Con questo articolo si vuol introdurre l’ampio e fondamentale tema relativo alla gestione del rischio applicato alle strategie di trading quantitativo. Questo di solito si presenta in due modi, in primo luogo identificando e attenuando i fattori interni ed esterni che possono influenzare le prestazioni o il funzionamento di una strategia di trading algoritmico e, in secondo luogo, come gestire in modo ottimale il portafoglio strategico al fine di massimizzare il tasso di crescita e ridurre al minimo i prelievi di conto.
In particolare, in questo articolo si prende in considerazione diverse fonti di rischio (sia intrinseche che estrinseche) che potrebbero influenzare le prestazioni a lungo termine di un’attività di trading algoritmico – al dettaglio o istituzionale.
In successivi articoli esamineremo le tecniche di gestione del denaro (money management) che possono contemporaneamente proteggere il nostro portafoglio dalla rovina e tentare di massimizzare il tasso di crescita a lungo termine del capitale, e le tecniche di gestione del rischio (Risk Management) a livello istituzionale che possono essere facilmente applicate in un contesto di trading retail per aiutarci a proteggere il capitale.

 

Fonti di Rischio

Le numerose fonti di rischio che possono avere un impatto sul corretto funzionamento di una strategia di trading algoritmico. Il “Rischio” viene solitamente definito in questo contesto come il rischio di perdire capitale. Tuttavia, lo definirò in un contesto molto più ampio per indicare qualsiasi fattore che fornisca un grado di incertezza e possa influenzare la performance delle strategie o del portfolio. Le vaste aree di rischio che prenderemo in considerazione sono: rischio della strategia, rischio del portafoglio, rischio di mercato, rischio della controparte e rischio operativo.

Rischio della Strategia

Il rischio della strategia, o model risk, comprende la classe dei rischi derivanti dalla progettazione e implementazione di una strategia di trading basata su un modello statistico. Comprende tutti i precedenti problemi discussi per il backtesting di una strategia, come ad esempio il bias di ottimizzazione, il bias di sopravvivenza e il bias di look-ahead. Comprende anche altri fattori relativi direttamente all’analisi statistica del modello della strategia.
Qualsiasi modello statistico si basa su ipotesi. Queste ipotesi a volte sono considerate molto superficialmente o ignorate del tutto. Ciò significa che il modello statistico basato su queste ipotesi potrebbe essere inadeguato e quindi portare a una scarsa capacità predittiva o inferenziale. Un esempio si verifica nell’impostazione della regressione lineare. La regressione lineare presuppone che i dati di risposta siano omoschedastici (cioè le risposte hanno una varianza costante nei loro errori). In caso contrario, la regressione lineare fornisce meno precisione nelle stime dei parametri.
Molte strategie quantitative fanno uso di statistiche descrittive di dati storici sui prezzi. In particolare, useranno spesso moment dei dati come la media, la varianza, l’inclinazione e la curtosi dei rendimenti della strategia. Tali modelli (incluso il Criterio di Kelly) si basano generalmente su questi momenti dato che sono costanti nel tempo. Sotto un cambio di regime di mercato questi momenti possono essere drasticamente alterati e quindi portare al degrado del modello. Per mitigare questo problema sono  utilizzati generalmente i modelli con “parametri di rotazione”.

Rischio del Portafoglio

Un portafoglio contiene una o più strategie. Pertanto è indirettamente soggetto al rischio della strategia appena descritto. Inoltre, vi sono rischi specifici che si verificano a livello di portafoglio. Questi sono solitamente considerati solo in un contesto istituzionale o in un contesto di trading retail di fascia alta in cui il monitoraggio del portafoglio viene effettuato su una strategia di trading stabile.

Quando si effettua la regressione dei rendimenti del portafoglio a una serie di fattori, come i settori industriali, le classi di attività o i gruppi di entità finanziarie, è possibile verificare se il portafoglio è pesantemente “sbilanciato” in un particolare fattore. Ad esempio, un portafoglio azionario può essere estremamente sbilanciato verso i titoli tecnologici ed è quindi estremamente esposto a qualsiasi problema che riguardi il settore tecnologico nel suo insieme. Di conseguenza, è spesso necessario, a livello di portafoglio, sovrascrivere particolari strategie per tenere conto del rischio di questi fattori. Questa è spesso una problema più significativa in un contesto istituzionale in cui vi è più capitale da allocare e la conservazione del capitale ha la precedenza sul tasso di crescita a lungo termine del capitale. Tuttavia, dovrebbe certamente essere considerato anche da trader algoritmico retail.

Un altro problema, principalmente in carico agli  istituzionali (a meno di non operare asset molto illiquidi) sono i limiti del volume dei trade giornalieri. Per i trader al dettaglio, le strategie di esecuzione nei mercati a larga capitalizzazione o commodity, non vi è alcuna reale criticità relativamente all’impatto sul mercato. Tuttavia, con strumenti meno liquidi bisogna stare molto attenti a non scambiare una percentuale significativa del volume negoziato giornalmente, a causa del potenziale impatto sul mercato e quindi dell’invalidità di un modello di trading precedentemente sottoposto al backtesting (che spesso non tiene conto dell’impatto del mercato). Per evitare ciò, è necessario calcolare il volume medio giornaliero (ad esempio utilizzando una media su un periodo di loopback) e rimanere entro i limiti di una piccola percentuale di questa media.

Gestire un portafoglio di strategie fa emergere la questione della correlazione strategica. Le correlazioni possono essere stimate tramite tecniche statistiche come Pearson Product Moment Correlation Coefficient. Tuttavia, la correlazione stessa non è un’entità statica, anzi è  soggetta a rapidi cambiamenti, specialmente in presenza di vincoli di liquidità del mercato, spesso noti come financial contagion. In generale, le strategie dovrebbero essere progettate per evitare la correlazione tra di loro, operando su strumenti diversi o su diversi orizzonti temporali. Le correlazioni possono essere valutate su un ampio periodo di tempo e dovrebbero essere una parte standard del backtest, se si considera un approccio di portafoglio.

Rischio della Controparte

Il rischio della controparte è generalmente considerato una forma di credit risk. È il rischio che una controparte non paghi un’obbligazione su un’attività finanziaria, della quale è responsabile. Esiste un intero sottoinsieme di approcci di finanza quantitativa relativi alla gestione e coperta di questa tipologia di rischi, ma questi non sono di primario interesse per noi come trader algoritmici retail. Siamo più preoccupati del rischio di inadempienza da parte dei fornitori come un exchange o un broker.

Anche se questo può sembrare accademico, posso assicurarvi personalmente che questi problemi sono piuttosto reali! In un contesto istituzionale ho vissuto in prima persona il fallimento incondizionato di un intermediario, cioè senza la restituzione del capitale di trading. Quindi è bene considerare tali rischi in un portafoglio. Il mezzo suggerito per mitigare questo problema è quello di utilizzare più servizi di intermediazione, anche se nel trading a margine ciò può rendere la logistica di trading piuttosto complicata.
Il rischio di controparte è generalmente più preoccupante in un contesto istituzionale, quindi non mi dilungherò troppo su questo tema in questo articolo!

Rischio Operativo

Il rischio operativo comprende le fonti di rischio all’interno di un fondo o l’infrastruttura operativa di trader, compresi il rischio d’impresa, il rischio tecnologico e le modifiche normative o legali. Questi argomenti non sono spesso discussi in modo approfondito, il che credo sia piuttosto miope dal momento che hanno il potenziale per fermare definitivamente l’attività di trading in modo permanente.

Il rischio dell’infrastruttura è spesso associato ai sistemi informatici e ad altre infrastrutture di trading correlate. All’aumentare delle dimensioni di un’infrastruttura aumenta anche la probabilità di “single point of failure” (SPOF). Questo è un componente critico nell’infrastruttura di trading che, in caso di malfunzionamento, può portare a una catastrofica interruzione dell’intera operatività. In ambito IT, questo di solito è la conseguenza di un’architettura mal concepita. In ambito non IT ciò può essere la conseguenza di un’organizzazione mal progettata.

Questi problemi sono del tutto rilevanti per il trader retail. Spesso un’infrastruttura IT può essere “frammentaria” e “hacked together”. Inoltre, una cattiva tenuta dei registri e altri documenti amministrativi possono comportare enormi potenziali oneri fiscali. Per fortuna, l’architettura “cloud” offre la possibilità di ridondanza nei sistemi e l’automazione dei processi può portare a solide abitudini amministrative. Questo tipo di comportamento, ovvero la considerazione dei rischi da fonti diverse dal mercato e dalla strategia, può fare la differenza tra un trader algoritmico di successo a lungo termine e l’individuo che rinuncia a causa di una catastrofica interruzione dell’operativa.

Un problema che riguarda il mondo degli hedge fund è quello della segnalazione e della conformità. La legislazione post-2008 ha gravato pesantemente sulle società di gestione patrimoniale, che possono avere un forte impatto sul loro flusso di cassa e sulla loro spesa operativa.

Recommended Posts