1. Meglio sotto il materasso?
Il ruolo della fortuna nella gestione
dei fondi di investimento
Dr Alessadro Usseglio Viretta
aus@auv.name

2. Sommario
• Gestori dei fondi di investimento: bravi, fortunati, sfortunati, incompetenti?
• Risposta probabilistica: intervalli di confidenza dell‟alfa di un fondo
• Intervalli di confidenza: bootstrap (resampling) di E. Fama e K. French
(Efficient Market Hypothesis)
• KNIME Workflow: dalle serie temporali dei prezzi alla valutazione finale
• Bonus feature: Workflow sul KNIME Server

3. L’alfa di un fondo
120 Investment MSCI World Molti investitori pensano che l‟alfa sia la
115 differenza fra fondo e il benchmark (circa
110
2.9% in questo esempio).
Prezzo
105 2.9%
100
95 0.04
90
85
Investment Returns
1 26 51 76 101 126 151 176 201 226 251 0.02
Giorni
0
Una regressione lineare dei return giornalieri del -0.04 -0.02 0 0.02 0.04
fondo contro quelli del benchmark mostra un‟alfa
(intersezione della retta di regressione con l‟asse -0.02 Alfa = 0.8bp
delle ordinate) di circa 0.8bp, ossia 2% per 260
giorni. MCSI World Returns
-0.04

4. La rilevanza dell’alfa
Una performance del 2% potrebbe sembrare
120
buona, ma va contestualizzata calcolando la
100
probabilità di ottenerla per caso.
Conetggio
80
Se la probabilità di ottenere risultati uguali o 60
migliori è bassa, il gestore del fondo è 40 Rendita
probabilmente bravo. 20 migliore
0
Il grafico mostra che la probabilità di ottenere una -5 -4 -2 -1 1 2 4 5
performance uguale o migliore per puro caso è di
Alfa (basis points)
circa il 34%. Chiaramente l‟abilità del gestore è
mascherata dal caso.
Anche strategie d’investimento generate a caso possono dare ottimi
risultati, per questo è interessante usare il caso come pietra di paragone.

5. Ricetta di Fama & French

6. Il Workflow

7. Lettura Dati & Calcolo Returns
1. Leggiamo i prezzi di un fondo da un file CSV
2. Calcoliamo i return del fondo
Visualizziamo i
Leggiamo i risultati nel report
prezzi di fondi
e benchmarks
da file CSV
Selezioniamo il fondo
da analizzare con
Quickform (NUOVI!)

8. Il Grafico dei Prezzi

9. La Modellizzazione
Regressione lineare
dei returns vs
benchmarks

10. La Simulazione
Calcoliamo i
residui
Nuova
simulazione

11. I Risultati
p-values

12. I Risultati: t(alpha)
N = 1000
Il nostro
fondo è qui
Pessima Ottima
performance performance

13. Il Report
Chart dei
Prezzi
Breve Spiegazione
del Metodo
Istogramma dei
t(alpha) simulati
e
posizionamento
del t(alpha) del
Chart dei
fondo originale
Returns

14. Sul KNIME Server
N = numero di
simulazioni
Il nostro workflow
Manda email alla fine
dell„esecuzione
Esecuzioni passate
Step-wise execution

15. Sul KNIME Server
Selezione del fondo
da analizzare

16. Sul KNIME Server
Warnings
e Errori
Successo
Report

17. Sul KNIME Server
Istogramma
del report

18. Posso provare anche io?
Se siete interessati al workflow:
• Email a aus@auv.name
oppure
• Coming soon: whitepaper sull‟algoritmo di Fama
e French (http://www.knime.com/white-papers).

19. Referenze
E. F. Fama, K. R. French, Luck versus Skill in the Cross-Section of Mutual Fund Returns, The Journal of
Finance, Volume 65, Issue 5, October 2010
M. Cremers, A. Petajisto, E. Zitzewitz, Should Benchmark Indices Have Alpha? Revisiting Performance
Evaluation, January 21, 2010, EFA 2009 Bergen Meetings Paper; AFA 2010 Atlanta Meetings Paper. Available at
SSRN: http://ssrn.com/abstract=1108856
R. Kosowski, A. Timmermann, R. Wermers, H. White, Can Mutual Fund “Stars” Really Pick Stocks? New Evidence from
a Bootstrap Analysis, The Journal of Finance , Volume 61, Issue 6, December 2006
L. Barras, O. Scaillet, R. Wermers, False Discoveries in Mutual Fund Performance: Measuring Luck in Estimated
Alphas, The Journal of Finance, Volume 65, Issue 1, February 2010
K. Cuthbertson, D. Nitzsche, N. O'Sullivan, UK mutual fund performance: Skill or luck?, Journal of Empirical Finance, Vol.
15, Issue 4, September 2008
A. Mauboussin, S. Arbesman, Differentiating Skill and Luck in Financial Markets With Streaks, February
3, 2011, Available at SSRN: http://ssrn.com/abstract=1664031

20. Il referente
Alessandro Usseglio Viretta, laureato in Fisica all‟Univesità di
Dr Alessandro Usseglio Viretta Torino e dottorato in Neuroinformatica al Politecnico Federale di
Zurigo, ha 20 anni di esperienza nella modelizzazione e
aus@auv.name simulazione in campi che vanno dalla fisica delle particelle alle
neuroscience fino alla genetica e al risk management. Alessandro è
+41 76 5166601 Chief Technology Officer di CustVox AG, un fornitore di soluzioni
per Customer Experience Management, Amministratore Delegato
+39 347 5639162 di In Numero LLC, una società di consulenza e ricercatore al
Dipartimento di Management, Tecnologia ed Economia del
Politecnico Federale di Zurigo.
Copyright © 2012 Alessandro Usseglio Viretta e KNIME