Oggi lavorare sull’Asset Allocation non richiede più costosi tool a pagamento o servizi di terze parti, ma può essere fatto in completa autonomia grazie ai linguaggi open source come Python. In questo articolo faremo vedere come sia possibile manipolare i dati, costruire un portafoglio di asset e visionare i risultati da un punto di vista quantitativo. Il tutto con Python e con le sue librerie open source (il focus di questo articolo sarà concentrato in particolare sulla libreria quantitativa FFN).
Ripartiamo da un articolo postato durante la crisi pandemica che potete rileggere di seguito: “Un asset allocation open source con Python“.
In particolare riprendiamo i tre asset su cui avevamo ragionato per la costruzione di un portafoglio grezzo: il mercato azionario (prenderemo SPY, SPDR S&P 500 ETF Trust, che mira a fornire risultati di investimento che, al lordo delle spese, corrispondono generalmente al prezzo e alla performance dell’Indice S&P 500), il mercato obbligazionario (TLT, iShares 20+ Year Treasury Bond ETF, il cui investimento mira a tracciare i risultati di investimento dell’ICE Treasury 20+ Year Bond Index) e il mercato dell’oro (GLD, SPDR Gold Shares, legato all’andamento del prezzo dei lingotti d’oro, meno le spese delle operazioni del Trust). Si tratta di alcuni tra gli ETF più liquidi sul mercato americano e possono essere negoziati come delle azioni (per le limitazioni per il mercato retail europeo fare riferimento al broker di turno).
Analizziamo questi asset aggregando gli storici giornalieri da Yahoo Finance, con la libreria quantitativa open source “FFN“. Otteniamo la curva aggregata dei rendimenti giornalieri aggiornata al 5 giugno 2022:
Come detto la libreria FFN consente di popolare da subito alcune statistiche, proprie di un performance report professionale: è possibile apprezzare la presenza delle principali metriche associate agli asset selezionati (ad esempio lo Sharpe, il Sortino o il Calmar Ratio):
Se è vero che una strategia di Buy & Hold, applicata singolarmente su SPY, GLD e TLT, avrebbe registrato dei rendimenti rispettivamente del 292%, del 177% e del 105%, dobbiamo tenere conto che il Max Drawdown mostra dei preoccupanti -55%, -45%, -32%. Vediamo cosa sarebbe accaduto allocando il nostro denaro uniformemente sui tre strumenti sopracitati.
L’idea di base è quella di trovare tre asset che possano avere andamenti il più possibile de-correlati, in modo da riuscire a lenire le fasi di drawdown del portafoglio risultante. Se da una prima analisi qualitativa questo sembra vero in alcune fasi storiche (ad esempio tra SPY e GLD), in altri momenti questo comportamento sembra venire meno. Passando ad una analisi quantitativa, riportiamo la matrice delle correlazioni giornaliere.
Le variazioni percentuali giornaliere, nel periodo di osservazione selezionato, mostrano una correlazione diretta di solo il 3.4% tra SPY e GLD, una correlazione inversa di oltre il 40% tra SPY e TLT ed infine una correlazione diretta del 15% tra GLD e TLT. L’istogramma delle distribuzioni delle variazioni percentuali giornaliere dei tre strumenti ci mostrano un bias rialzista piuttosto evidente (su SPY in particolare modo, e la cosa non dovrebbe stupirci se pensiamo alla naturale tendenza di medio lungo termine dei mercati azionari).
Siamo a questo punto in grado di ricalcolare il portafoglio risultante di una allocazione uniforme sui tre strumenti dal 2007 ad oggi (utilizziamo la libreria Pandas a tale scopo).
Fino al 2020 possiamo osservare una curva piuttosto regolare, degna di un portafoglio molto più variegato in termini di asset. Ben visibile l’impatto della crisi pandemica a marzo 2020 e l’attuale crisi in atto (tassi ed economie in sofferenza, guerra della Russia contro L’Ucraina ecc.). Di seguito qualche numero più circostanziato che riporti l’analisi su un terreno quantitativo.
Un rendimento totale del 235% ed un CAGR dell’8% all’anno, a fronte di un 20% scarso di Max Drawdown. Non male per essere una strategia Buy & Hold su soli tre asset. Dalla heatmap dei rendimenti mensili è possibile vedere come la strategia abbia sofferto particolarmente a febbraio e marzo 2020, a settembre e ottobre 2020, nei primi tre mesi del 2021, a settembre 2021, a gennaio 2022 e nel bimestre aprile-maggio 2022.
In questo breve articolo abbiamo aggiornato l’andamento di una strategia Buy & Hold ripartita uniformemente sui tre ETF: SPY, GLD e TLT. Abbiamo visto come gli ultimi due anni siano stati piuttosto burrascosi per una strategia così semplice che aveva tenuto egregiamente fino al 2020. Tuttavia il confronto con una allocazione su uno solo dei tre asset considerati, fa comprendere come, alla prova dei numeri, i tre strumenti aggregati in un unico portafoglio facciano ancora la differenza. In uno dei prossimi articoli vedremo come lavorare in modo rotazionale l’esposizione per cercare una migliore protezione dal rischio.
Se avete apprezzato questo approccio e volete saperne di più sui nostri acceleratori didattici dedicati al mondo quantitativo, potete seguire i seguenti link: Python Academy & Machine Learning Academy
Buona asset allocation e buona settimana!
Gandalf Project R&D
“Le informazioni del Sito non costituiscono sollecitazione al pubblico risparmio e non sono volte a promuovere alcuna forma di investimento o commercio, né a promuovere o collocare strumenti finanziari o servizi di investimento o prodotti/servizi bancari/finanziari.”
AVVERTENZE: I contenuti di questo articolo (e degli altri contenuti in questo sito) e le opinioni espresse non devono in nessun caso essere considerati come un invito all’investimento.
Le analisi non costituiscono mai una sollecitazione all’acquisto o alla vendita di qualsivoglia strumento finanziario. Queste note hanno per oggetto analisi finanziarie e ricerca in materia di investimento. Qualora vengano espresse delle raccomandazioni, queste hanno carattere generale, sono rivolte ad un pubblico indistinto e mancano dell’elemento della personalizzazione.
Sebbene frutto di approfondite analisi, le informazioni contenute in questo e negli altri articoli possono contenere errori. Gli autori non possono in nessun caso essere ritenuti responsabili per eventuali scelte effettuate dai lettori sulla base di tali informazioni erronee. Chi decide di porre in essere una qualsiasi operazione finanziaria sulla base delle informazioni contenute nel sito lo fa assumendone la totale responsabilità.
DISCLAIMER: The contents of these notes and the opinions expressed should in no case be considered as an invitation to invest. The analyzes never constitute a solicitation to buy or sell any financial instrument.
These notes relate to financial analysis and investment research. If recommendations are made, these are of a general nature, are aimed at an indistinct audience and lack the element of personalization.
Although the result of in-depth analysis, the information contained in these notes may contain errors. The authors cannot under any circumstances be held responsible for any choices made by readers on the basis of such erroneous information. Anyone who decides to carry out any financial transaction on the basis of the information contained in the site does so assuming full responsibility.
