Perchè le strategie algoritmiche smettono di funzionare?

Bottom Up — Sat, 13 Sep 2025 20:35:22 +0000

Trading quantitativo;decay;why

1. Introduzione

Negli ultimi decenni sono state documentate centinaia di anomalie di mercato. Tuttavia, molti studi (Harvey et al., 2015; McLean & Pontiff, 2016) hanno dimostrato che le performance tendono a svanire
fuori dal campione. Questo lavoro analizza 72 anomalie replicate su dati CRSP/COMPUSTAT (1963–2014), con estensioni a mercati internazionali fino al 2018.

Il dibattito sulla solidità delle anomalie di mercato è oggi al centro della finanza empirica. Studi come Harvey, Liu e Zhu (2015) hanno evidenziato che la proliferazione di fattori (più di 400 documentati in letteratura) ha reso difficile distinguere i “veri” segnali da artefatti statistici. McLean e Pontiff (2016) hanno inoltre mostrato che la pubblicazione di una strategia riduce sensibilmente i suoi rendimenti futuri, suggerendo che il mercato assimila rapidamente nuove informazioni.

Il lavoro di Falck, Rej e Thesmar (2021) si inserisce in questa scia, ma compie un passo avanti: non si limita a misurare il decadimento, bensì cerca di identificarne le cause strutturali. Questo approccio è fondamentale perché consente di passare da una constatazione (“le strategie decadono”) a una diagnosi (“decadono per overfitting o per arbitraggio?”).

2. Ipotesi di decadimento

Ipotesi	Descrizione	Implicazioni
Arbitraggio	I capitali entrano sulle strategie pubblicate, riducendo i rendimenti.	Decadimento rapido, soprattutto su large cap e titoli liquidi.
Overfitting	I segnali in-sample sono il risultato di p-hacking e test multipli.	Strategie complesse o sensibili a outlier non si replicano.

Arbitraggio: l’idea richiama l’ipotesi dei mercati efficienti: un’anomalia è un’opportunità temporanea che si auto-distrugge man mano che viene sfruttata. Gli autori ricordano che i grandi fondi quantitativi, con miliardi di dollari in gestione, possono neutralizzare rapidamente strategie pubbliche, soprattutto su titoli ad alta capitalizzazione.
Overfitting: rappresenta un rischio metodologico. Nel “factor zoo” i ricercatori testano combinazioni multiple di variabili (contabili, di prezzo, di liquidità) e inevitabilmente alcune sembrano predittive solo per caso. Questo problema è accentuato dalla pressione alla pubblicazione e dall’uso di campioni storici limitati.

3. Risultati empirici

Gli autori costruiscono un dataset di 72 anomalie, con una media di Sharpe ratio in-sample pari a 0.98. Tuttavia, la mediana post-pubblicazione scende a circa 0.55, cioè quasi un dimezzamento.

La stima più interessante è che la riduzione segue una regola lineare: il post-publication Sharpe ≈ 0.57 × in-sample Sharpe.
Ciò significa che anche strategie apparentemente robuste (Sharpe > 2 in-sample) finiscono spesso con Sharpe intorno a 1 o inferiore fuori dal campione.
Il decadimento è ancora più marcato nei mercati internazionali: alcune strategie risultano del tutto inefficaci (es. Japan TOPIX 500 con Sharpe ≈ 0 dopo correzione).

Gli autori mostrano che la performance in-sample è mediamente elevata (Sharpe ≈ 0.98), ma si riduce fortemente out-of-sample.

Contesto	Sharpe medio IS	Sharpe medio OOS	Decadimento (%)
Post-pubblicazione (USA)	0.98	0.55	−43%
Internazionale (size-adjusted)	0.98	0.49–0.73	−25% / −50%
Large cap (Top 1000)	0.98	0.65	−33%
Large cap (Top 500)	0.98	0.78	−20%

La relazione è lineare: Sharpe OOS ≈ 0.57 × Sharpe IS. Anche strategie con Sharpe in-sample >2 raramente superano 1 fuori dal campione.

4. Variabili predittive del decadimento

Gli autori sviluppano indicatori quantitativi per distinguere tra arbitraggio e overfitting:

Arbitraggio: variabili legate alla scalabilità (market cap, liquidità, periodo medio di detenzione). Ad esempio, fattori esposti a large cap risultano più vulnerabili al decadimento, coerentemente con l’ipotesi che i capitali istituzionali entrino più facilmente su questi titoli.
Overfitting: la metrica “diff w drop data” (differenza tra Sharpe in-sample e Sharpe dopo aver eliminato lo 0.1% dei contributi estremi) risulta molto predittiva: strategie dipendenti da pochi outlier si rivelano fragili. Allo stesso modo, il numero di operazioni matematiche necessarie per costruire il segnale è un indicatore di complessità artificiale.
Anno di pubblicazione: emerge come fattore trasversale: più recente è la scoperta, più probabile è che si tratti di un falso positivo o che venga rapidamente arbitrata.

Arbitraggio: holding period, liquidità (Amihud), capitalizzazione media e short leg market cap.
Overfitting: numero operazioni, campi COMPUSTAT, sensibilità a outlier, robustezza a sottocampioni, t-stat <3, span di quantili.
Anno di pubblicazione: fattore chiave, spiega il 30% della varianza del decadimento.

5. Risultati quantitativi

Le regressioni mostrano chiaramente la gerarchia delle spiegazioni:

Anno di pubblicazione: coefficiente altamente significativo (t-stat −5.06), R² ≈ 0.30.
Overfitting (sensibilità a outlier, complessità operativa): spiegano ~15% della varianza.
Arbitraggio: spiega solo 5–10% e perde significatività quando incluso insieme agli altri fattori.

Conclusione chiave: il decadimento non è principalmente dovuto all’efficienza dei mercati (arbitraggio), ma al fatto che molte strategie sono fragili per costruzione

Variabile	Effetto sul decadimento	R² univariato
Anno di pubblicazione	−5 ppt di Sharpe ogni anno	0.30
N° operazioni (complessità)	Negativo	0.11
Sensibilità a outlier	Negativo	0.14
Arbitraggio (liquidità/cap)	Negativo	0.05–0.10

Regressione combinata: R² ≈ 0.47, di cui anno + overfitting spiegano quasi tutto, mentre l’arbitraggio ha contributo marginale.

6. Implicazioni pratiche

Preferire semplicità: segnali lineari, stabili e poco sensibili a outlier.
Valutare la robustezza: test su mercati esteri, sottocampioni e dati recenti.
Applicare correzioni statistiche: Bonferroni, false discovery rate, shrinkage bayesiano.
Gestire capacità: stimare la scalabilità e la vulnerabilità a capitali arbitraggisti.

Per i gestori quantitativi:

Robustezza > performance: un fattore con Sharpe 1.0 ma stabile e semplice è più prezioso di uno con Sharpe 2.0 ottenuto con formule complesse.
Globalizzazione del capitale: anche strategie scoperte su mercati locali possono decadere rapidamente a livello globale (es. value e momentum dopo gli anni 2000).
Controlli metodologici: introdurre correzioni statistiche (Bonferroni, false discovery rate) o approcci bayesiani (Jensen et al., 2021) può ridurre il rischio di overfitting.

Per i ricercatori:

Il p-hacking è un problema concreto: l’uso di dataset ampi e test multipli richiede trasparenza metodologica.
L’adozione di replication packages (come Chen & Zimmerman, 2020) dovrebbe diventare standard.

7. Conclusioni

Le strategie sistematiche mostrano un decadimento medio del 25–50% dello Sharpe fuori dal campione. L’analisi suggerisce che overfitting e data mining sono cause principali, mentre l’arbitraggio post-pubblicazione ha un ruolo secondario. La lezione per investitori e ricercatori è di privilegiare robustezza metodologica e semplicità statistica.

8. Riferimenti

Falck, A., Rej, A., & Thesmar, D. (2021). Why and how systematic strategies decay.
McLean, R. D., & Pontiff, J. (2016). Does academic research destroy stock return predictability? Journal of Finance.
Hou, K., Xue, C., & Zhang, L. (2018). Replicating Anomalies. Review of Financial Studies.
Broderick, T., Giordano, R., & Meager, R. (2020). An Automatic Finite-Sample Robustness Metric.
Rej, A., Seager, P., & Bouchaud, J.-P. (2019). How should you discount your backtest PnL?.
Harvey, C. R., Liu, Y., & Zhu, H. (2015). … and the Cross-Section of Expected Returns. Review of Financial Studies.
Jensen, T., Kelly, B., & Pedersen, L. (2021). Is There a Replication Crisis in Finance?

Vuoi contenuti ancora più approfonditi?

Iscriviti alla nostra newsletter per ricevere:

Guide gratuite
Strategie avanzate di trading
Analisi di libri e paper scientifici

Bottom Up

Altri articoli

Blog

Effetto Trump sui trading systems

Trump, algoritmi e mercati: perché i trading system fanno sempre più fatica C’è una frase che gira da qualche anno tra trader e sviluppatori di sistemi quantitativi: “da quando è

13 Aprile 2026