Nel post della scorsa settimana Le Finestre Temporali di Investimento (parte 2) abbiamo visto insieme cosa sono le FTI, Finestre Temporali di Investimento, ovvero uno strumento per analizzare il comportamento dei mercati finanziari ad orizzonti temporali prefissati, come nello studio effettuato tre anni.
Lo studio empirico evidenzia senza alcun dubbio che esiste una forte correlazione inversa tra rendimenti passati e futuri, che aumenta quando nel recente passato si abbia osservato un drawdown, ovvero una perdita dai massimi, di un certo rilievo, quindi abbiamo osservato che maggiore è stata la perdita, maggiori sono le probabilità di ottenere rendimenti positivi in futuro.
Mentre i modelli che ci insegnano in finanza sostengono che i mercati sono casuali e possono essere descritti da una media ed una varianza che è valida sempre, l’esperienza empirica ci insegna che non è possibile descrivere una serie storica, soprattutto molto lunga, con una semplice distribuzione dei rendimenti (o gaussiana) che comprenda tutti i rendimenti passati.
Nei mercati finanziari esistono dei chiari trend e anche il fenomeno cosiddetto di “mean reverting”, ovvero di ritorno alla media; entrambi questi fenomeni sono temporanei, possono durare da sei mesi a qualche anno e ovviamente hanno caratteristiche statistiche diverse dalla distribuzione dei rendimenti che descrive una serie storica di 50 anni.
Mi rendo conto di essere abbastanza tecnico spiegando questi concetti, ma spero che il lettore comprenda quello che dico o lo rilegga un paio di volte per essere certo di aver ben compreso, perché quello che viene dopo è si tosto, ma anche molto innovativo.
Sul sito EX-ANTE potete approfondire con anche esempi e spiegazioni tecniche cosa sono le Probabilità Condizionate, io cercherò di spiegarle da un punto di vista divulgativo.
Le probabilità condizionate sono dei modelli bayesiani (è l’unico termine che sono obbligato ad utilizzare, portate pazienza) in grado di stimare le probabilità che un evento accada, dopo che un evento prima ne ha modificato le probabilità iniziali.
Sul sito troverete l’esempio di Monty Hall e altri esempi che fanno capire meglio questo esempio, io proverò con un esempio che normalmente rende l’idea: “immaginate di dover prevedere le previsioni del tempo di domani sulla città in cui vivete; se usate un modello media varianza il ragionamento corretto da fare è il seguente: in questa città piove 180 giorni all’anno e quindi domani ho il 50% di probabilità che pioverà.”
E’ un’affermazione utile per decidere se prendere l’ombrello? Ovviamente no, ma se ci pensate i modelli media e varianza che propongono per i mercati finanziari lavorano proprio così, con per di più l’assunzione che i mercati finanziari sono casuali.
Viceversa i modelli basati sulle probabilità condizionate (o Bayesiani se volete fare i professori) per prevedere il meteo di domani analizzano vari parametri, come il vento, la temperatura, la pressione, la situazione delle perturbazioni nelle vicinanze e riescono di conseguenza ad essere molto più precisi nel fornire la previsione corretta, inoltre catturando i dati in continuo, di fatto riescono ad allertare prima se le previsioni cambiano.
Sono utilizzabili le probabilità condizionate per stimare meglio le probabilità di crescita di un indice? Certamente, e con sorprendenti percentuali di successo, ma di questo parlerò prossimamente, intanto vi invito a registrarvi al blog e rilasciare commenti per alimentare il dibattito.
One comment
Comments are closed.