Aggregazione dei fondamentali

Tutte le informazioni presenti in questo sito hanno esclusivamente un fine illustrativo.

Tutte le informazioni presenti in questo sito non costituiscono in nessun caso prescrizione, diagnosi o consulenza di qualsiasi genere. 

Aggregazione dei Fondamentali nella Valutazione

Howard Marks riconosce l'importanza epistemica dei fondamentali ma evita di cristallizzare una formula, probabilmente consapevole che ogni metodologia prescritta rischia di diventare meccanicistica e vulnerabile al gaming.

Il Problema dell'Aggregazione

La difficoltà centrale risiede nella incommensurabilità dei fondamentali. Come si confrontano unità eterogenee? Possiamo formalizzare il problema così:

Dato un insieme di fondamentali F = {f₁, f₂, ..., fₙ} dove:

• f₁ = earnings yield

• f₂ = management quality (variabile qualitativa)

• f₃ = intellectual property strength

• f₄ = financial stability

Si cerca una funzione V: F → ℝ che mappi il vettore multidimensionale a un valore scalare.

Pro e Contro degli Approcci Alternativi

1. Modelli Fattoriali Gerarchici

Pro:

• Identificano strutture latenti nei dati riducendo la dimensionalità

• Catturano correlazioni tra fondamentali osservati

• Offrono interpretabilità attraverso fattori comuni

Contro:

• Assumono linearità nelle relazioni tra fattori e variabili osservate

• Richiedono ampie serie storiche per stabilità statistica

• I fattori latenti possono mancare di interpretazione economica chiara

• La struttura fattoriale può variare tra settori e regimi di mercato

2. Approcci Bayesiani

Pro:

• Incorporano naturalmente l'incertezza nelle stime

• Permettono l'aggiornamento sequenziale con nuova informazione

• Flessibili nell'integrare prior informativi e non-informativi

• Quantificano esplicitamente l'incertezza del modello

Contro:

• Computazionalmente intensivi, specialmente con prior complessi

• La scelta dei prior influenza significativamente i risultati

• Difficoltà nel comunicare risultati probabilistici a investitori abituati a stime puntuali

• La likelihood può essere mal specificata per fenomeni finanziari con code pesanti

3. Machine Learning Ensemble

Pro:

• Catturano non-linearità e interazioni complesse tra variabili

• Robustezza attraverso la combinazione di modelli diversi

• Performance superiore in prediction tasks con dati abbondanti

• Adattabilità a pattern emergenti nei dati

Contro:

• Black-box nature limita l'interpretabilità economica

• Rischio di overfitting severo, specialmente con campioni limitati

• Instabilità nelle relazioni apprese durante crisi di regime

• Assenza di fondamento teorico: correlazione senza causazione

• Vulnerabilità a dataset shifts e non-stazionarietà

Un Framework Ibrido

La soluzione più robusta probabilmente coinvolge un approccio stratificato:

Livello 1 

Screening Qualitativo Eliminazione di candidati con red flags irriducibili (governance, frodi, insolvenza imminente)

Livello 2 

Scoring Quantitativo Settoriale Normalizzazione dei fondamentali rispetto ai peer di settore, riconoscendo che la rilevanza relativa varia (ROIC conta più nel consumer staples, R&D nel tech)

Livello 3 

Valutazione Residua Analisi di fattori idiosincratici non catturabili da metriche standardizzate

Livello 4 

Stress Testing Simulazioni di scenari avversi per testare la resilienza del thesis

Limiti Epistemici Fondamentali

Marks probabilmente evita una metodologia esplicita perché riconosce che:

1. Riflessività Sorosiana - Una formula pubblica diventa self-defeating quando gli agenti la conoscono

2. Non-stazionarietà - Le relazioni tra fondamentali e prezzi mutano con i regimi di mercato

3. Incompletezza Gödeliana - Nessun sistema formale può catturare completamente la complessità dei mercati

4. Tacit Knowledge - Parte essenziale del giudizio esperto resiste alla codificazione

La questione finale è se l'assenza di metodologia esplicita rappresenti saggezza epistemica o una lacuna pratica. Una formula rigida creerebbe l'illusione di precisione dove esiste solo incertezza irriducibile. Il valore sta nel framework concettuale, non in pesi specifici che inviterebbero a un falso senso di scientificità.

La vera competenza consiste nel calibrare dinamicamente il processo aggregativo in base al contesto specifico, cosa che nessun algoritmo fisso può replicare senza perdere robustezza.

Massimo Zanetti