Value at Risk (VaR) per il Risk Management nel Trading Algoritmico

La stima del rischio di perdite per una strategia di trading algoritmica, o portafoglio di strategie, è di estrema importanza per la crescita del capitale a lungo termine. Molte tecniche per la gestione del rischio sono state sviluppate per l’uso in contesti istituzionali. Una tecnica in particolare, nota come Value at Risk, o VaR, sarà l’argomento di questo articolo.

Applicheremo il concetto di VaR a una singola strategia o a una serie di strategie per aiutarci a quantificare il rischio nel nostro portafoglio di trading. La definizione di VaR è la seguente:

Il VaR fornisce una stima, con un certo grado di confidenza, delle dimensioni delle perdite di un portafoglio in un determinato periodo di tempo.

In questo caso, il “portafoglio” può riferirsi a una singola strategia, a un gruppo di strategie, agli ordini di un trader, a un desk, a un hedge fund o a un’intera banca d’investimento. Il “grado di confidenza” è un valore, di solito pari al 95% o 99%. Il “determinato periodo di tempo” sarà scelto come il periodo di tempo che produrrebbe il minimo market impact se un portafoglio dovesse essere liquidato, cioè, secondo un’altro punto di vista, la lunghezza del periodo di detenzione di un dato asset nel portafoglio (holding period).

Ad esempio, un VaR pari a 500.000 USD con un livello di confidenza del 95% per un periodo di tempo di un giorno significa semplicemente che esiste una probabilità del 95% di perdere non più di 500.000 USD nel giorno successivo. Matematicamente questo è affermato come:

\(\begin{eqnarray}
P(L \leq -5.0 \times 10^5) = 0.05
\end{eqnarray}\)

O, più in generale, per la perdita L che supera un valore VaR con un livello di confidenza c si ha:

\(\begin{eqnarray}
P(L \leq -VaR) = 1-c
\end{eqnarray}\)

L’uso del VaR come misura di rischio presuppone l’ipotesi di normalità dei rendimenti, secondo la quale le perdite e i ricavi dell’investimento si distribuiscono secondo una normale con media pari al rendimento medio e varianza pari alla volatilità dell’investimento. Per il calcolo della varianza di portafoglio è necessario conoscere le correlazioni reciproche fra i titoli facenti parte del portafoglio, facendo ricorso alla matrice di varianze e covarianze.

È importante notare che il VaR non può anticipare cambiamenti nella composizione del portafoglio durante la giornata. Invece, riflette il rischio del portafoglio, data l’attuale composizione del portafoglio.

Il calcolo “standard” del VaR formula le seguenti ipotesi:

  • Condizioni di mercato standard – Il VaR non dovrebbe considerare gli eventi estremi o “risk tail”, piuttosto dovrebbe fornire l’aspettativa delle perdite durante la normale operatività zione normale “day per day”.
  • Volatilità e correlazioni – Il VaR richiede la volatilità delle attività in esame, nonché le rispettive correlazioni. Queste due quantità sono difficili da stimare e sono soggette a cambiamenti continui.
  • Normalità dei resi – il VaR, nella sua forma standard, presuppone che i rendimenti dell’asset o del portafoglio siano normalmente distribuiti. Ciò porta a calcoli analitici più semplici, ma approssima NON realisticamente per la maggior parte delle attività.

Vantaggi e Svantaggio

Il VaR è pervasivo nel settore finanziario, quindi dovresti avere familiarità con i vantaggi e gli svantaggi della tecnica. Alcuni dei vantaggi del VaR sono i seguenti:

  • Il VaR è molto semplice da calcolare per le singole attività, le strategie algoritmiche, i portafogli quantistici, gli hedge fund e anche per i desk bancari.
  • Il periodo di tempo associato al VaR può essere modificato per diverse strategie di trading che hanno orizzonti temporali diversi.
  • Differenti valori del VaR possono essere associati a diverse forme di rischio, per esempio suddivise per classi di asset o tipologie di strumento. Ciò rende facile interpretare, ad esempio, dove si concentra la maggior parte del rischio del portafoglio.
  • Le singole strategie possono essere limitate all’interno di interi portafogli in base al singolo VaR.
  • Il VaR è semplice da interpretare dagli investitori e dei gestori di fondi esterni (potenzialmente) non tecnici.

Tuttavia, il VaR non è privo di svantaggi:

  • Il VaR non quantifica l’entità della perdita attesa oltre al valore del VaR, cioè valuta la probabilità di avere una perdita superiore ad uno specifico valore, ma non di quanto superi questo valore.
  • Non tiene conto di eventi estremi, ma solo delle condizioni tipiche di mercato.
  • Dal momento che utilizza i dati storici (è retrospettivo) non prenderà in considerazione i dati futuri del mercato che possono modificare le volatilità e le correlazioni tra gli asset.
  • Il VaR non deve essere usato in autonomia. Dovrebbe essere sempre utilizzato all’interno di una suite di tecniche per la gestione del rischio, come la diversificazione, l’allocazione ottimale del portafoglio e l’uso prudente della leva finanziaria.

 

Metodo di Calcolo

Finora non abbiamo descritto come calcolare effettivamente il VaR, né nel caso generale né in un concreto esempio di trading. Ci sono tre tecniche principali:

  • il metodo varianza-covarianza, assumendo che i rendimenti sono sempre distribuiti secondo una normale);

  • il metodo Monte Carlo, dove i rendimenti futuri delle attività sono simulate in maniera più o meno casuale, dati alcuni parametri;

  • la simulazione storica, dove si assume che i rendimenti delle attività si distribuiranno come si sono distribuite in passato.

In questo articolo ci concentreremo sul metodo Varianza-covarianza e negli articoli successivi considereremo i metodi Monte Carlo e la Simulazione Storica.

Metodo della Varianza-Covarianza

Si considera un portafoglio di P dollari, con un livello di confidenza c. Inoltre si considerano i profitti giornalieri, con una deviazione standard storica patrimoniale (o della strategia) σ e la media μ. In questo caso il VaR giornaliero, con il metodo varianza-covarianza per un singolo asset (o strategia) viene calcolato come:

\(\begin{eqnarray}
P – \left( P (\alpha(1-c) + 1) \right)
\end{eqnarray}\)

Dove α è l’inverso della funzione di distribuzione cumulativa di una distribuzione normale con media μ e deviazione standard σ.

In un ambiente Python possiamo usare le librerie SciPy e Pandas per calcolare questi valori. Se impostiamo \(P=10^6\) e \(c=0.99\), possiamo usare il metodo ppf di SciPy per generare i valori della funzione di distribuzione cumulativa inversa per una distribuzione normale, dove μ e σ sono ottenuti da alcuni dati finanziari reali.

Nel seguente codice si utilizzano i rendimenti giornalieri storici di CitiGroup (ma si può facilmente sostituire questi valori con i profitti di una strategia algoritmica):

# var.py

import datetime
import numpy as np
from pandas_datareader import data as pdr
from scipy.stats import norm


def var_cov_var(P, c, mu, sigma):
    """
    Variance-Covariance calculation of daily Value-at-Risk
    using confidence level c, with mean of returns mu
    and standard deviation of returns sigma, on a portfolio
    of value P.
    """
    alpha = norm.ppf(1-c, mu, sigma)
    return P - P*(alpha + 1)

if __name__ == "__main__":
    ticker = "C"
    start = datetime.datetime(2010, 1, 1)
    end = datetime.datetime(2014, 1, 1)

    citi = pdr.get_data_yahoo(ticker, start, end)
    citi["rets"] = citi["Adj Close"].pct_change()

    P = 1e6   # 1,000,000 USD
    c = 0.99  # 99% confidence interval
    mu = np.mean(citi["rets"])
    sigma = np.std(citi["rets"])

    var = var_cov_var(P, c, mu, sigma)
    print("Value-at-Risk: {}0.2f".format(var))

Il valore calcolato del VaR è dato da:

Value-at-Risk: $ 56510.29

Il VaR è una tecnica estremamente utile e amapiamente utilizzata in tutti i settori della gestione finanziaria, ma non è esente da difetti. Dobbiamo ancora discutere il valore reale di ciò che potrebbe essere perso in un portafoglio, piuttosto che il numero di volte che tale perdita superi una specifica soglia.

Nei successi articoli si introdurranno alcuni metodi alternativi per calcolare il VaR, e soprattutto delineeremo il concetto di Expected Shortfall (noto anche come Value at Risk Condizionale), che fornisce una probabilità alla perdita di una determinata quantità.

Money Management tramite il Criterio di Kelly

La gestione del rischio e il money management sono temi assolutamente critici nel trading quantitativo. E’ quindi necessario approfondire questi concetti in modo dettagliato, oltre a indicare le diverse fonti di rischio che potrebbero influire sul rendimento della strategia. In questo articolo considereremo un metodo quantitativo per la gestione del proprio capitale al fine di massimizzare la crescita del conto a lungo termine e limitare il rischio drawdown.

Obiettivi dell'investitore

Potrebbe sembrare che l’unico obiettivo dell’investitore sia semplicemente “fare più soldi possibile”. Tuttavia, la realtà del trading a lungo termine è più complessa. Poiché gli operatori di mercato hanno diverse preferenze e vincoli di rischio, esistono diversi obiettivi che gli investitori possono perseguire.

Molti trader retail hanno come unico obiettivo l’aumentare più possibile il patrimonio, con poca o nessuna considerazione relativamente al “rischio” di una strategia. Un investitore retail più attento misurerebbe i drawdown, e potrebbe quindi essere in grado di sopportare un calo del proprio capitale proprio (diciamo il 50%) se fosse consapevole che è ottimale, nel senso del tasso di crescita, a lungo termine.

Un investitore istituzionale avrebbe un approccio al rischio molto diverso. Prevedono la possibilità di avere un inevitabile drawdown massimo (diciamo il 20%) e prendono in considerazione l’allocazione settoriale e i limiti medi di volume giornaliero, che sono vincoli aggiuntivi sulla “ottimizzazione” del processo di attribuzione del capitale alle strategie. Questi fattori potrebbero persino essere più importanti della massimizzazione del tasso di crescita a lungo termine del portafoglio.

Quindi è fondamentale trovare un equilibrio tra la massimizzazione del tasso di crescita a lungo termine tramite la leva finanziaria e la riduzione al minimo del “rischio” cercando di limitare la durata e l’estensione del drawdown. Il principale strumento che ci aiuta a raggiungere questo obiettivo è chiamato Kelly Criterion.

Il Criterio di Kelly

All’interno di questo articolo, il Kelly Criterion sarà il nostro strumento per controllare la leva e l’allocazione del capitale in un insieme di strategie di trading algoritmico che costituiscono un portafoglio multi-strategia. Si definisce leverage, o leva finanziaria, come il rapporto tra la dimensione di un portafoglio e il valore del proprio capitale all’interno di quel portafoglio. Per chiarire questo concetto possiamo utilizzare l’analogia dell’acquisto di una casa con un mutuo. Il tuo acconto (o deposito) costituisce il tuo patrimonio o capitale netto, mentre l’acconto più il valore del mutuo costituisce l’equivalente delle dimensioni di un portafoglio. Pertanto un acconto di 50.000 USD su una casa da 200.000 USD (con un mutuo di 150.000 USD) costituisce una leva di (1500.000 + 50000) / 50000 = 4. Quindi in questo caso si avrebbe avuto una leva pari a 4x sulla casa. Un conto a margine di portafoglio si comporta allo stesso modo. Esiste una componente “cash” e una componente di stock presi in prestito a margine, tramite la leva. Prima di descrivere il criterio di Kelly, è necessario  delineare le ipotesi da cui deriva tale criterio, con diversi gradi di accuratezza:
  • Si presume che ogni strategia di trading algoritmico possieda un flusso di profitti  normalmente distribuito (cioè gaussiano). Inoltre, ogni strategia ha una propria media e deviazione standard dei rendimenti. La formula presuppone che questi valori non cambino, vale a dire che sono gli stessi sia nel passato come nel futuro. Questo chiaramente non è il caso della maggior parte delle strategie, quindi bisogna essere consapevole di questa ipotesi.
  • I rendimenti che si considerano sono i ritorni in eccesso, il che significa che sono al netto di tutti i costi di finanziamento come gli interessi pagati sul margine e i costi di transazione. Se la strategia viene svolta in un contesto istituzionale, ciò significa che i rendimenti sono al netto delle commissioni di gestione e di rendimento.
  • Tutti i profitti del trading vengono reinvestiti e non vengono effettuati prelievi di capitale. Ciò non è chiaramente applicabile in un contesto istituzionale in cui le suddette commissioni di gestione sono prelevate e gli investitori spesso effettuano prelievi.
  • Tutte le strategie sono statisticamente indipendenti (non esiste alcuna correlazione tra le strategie) e quindi la matrice di covarianza tra i ritorni della strategia è diagonale.
Queste ipotesi non sono particolarmente accurate e vedremo come migliorarle in successivi articoli. Veniamo ora alla definizione del criterio di Kelly! Immaginiamo di avere un insieme di N strategie di trading algoritmico e vogliamo determinare come applicare la leva ottimale per ogni strategia al fine di massimizzare il tasso di crescita (ma ridurre al minimo i drawdown) e come allocare il capitale tra ogni strategia. Se consideriamo l’allocazione tra ogni strategia \(i\) come vettore \(f\) di lunghezza \(N\), s.t. \(f = (f_1, …, f_N)\), quindi il criterio di Kelly per l’allocazione ottimale \(fi\) a ciascuna strategia è ricavata come:

\(\begin{eqnarray} f_i = \mu_i / \sigma^2_i \end{eqnarray}\)

Dove \(μi\) sono i ritorni in eccesso medi e \(σi\) sono la deviazione standard dei ritorni in eccesso, per la strategia \(i\). Questa formula descrive essenzialmente la leva ottimale che dovrebbe essere applicata a ciascuna strategia. Mentre il criterio di Kelly ci fornisce la leva ottimale e l’allocazione strategica, dobbiamo ancora calcolare il tasso di crescita a lungo termine previsto per il portafoglio, che indichiamo per \(g\). La formula per ricavarlo è:

\(\begin{eqnarray} g = r + S^2 / 2 \end{eqnarray}\)

Dove \(r\) è il tasso di interesse privo di rischio, che è il tasso al quale puoi prendere a prestito dal broker, e \(S\) è il Sharpe Ratio annualizzato della strategia. Quest’ultimo è calcolato tramite i rendimenti in eccesso medi annui divisi per le deviazioni standard annualizzate dei rendimenti in eccesso. Vedi questo articolo per maggiori dettagli.

Un esempio realistico

Consideriamo un esempio con una singola strategia (i = 1). Supponiamo di andare longo su un ipotetico titolo XYZ con un rendimento medio annuo di \(m = 10,7%\) e una deviazione standard annuale di \(σ = 12,4%\). Supponiamo inoltre di poter prendere un prestito a un tasso di interesse privo di rischio di \(r = 3,0%\). Quindi i ritorni in eccesso medi sono \(μ = m-r = 10,7-3,0 = 7,7%\). Questo ci dà un Sharpe Ratio pari a \(S = 0.077 / 0.124 = 0.62\).

In questo modo possiamo calcolare l’effetto leva ottimale di Kelly come \(f = μ / σ2 = 0,077 / 0,1242 = 5,01\). Quindi la leva di Kelly ci dice che per un portafoglio da 100.000 USD dovremmo prendere in prestito un ulteriore 401.000 USD per avere un valore di portafoglio totale di 501.000 USD. In pratica è improbabile che il nostro broker ci permetta di operare con un margine così elevato e quindi il Criterio di Kelly dovrebbe essere adeguato.

Possiamo quindi utilizzare il Sharpe Ratio S e il tasso di interesse r per calcolare \(g\), il tasso di crescita atteso a lungo termine è pari a \(g = r + S2 / 2 = 0,03 + 0,622 / 2 = 0,22\), cioè 22%. Quindi dovremmo aspettarci un ritorno del 22% all’anno da questa strategia.

Il Criterio di Kelly in pratica

È importante essere consapevoli che il Criterio di Kelly richiede un continuo ribilanciamento del capitale a disposizione per rimanere valido. Chiaramente questo non è possibile nell’impostazione del trading reale e quindi deve essere fatta un’approssimazione. La “regola generale” standard qui è di aggiornare l’allocazione di Kelly una volta al giorno. Inoltre, lo stesso Criterio di Kelly dovrebbe essere ricalcolato periodicamente, utilizzando una media e una deviazione standard in una finestra temporale. Ancora una volta, per una strategia che effettua all’incirca un’operazione al giorno, questa soglia dovrebbe essere impostata su un ordine di 3-6 mesi di rendimenti giornalieri.

Ecco un esempio di riequilibrio di un portafoglio sotto il Kelly Criterion, che può portare ad alcuni comportamenti contro-intuitivi. Supponiamo di avere la strategia sopra descritta. Abbiamo utilizzato il Kelly Criterion per prendere in prestito denaro per dimensionare il nostro portafoglio a 501.000 USD. Supponiamo di effettuare un sano guadagno del 5% il giorno successivo, il che aumenta le dimensioni dell’account a 526.050 USD. Il Kelly Criterion ci dice che dovremmo indebitarci di più per mantenere lo stesso fattore di leva di 5,01. In particolare, il nostro patrimonio netto è di 126.050 USD su un portafoglio di 526.050, il che significa che l’attuale fattore di leva è 4.17. Per aumentarlo a 5.01, dobbiamo prendere in prestito ulteriori 105.460 USD per aumentare le dimensioni del nostro account a 631.510,5 USD (questo è 5.01 × 126050).

Ora ipotiziamo che il giorno seguente perdiamo il 10% del nostro portafoglio (ahi!). Ciò significa che la dimensione totale del portafoglio ora è 568.359,45 USD (631510,5 × 0,9). Il nostro capitale totale è ora di 62.898.95 USD (126050-631510.45 × 0.1). Ciò significa che l’attuale fattore di leva è 568359.45 / 62898.95 = 9.03. Quindi abbiamo bisogno di ridurre il nostro conto vendendo 253,235,71 USD di azioni al fine di ridurre il nostro valore totale del portafoglio a 315,123,73 USD, in modo tale da avere nuovamente una leva di 5,01 (315123,73 / 62898,95 = 5,01).

Quindi abbiamo acquistato un profitto e venduto in perdita. Questo processo di vendita in perdita può essere emotivamente molto difficile, ma è matematicamente la cosa “corretta” da fare, supponendo che le ipotesi di Kelly siano state soddisfatte! È l’approccio da seguire per massimizzare il tasso di crescita nel lungo termine.

Potresti aver notato che i valori assoluti di denaro che venivano riallocati tra i giorni erano piuttosto elevati. Questa è una conseguenza sia della natura artificiale dell’esempio che dell’estesa leva utilizzata. La perdita del 10% in un giorno non è particolarmente comune nella trading algoritmico ad alta frequenza, ma serve a mostrare quanto può essere estesa la leva finanziaria in termini assoluti.

Poiché la stima delle medie e delle deviazioni standard sono sempre soggette ad errori, in pratica molti trader tendono a utilizzare un regime di leva più conservativo come il Criterio di Kelly diviso per due, affettuosamente chiamato il “mezzo-Kelly”. Il Criterio di Kelly dovrebbe essere considerato come un limite superiore della leva da usare, piuttosto che una specifica diretta. Se questo consiglio non viene ascoltato, l’uso del valore diretto di Kelly può portare alla rovina (cioè la liquidazione del conto) a causa della natura non gaussiana dei rendimenti della strategia.

Dovremmo usare il criterio di Kelly

Ogni trader algoritmico è diverso e lo stesso vale per le preferenze sulla gestione del rischio. Quando si sceglie di utilizzare una strategia di leva finanziaria (di cui il Criterio di Kellyè un esempio) è necessario considerare i requisiti di rischio sotto i quali è necessario operare. In un ambiente di trading retail è possibile impostare i propri limiti massimi di drawdown e quindi è possibile incrementare la leva. In un contesto istituzionale se deve considerare il rischio da una prospettiva molto diversa e il fattore leva sarà una componente di un quadro molto più ampio, di solito insieme a molti altri vincoli.

Negli articoli successivi considereremo altre forme di gestione del denaro (e del rischio!), Alcune delle quali possono semplificare i vincoli aggiuntivi discussi in precedenza.

Introduzione alla Gestione del Rischio e al Money Management

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.