Ottimizzazione Robusta di Portafoglio sotto Disruption Sistemiche di Mercato (PFSE)

6 mar 2026 · 2 min di lettura
projects

Questo progetto introduce il Parallel Factor Space Estimator (PFSE), un framework ibrido per la stima robusta della covarianza che risolve un trade-off fondamentale nel portfolio management istituzionale: gli stimatori robusti tradizionali (MCD, Tyler) offrono forti garanzie statistiche ma sono computazionalmente impraticabili per il ribilanciamento giornaliero di oltre 100 asset, mentre i metodi efficienti (Ledoit-Wolf, sample covariance) hanno breakdown point nullo contro contaminazioni sistematiche.

PFSE sfrutta un’intuizione strutturale: durante disruption sistemiche di mercato, come flash crash, shock di politica monetaria o contagio di crisi, i movimenti estremi si propagano attraverso fattori comuni, non componenti idiosincratiche. Concentrando la stima robusta in uno spazio fattoriale ridotto di dimensione k (k=5 contro p=100-1000), PFSE eredita il breakdown point del 25% da MCD ottenendo al tempo stesso 32x speedup computazionale.

Lavoro con Alessio Farcomeni (University of Roma Tor Vergata). Sottomesso a Computational Economics (Springer), marzo 2026.

Risultati principali

Validato attraverso tre stadi complementari:

  • Monte Carlo (p=100, ε=10% contamination): PFSE Sharpe 1.42 vs 0.96 per sample covariance, mantiene il 97% della performance clean-data mentre la sample covariance degrada del 31%
  • Backtest S&P 500 (2015-2025): Sharpe out-of-sample 1.87 vs 1.63 (+14.7%), max drawdown -24.3% vs -34.1% (-29%) durante il COVID-19, turnover -42%
  • Cinque scenari di stress: PFSE rank-1 in tutti gli scenari, Sharpe medio 1.67 vs 1.39 (+20%), minima variabilita della performance (CoV 0.041 vs 0.064)
  • Valore economico: $72M di benefici in periodi normali + $93M in periodi di stress per ogni portafoglio da $1B, rapporto benefici-costi 31:1

Interactive Explorer

L’app interattiva permette di esplorare tutti i risultati: eseguire live l’algoritmo di stima PFSE, confrontare i metodi all’aumentare della contaminazione, esaminare la scalabilita computazionale e ispezionare i rendimenti cumulati dell’S&P 500 nei quattro regimi di mercato.

Apri l’Interactive Explorer

Stefano Blando
Authors
PhD Student in Artificial Intelligence
Stefano Blando is a PhD student in the National PhD Program in Artificial Intelligence at Scuola Superiore Sant’Anna and the University of Pisa. His research lies at the intersection of AI, agent-based modeling, and economics. He studies adaptive multi-agent systems, statistical verification of economic simulations, and robust quantitative methods for financial and socio-economic data.