Navigare i Mercati Incerti: Come la Logica Fuzzy Rivoluziona la Scelta delle Azioni

Amici investitori, diciamocelo chiaramente: scegliere le azioni giuste su cui puntare è un’impresa che fa tremare i polsi anche ai più navigati. Viviamo in un mondo dove l’incertezza è la nuova normalità, e i metodi tradizionali per selezionare i titoli, diciamocelo, a volte sembrano tirare a indovinare. Ma se vi dicessi che c’è un approccio che abbraccia questa incertezza, la “mastica” e ci aiuta a prendere decisioni più consapevoli? Preparatevi, perché sto per parlarvi di come la logica fuzzy e un metodo chiamato OPA-AAWE stanno cercando di cambiare le carte in tavola nella selezione dei portafogli azionari.

Il Vecchio Dilemma: Troppi Criteri, Troppa Incertezza

Quando cerchiamo di costruire un portafoglio, non basta guardare al rendimento passato o al rischio. Ci sono un sacco di altri fattori: la liquidità, le condizioni di mercato, i fondamentali dell’azienda (quei famosi rapporti finanziari), la dimensione dell’impresa, i dividendi… un vero e proprio labirinto! Questo si chiama problema di decisione multi-criteriale (MCDM). E come se non bastasse, eventi come la pandemia di COVID-19 hanno sparigliato le carte, iniettando una dose massiccia di volatilità e incertezza nei mercati. In questi scenari, i modelli classici, che spesso si basano su dati precisi e ben definiti, iniziano a scricchiolare.

Il punto è che l’incertezza non è un concetto che si può toccare con mano, eppure influenza pesantemente le nostre scelte. Durante crisi finanziarie, guerre o disastri naturali, la paura la fa da padrona e gli investitori diventano estremamente avversi al rischio. Ecco perché abbiamo bisogno di strumenti che non solo considerino tanti criteri, ma che sappiano anche gestire informazioni vaghe, imprecise, quasi “sfumate”.

La Magia della Logica Fuzzy e l’Approccio OPA-AAWE

Ed è qui che entra in gioco la logica fuzzy. Nata negli anni ’60 grazie a Lotfi Zadeh, questa branca della matematica ci permette di rappresentare e manipolare informazioni che non sono nettamente vere o false, ma che si collocano in una scala di grigi. Pensate a quando dite “fa abbastanza caldo”: non è una temperatura precisa, ma un concetto vago che però tutti capiamo. La logica fuzzy formalizza questo tipo di ragionamento.

Nello studio che ho analizzato, i ricercatori hanno proposto un metodo innovativo chiamato Fuzzy OPA-AAWE. Un nome un po’ ostico, lo ammetto, ma cerchiamo di scomporlo:

• Fuzzy OPA (Ordinal Priority Approach): Questa parte serve a dare un peso ai vari criteri di scelta (rendimento, volatilità, ecc.). La cosa furba dell’OPA è che, invece di costringere gli esperti a fare millemila confronti a coppie tra i criteri (un processo che diventa un incubo se i criteri sono tanti e che può portare a risultati poco consistenti), chiede loro di metterli in ordine di importanza. Questo semplifica enormemente le cose e permette di gestire anche l’ambiguità nelle preferenze degli esperti usando, appunto, la logica fuzzy.
• AAWE (Aczel–Alsina Weighted Evaluation): Una volta stabiliti i pesi dei criteri, questa parte si occupa di valutare le azioni vere e proprie. Utilizza delle funzioni matematiche non lineari (le norme di Aczel-Alsina, da cui il nome) che sono molto flessibili e adattabili. Queste funzioni aiutano a “fondere” le informazioni in modo più intelligente rispetto alle semplici medie ponderate, che a volte possono essere ingannate da valori estremi nei dati. In pratica, l’AAWE permette di simulare diversi scenari e di vedere come le valutazioni cambiano, offrendo una visione più robusta.

Il bello di questo approccio combinato è che gestisce l’incertezza in modo nativo, è flessibile e migliora la qualità delle decisioni. Non si basa su confronti a coppie che diventano ingestibili e offre un modo più generale e robusto per standardizzare le informazioni, indipendentemente dal fatto che un criterio sia “più è meglio” (come il rendimento) o “meno è meglio” (come la volatilità).

Pensateci: quante volte ci siamo trovati di fronte a dati finanziari che sembravano raccontare storie diverse a seconda di come li si guardava? Questo metodo cerca di portare un po’ di ordine in quel caos, permettendo di elaborare anche le preferenze degli esperti quando magari non tutte le informazioni su certi attributi sono disponibili o chiarissime.

L’Esperimento sulla Borsa di Istanbul: Numeri alla Mano

Per non restare solo sulla teoria, i ricercatori hanno messo alla prova il loro modello Fuzzy OPA-AAWE su un osso duro: ben 374 azioni quotate sulla Borsa di Istanbul, analizzando i dati finanziari per un intero anno (dal 1 gennaio al 31 dicembre 2017). La Borsa di Istanbul è stata scelta perché è un mercato dinamico, un ponte tra mercati emergenti e sviluppati, ottimo per testare la robustezza del sistema in condizioni diverse.

Per valutare le azioni, hanno considerato sette criteri chiave:

1. Rendimento azionario (Stock Return)
2. Volatilità
3. Skewness (asimmetria della distribuzione dei rendimenti)
4. Kurtosis (curtosi, o “pesantezza delle code” della distribuzione dei rendimenti)
5. Patrimonio netto (Equity)
6. Rapporto di rendimento da dividendi (Dividend Yield Ratio)
7. Rapporto prezzo/valore contabile (Price-to-Book Ratio)

Cinque esperti del settore finanziario, accademici con almeno 10 anni di esperienza nell’ottimizzazione di portafoglio, hanno contribuito a definire l’importanza di questi criteri usando una scala fuzzy a nove livelli (da “assolutamente basso” ad “assolutamente alto”).

E cosa è emerso? Secondo il modello Fuzzy OPA, il criterio più importante è risultato essere il Rendimento Azionario (C1), con un peso relativo di circa il 26,62%. Al secondo posto, il Patrimonio Netto (C5) con il 22,01%. Il meno importante? La Kurtosis (C4), con appena il 3,11%.

Una volta pesati i criteri, il modello AAWE è entrato in azione per classificare le 374 azioni. Il risultato? L’azione identificata come A₁₉₃ è emersa come la migliore, seguita da A₁₅₆, A₁₀, e così via. Ovviamente, per ragioni di confidenzialità, i nomi reali delle aziende sono stati sostituiti da codici.

Ma Funziona Davvero? La Prova della Sensibilità

Un buon modello non deve solo dare dei risultati, ma deve anche dimostrare di essere robusto. Cosa significa? Che se cambio leggermente alcuni parametri interni del modello, i risultati finali non devono stravolgersi completamente. Per questo, è stata condotta un’analisi di sensibilità.

I ricercatori hanno giocato con i parametri delle funzioni di Aczel-Alsina (quel famoso parametro δ) e con i parametri della funzione di aggregazione finale (ψ e φ). Hanno simulato decine di scenari. Ebbene, anche variando questi parametri, l’azione A₁₉₃ è rimasta costantemente al top, o quasi. La correlazione statistica tra le classifiche nei diversi scenari è rimasta altissima (coefficiente di Spearman tra 0.987 e 1.0), il che è un ottimo segno: il modello è stabile e affidabile.

Questo conferma che il rendimento azionario e il patrimonio netto sono fattori cruciali da considerare, almeno nel contesto analizzato, e che il metodo proposto è in grado di identificarli e valorizzarli correttamente.

Limiti e Prospettive Future: La Strada è Ancora Lunga (ma Promettente)

Come ogni approccio, anche il Fuzzy OPA-AAWE ha i suoi limiti. La formulazione matematica delle funzioni di Aczel-Alsina può essere un po’ complessa per chi non è del mestiere, e il modello lineare Fuzzy OPA richiede una certa familiarità con la programmazione lineare. Questo potrebbe frenarne l’applicazione diffusa. La soluzione? Magari un software user-friendly che nasconda la complessità matematica e permetta anche a noi “comuni mortali” di usarlo.

Inoltre, i sette criteri usati sono importanti, ma non sono certo gli unici possibili. Si potrebbero integrare altri fattori, come quelli ambientali, sociali e di governance (i famosi ESG), che stanno diventando sempre più rilevanti per gli investitori moderni.

Le direzioni future sono affascinanti:

• Testare il modello su altri mercati finanziari, inclusi quelli emergenti.
• Combinare questo approccio con tecniche di intelligenza artificiale come le reti neurali o il reinforcement learning per migliorarne ulteriormente accuratezza e scalabilità.
• Sviluppare strumenti di supporto decisionale in tempo reale.
• Confrontare i risultati con altri metodi MCDM.

Personalmente, trovo questo filone di ricerca estremamente stimolante. L’idea di poter affrontare l’intrinseca “sfumatura” dei mercati finanziari con strumenti matematici che la riconoscono e la gestiscono, invece di ignorarla, mi sembra un passo avanti gigantesco. Non si tratta di trovare la formula magica per diventare ricchi (quella, ahimè, non esiste!), ma di avere a disposizione strumenti più intelligenti e adattabili per navigare la complessità.

In un mondo dove prendere la decisione giusta può significare un profitto e un errore può costare caro, avere un copilota basato su una logica così sofisticata potrebbe davvero fare la differenza. Chissà, forse in futuro, prima di cliccare “compra” o “vendi”, consulteremo un assistente potenziato da qualcosa di molto simile al Fuzzy OPA-AAWE. Staremo a vedere!

La ricerca dimostra che questo approccio non solo è teoricamente solido, ma ha anche una sua validità pratica, come dimostrato dall’applicazione alle azioni della Borsa di Istanbul. Certo, la strada per un’adozione su larga scala è ancora lunga, e ci sono aspetti da affinare, ma la direzione intrapresa è decisamente intrigante. Per noi investitori, significa poter sperare in strumenti sempre più raffinati per districarci nella giungla dei mercati finanziari, soprattutto quando le nebbie dell’incertezza si fanno più fitte.

Fonte: Springer