Il problema storico degli investimenti era trattare ogni asset finanziario come un’entità a sé stante. Prima del 1952, la regola non scritta era elementare: per ottenere rendimenti elevati bisognava tollerare rischi proporzionalmente alti. L’analisi si concentrava quasi esclusivamente sui fondamentali della singola azienda, ignorando le dinamiche sistemiche.

Harry Markowitz ha ribaltato questa prospettiva, spostando l’attenzione dal singolo titolo alla struttura complessiva.

Piuttosto che cercare l’azione perfetta, ha tradotto la costruzione di un portafoglio in un problema di ottimizzazione matematica e statistica multivariata. La sua intuizione centrale è che il rischio non è una banale somma di volatilità individuali, ma il risultato di una complessa rete di interazioni tra gli asset.

In questo articolo analizziamo l’architettura algebrica della Modern Portfolio Theory (MPT), dalle metriche statistiche di base alla definizione della frontiera efficiente, esplorandone sia la potenza analitica che i limiti strutturali.

Dal singolo investimento alla struttura matriciale: il cambio di paradigma

La grande intuizione alla base del lavoro pubblicato da Markowitz nel 1952, Portfolio Selection, risiede nel riconoscimento della natura congiunta degli investimenti. Fino a quel momento, la domanda tipica dell’analista era: “Qual è il titolo migliore da acquistare per massimizzare il profitto?”.

La formulazione corretta del problema, secondo la MPT, diventa invece:

“Qual è la combinazione ottima di pesi da assegnare a un set di titoli per massimizzare il rendimento atteso, vincolando il rischio a un livello predefinito?”.

Questa trasformazione ha segnato la nascita della finanza quantitativa. Non si tratta più di selezionare i “vincitori” in modo isolato, ma di costruire un ecosistema in cui le singole parti lavorano in sinergia per stabilizzare il risultato aggregato. Per formalizzare questo concetto, Markowitz ha dovuto fare affidamento su due pilastri della statistica descrittiva: il valore atteso e la varianza.

Rendimento atteso e Rischio: le fondamenta statistiche

Ogni investimento finanziario è intrinsecamente stocastico e può essere descritto attraverso la distribuzione di probabilità dei suoi rendimenti futuri. I primi due momenti di questa distribuzione definiscono le caratteristiche fondamentali dell’asset.

Il rendimento atteso, ovvero la speranza matematica, rappresenta il guadagno medio che l’investitore stima di ottenere. Utilizzando i dati storici come stimatori, se definiamo [math]R_i[/math] il rendimento osservato nel periodo [math]i[/math]-esimo su un campione di [math]n[/math] osservazioni, il rendimento medio si calcola come:

[math]\displaystyle E(R) = \frac{1}{n} \sum_{i=1}^{n} R_i[/math]

Tuttavia, la sola media aritmetica non descrive l’affidabilità di un rendimento: due asset possono presentare lo stesso valore atteso ma dispersioni diametralmente opposte. Un titolo che restituisce costantemente il 6% annuo è strutturalmente diverso da uno che alterna anni a +25% e anni a -13%, sebbene la loro media possa coincidere.

Per quantificare questa incertezza, il modello utilizza la deviazione standard campionaria, calcolata come la radice quadrata della varianza:

[math]\displaystyle \sigma = \sqrt{\frac{1}{n-1} \sum_{i=1}^{n} (R_i – \bar{R})^2}[/math]

In ambito finanziario, la deviazione standard è la metrica standard per misurare la volatilità, assunta da Markowitz come proxy matematica del rischio. Più il valore di [math]\sigma[/math] è elevato, maggiore è la dispersione dei rendimenti attorno alla media e, di conseguenza, maggiore è l’incertezza sul risultato finale dell’investimento.

Oltre la volatilità individuale: Correlazione e Covarianza

L’intuizione che ha valso il Premio Nobel a Markowitz entra in gioco quando si uniscono più asset. Un investitore inesperto potrebbe presumere che dividendo il capitale in parti uguali tra due titoli, ciascuno con una volatilità del 20%, il portafoglio risultante manterrà una volatilità del 20%. Dal punto di vista matematico, questo è vero solo in un caso limite e specifico.

Il rischio aggregato dipende in modo critico da come i rendimenti dei titoli si muovono l’uno rispetto all’altro. Immaginiamo due aziende: una compagnia aerea e una multinazionale dell’estrazione petrolifera. Se il prezzo del greggio subisce un’impennata, i profitti della società petrolifera tenderanno ad aumentare; al contrario, i costi operativi della compagnia aerea subiranno un forte aggravio, deprimendone il valore. I due titoli tenderanno quindi a muoversi in direzioni opposte di fronte allo stesso shock macroeconomico.

Questa dipendenza lineare è misurata dal coefficiente di correlazione di Pearson, indicato con [math]\rho[/math], il cui valore è strettamente compreso nell’intervallo tra -1 e +1:

• Correlazione pari a +1: I titoli sono perfettamente correlati positivamente. Si muovono in perfetta sincronia. In questo scenario, la diversificazione è un’illusione matematica; il rischio del portafoglio è esattamente la media ponderata dei rischi individuali.
• Correlazione pari a 0: I rendimenti sono linearmente indipendenti. Il movimento di un titolo non fornisce informazioni sul movimento dell’altro. In questo caso, l’aggregazione di più titoli genera già un abbattimento significativo della volatilità complessiva.
• Correlazione pari a -1: I titoli sono perfettamente correlati negativamente. Quando uno sale, l’altro scende in modo proporzionale. Combinando i pesi in modo adeguato, è teoricamente possibile annullare completamente la varianza, creando un portafoglio privo di rischio.

La relazione tra covarianza e correlazione è definita dalla formula:

[math]\displaystyle \text{Cov}(A,B) = \rho_{A,B} \cdot \sigma_A \cdot \sigma_B[/math]

L’architettura algebrica: La Matrice di Covarianza

Quando il portafoglio si espande a [math]N[/math] asset, tracciare le correlazioni a coppie diventa computazionalmente complesso. In un portafoglio di 100 azioni, ci sono 4950 covarianze uniche da stimare. Per gestire questa complessità, l’algebra lineare offre lo strumento perfetto: la matrice di varianza-covarianza, solitamente denotata con [math]\Sigma[/math].

Per un universo di [math]n[/math] titoli, [math]\Sigma[/math] è una matrice quadrata di dimensione [math]n \times n[/math]:

[math]\displaystyle \Sigma = \begin{pmatrix}
\sigma_1^2 & \text{Cov}(1,2) & \dots & \text{Cov}(1,n) \\
\text{Cov}(2,1) & \sigma_2^2 & \dots & \text{Cov}(2,n) \\
\vdots & \vdots & \ddots & \vdots \\
\text{Cov}(n,1) & \text{Cov}(n,2) & \dots & \sigma_n^2
\end{pmatrix}[/math]

Sulla diagonale principale troviamo le varianze dei singoli titoli ([math]\sigma_i^2[/math]). Gli elementi fuori dalla diagonale rappresentano le covarianze tra le diverse coppie di asset. Poiché [math]\text{Cov}(A,B) = \text{Cov}(B,A)[/math], la matrice [math]\Sigma[/math] è simmetrica. Inoltre, per garantire che il calcolo della varianza del portafoglio non restituisca mai valori negativi (il che sarebbe impossibile nei numeri reali), questa matrice deve essere matematicamente definita positiva o semi-definita positiva.

Nelle applicazioni moderne di Data Science, la costruzione di questa matrice è spesso il primo step algoritmico eseguito tramite librerie come Pandas (con il metodo .cov()) o NumPy, e rappresenta l’input fondamentale per i successivi algoritmi di ottimizzazione.

import pandas as pd

# Creazione del DataFrame con i rendimenti storici simulati
rendimenti = pd.DataFrame({
    "Apple": [0.02, -0.01, 0.03],
    "Microsoft": [0.015, -0.005, 0.02]
})

# Calcolo della matrice di covarianza campionaria
cov = rendimenti.cov()

print(cov)

              Apple  Microsoft
Apple      0.000433   0.000275
Microsoft  0.000275   0.000175

Il Rendimento e il Rischio di Portafoglio: Le Formule Fondamentali

Un portafoglio è univocamente identificato dal vettore dei pesi [math]w[/math], dove ogni componente [math]w_i[/math] rappresenta la frazione di capitale allocata al titolo [math]i[/math]-esimo. Affinché il portafoglio sia valido e tutto il capitale venga investito (assumendo l’assenza di leva finanziaria), la somma dei pesi deve essere pari a 1:

[math]\displaystyle \sum_{i=1}^{n} w_i = 1[/math]

Il rendimento atteso del portafoglio, [math]E(R_p)[/math], è semplicemente la combinazione lineare (ovvero la media ponderata) dei rendimenti attesi dei singoli asset:

[math]\displaystyle E(R_p) = w^T E(R)[/math]

dove [math]w^T[/math] è il vettore trasposto dei pesi ed [math]E(R)[/math] è il vettore colonna dei rendimenti attesi.

L’architettura del rischio si concretizza invece nel calcolo della varianza di portafoglio. Diversamente dal rendimento, la varianza del portafoglio è calcolata tramite una forma quadratica che incorpora l’intera struttura di dipendenza degli asset:

[math]\displaystyle \sigma_p^2 = w^T \Sigma w[/math]

Questa equazione è il cuore matematico della Modern Portfolio Theory. Attraverso questo prodotto matriciale emerge chiaramente come, all’aumentare del numero di asset [math]N[/math], il contributo delle varianze individuali (sulla diagonale della matrice) diventi marginale rispetto al peso predominante delle covarianze (fuori dalla diagonale). In un portafoglio ben diversificato, il rischio sistemico dipende interamente da come gli asset co-variano tra loro.

Il Problema di Ottimizzazione e la Frontiera Efficiente

Con le formule definite, la costruzione del portafoglio si trasforma in un rigoroso problema di ottimizzazione quadratica.

L’investitore razionale cerca di risolvere una delle due varianti del problema:

• Minimizzare la varianza [math]\sigma_p^2[/math] dato un rendimento atteso obiettivo [math]R^*[/math].
• Massimizzare il rendimento atteso [math]E(R_p)[/math] dato un livello massimo tollerabile di varianza.

Formalmente, il problema di minimizzazione del rischio si scrive come:

[math]\displaystyle \min_{w} \frac{1}{2} w^T \Sigma w[/math]

Soggetto ai vincoli:

[math]\displaystyle w^T E(R) = R^*[/math]

[math]\displaystyle \sum_{i=1}^{n} w_i = 1[/math]

[math]\displaystyle w_i \geq 0 \quad \text{(se si escludono le vendite allo scoperto)}[/math]

Risolvendo questo sistema per ogni possibile livello di rendimento atteso [math]R^*[/math], si ottiene un set di portafogli ottimali. Rappresentando su un piano cartesiano il rischio ([math]\sigma[/math]) sull’asse delle ascisse e il rendimento atteso sull’asse delle ordinate, ogni punto identifica un potenziale portafoglio.

L’area delineata dai portafogli subottimali, posizionati nella parte inferiore o destra del grafico, viene superata dal limite superiore della nuvola di punti: la Frontiera Efficiente. Questa curva, che assume la forma di un ramo superiore di un’iperbole, rappresenta esclusivamente le allocazioni in grado di offrire il massimo rendimento per ogni dato livello di volatilità. Nessun portafoglio razionale dovrebbe risiedere al di sotto di questa curva, poiché comporterebbe l’accettazione di un rischio non remunerato in modo adeguato.

L’inserimento dell’Asset Risk-Free e la Capital Market Line

Il framework di Markowitz, nella sua formulazione originaria del ’52, considera esclusivamente asset rischiosi (azioni, obbligazioni corporate, materie prime). Tuttavia, l’evoluzione della teoria finanziaria, in particolare con i successivi lavori di William Sharpe e James Tobin, ha introdotto un elemento cruciale: l’asset privo di rischio (Risk-Free Rate, indicato con [math]R_f[/math]), tipicamente rappresentato dai titoli di stato a breve scadenza.

L’introduzione di un asset con varianza pari a zero e covarianza nulla con gli altri titoli altera radicalmente la geometria del problema. La frontiera efficiente cessa di essere una curva concava e diventa una linea retta tangente alla vecchia frontiera. Questa retta prende il nome di Capital Market Line (CML).

L’equazione della CML definisce il nuovo standard di efficienza. Il punto di tangenza tra la retta e la frontiera degli asset rischiosi identifica il Tangency Portfolio, ovvero il portafoglio di mercato. Matematicamente, questo portafoglio è quello che massimizza l’Indice di Sharpe, definito come il rapporto tra l’extra-rendimento e la volatilità:

[math]\displaystyle S = \frac{E(R_p) – R_f}{\sigma_p}[/math]

Grazie a questa estensione, le decisioni di investimento si separano in due fasi (Teorema della separazione dei fondi mutui): prima si individua il portafoglio tangente ottimale calcolando l’Indice di Sharpe massimo, e successivamente l’investitore modula l’esposizione al rischio semplicemente allocando il capitale in proporzioni diverse tra il portafoglio tangente e l’asset risk-free.

I limiti matematici della Modern Portfolio Theory

Sebbene la formulazione algebrica di Markowitz sia straordinariamente elegante, la sua applicazione diretta nel mondo reale (out-of-sample) affronta ostacoli critici che ogni Data Scientist finanziario deve conoscere. L’ottimizzatore quadratico è un potente strumento matematico, ma si basa su assunzioni teoriche spesso violate dalla struttura reale dei dati di mercato.

In primo luogo, l’Estimation Risk (rischio di stima). Come definito notoriamente da Richard Michaud, l’ottimizzatore di Markowitz agisce come un “massimizzatore di errori” (error maximizer). La formula [math]\sigma_p^2 = w^T \Sigma w[/math] tratta i vettori dei rendimenti attesi e la matrice di covarianza come parametri deterministici noti a priori. Nella realtà, questi sono stimati dai dati storici. Piccoli errori statistici nella stima dei rendimenti attesi portano l’algoritmo ad assegnare pesi estremi e irrealistici agli asset che appaiono falsamente superiori. Per risolvere questo problema, le implementazioni moderne richiedono tecniche di regolarizzazione (come L1/L2 penalty) o modelli di stima Bayesiana (es. modello di Black-Litterman).

In secondo luogo, la non-normalità dei rendimenti. La deviazione standard è una misura di rischio esauriente solo se i rendimenti seguono una distribuzione Normale Gaussiana. Analisi empiriche decennali dimostrano che le serie storiche finanziarie sono leptocurtiche: presentano “code grasse” (fat tails) e un’alta frequenza di eventi estremi che una distribuzione normale considererebbe statisticamente impossibili. La deviazione standard sottostima sistematicamente la probabilità di crash di mercato.

Infine, la non-stazionarietà della matrice di covarianza. Markowitz assume che le correlazioni tra gli asset siano costanti nel tempo. Tuttavia, nei momenti di forte stress sistemico (come la crisi del 2008 o il collasso dei mercati del 2020), i coefficienti di correlazione tendono a convergere verso +1. Quando gli investitori liquidano le posizioni in preda al panico, tutti gli asset rischiosi crollano simultaneamente. Il paradosso della MPT è che i benefici della diversificazione matriciale tendono a svanire nel momento esatto in cui sarebbero più necessari.

Nonostante queste limitazioni, l’architettura matematica della Teoria di Portafoglio rimane il pilastro ineludibile su cui sono state costruite tutte le successive evoluzioni della finanza quantitativa. Comprendere a fondo l’algebra di vettori, le forme quadratiche e l’ottimizzazione vincolata alla base della MPT non è solo un esercizio storico, ma il requisito fondamentale per approcciare i moderni modelli di machine learning applicati all’asset allocation.