gran parte del XX secolo, la teoria finanziaria si è sviluppata all’interno del paradigma della finanza tradizionale, fondato sull’ipotesi di razionalità perfetta degli investitori. In questo contesto, l’agente economico è rappresentato dall’Homo Economicus, un individuo in grado di elaborare tutte le informazioni disponibili e di prendere decisioni coerenti con la massimizzazione dell’utilità attesa. Su tali basi si sono sviluppati modelli fondamentali come la teoria del portafoglio di Markowitz, il Capital Asset Pricing Model (CAPM) e l’ipotesi dei mercati efficienti (EMH), che hanno fornito una struttura rigorosa e formalizzata per l’analisi degli investimenti .
Il contributo di Harry Markowitz, introdotto nel 1952 con l’articolo “Portfolio Selection”, rappresenta una svolta cruciale nella teoria finanziaria. Egli formalizza matematicamente il concetto di diversificazione, dimostrando che il rischio di un portafoglio non dipende soltanto dalla rischiosità dei singoli titoli, ma anche dalla correlazione tra i loro rendimenti. Il problema dell’investimento viene quindi modellizzato come un processo di ottimizzazione, volto a individuare le combinazioni di asset che massimizzano il rendimento atteso per un dato livello di rischio, o viceversa minimizzano il rischio a parità di rendimento. Da questo approccio deriva il concetto di frontiera efficiente, che rappresenta l’insieme dei portafogli ottimali in termini di trade-off rischio-rendimento .
Nonostante la solidità teorica, i modelli di finanza matematica presentano limiti significativi quando confrontati con il comportamento reale degli investitori. Numerose evidenze empiriche hanno infatti dimostrato che gli individui non agiscono sempre in modo razionale, ma sono influenzati da fattori psicologici, emotivi e cognitivi. In risposta a queste criticità si è sviluppata la finanza comportamentale, che integra contributi della psicologia cognitiva per analizzare come gli investitori prendono decisioni in condizioni di incertezza.
Uno dei concetti fondamentali della finanza comportamentale è quello di razionalità limitata, introdotto da Herbert Simon, secondo cui gli individui non sono in grado di analizzare tutte le informazioni disponibili e tendono a utilizzare scorciatoie mentali (euristiche) che possono generare errori sistematici. Tra i principali bias cognitivi si possono citare l’overconfidence, l’ancoraggio, l’effetto disposizione e l’avversione alle perdite, che influenzano profondamente le scelte di investimento .
Un contributo particolarmente rilevante è rappresentato dalla Prospect Theory di Kahneman e Tversky, secondo cui gli individui valutano guadagni e perdite in modo asimmetrico, attribuendo maggiore peso alle perdite rispetto ai guadagni di pari entità. Questo comportamento spiega fenomeni diffusi nei mercati finanziari, come il panic selling durante le fasi di ribasso o la tendenza a mantenere troppo a lungo investimenti in perdita. Tali dinamiche evidenziano come il comportamento umano possa compromettere l’efficacia delle strategie ottimali individuate dai modelli teorici .
Parallelamente allo sviluppo della finanza comportamentale, l’innovazione tecnologica ha introdotto nuovi strumenti per l’analisi e la gestione degli investimenti. In particolare, il Machine Learning si è affermato come una delle tecnologie più rilevanti nel settore finanziario. A differenza dei modelli econometrici tradizionali, che richiedono la definizione a priori delle relazioni tra variabili, gli algoritmi di apprendimento automatico sono in grado di individuare autonomamente pattern complessi nei dati, migliorando la capacità predittiva e l’adattabilità ai cambiamenti del mercato .
Il Machine Learning trova applicazione in numerosi ambiti della finanza, tra cui la previsione dei rendimenti, la gestione del rischio, il trading algoritmico e l’ottimizzazione dei portafogli. Tuttavia, esso presenta anche alcune criticità, come il rischio di overfitting, la dipendenza dalla qualità dei dati e la scarsa interpretabilità di alcuni modelli, spesso definiti “black box”. Inoltre, la natura dinamica dei mercati finanziari rende complessa la stabilità delle relazioni individuate dagli algoritmi nel tempo .
Un’applicazione concreta del Machine Learning è rappresentata dai robo-advisor, piattaforme digitali che offrono servizi di consulenza finanziaria automatizzata. I robo-advisor sono nati nel periodo successivo alla crisi finanziaria del 2008, in risposta alla crescente domanda di servizi più trasparenti, accessibili e a basso costo. Essi si basano su algoritmi che integrano modelli quantitativi, tecniche di apprendimento automatico e principi di finanza comportamentale per costruire e gestire portafogli personalizzati .
Il funzionamento dei robo-advisor si articola in diverse fasi. In primo luogo, viene effettuata la profilazione dell’investitore attraverso questionari strutturati che raccolgono informazioni su obiettivi, orizzonte temporale, patrimonio e tolleranza al rischio. Successivamente, il sistema costruisce un portafoglio diversificato, generalmente composto da ETF, utilizzando modelli di ottimizzazione basati sulla teoria di Markowitz. Infine, il portafoglio viene monitorato nel tempo e sottoposto a ribilanciamenti automatici, al fine di mantenere la coerenza con il profilo di rischio dell’investitore .
I robo-advisor presentano numerosi vantaggi, tra cui la riduzione dei costi, l’accessibilità anche per piccoli investitori e la disciplina automatica nella gestione del portafoglio. L’automazione consente infatti di limitare l’influenza dei bias comportamentali, riducendo il rischio di decisioni impulsive e migliorando la coerenza con gli obiettivi di lungo periodo. Tuttavia, essi presentano anche alcuni limiti, come la standardizzazione delle soluzioni proposte, la minore personalizzazione rispetto alla consulenza tradizionale e la difficoltà di gestire la componente emotiva dell’investitore .
Il confronto tra portafogli costruiti secondo il modello di Markowitz e quelli gestiti tramite robo-advisor evidenzia come le due soluzioni presentino caratteristiche complementari. Da un lato, il modello di Markowitz offre una base teorica solida e rigorosa, ma risulta sensibile alla qualità delle stime e alle ipotesi di razionalità degli investitori. Dall’altro lato, i robo-advisor introducono elementi di automazione e adattività, migliorando l’efficienza operativa e riducendo l’impatto dei bias comportamentali, ma possono risultare meno flessibili e meno adatti a situazioni individuali complesse.
In conclusione, la tesi evidenzia come l’evoluzione della gestione del risparmio sia caratterizzata da un processo di integrazione tra modelli teorici, comportamento umano e innovazione tecnologica. Il futuro della consulenza finanziaria sembra orientato verso modelli ibridi, in cui algoritmi avanzati e intervento umano collaborano per fornire soluzioni più efficienti, personalizzate e coerenti con le esigenze degli investitori. In questo contesto, la sfida principale consiste nel trovare un equilibrio tra razionalità quantitativa, disciplina automatica e comprensione delle dinamiche comportamentali, al fine di migliorare la qualità delle decisioni di investimento e la gestione del rischio nel lungo periodo.