Neural shrinkage: la matrice dei piccoli titoli

Immagina di costruire un portafoglio con migliaia di azioni, tra cui molte di piccole aziende quotate da poco. Il problema? Queste azioni hanno dati irregolari e spesso mancanti. I metodi tradizionali usano sempre gli stessi periodi di tempo per tutte le azioni, ma questo butta via molte informazioni utili. Un team di ricercatori ha sviluppato un modello neurale che gestisce questa complessità. Il modello usa una tecnica chiamata 'shrinkage' per trasformare le matrici di correlazione in formato positivo, fondamentale per gli investimenti. Non si limita a usare dati uniformi: invece, preserva il massimo overlap per ogni coppia di azioni. Il risultato? Un portafoglio più stabile e profittevole. Testato su 1.500 azioni statunitensi dal 2000 al 2025, il modello riduce la volatilità del 20% e aumenta il rapporto di Sharpe del 40%. Questo significa meno rischi e maggiori guadagni, anche considerando commissioni e impatti di mercato. L'innovazione sta nell'adattare la neural shrinkage a dati eterogenei, aprendo nuove possibilità per la gestione di investimenti inclusivi.

La sfida principale nella costruzione di portafogli inclusivi risiede nella gestione di matrici di correlazione indefinite. Queste matrici, calcolate utilizzando dati parziali per ogni coppia di asset, possono contenere autovalori negativi, rendendo impossibile l'ottimizzazione di Markowitz. Il modello proposto introduce una rete neurale rotation-invariante che elabora lo spettro firmato della matrice di correlazione. Utilizza unità ricorrenti bidirezionali (BGRU) condizionate su lunghezze di campionamento efficaci derivate dalla matrice di overlap e dai carichi degli autovettori. Questo approccio mappa tutti gli autovalori, inclusi quelli negativi, a uno spettro inverso positivo, garantendo una matrice di covarianza definita positivamente. L'addestramento end-to-end minimizza il rischio realizzato della varianza globale minima su cinque giornate. Le valutazioni mostrano miglioramenti significativi in termini di volatilità, rapporto di Sharpe e controllo del drawdown, confermabili anche dopo l'applicazione di fricce esecutive come commissioni e impatto di mercato. Il Model Confidence Set al 99.9% conferma la superiorità statistica del modello neurale rispetto a tutti gli stimatori comparati.