Città notturna con sovrapposizione di grafici finanziari

La nostra iniziativa sui fattori

Uno spazio dedicato a chi vuole esplorare modelli multifattoriali con rigore, curiosità e una sana dose di scetticismo.

Come possiamo parlare di fattori di asset pricing avanzati senza cadere nello slogan o nel mito del modello perfetto? Su Mavelithos proviamo a farlo partendo dai dati, dalle ipotesi economiche e da una discussione trasparente di ciò che funziona, di ciò che sembra funzionare e di ciò che probabilmente è solo rumore.

Chi siamo e perché studiamo i fattori

Un gruppo di analisti ossessionati dai dettagli dei fattori
Team di analisi fattoriale riunito davanti a grafici

Perché alcune anomalie di mercato sembrano durare più del previsto e cosa possiamo davvero imparare dai dati storici? A questa domanda abbiamo iniziato a rispondere anni fa, lavorando tra ricerca accademica e analisi quantitativa applicata, costruendo modelli multifattoriali che provano a spiegare rendimenti e rischi in modo strutturato, ma sempre con cautela.

Nel nostro percorso abbiamo contribuito a progetti di ricerca su fattori come value, qualità e bassa volatilità, collaborando con team che si occupano di modellizzare segnali sistematici e di verificarne la robustezza nel tempo. Da queste esperienze è nata l’idea di raccogliere, in un unico spazio, un quadro chiaro e onesto su cosa possono offrire i modelli di asset pricing avanzati, e soprattutto su dove iniziano i loro limiti pratici.

Oggi ci dedichiamo a rendere più accessibili concetti come regressioni cross-section, esposizioni fattoriali, decomposizione del rischio e validazione fuori campione, senza promettere scorciatoie. Vogliamo aiutare chi si avvicina a questi temi a leggere i dati con occhio critico, a confrontare risultati e a riconoscere quando un effetto potrebbe essere il frutto del caso. Tutto ciò con un linguaggio il più possibile concreto, rispettoso delle normative e distante da promesse irrealistiche.

Un team tra numeri, parole e domande scomode

  1. 01 Responsabile contenuti fattoriali
    Luca Ferri, analista quantitativo senior

    Luca Ferri, analista quantitativo senior

    Si occupa da anni di modelli di asset pricing multifattoriali, con particolare attenzione alla traduzione di articoli accademici in procedure operative replicabili. Coordina la struttura dei contenuti, seleziona i casi di studio e insiste nel ricordarci che ogni regressione è solo un pezzo della storia, non la verità definitiva.

  2. 02 Responsabile dati e infrastruttura
    Giulia Conti, data engineer specializzata

    Giulia Conti, data engineer specializzata

    Ha una formazione ibrida tra statistica e ingegneria dei dati, e si dedica a costruire pipeline pulite per serie storiche, fattori derivati e backtest riproducibili. Si occupa della qualità dei dataset, della documentazione delle trasformazioni e di mostrare apertamente dove i dati sono fragili o incompleti.
  3. 03 Curatrice del linguaggio e della chiarezza
    Elena Rizzi, comunicazione quantitativa

    Elena Rizzi, comunicazione quantitativa

    Arriva da un percorso in comunicazione scientifica e ha il compito di trasformare formule e matrici in spiegazioni leggibili, senza semplificare in modo fuorviante. Cura la struttura narrativa, gli esempi intuitivi e le note metodologiche che ricordano come nessun modello possa sostituire il giudizio critico umano.

Le tappe principali del nostro percorso

Le tappe principali del nostro percorso

    01
    2018

    Prime esplorazioni su fattori e anomalie

    Prendendo spunto dalla letteratura sui fattori di rischio sistematici, iniziamo a raccogliere casi reali in cui i modelli spiegano solo in parte i movimenti osservati, mettendo a confronto risultati teorici e dati concreti per capire dove i due mondi divergono in modo significativo.

    02
    2020

    Costruzione del primo framework condiviso

    Dopo vari esperimenti, definiamo una struttura di lavoro comune per analizzare fattori value, size, momentum, qualità e bassa volatilità, dalla definizione delle metriche fino ai test fuori campione, documentando passo dopo passo scelte, esclusioni e dubbi metodologici.

    03
    2023

    Nascita della piattaforma Mavelithos

    Decidiamo di organizzare le nostre note in un percorso coerente, con esempi guidati su regressioni cross-section, stime di esposizione fattoriale e decomposizioni del rischio, così da rendere più lineare la navigazione tra concetti, formule e applicazioni pratiche possibili.

    04
    2026

    Revisione metodologica aggiornata

    Aggiorniamo l’impianto ai contributi più recenti sui fattori di asset pricing, integriamo discussioni su nuovi segnali proposti in letteratura e introduciamo sezioni dedicate alle criticità: instabilità temporale, data mining, costi di implementazione e possibili distorsioni di selezione.

Riconoscimenti e attività

Nel tempo abbiamo condiviso il nostro lavoro su fattori di asset pricing in conferenze, riviste specialistiche, workshop tecnici e tavole rotonde con ricercatori e professionisti, sempre con l’obiettivo di discutere apertamente metodi, assunzioni e limiti empirici.

Convegni
Pubblicazioni
Seminari
Progetti
Presentazioni Workshop
Ricerca
Revisione Idee
Collaborazioni
Articoli
Dataset

I nostri valori

Parlare di fattori di asset pricing significa maneggiare numeri che possono influenzare decisioni delicate, per questo mettiamo al centro etica, trasparenza e chiarezza sui limiti dei modelli.

$ Integrità dei dati

Trattiamo ogni dataset come un oggetto delicato, documentando origine, pulizia, trasformazioni e possibili distorsioni. Preferiamo ammettere quando un campione è debole o poco rappresentativo piuttosto che dare un’apparenza di precisione che non esiste nei numeri di partenza.

$ Onestà intellettuale
Quando discutiamo un fattore o un’anomalia, dichiariamo esplicitamente ipotesi, orizzonti temporali e condizioni di mercato osservate, evitando di estendere le conclusioni oltre ciò che i dati possono ragionevolmente suggerire, soprattutto in presenza di risultati apparentemente molto convincenti.
$ Umiltà sui modelli
Mostriamo non solo gli esempi in cui un modello sembra funzionare, ma anche quelli in cui fatica a spiegare i risultati osservati, invitando a considerare scenari alternativi, variabili mancanti e semplici errori di interpretazione che possono emergere in analisi complesse.
$ Responsabilità comunicativa

Evitiamo linguaggi promozionali e ci atteniamo a descrizioni neutrali, ricordando che i contenuti hanno natura informativa e non sostituiscono analisi personalizzate né consigli specifici, e che risultati passati non rappresentano indicazioni affidabili per il futuro.

$ Uso responsabile dei fattori

Incoraggiamo un uso critico dei fattori, come strumenti da integrare in un quadro decisionale più ampio, che tenga conto di vincoli reali, preferenze individuali, costi operativi e del semplice fatto che i mercati cambiano, spesso in modi difficili da catturare con una formula.