I modelli sistematici azionari vengono spesso costruiti combinando diversi indicatori, come value, momentum e quality, in un unico punteggio. Nella maggior parte dei casi, questo avviene in modo lineare, con ciascun segnale che contribuisce in maniera indipendente e proporzionale al risultato finale. Sebbene questo approccio sia semplice ed efficace, presuppone che ogni segnale funzioni allo stesso modo indipendentemente dal contesto generale. Nella realtà, tuttavia, non è sempre così.
Nell’ambito della ricerca sullo statistical learning (Alentorn & Mrazik, 2025) condotta all’interno del nostro programma accademico, abbiamo studiato come le interazioni non lineari tra indicatori di investimento possano essere catturate in modo più efficace utilizzando, ad esempio, alberi decisionali e reti neurali, oltre a tecniche più tradizionali. In questo caso, abbiamo scelto un modello in grado di catturare le non linearità pur mantenendo interpretabilità e consentendo di validare l’intuizione di investimento implementata.
Le interazioni non lineari, o state dependence, consentono al modello di identificare situazioni in cui l’efficacia di un indicatore dipende da un altro. Invece di trattare i segnali in modo isolato, il modello può riconoscere che determinate combinazioni di caratteristiche risultano particolarmente rilevanti.
Il vantaggio di questo approccio è che consente al modello di concentrarsi sulle aree del mercato in cui i segnali sono maggiormente significativi. Anziché distribuire uniformemente il potere predittivo su tutti i titoli, gli approcci non lineari aiutano a identificare condizioni specifiche in cui i rendimenti sono più prevedibili. Questo può generare un segnale più mirato e informativo, maggiormente allineato al modo in cui i mercati si comportano realmente. In sostanza, le relazioni non lineari consentono di estrarre ulteriori informazioni dai segnali esistenti, senza dover ricorrere a dati completamente nuovi, comprendendo come tali segnali interagiscano tra loro anziché considerarli separatamente.
Le interazioni non lineari possono catturare pattern che sfuggono ai modelli lineari.
Fonte: Jupiter. A scopo puramente illustrativo.
Combinare effetti comportamentali e informativi
Il nostro nuovo segnale non lineare rientra nella strategia di selezione titoli Company Management, che mira a valutare la qualità del management di una società attraverso i dati derivanti dalle sue decisioni. Il nuovo segnale combina segnali esistenti in un termine di interazione progettato per valorizzare le informazioni già presenti in ciascuna componente. In particolare, combina l’effetto informativo dei segnali del management con l’impatto dell’andamento dei prezzi.
L’intuizione chiave è che le interdipendenze tra questi due effetti possano risultare più informative rispetto a ciascun segnale considerato singolarmente. Questo approccio può catturare divergenze o convergenze significative tra la percezione esterna dei partecipanti al mercato e la convinzione interna del management. I casi di divergenza, ad esempio, possono più facilmente rivelare situazioni di mispricing.
Modellando esplicitamente relazioni strutturali sottili, il nostro nuovo segnale è in grado di identificare i casi in cui divergenza o convergenza risultano maggiormente significative. Il modello può cogliere meglio le situazioni in cui le aspettative di mercato e i fondamentali sottostanti non sono allineati. Questo porta a un segnale più ricco e intuitivo dal punto di vista economico. Ad esempio, un andamento debole dei prezzi combinato con segnali negativi del management (convergenza) potrebbe rafforzare le aspettative di un esito negativo; mentre un andamento debole dei prezzi associato a forti segnali del management (divergenza) potrebbe in alcuni casi indicare un mispricing e potenzialmente un esito positivo.
Benefici del nuovo miglioramento
L’introduzione della nuova interazione basata sui segnali del management all’interno della strategia di selezione titoli Company Management del modello rappresenta un’estensione significativa. Catturando relazioni condizionali e dipendenze funzionali economicamente intuitive tra segnali, il modello ottiene accesso a una fonte incrementale di alpha non pienamente catturata dagli approcci lineari. Se implementato con attenzione, questo può:
- migliorare la diversificazione del modello incorporando un nuovo segnale non correlato che opera su una dimensione diversa rispetto ai segnali esistenti
- migliorare la gestione del rischio, soprattutto nel trattamento delle informazioni relative all’andamento dei prezzi, che possono attraversare periodi di brusche inversioni, in particolare in contesti di mercato stressati
- rafforzare la capacità del modello di generare alpha attraverso un processo di selezione titoli più raffinato e robusto.
Migliorare continuamente il processo sistematico
Al centro della filosofia Jupiter Systematic vi è uno sforzo di ricerca continuo e disciplinato, volto a garantire il costante miglioramento del nostro processo di investimento nel tempo. Da oltre 20 anni, questa filosofia ha portato a un flusso costante di evoluzioni del nostro processo di investimento, contribuendo nel tempo a migliorare i rendimenti attesi corretti per il rischio.
Attualmente sono in corso diversi altri interessanti progetti di ricerca, incluso lo sviluppo di ulteriori segnali non lineari, e non vediamo l’ora di condividere maggiori dettagli in futuro.
Il processo di investimento del team è implementato da oltre due decenni ed è in continuo affinamento. I miglioramenti più recenti sono riportati di seguito. Questi sviluppi sono il risultato di un’ampia attività di ricerca condotta dal team.
Miglioramenti recenti
Introdotti in ciascuna delle tre componenti del processo di investimento
Riferimenti
James G, Witten D, Hastie T, Tibshirani R & Taylor J. An Introduction to Statistical Learning, 2023. Disponibile su: https://www.statlearning.com/
Alentorn A & Mrazik M. Fooled by noise? Why statistical learning, not hype, drives our process, Jupiter, 2025. Disponibile su: https://www.jupiteram.com/uk/en/professional/insights/why-statistical-learning-not-hype-drives-our-process/
Il valore delle menti attive: il pensiero indipendente
Una caratteristica fondamentale dell’approccio di investimento di Jupiter è che evitiamo l’adozione di una view della casa, preferendo invece consentire ai nostri gestori specializzati di formulare le proprie opinioni sulla loro asset class. Di conseguenza, va notato che tutte le opinioni espresse, anche su questioni relative a considerazioni ambientali, sociali e di governance, sono quelle degli autori e possono differire dalle opinioni di altri professionisti degli investimenti Jupiter.
Informazioni Importanti
Questa è una comunicazione di marketing. Il presente documento è destinato ai professionisti dell'investimento e non è destinato all'uso o al beneficio di altre persone. Il presente documento ha finalità esclusivamente informative e non costituisce una consulenza sugli investimenti. I movimenti del mercato e dei tassi di cambio possono causare la diminuzione o l'aumento del valore di un investimento, con la possibilità di recuperare meno di quanto investito inizialmente. Le opinioni espresse sono quelle delle persone citate al momento della stesura del documento, non sono necessariamente quelle di Jupiter nel suo complesso e possono essere soggette a variazioni. Ciò è particolarmente vero nei periodi di rapida evoluzione dei mercati. Si compie ogni sforzo per garantire l'accuratezza delle informazioni, ma non si fornisce alcuna assicurazione o garanzia. Emesso nel Regno Unito da Jupiter Asset Management Limited (JAM), sede legale: The Zig Zag Building, 70 Victoria Street, Londra, SW1E 6SQ, autorizzata e regolamentata dalla Financial Conduct Authority. Emesso nell'UE da Jupiter Asset Management International S.A. (JAMI), sede legale: 5, Rue Heienhaff, Senningerberg L-1736, Lussemburgo, autorizzata e regolamentata dalla Commission de Surveillance du Secteur Financier. Nessuna parte del presente documento può essere riprodotta in alcun modo senza la previa autorizzazione di JAM/JAMI.