fbpx
ETF Fattoriali e Factor Investing

Battere l’S&P500 con ETF Fattoriali e Factor Investing?

Negli ultimi anni, abbiamo osservato una forte proliferazione, sulle borse, dei famosi ETFs Smart Beta, o anche detti ETF Fattoriali, ispirati al Factor Investing.

Per intendersi, un ETF sulle azioni “Momentum” è un ETF Smart Beta, così come lo è un ETF sulle azioni Value, sulle azioni High Dividend Yield o sulle azioni Small Cap (su questi due fattori di rischio ci dovremmo però tornare..).

La “promessa” degli ETF Fattoriali e del Factor Investing è importante: battere il mercato.

Ergo, ottenere mediamente un rendimento o, meglio, un risk adjusted return, migliore di quello che potresti ottenere investendo su tutto il mercato.

Qualcuno potrebbe quindi dire che la promessa è similare alla gestione attivache abbiamo sempre detto vada evitata – ma, ad una corretta analisi, scopriremo invece che il Factor Investing altro non è che un’estensione della gestione passiva.

Quindi, no, non facciamo gestione attiva: costruiamo portafogli semplicemente in modo diverso.

Vediamo come.

ETFs Fattoriali e Factor Investing: cosa sono

Il Factor Investing può essere considerato un metodo di gestione dei propri investimenti a lungo termine, per ottimizzare il proprio portafoglio di investimento, sia in termini di rischio, che di rendimento.

Per approfondire a fondo questo tema, puoi anche visionare un mio video specifico sul tema.

Come ben evidenziato da Cazalet e Roncalli (2014), non è tecnicamente un nuovo metodo di investimento, perchè Fund manager e investitori vari lo hanno implicitamente (e forse senza saperlo) utilizzato nel tempo: la ricerca moderna lo ha sistematizzato e lo ha fatto diventare abbastanza “main stream”, specie con la nascita dei vari ETFs che permettono di esporsi ai vari “ETF Fattoriali”.

Per intendersi, oggi è possibile esporsi a diversi “fattori di rischio” semplicemente comprando diversi ETFs: la domanda principale da farsi è se comprare un ETF, ad esempio, sulle azioni Value o sulle Azioni Momentum sia preferibile (e possa portare maggiore rendimento) rispetto al comprare un ETF sulle azioni globali.

Ed è lì che sta l’inghippo: perchè un ETF Market Cap Weighted sulle azioni globali è il portafoglio più simile possibile al famoso “portafoglio di mercato M” teorizzato dal CAPM, l’unico portafoglio che gli investitori dovrebbero detenere, e sulla cui rischiosità è determinato il rendimento ottenibile dagli investitori, è proprio questo portafoglio

Ergo, se il portafoglio di mercato M ha Beta=1, il rendimento di altri portafogli dipende da quanto Beta ti prendi, ma, a parità di Beta, non esiste rendimento maggiore del portafoglio di Mercato.

E tutti gli altri rischi che ti assumi, come quelli legati al comprare azioni Small Cap, azioni Value o azioni Momentum, sono essenzialmente inefficienti (e non remunerati).

Questo è quello che vorrebbe il CAPM. E, per il CAPM, quindi, gli ETF fattoriali non sono altro che scommesse.

Ma andiamo con ordine, riprendendo le basi del CAPM.

Le basi del CAPM

Il capital asset pricing model (CAPM) è stato introdotto da Sharpe nel 1964 e può essere visto come un modello di equilibrio basato sul quadro definito da Markowitz (1952).

Nel suo articolo, Markowitz ha sviluppato il concetto di frontiera efficiente, cioè l’insieme dei portafogli di ottimali in termini di media-varianza.

I portafogli “ottimi” si trovano sulla frontiera efficiente, ovverosia l’insieme dei portafogli che minimizzano il rischio e massimizzano il rendimento.

Nei risultati di Markowitz, tutti i portafogli che si trovano sulla frontiera efficiente sono portafogli ottimi, perchè massimizzano il rendimento, dato un certo rischio, oppure minimizzano il rischio, dato un certo rendimento.

Più tardi, Tobin (1958) ha dimostrato che la frontiera efficiente diventa una linea retta in presenza di un bene privo di rischio.

Contrariamente ai risultati di Markowitz si può quindi dimostrare che c’è un solo portafoglio ottimale di attività rischiose, che è chiamato portafoglio di tangenza.

Uno dei problemi è che, però, il portafoglio di tangenza dipende dai parametri di ciascun investitore: infatti, il modello di Markowitz-Tobin resta un modello di scelta individuale.

ETF Fattoriali e Factor Investing

Nel 1964, Sharpe trasformò il modello di scelta individuale di Markowitz in un modello verificabile di relazione diretta tra rischio assunto e rendimento ottenuto: il CAPM.

Sharpe ha dimostrato che il portafoglio di tangenza corrisponde al portafoglio di capitalizzazione di mercato (o portafoglio di mercato). Ha poi dedotto la relazione, ormai ben nota, tra il premio di rischio dell’asset in cui si investe e il premio di rischio del portafoglio di mercato E(Rm)-Rf:

E[Ri]−Rf =βim(E[Rm]−Rf)

Nel CAPM,  se il portafoglio di mercato M è il portafoglio ottimo, ogni attività rischiosa ha un rendimento che dipende dal suo contributo al rischio in funzione del portafoglio M, ergo, in funzione al famoso β.

Nel CAPM l’unico fattore di rischio premiato è il Beta: meno beta prendi,  se sei più avverso al rischio, meno rendimento hai; più beta prendi, più rendimento hai.

ETF Fattoriali e Factor Investing

La conclusione pratica più rilevante in assoluto, sulla base del CAPM, è che l’unico portafoglio che ha senso di esistere, per un investitore, è il portafoglio di mercato M che, qui, approssimiamo con le azioni globali.

Per intendersi, un ETF del genere (LCWD) è una proxy del portafoglio di mercato Market Weighted.

Per il CAPM, quindi, se investi in azioni tecnologiche, in azioni indiane, ma anche in azioni americane, ti stai prendendo un rischio maggiore del portafoglio di mercato non remunerato, perchè è un rischio specifico (non diversificabile) che il mercato non remunera, quello che comunemente viene chiamato Alfa.

Secondo il CAPM, il rendimento del portafoglio dipende da quanto Beta ti prendi più un certo Alfa, in cui possiamo rimettere tutto quello che non viene spiegato dal Beta: in questo modello, l’Alfa è generalmente legato alla “bravura” del gestore, di chi gestisce gli investimenti.

Se l’Alfa può essere catturato, ha senso fare gestione attiva. Se i mercati, invece, sono pienamente efficienti, l’Alfa è statisticamente irrilevante e completamente casuale: quindi, la gestione attiva non ha senso di esistere (e quindi i fondi attivi non vanno comprati).

Quindi, il CAPM è un modello rilevante? Cosa possiamo capire per i nostri investimenti?

I limiti del CAPM e la nascita del Factor Investing

In linea generale, i mercati sono abbastanza efficienti, ma non pienamente.

Anzi, l’efficienza dei mercati è una chimera purtroppo irraggiungibile, in quanto, per farlo, servirebbe una piega informazione passata, presente e futura: il problema è che l’informazione costa e, se non esistesse un extra rendimento che remunera chi ricerca questa informazione, nessuno effettivamente spenderebbe denaro per ricercare l’informazione.

E di, conseguenza, i mercati non sarebbero nuovamente pienamente efficienti: questo è il succo del ben noto Paradosso di Grossman – Stiglitz, che infatti afferma l’impossibilità di avere mercati pienamente efficienti.

Però, per quanto sia impossibile avere mercati pienamente efficienti, nel corso del tempo, specie sui mercati più sviluppati, si è raggiunto un alto livello di efficienza, in cui “l’alfa”, ovvero la componente della gestione attiva, è risultata essere sempre meno rilevante. Anche perchè, nel tempo, ogni volta che esistevano delle extra performance persistenti di specifici gestori attivi, si notava un aspetto interessante.

Mettiamo caso che A e B siano due gestori di fondi, con lo stessa Beta: il CAPM ci dice che dovrebbero ottenere due rendimenti identici e, se non ciò non succede, il CAPM stesso attribuisce questo all’alfa.

Se A ottiene più rendimento di B, ad esempio, il CAPM ci dice semplicemente che A è stato più bravo di B, facendo “gestione attiva”: ciò implica anche che il mercato non sarebbe pienamente efficiente.

ETF Fattoriali e Factor Investing

Il problema è che, nel tempo, si è notato che il CAPM non fosse “sbagliato”, ma semplicemente incompleto, perchè A non era stato più bravo di B, ma semplicemente si era preso dei “rischi” che il CAPM non considerava nel suo modello.

Ad esempio, A si era soffermato solo sulle azioni che presentavano un certo “slancio” positivo, perchè aveva capito che il mercato aveva una caratteristica comune chiamata “Momentum”.

Oppure, si era soffermato sulle aziende che avevano particolari caratteristiche di redditività, oppure il cui prezzo era mediamente più basso dei loro fondamentali.

E questo vantaggio persisteva nel tempo, non perchè B non se ne fosse accorto, attenzione (questo è un passaggio cruciale), ma perché B non voleva prendersi quel maggiore rischio.

L’elemento interessante è che, se B avesse voluto prendersi quel maggiore rischio, non prendendosi tutto il mercato, ma solo un certo tipo di azioni, avrebbe potuto ottenere lo stesso rendimento di A: quindi, l’extra rendimento di A non è più dovuto alla sua “bravura”, bensì al fatto che si era esposto a certi tipi di rischio che B non voleva prendersi e che erano adeguatamente remunerati come il Market Beta, a differenza di quello che ci diceva il CAPM.

ETF Fattoriali e Factor Investing

Quindi, il nostro rendimento non è più dato dall’esposizione al Beta, ma anche dall’esposizione ad altri “Fattori di Rischio e Performance”, adeguatamente remunerati.

Nel grafico, ho inserito volutamente la dizione HML, perché in questo modo la letteratura indica il fattore “Value” (high book-to-market value minus low book-to-market value).

Nella letteratura sui fattori di rischio (qui potrei citare centinaia di Paper, ma mi limito a questo e questo) i fattori di rischio vengono evidenziati sempre come una posizione long sulle aziende con la “caratteristica” che determina quel fattore (ad esempio, per le azioni Value, l’elevato book-to-market value) ed una posizione short sulle aziende con la caratteristica opposta.

Quindi, il CAPM non era errato, nella sua formulazione, bensì incompleto.

Quindi, per ottenere un rendimento maggiore del mercato, non è necessario fare gestione attiva, ma semplicemente esporsi a “diversi rischi” da quelli dell’intero mercato che, effettivamente, sono remunerati.

E questo ha un impatto molto rilevante sui nostri investimenti, anche per capire quello che dicevamo sopra: gli ETF Fattoriali e il Factor Investing non sono gestione attiva, bensì estensione della gestione passiva.

Impatti sui nostri investimenti

In linea di massima, se il CAPM fosse vero e incontrovertibile, l’unico portafoglio da detenere sarebbe il portafoglio di Mercato M: ergo, tutti gli investitori dovrebbero detenere, nella loro componente azionaria, un ETF sulle azioni globali.

Stop.

Poi, ovviamente, questo portafoglio andrebbe diversificato in funzione dei propri obiettivi e della propria tolleranza al rischio (e qui si intersecano i diversi temi spesso toccati sull’Asset Allocation), ma la base della componente azionaria dovrebbe essere quella.

Se invece il CAPM è incompleto, sappiamo che, se vogliamo dei rendimenti “diversi”, e spesso anche maggiore, potremmo esporci a rischi diversi ed ottenere rendimenti adeguati al rischio che ci siamo presi.

Questa è la base del Factor Investing e degli ETFs Fattoriali:

  1. se mi espongo alle Small Cap, Fattore SMB, dovrei ottenere un rendimento maggiore (sul tema Small Cap, però, ti invito ad approfondire questo mio video YouTube);
  2. se mi espongo alle azioni “Value”, Fattore HML, dovrei ottenere un rendimento maggiore;
  3. Se mi espongo alle azioni con un certo “Momentum”, dovrei ottenere un rendimento maggiore;
  4. Se mi espongo alle azioni con una certa redditività, fattore RMW, dovrei ottenere un rendimento maggiore

E così via.

Si noti che, in linea teorica, io mi posso esporre a queste aziende semplicemente comprando un ETF che replica un dato indice che raggruppa aziende con queste caratteristiche: ancora una volta, parliamo di estensione di gestione passiva, non di gestione attiva.

E sulla base di che cosa dovrei scegliere a quale fattore di rischio espormi?

ETF Fattoriali e Factor Investing

A questo punto, entriamo in un campo completamente nuovo, fatto di mille altre valutazioni, perchè non basta dire “Wow, l’ETF sul Momentum ha dato ottime performance, lo compro“”, per scegliere i propri ETF Fattoriali.

Non basta pensare che le azioni Small Cap siano un buon investimento, per comprarle.

È necessario capire come, anzitutto, non tutti i fattori siano robusti economicamente e significativi statisticamente alla stessa maniera. E, soprattutto, non tutti sono facilmente investibili.

Come dico sempre ai miei corsisti, un fattore di rischio, prima di essere “scelto”, deve essere:

  1. robusto economicamente (avere, cioè, una “storia economica” solida, come dicono Asness, Aghassi, Moskowitz e Fatouche qui);
  2. statisticamente significativo (e non basato su problemi di data mining, overfitting e correlazioni spurie, ne parlerò brevemente adesso sulle critiche ai fattoriali)
  3. persistente;
  4. investibile;
  5. Non eccessivamente ciclico.

Non tutti i fattori di rischio del modello di Fama e French, ad esempio, godono di queste caratteristiche.

Ad esempio, il Market Beta (investibile con un semplice ETF sulle azioni globali) rispetta tutte queste caratteristiche e rimane un “fattore” altamente consigliato a moltissimi investitori (la maggioranza, direi): però, se rientri nell’alveo degli “investitori evoluti”, devi sapere che esistono altri tipi di rischio che ti puoi prendere e che il mercato, mediamente, remunera bene.

Tutto questo, ovviamente, viene approfondito a menadito dentro i nostri corsi.

Ma cerchiamo di rispondere, adesso, ad alcune critiche che vengono mosse agli ETF Fattoriali e al Factor Investing

ETF Fattoriali e Factor Investing: le critiche

La ricerca sui fattori di rischio è iniziata quando diversi studiosi notarono delle sovra-performance costanti su alcune tipologie di aziende: ad esempio, Banz (1981) notò questo aspetto sulle Small Cap (aspetto che però va approfondito, come ti ho scritto sopra).

Basu (1977), Rosenberg et al. (1985), Chan et al., (1991) notarono la stessa cosa sulle azioni “Value”, così che, successivamente, Fama e French costruirono (1993) il primo modello a 3 fattori, dove il rendimento era dato da:

E[R]−R =βm(E[R ]−R )+βsmbE[R ]+βhmlE[R ]

Successivamente, la ricerca notò anche altri fattori di rischio rilevanti, come il Momentum (Carhart, 1997), o il fattore redditività (Novy-Marx, 2012), il quale contribuì ad arrivare al modello a 5 fattori di Fama e French (2015), in cui, però, si noti, non è compreso il fattore Momentum.

I critici dei fattoriali, però, si sono spesso soffermati sulle tecniche statistiche utilizzati dai ricercatori, per cercare di sconfessare le loro deduzioni.

In particolare, i critici del Factor Investing asseriscono che:

  • i metodi statistici per rilevare le anomalie dei prezzi non siano rigorosi;
  • manchi il nesso casuale che ci può dire che la variabile X ha determinato, attraverso il meccanismo Z, l’anomalia Y

Ricordo un aspetto importante, quando parliamo di “anomalie” sui mercati: un’anomalia è un extra rendimento di un dato gruppo di aziende che, secondo il CAPM e secondo il loro Beta, dovrebbe dare invece un rendimento in linea a quello del mercato (se Beta=1), o comunque in relazione alla loro esposizione al rischio sistematico (ricordandosi le basi del CAPM).

In questo paper, possiamo comprendere i metodi statistici usati per la ricerca sui fattoriali: in una regressione statistica, si studia cioè la potenza esplicativa di un dato modello, cercando di comprendere se l’inserimento di una data variabile riduce la dispersione del coefficiente R2.

Ti ricordo che R2 misura la forza della relazione lineare tra le variabili indipendenti inserite nel modello di regressione e la variabile dipendente: secondo Cazalet e Roncalli (2015), “The use of the three-factor model greatly increases the explanatory partand significantly reduces the dispersion of the R2 coefficient”.

Nonostante queste evidenze, i critici ci dicono come l’investimento basato sui fattori, per quanto sia un metodo di investimento largamente adottato, pecchi di fondamenta scientifiche solide. Sebbene faccia uso di tecniche statistiche consolidate, non offrirebbe una chiara spiegazione causale delle anomalie che identifica.

Tutte queste critiche rientrano nei problemi di data mining e di overfitting tipici di qualsiasi ricerca che utilizza metodi statistici per comprovare una certa ipotesi: ergo, se l’obiettivo resta comprendere la relazione causa-effetto tra X e Y, dove X è il nostro fattore di rischio e Y la nostra anomalia di prezzo, il problema potrebbe essere quello di arrivare a false scoperte o false deduzioni.

L’overfitting, ad esempio, porta i modelli ad adattarsi ai dati che cerca di mostrare, ignorando invece esempi e fatti che invece andrebbero contro il modello.

Harvey, Liu e Zhou (2015) sostengono invece che i test statistici per comprendere la robustezza di un nuovo fattore debbano superare dei “livelli di significatività” ben maggiori (t-stat = 3,0), arrivando alla conclusione che, sulla base di test meno rigorosi, la maggior parte dei fattori studiati, che tentano di predire extra rendimenti, sia falsa (su questo punto ci torno a breve).

Altri studiosi (De Prado, 2022) evidenziano problemi di correlazione spuria nella ricerca sui fattori: ergo, due variabili che, per quanto siano correlate, non sono legate da una chiara relazione di causa-effetto.

A riguardo, sempre Cazalet e Roncalli (2015) avevano già mostrato come “We cannot […] conclude that Fama-French regressions are spurious“, mostrando come invece la ricerca sui fattori individuasse le cause specifiche delle anomalie che cercava di spiegare.

Sulle false scoperte o false deduzioni e sulla significatività statistica dei risultati delle ricerche, si sono spesso soffermati, rispondendo a diverse critiche, Asness, Moskowitz, Fattouche e Aghassi in questo paper, specificando tre aspetti centrali delle ricerche sui fattori di rischio:

  1. La significatività statistica è molto forte sui principali fattori di rischio studiati dalla letteratura (Size, Value, Momentum, Beta, Quality);
  2. Il nesso di causa effetto esiste;
  3. La presenza di falsi positivi e false ricerche è stata ampiamente limitata dalle ricerche Out-of-Sample

Quando parliamo di analisi dei dati, bisogna infatti ricordare la distinzione tra “In Sample IS” (la parte di dati nota) e “Out of Sample OOS” (la parte di dati non nota, sia passata che futura): ad esempio, nel trading si tende spesso a back-testare strategie quantitative per ottenere ritorni molto interessanti, su dati NOTI (campione IS) che, però, quando vengono testati su dati non noti, falliscono.

L’obiettivo, infatti, è provare poi una data strategia su dati non noti (OOS), che ne determinerà poi il vero successo (limando i falsi positivi): se, poi, il ricercatore continua a testare qualcosa solo su dati noti, ignorando dati che potrebbero falsificare la sua ipotesi, si entra in overfitting.

ETF Fattoriali e Factor Investing: risposta alle critiche

Relativamente alle ricerche Out-of-Sample sui fattori di rischio, Ilmanen et al. (2021) hanno evidenziato come, studiando i più noti fattori di rischio menzionati dalla letteratura, le loro performance out-of-sample, su orizzonti temporali diversi, mercati diversi e nazioni diverse, è stata confermata, con un errore statistico irrilevante.

Sempre relativamente a ciò, il primo a muovere seri dubbi al Factor Investing fu Fisher Black, nel 1991, che infatti si chiedeva che risultati potesse dare la ricerca scientifica quando poi si sarebbero valutati i fattori di rischio fuori dai campioni originari (es., fuori dal mercato USA): le ricerche odierne dovrebbero aver smarcato, quindi, i timori di Fischer Black.

ETF Fattoriali e Factor Investing

I fattori di rischio hanno avuto una fortissima attenzione accademica negli ultimi 30 anni e, come sempre accade, abbiamo anche osservato una proliferazione di modelli che cercavano di predire nuovi fattori di rischio, spesso con bassa significatività statistica e senza nesso casuale (confermando quello che sostenevano Harvey, Zhou e Liou nel 2015 e De Prado nel 2022), tanto che si arrivò a parlare di “Factor Zoo”.

Ma quelli su cui noi ci concentriamo sono quelli ampiamente studiati dalla letteratura e quelli maggiormente robusti economicamente che, alla fine, in questo “Factor Zoo”, si racchiudono in 4/5 fattori di rischio: Size (che però necessita di importanti approfondimenti), Value, Momentum, Quality / Beta.

I fattori non sono tutti uguali, come sempre detto: l’industria finanziaria ha ovviamente provato a cavalcare questa onda degli ETFs Fattoriali per far nascere sempre più ETFs a costi più alti, giustificandoli con potenziali rendimenti maggiori, ma, tra questi, solo alcuni sono degni di nota.

Moltissimi (e qui raccolgo le critiche di molti studiosi) a) non spiegano anomalie sui prezzi, b) non superano livelli di significatività statistica, c) non superano verifiche OOS e d) soprattutto, non hanno una storia economica robusta.

Come ben evidenziano Aghassi, Asness e Fattouche (2022), “Research into existing factors is often overlooked, as most researchers—in academia and practice—want to search for new ideas and new sources of returns. That search, while valuable, is also difficult (markets are pretty darn efficient) and fraught with error (overfitting)”. E qui, dunque, sono d’acordissmo coi critici che smontano moltissimi dei “nuovi” fattori che ogni giorno vengono fuori.

Però, se ci focalizziamo su quei pochi fattori reali e robusti elencati sopra, allora possiamo giungere a conclusioni diverse, analizzando anche le citazioni stesse della letteratura.

ETF Fattoriali e Factor Investing

Ad esempio, Cazalet e Roncalli affermano che “Nevertheless, the large amount of empirical evidence published in the last twenty years does not prove that the Fama-French model is a data-driven model” (la critica di essere “data-driven” è stata una delle più forti per i modelli fattoriali).

Sempre Asness, Fattouche e Aghassi invece sostengono che “ongoing research furthering that objective is therefore valuable to provide confidence that factors deliver long-term positive expected returns“, confermando quindi che l’esposizione sistematica a specifici fattori di rischio, robusti, possa portare a maggiori performance (sapendo quali scegliere).

È impossibile anche accettare le critiche di alcuni secondo le quali le performance di alcuni dei fattoriali siano peggiorate proprio a causa della maggiore “attenzione” del mercato su questi strumenti.

Si noti che questa è una critica che riaffermerebbe la predominanza del CAPM, e del Beta come unico fattore di rischio.

Se infatti il mercato sa che esistono un gruppo di azioni a maggiore rendimento (es. le azioni Value), perchè dovrebbe comprare le altre azioni “non-value” e ottenere un rendimento più basso?

Questa è una critica comunemente nota con la locuzione “Who Is on the Other Side?“, volendo intendere che, sul mercato, per ogni compratore, ci deve essere anche un venditore. E, per ognuno che detiene azioni Value, ci deve essere qualcuno che detiene azioni Non-Value.

Se infatti tutti detenessimo Azioni Value, perchè danno maggiore rendimento, il loro prezzo crescerebbe e non esisterebbe più la loro extra-performance: com’è possibile che esista questa “sacca di inefficienza”, questo maggiore prezzo non arbitraggiato, se i mercati sono abbastanza efficienti? Chi ci sta dall’altra parte?

La risposta è semplice: chi non vuole assumersi il maggiore rischio delle azioni Value.

“Dall’altra parte” troviamo gli investitori che vogliono comprare azioni più care perchè percepite meno rischiose, accettando minor rendimento. Ecco perchè la sovra-performance di questo fattore sussiste nel tempo.

E così varrà anche per li altri fattori, “although, we will see that some of the empirical results found in the original papers are less significant today” (Cazalet, Roncalli, 2015), proprio perchè, comunque, una minima parte di arbitraggio, su questi fattori, nel tempo si osserverà.

Ma non possiamo dire che un fattore di rischio sia una falsa scoperta perchè, nel recente passato, abbiamo osservato performance scarse o drawdown prolungati: “factors will almost surely suffer through bad times. Being able to stick with short-term drawdowns, in order to reap the long-term returns associated with a factor, requires a level of faith and confidence. […] That research can help you understand that the economic story underlying the factor has not changed, or that the drawdown is a “natural” part of the strategy and not an indication that the world has changed. In fact, such understanding can be reassuring that the premium you expect to earn from the factor is precisely because of the pain you are experiencing now” (Fact, Fiction, and Factor Investing, Michele Aghassi, Cliff Asness, Charles Fattouche and Tobias J. Moskowitz, 2022).

Conclusioni

Da questa breve introduzione all’ampio tema dei Fattori di Rischio abbiamo capito che:

  1. si, esistono, per gli investitori evoluti, forme di premi più redditizi del classico Equity Risk Premium;
  2. che esistono modi diversi di diversificare il proprio portafoglio azionario
  3. che esistono modi diversi di pensare alle azioni rispetto al semplice ETF sulle azioni globali o sullo S&P500;
  4. che esistono fattori di rischio e fattori di rischio e bisogna far attenzione a quale scegliere, specie a causa della proliferazione degli ultimi anni;
  5. che, come sempre, sui mercati bisogna avere la pazienza necessaria a vedere “premiato” un certo maggiore rischio.

Su questi studi e a questi temi, ho dedicato diversi spazi dentro FinWealth, costruendo una teoria di Asset Allocation completamente nuova rispetto a quello a cui siamo abituati in questo paese.

A presto!

Gabriele Galletta
info@investimentocustodito.com

CEO di Investimento custodito, Risk Manager, Analista Finanziario, massimo esperto in Italia della filosofia All Weather. Seguitissimo sui social e sulle sue piattaforme, ha aiutato migliaia di persone a riprendere in mano il controllo dei propri soldi grazie ai suoi corsi e ai suoi libri.



×

Scrivici su WhatsApp

× Ciao, posso aiutarti?