Ottimizzazione dinamica del portafoglio: Un confronto quantitativo tra strategie di portafoglio

Questa tesi esplora il problema dell'ottimizzazione dinamica del portafoglio attraverso un approccio quantitativo e data-driven. L'obiettivo è quello di confrontare diverse strategie di asset allocation sulla base della loro performance empirica, utilizzando un insieme diversificato di strumenti finanziari e implementando l'analisi in Python. Lo studio inizia con una revisione della teoria classica del portafoglio, concentrandosi sull'ottimizzazione della media-varianza come quadro fondamentale. Introduce poi una prospettiva di serie temporali applicando strumenti statistici per valutare le proprietà dei rendimenti degli asset, come la stazionarietà, l'autocorrelazione e le interdipendenze tra le variabili. Un modello VAR (Vector Autoregressive) viene utilizzato per analizzare le relazioni dinamiche tra gli asset, seguito da test di causalità di Granger per identificare e selezionare le componenti più influenti del portafoglio. Ciò consente di costruire due portafogli distinti: uno basato sull'intero insieme di asset disponibili e un altro basato su un insieme ridotto derivato dall'inferenza causale. Le due strategie vengono valutate e confrontate utilizzando indicatori di rischio e di performance standard, con l'obiettivo di valutarne l'efficacia e la solidità. La tesi si conclude con una discussione dei risultati e con suggerimenti per possibili estensioni nel lavoro futuro.

This thesis explores the problem of dynamic portfolio optimization through a quantitative and data-driven approach. The objective is to compare different asset allocation strategies based on their empirical performance, using a diversified set of financial instruments and implementing the analysis in Python. The study begins with a review of classical portfolio theory, focusing on mean-variance optimization as a foundational framework. It then introduces a time series perspective by applying statistical tools to evaluate the properties of asset returns, such as stationarity, autocorrelation, and interdependencies between variables. A Vector Autoregressive (VAR) model is used to analyze the dynamic relationships among assets, followed by Granger causality tests to identify and select the most influential components of the portfolio. This allows for the construction of two distinct portfolios: one based on the full set of available assets, and another based on a reduced set derived from causal inference. The two strategies are evaluated and compared using standard risk and performance indicators, with the aim of assessing their effectiveness and robustness. The thesis concludes with a discussion of the results and suggestions for possible extensions in future work.