Non ci limitiamo a presentare formule: descriviamo il percorso che porta dalle ipotesi ai risultati, con particolare attenzione alle scelte sui dati e alla fragilità delle conclusioni.
Partiamo sempre da domande chiare e da ipotesi esplicite, evitando di adattare retrospettivamente le spiegazioni ai risultati osservati. Quando un fattore sembra funzionare troppo bene, è proprio il momento in cui ci fermiamo a controllare definizioni, dati e assunzioni, invece di correre alle conclusioni.
Nell’interpretare i risultati, ricordiamo costantemente che i fattori di asset pricing sono strumenti descrittivi, non scorciatoie operative. Evidenziamo i margini di incertezza, i rischi di data mining e la possibilità che andamenti futuri divergano in modo sostanziale da quanto osservato in passato. Past performance doesn't guarantee future results.
Ipotesi economiche formulate in modo chiaro e discutibile.
Scelta motivata delle variabili osservabili da utilizzare.
Individuazione delle aree di fragilità dei dati.
Con i dati pronti, impostiamo il modello multifattoriale, scegliendo la specifica più adatta alla domanda iniziale e discutendo le ipotesi implicite. Presentiamo le regressioni, i coefficienti e le misure di adattamento, ma soprattutto analizziamo quanto siano stabili al variare del periodo, quali fattori risultano ridondanti e dove emergono segnali di possibili problemi statistici, come multicollinearità o overfitting.
Modelli impostati in coerenza con le domande iniziali.
Infine, sottoponiamo il modello a test di robustezza, confrontandone il comportamento su periodi diversi, in contesti di stress e con varianti di definizione del fattore. Osserviamo come cambiano i risultati, quali conclusioni restano plausibili e quali invece si rivelano eccessivamente dipendenti da scelte specifiche. Chiudiamo la fase traducendo numeri e tabelle in una narrazione equilibrata, che includa esplicitamente limiti, incertezze e possibili letture alternative.
Ogni modello multifattoriale poggia su ipotesi spesso più forti di quanto appaia a prima vista: linearità, stabilità delle relazioni, qualità dei dati, assenza di errori sistematici. La nostra filosofia è rendere visibili queste ipotesi, in modo che chi legge possa decidere consapevolmente quanto considerarle accettabili e in quali condizioni potrebbero smettere di esserlo, soprattutto in presenza di cambiamenti strutturali.
Quando incontriamo un’anomalia che sembra molto promettente, il primo istinto non è celebrarla ma metterla alla prova: cambiare periodo di osservazione, variare la definizione, verificare quanto resista a semplici modifiche. Adottiamo una filosofia di scetticismo costruttivo, in cui ogni risultato è un invito a test aggiuntivi e non la fine del percorso.
Siamo convinti che il linguaggio utilizzato per descrivere fattori e modelli sia parte integrante della responsabilità di chi li presenta. Evitiamo formule che possano suggerire automatismi o certezze, preferendo espressioni che lascino spazio all’incertezza e invitino a considerare la necessità di valutazioni personalizzate da parte di professionisti qualificati.
Infine, riteniamo importante ricordare che i fattori non esauriscono la complessità del mondo reale: aspetti qualitativi, vincoli regolamentari, costi operativi e semplici imprevisti non entrano facilmente in una regressione. La nostra filosofia è integrare sempre i risultati dei modelli in un quadro più ampio, in cui il giudizio umano mantiene un ruolo centrale.
Come possiamo prendere modelli sui fattori di asset pricing nati in contesti accademici e portarli in un quadro di analisi più vicino alla pratica, senza perdere rigore né creare illusioni eccessive?
Il punto di partenza della nostra metodologia è sempre una domanda economica, non una formula. Prima di parlare di value, size, momentum o qualità, cerchiamo di chiarire quale comportamento o caratteristica stiamo provando a descrivere e perché potrebbe essere rilevante in un certo contesto. Solo dopo traduciamo questa intuizione in variabili osservabili, discutendo in modo esplicito le scelte necessarie: soglie, frequenze di aggiornamento, criteri di esclusione. In questa fase accettiamo che definizioni diverse producano risultati diversi, e lo consideriamo un dato da documentare, non un difetto da nascondere.
La progettazione dei nostri contenuti è guidata da principi che privilegiano rigore, trasparenza e rispetto dei limiti normativi e pratici dei modelli di asset pricing.
Ogni sezione è costruita a partire da riferimenti riconosciuti nella letteratura sui fattori di asset pricing, che utilizziamo come base per discussioni più ampie su ipotesi, dati e limiti, evitando di presentare idee isolate da contesti teorici consolidati.
Diamo spazio non solo ai risultati che sembrano funzionare, ma anche a quelli che deludono le aspettative, perché riteniamo che la comprensione passi anche attraverso la consapevolezza dei fallimenti apparenti dei modelli.
Incoraggiamo un atteggiamento curioso ma prudente verso i fattori, invitando a considerarli come uno degli strumenti possibili per analizzare i dati, non come soluzioni esaustive o miracolose ai problemi complessi della realtà.
I fattori di asset pricing non sono scorciatoie verso decisioni semplici, ma strumenti per porre domande migliori; se li trattiamo come verità definitive, perdiamo proprio ciò che hanno di più utile, cioè la capacità di mostrarci dove il modello inizia a scricchiolare.
Ogni modello multifattoriale vive o muore sulla qualità dei dati: se non sappiamo esattamente cosa è stato incluso, escluso o trasformato, il rischio è di innamorarsi di risultati che in realtà dipendono da dettagli tecnici nascosti.
Quando un’anomalia sembra perfetta, il passo successivo non dovrebbe essere celebrarla, ma chiedersi quanti filtri sono stati applicati ai dati per farla apparire così pulita e quanto resisterà a semplici variazioni del campione.
Raccontare i modelli multifattoriali solo attraverso formule significa rinunciare a spiegare dove finiscono i numeri e dove inizia il giudizio umano, che rimane indispensabile per dare senso alle relazioni osservate.
La vera robustezza di un fattore non si misura solo sulla performance storica, ma sulla capacità di resistere a domande ostinate, test ripetuti e cambiamenti di prospettiva nei dati utilizzati.
Se riusciamo a spiegare un modello di asset pricing avanzato senza perdere il lettore, significa che lo abbiamo compreso abbastanza da riconoscerne anche i punti deboli, non solo quelli che ci fanno comodo mostrare.