media 0.004766 st.error 0.000101
minimo 0.000017 varianza 0.000005
massimo 0.012850 dev. st. 0.002293
1โ quartile 0.003610 asimmetria 0.860650
3โ quartile 0.005932 eccesso di curtosi 1.397488
Tabella 2.3: Principali statistiche descrittive del tasso di interesse a breve, relative al periodo 1965-2008.
schio e viene utilizzato per creare gli extrarendimenti dellโindice aziona- rio NYSE. Gli extrarendimenti, ottenuti come differenza tra i rendimenti azionari e ๐๐, conservano tutte le proprietร viste per lโindice azionario.
Cambiano soltanto alcune statistiche descrittive riguardanti gli indici di posizione, come ad esempio la media, i quantili e gli estremi.
2.4
Allocazione di portafoglio nel lungo periodo
In questo paragrafo viene esaminato il modello trattato da Barberis (2000) utile agli investitori per prendere decisioni riguardanti lโallocazione ot- tima di portafoglio. Si suppone che lโinvestitore adotti una strategia buy- and-hold, per cui non puรฒ ribilanciare il portafoglio tra il momento iniziale ๐ e lโorizzonte ๐ + ห๐. Secondo questa strategia la decisione di allocazione dei titoli viene presa allโinizio e non viene piรน modificata fino al termine del periodo di investimento.
Questa assunzione non descrive quanto avviene nella realtร . In pratica gli investitori con orizzonti di lungo termine sono liberi di trattare titoli in ogni momento, aiutati dagli intermediari finanziari a ribilanciare i portafo- gli sulla base delle loro esigenze. Sebbene pochi investitori possano essere caratterizzati come buy-and-hold, assumere questa strategia per le analisi che verranno svolte permetterร di evidenziare lโeffetto dellโorizzonte sulla
36 Capitolo 2. Allocazione di portafoglio con incertezza nei parametri composizione di portafoglio di lungo periodo.
Lโobiettivo dellโanalisi consiste nel determinare lโallocazione ottimale di portafoglio per un individuo buy-and-hold con un orizzonte di ห๐ mesi. Se lโinvestitore non ha alcuna possibilitร di acquistare o vendere titoli tra il tempo ๐ e lโorizzonte ๐ + ห๐, รจ interessato solo alla distribuzione della ricchezza al termine del periodo di investimento, ovvero a ๐ข(๐๐ + ห๐). In letteratura la piรน utilizzata funzione di utilitร per problemi di allocazione del portafoglio รจ la funzione potenza, la quale presenta un coefficiente di avversione relativa al rischio costante. Le preferenze dellโinvestitore sulla ricchezza finale in ๐ + ห๐ sono descritte da una funzione di utilitร potenza del tipo
๐ข(๐๐ + ห๐) = ๐
1โ๐พ ๐ + ห๐
1 โ ๐พ,
dove ๐พ rappresenta il coefficiente di avversione relativa al rischio.
Lโindividuo ha a disposizione solo due titoli: il titolo non rischioso e un indice azionario, in questo caso lโindice value-weighted NYSE.
Si suppone che il rendimento del titolo non rischioso sia costante e pari a ๐๐ e che lโextrarendimento del titolo rischioso ๐๐ก, ottenuto come differenza
tra il rendimento dellโindice azionario e ๐๐, sia in capitalizzazione conti-
nua. Pertanto si puรฒ assumere una distribuzione normale per gli extraren- dimenti.
Se la ricchezza iniziale ๐๐ รจ uguale a 1 e ๐ รจ la quota investita nel-
lโindice azionario, allora la ricchezza finale รจ
๐๐ + ห๐ = (1 โ ๐) exp(๐๐๐ ) + ๐ exp(๐ห ๐๐ + ๐ ห ๐ + ห๐),
dove ๐ ๐ + ห๐ = ๐๐ +1+ ๐๐ +2+ . . . + ๐๐ + ห๐ รจ il rendimento composto multipe-
2.4 Allocazione di portafoglio nel lungo periodo 37 Il problema dellโinvestitore consiste nel massimizzare lโutilitร attesa
max ๐ IE๐ โ โ โ ( (1 โ ๐) exp(๐๐๐ ) + ๐ exp(๐ห ๐๐ + ๐ ห ๐ + ห๐) )1โ๐พ 1 โ ๐พ โ โ โ ,
dove IE๐ significa che il valore atteso dellโutilitร viene calcolato condizio-
natamente allโinformazione disponibile. Per il calcolo del valore atteso si deve fare riferimento alla distribuzione dei rendimenti. Lโinvestitore puรฒ scegliere tra due possibili distribuzioni per il calcolo dellโutilitร attesa: puรฒ ignorare lโincertezza nei parametri oppure incorporare lโincertezza nella costruzione del portafoglio ottimo attraverso la predictive distribution per i rendimenti.
โ Caso senza incertezza
Si assume che gli extrarendimenti siano indipendenti e identicamente distribuiti, ovvero ๐๐ก= ๐ + ๐๐กcon ๐๐ก โผ ๐
( 0, ๐2).
Una volta stimati i parametri ๐ = (๐, ๐2), la distribuzione degli ex-
trarendimenti condizionata ๐(๐ ๐ + ห๐โฃห๐, ห๐2, ๐)รจ normale con media ห๐ ห๐
e varianza ห๐ ห๐2, perchรฉ ๐
๐ + ห๐ รจ la somma di ห๐ variabili casuali nor-
malmente distribuite con media ห๐ e varianza ห๐2. Viene cosรฌ generata
la distribuzione degli extrarendimenti azionari futuri condizionata- mente al valore fissato per i parametri e ai dati osservati dallโinvesti- tore fino allโinizio dellโorizzonte di investimento, ๐ = (๐1, . . . , ๐๐)โฒ.
Quindi lโinvestitore risolve max
๐
โซ
๐ข(๐๐ + ห๐) ๐(๐ ๐ + ห๐โฃ๐, ห๐) ๐๐ ๐ + ห๐ . (2.1) โ Caso con incertezza
Per un investitore di lungo periodo รจ importante considerare lโesti- mation risk. Si puรฒ utilizzare la distribuzione a posteriori ๐(๐โฃ๐) per i parametri, la quale riassume lโincertezza condizionatamente ai dati osservati. Per costruire la distribuzione a posteriori ๐(๐, ๐2โฃ๐)รจ
38 Capitolo 2. Allocazione di portafoglio con incertezza nei parametri richiesta una distribuzione a priori; una possibile a priori per questo problema di allocazione del portafoglio รจ lโa priori non informativa
๐(๐, ๐2) โ 1 ๐2.
La conseguente distribuzione a posteriori ricavata da Zellner (1971) รจ composta dalla distribuzione marginale Gamma Inversa
๐2โฃ๐ โผ ๐ผ๐บ ( ๐ โ 1 2 , 1 2 ๐ โ ๐ก=1 (๐๐กโ ๐)2 )
e dalla distribuzione condizionata ๐โฃ๐2, ๐ โผ ๐ ( ๐,๐ 2 ๐ ) .
Integrando nella distribuzione a posteriori si ottiene la predictive distribution per i rendimenti composti multiperiodali. La predicti- ve distribution รจ condizionata solo al campione osservato e non al valore assunto dal parametro ๐:
๐(๐ ๐ + ห๐โฃ๐) = โซ
๐(๐ ๐ + ห๐โฃ๐, ๐) ๐(๐โฃ๐) ๐๐ ๐ + ห๐ ๐๐. Il problema che lโinvestitore deve risolvere รจ
max
๐
โซ
๐ข(๐๐ + ห๐) ๐(๐ ๐ + ห๐โฃ๐) ๐๐ ๐ + ห๐. (2.2) Un modo alternativo per risolvere il problema consiste nel riscriverlo in questa forma max ๐ โซ ๐ข(๐๐ + ห๐) ๐(๐ ๐ + ห๐, ๐โฃ๐) ๐๐ ๐ + ห๐ ๐๐ = max ๐ โซ ๐ข(๐๐ + ห๐) ๐(๐ ๐ + ห๐โฃ๐, ๐) ๐(๐โฃ๐) ๐๐ ๐ + ห๐ ๐๐.
La distribuzione dei rendimenti condizionata a particolari valori fis- sati dei parametri ๐(๐ ๐ + ห๐โฃ๐, ๐2, ๐)รจ ๐(๐ ๐, หห ๐ ๐2).
2.4 Allocazione di portafoglio nel lungo periodo 39 Il problema di massimizzazione dellโutilitร attesa viene risolto calcolan- do gli integrali (2.1) e (2.2) per diversi valori della quota investita nel- lโindice azionario, piรน precisamente per ๐ = 0, 0.01, 0.02, . . . , 0.98, 0.99, escludendo cosรฌ le vendite allo scoperto. Per ogni orizzonte di investi- mento, da un mese a 10 anni, viene riportato il valore di ๐ che massimizza lโutilitร attesa.
Gli integrali vengono risolti numericamente attraverso la tecnica di simulazione. Ad esempio se si vuole risolvere lโintegrale โซ ๐(๐ฆ)๐(๐ฆ)๐๐ฆ, dove ๐(๐ฆ) รจ una funzione di densitร , lo si puรฒ approssimare tramite
1 ๐ผ ๐ผ โ ๐=1 ๐(๐ฆ(๐)),
con ๐ฆ(1), . . . , ๐ฆ(๐ผ) simulazioni indipendenti con funzione di densitร ๐(๐ฆ).
Pertanto lโintegrale per il calcolo dellโutilitร attesa viene approssimato per mezzo di un campione ๐ (๐)
๐ + ห๐ da una delle due possibili distribuzioni cal-
colando 1 ๐ผ ๐ผ โ ๐=1 ( (1 โ ๐) exp(๐๐๐ ) + ๐ exp(๐ห ๐๐ + ๐ ห (๐)๐ + ห๐) )1โ๐พ 1 โ ๐พ .
2.4.1
Procedura di campionamento
Per raggiungere un elevato grado di accuratezza delle stime si รจ posto una numerositร campionaria ๐ผ pari a 200000 unitร in ogni analisi. Come indicato nellโequazione (2.2), ci sono due passi da compiere per ricavare i rendimenti logaritmici multiperiodali relativi a investimenti di lungo. Per prima cosa si genera un campione dalla distribuzione a posteriori ๐(๐, ๐2โฃ๐). Dapprima si campiona dalla distribuzione marginale ๐(๐2โฃ๐),
Gamma-Inversa, e poi per ogni ๐2 generato, si estrae un valore dalla di-
stribuzione condizionata ๐(๐โฃ๐2, ๐), Normale. Ripetendo questo procedi-
mento 200000 volte si ottiene una rappresentazione accurata della distri- buzione a posteriori.
40 Capitolo 2. Allocazione di portafoglio con incertezza nei parametri In secondo luogo, per ogni coppia (๐, ๐2)ricavata dalla distribuzione a po-
steriori, si estrae un valore della distribuzione dei rendimenti multiperio- dali condizionatamente alle osservazioni passate e alla coppia di parame- tri, ๐(๐ ๐ + ห๐โฃ๐, ๐2, ๐), Normale. Questa procedura permette di ottenere un
campione di numerositร elevata dalla predictive distribution, la quale puรฒ essere poi utilizzata per il calcolo dellโallocazione ottimale.
Nel caso in cui non venga considerata lโincertezza, si assume che lโinvesti- tore utilizzi le medie a posteriori delle variabili casuali ๐ e ๐2 come valori
fissati dei parametri e poi formi un campione di 200000 unitร generato da una distribuzione normale di media ห๐ ห๐e varianza ห๐ ห๐2.
Nel seguito verranno riportate le allocazioni ottimali di portafoglio ot- tenute ripetendo la procedura per diversi orizzonti di investimento, da un mese a 10 anni con incrementi di un mese e per diversi livelli di avversione relativa al rischio ๐พ. Le analisi verranno svolte considerando le due possi- bili distribuzioni dei rendimenti, una che ignora lโestimation risk e lโaltra che lo incorpora.
Al fine di implementare le procedure suddette si รจ scelto di utilizzare lโambiente di calcolo statistico R. Pertanto ricorrendo alle simulazioni Mon- te Carlo รจ possibile generare realizzazioni pseudo-casuali dalle distribuzio- ni considerate. I comandi utilizzati sono riportati in Appendice.