Recentemente abbiamo introdotto strategie sistematiche di asset allocation tattica e presentato un backtest del noto portafoglio di allocazione statica 60/40. Prima di mostrare altri esempi di strategie di asset allocation tattica (TAA), riteniamo utile evidenziare alcuni problemi che affrontiamo quando implementiamo e testiamo strategie TAA. In questo articolo descriviamo uno di questi problemi: la necessità di effettuare backtest con dati sintetici per estendere le serie storiche nel passato e ottenere una maggiore consistenza statistica.

Viaggio nel passato

Molte strategie TAA forniscono nuovi pesi di allocazione su base mensile. Di norma, evitiamo ribilanciamenti più frequenti (settimanali o giornalieri) a causa dei costi di transazione legati alla rotazione del portafoglio. Per questo motivo, monitoriamo le performance del portafoglio solo su base mensile (anche se il nostro software DataInvestor consente il monitoraggio giornaliero). In un periodo di dieci anni, disponiamo quindi solo di 120 punti dati per analizzare le performance di una strategia. Rispetto alle strategie ad alta frequenza, abbiamo a disposizione meno informazioni per prendere decisioni sull’allocazione del portafoglio.

Oltre alla bassa frequenza di campionamento della performance, dobbiamo considerare che i regimi macroeconomici di mercato spesso durano molto più a lungo. Tali regimi possono estendersi per decenni. Se vogliamo valutare una strategia TAA in condizioni di mercato differenti, dobbiamo eseguire il backtest su periodi storici estesi per valutarne realmente l’efficacia.

Per i fondi istituzionali, questi aspetti non costituiscono un ostacolo rilevante come lo sono invece per il piccolo trader quantitativo retail. I fondi accedono a set di dati costosi e di lunga durata su numerosi strumenti finanziari. Possono anche adeguare le proprie allocazioni utilizzando derivati come futures o swap, risultando quindi più attrezzati per valutazioni storiche delle strategie di allocazione.

La maggior parte dei trader retail non può permettersi i costi di questa infrastruttura. Con capitali modesti, il budget per i dati è molto più limitato. Inoltre, i requisiti di margine e i costi di transazione legati ai derivati sono spesso proibitivi per chi desidera implementare strategie TAA a lungo termine.

Usare gli ETF a basso costo

In questo scenario entrano in gioco gli Exchange Traded Funds (ETF) a basso costo. Questi strumenti hanno reso accessibile l’asset allocation su larga scala anche ai trader retail, grazie a costi complessivi contenuti. Grazie a bassi expense ratio, elevati AUM e buona liquidità, possiamo integrare strategie TAA sistematiche nelle nostre attività di trading.

Questo approccio presenta però uno svantaggio: molti ETF sono stati lanciati solo di recente e hanno una storia dati limitata. La maggior parte risale al 2000, con molti introdotti solo dopo il 2007/2008. Questa caratteristica riduce le possibilità di effettuare backtest realistici per strategie TAA su periodi prolungati.

Se vogliamo eseguire backtest su archi temporali più lunghi, dobbiamo integrare i dati storici degli ETF con serie di dati simulati, detti “sintetici”. Questo approccio comporta una serie di problematiche tecniche.

Backtest con dati sintetici

Per estendere i backtest oltre la data di lancio degli ETF, utilizziamo dati “sintetici” o “proxy”. Poiché molti ETF utilizzati nelle strategie TAA replicano indici di mercato, una soluzione consiste nel concatenare i rendimenti dell’indice ai rendimenti dell’ETF prima della sua data di avvio, applicando un proxy per i costi di gestione.

Ad esempio, l’ETF SPY replica l’S&P500 ponderato per capitalizzazione, ma i dati storici partono solo dal 1993. Possiamo quindi utilizzare i rendimenti storici dell’S&P500, al netto dei costi, per estendere una strategia TAA anche a periodi precedenti alla nascita dell’ETF.

Pur essendo semplice da applicare, questo metodo presenta delle criticità. Nelle strategie TAA tipiche, possiamo usare i dati OHLCV giornalieri per eseguire il ribilanciamento dopo la chiusura e generare ordini da eseguire all’apertura del giorno successivo. Il framework DataInvestor adotta proprio questa logica come standard.

Tuttavia, le serie storiche degli indici disponibili per i trader retail contengono solo i valori di chiusura. Quindi, per estendere le serie dei rendimenti degli ETF prima della loro data di inizio, dobbiamo stimare i valori di apertura mancanti. Un metodo semplice, ma poco realistico, è usare la chiusura del giorno precedente come apertura del giorno successivo.

Un’alternativa consiste nel simulare il trading con backtest eseguiti alla chiusura. Anche questo metodo ha limiti: non conosciamo il prezzo di chiusura finché non si verifica, e a quel punto il mercato è già chiuso, rendendo impossibile l’invio degli ordini. Una possibile implementazione live prevede il ribilanciamento poco prima della chiusura e l’utilizzo di ordini Market-On-Close per applicare gli aggiustamenti.

Conclusioni

Nonostante tutte queste difficoltà, riteniamo che avere una guida indicativa sulla performance delle strategie nel lungo periodo e in diversi contesti macroeconomici sia meglio che non averne alcuna. Poiché consideriamo il backtesting come un processo di filtraggio per selezionare le migliori implementazioni, crediamo che disporre di queste informazioni sia sempre un vantaggio per prendere decisioni consapevoli.

La creazione accurata di backtest con dati sintetici rappresenta solo uno dei tanti problemi che dobbiamo affrontare quando eseguiamo il backtest di strategie TAA. Nei prossimi articoli descriveremo l’impatto della gestione delle azioni societarie, oltre a quando e come riequilibrare le allocazioni.