Generazione di dati sintetici per il backtest di strategie di asset allocation tattica

Generazione di dati sintetici per il backtest di strategie di asset allocation tattica

Sommario

Recentemente abbiamo introdotto strategie sistematiche di asset allocation tattica e presentato un backtest del noto portafoglio di allocazione statica 60/40 .

Prima di descrivere ulteriori esempi di backtest per strategie di asset allocation tattica (TAA), è istruttivo evidenziare alcuni dei problemi che incontriamo quando implementiamo e facciamo test di strategie TAA. In questo articolo descriviamo uno di questi problemi, cioè la necessità di generare “serie storiche sintetiche” per estendere i nostri backtest anche nel passato.

Viaggio nel passato

Molte strategie TAA forniscono nuovi pesi di allocazione su base mensile. Di solito non si prevede ribilanciamenti più frequenti (settimanali o giornaliere) a causa dei costi di transazione associati alla rotazione del portafoglio. Pertanto, le prestazioni del portafoglio sono monitorate solo a intervalli mensili (sebbene per questo tipo di strategie il nostro software DataInvestor monitora le prestazioni su base giornaliera). Pertanto, in un periodo di dieci anni, sono disponibili solo 120 punti dati per esaminare le prestazioni di una strategia. Rispetto alle strategie a frequenza più elevata, non abbiamo molte informazioni su cui basare le decisioni di allocazione del portafoglio.

Oltre al non frequente campionamento della performance, dobbiamo sottolineare che i regimi di mercato macroeconomici durano spesso molto più a lungo. Tali regimi possono durare per un decennio o più. Quindi, se dobbiamo valutare una strategia TAA per “tutte le stagioni”, è necessario eseguire il backtest delle strategie su un periodo molto lungo in modo da valutare veramente le loro prestazioni.

Per i fondi istituzionali, questi aspetti  non rappresentano un grande problema rispetto a quanto possano essere per il  piccolo trader quantitativo retail. I fondi hanno accesso a costosi set di dati e di lunga durata per un’ampia varietà di strumenti. È possibile che questi fondi compensino le loro allocazioni per varie classi di asset utilizzando derivati ​​come futures o swap. Quindi sono meglio posizionati per valutare storicamente le strategie di allocazione.

La maggior parte dei trader retail non possono permettersi di sostenere i costi per questa infrastruttura. Modeste dimensioni del capitale significa che il budget per i set di dati è molto più ridotto. Inoltre, i requisiti di margine e i costi di transazione richiesti per negoziare strumenti derivati ​​sono generalmente proibitivi per il trader retail che cerca di implementare strategie TAA a lungo termine.

Usare gli ETF a basso costo

È qui che entrano in gioco gli Exchange Traded Funds (ETF) a basso costo. Hanno effettivamente “democratizzato” la disponibilità di asset allocation su larga scala per il trader retail con costi complessivi molto inferiori. Grazie ai piccoli rapporti di spesa totale, alle grandi attività in gestione (AUM) e all’ampia liquidità, i trader quantitativi retail possono aggiungere le strategie TAA sistematiche  alla loro operatività.

Questo approccio ha lo svantaggio di avere ETF avviati solo di recente per alcune classi di asset, cioè hanno pochi dati storici. La maggior parte degli ETF sono successivi al 2000, con molti post 2007/2008. Ciò limita la possibilità di eseguire il backtest delle strategie TAA con un’implementazione realistica nel passato.

Se i trader retail desiderano backtest più realistici su periodi di tempo più lunghi, è necessario aumentare lo storico dei prezzi dell’ETF con dati simulati “sintetici”. Questo  approccio introduce una serie di problemi.

Serie storica sintetica

Per estendere i backtest di strategie TAA in un periodo antecedente la data di avvio degli ETF è necessario usare dati ‘sintetici’ o ‘proxy’.

Dato che molti ETF utilizzati per strategie TAA seguono gli indici di mercato, una possibile soluzione al problema consiste nell’anteporre semplicemente i valori dei rendimenti dell’indice di mercato ai rendimenti dell’ETF prima delle date di avvio dell’ETF e applicare un proxy per i rapporti di spesa.

Ad esempio, l’ETF SPY replica il mercato azionario statunitense S&P500 pesato per la capitalizzazione di mercato, ma ha dati solo fino al 1993. Quindi i dati dei rendimenti dello stesso S&P500, con opportuna detrazione dei costi, possono essere utilizzati per estendere una strategia TAA in periodi per i quali non disponiamo dei dati storici dell’ETF.

Sebbene questo metodo per estendere lo storico delle classi di attività sia relativamente semplice da implementare, presenta le sue criticità. Ad esempio, per una tipica strategia TAA tramite i dati OHLCV giornalieri è possibile eseguire la logica di ribilanciamento dopo la chiusura del mercato e quindi creare gli ordini di ribilanciamento da inviare all’apertura di mercato del giorno successivo. Il framework DataInvestor implementa questa logica come predefinita di default.

Tuttavia, le serie di indici a lungo termine disponibili per i trader retail hanno solo i valori di chiusura giornalieri. Quindi per estendere una serie di rendimenti ETF oltre la data di  avvio è necessario utilizzare un proxy per i  mancanti valori di apertura. Un metodo (non realistico) consiste nel considerare il valore di chiusura del giorno precedente come valore di apertura del giorno successivo.

Un’alternativa consiste nel simulare il trading eseguendo il backtesting alla chiusura, che presenta comunque una serie di criticità. Non si conosce mai il prezzo di chiusura fino a quando non si è effettivamente verificato, a quel punto il mercato è chiuso e non è possibile inviare ulteriori ordini. Un’implementazione di live trading con questo approccio si basa sull’esecuzione di ribilanciamenti in prossimità dell’orario di chiusura della borsa e sull’utilizzo di ordini Market-On-Close per applicare i ribilanciamenti necessari.

Nonostante tutti questi problemi, personalmente crediamo che sia meglio avere una guida indicativa della performance di tali strategie a lungo termine in vari regimi macroeconomici piuttosto che non averne affatto. Poiché riteniamo che il backtesting sia essenzialmente un processo di filtraggio per la scelta delle implementazioni della strategia, possedere questa conoscenza sarà sempre utile per aiutare il processo decisionale.

Prossimi passi

La generazione accurata della cronologia sintetica è solo uno della miriade di problemi che si verificano quando si tenta di eseguire il backtest delle strategie TAA. In articoli futuri descriviamo  l’effetto della gestione delle azioni societarie, nonché quando e come riequilibrare le allocazioni.

Benvenuto su DataTrading!

Sono Gianluca, ingegnere software e data scientist. Sono appassionato di coding, finanza e trading. Leggi la mia storia.

Ho creato DataTrading per aiutare le altre persone ad utilizzare nuovi approcci e nuovi strumenti, ed applicarli correttamente al mondo del trading.

DataTrading vuole essere un punto di ritrovo per scambiare esperienze, opinioni ed idee.

SCRIVIMI SU TELEGRAM

Per informazioni, suggerimenti, collaborazioni...

Scroll to Top