Perché i rendimenti azionari possono essere prevedibili solo in brevi finestre

I rendimenti azionari possono essere prevedibili, ma solo in brevi finestre

Gli investitori hanno trascorso decenni alla ricerca di indicatori che prevedano in modo affidabile i rendimenti azionari. Rapporti di valutazione, tassi d’interesse, spread di credito, inflazione, volatilità di mercato e misure dell’attività economica hanno tutti mostrato potenzialità a un certo punto. La difficoltà è che un indicatore può apparire utile in un periodo e diventare inefficace nel successivo.

Un nuovo studio pubblicato nel Journal of Econometrics¹ sostiene che questa instabilità potrebbe essere una caratteristica determinante della prevedibilità del mercato piuttosto che un difetto nei dati. I rendimenti azionari potrebbero essere prevedibili, ma solo durante episodi temporanei generati da recessioni, shock finanziari, cambiamenti di politica o variazioni nel modo in cui gli investitori elaborano le informazioni.

I ricercatori hanno sviluppato procedure di monitoraggio statistico volte a rilevare questi episodi man mano che emergono. Il loro lavoro riformula la questione pratica. Invece di chiedersi se una variabile predice i rendimenti su un intero campione storico, gli investitori dovrebbero chiedersi se essa ha recentemente iniziato a contenere informazioni utili.

Perché i segnali di mercato permanenti sono così difficili da individuare

La ricerca predittiva tradizionale stima spesso una singola relazione su decenni di dati. Ad esempio, un analista potrebbe verificare se i rendimenti da dividendi predicono il premio azionario, cioè il rendimento che le azioni generano al di sopra di un’attività priva di rischio. Questo presuppone che la relazione rimanga sufficientemente stabile per tutto il campione.

I mercati raramente collaborano. Le politiche monetarie cambiano, le normative evolvono e le strategie ampiamente scoperte attraggono capitali. Un segnale può rafforzarsi durante una crisi e scomparire una volta che gli investitori lo riconoscono. Un modello a periodo intero può quindi diluire un episodio utile con molti anni in cui non esisteva alcuna relazione.

Ciò aiuta a spiegare perché le variabili finanziarie possono apparire statisticamente significative in uno studio e fallire in un altro. Il disaccordo non implica necessariamente che un risultato sia errato. Gli studi potrebbero aver esaminato regimi di mercato diversi.

La sfida si complica perché molti predittori comuni sono altamente persistenti. I rendimenti da dividendi, i rapporti book-to-market e le misure dei tassi d’interesse possono rimanere elevati o depressi per lunghi periodi. Possono inoltre muoversi in concomitanza con gli stessi shock che influenzano i rendimenti. I test statistici convenzionali possono confondere tali caratteristiche con potere predittivo.

Come il monitoraggio in tempo reale cambia il problema

Il documento propone di monitorare i dati in ingresso in modo sequenziale dopo aver stabilito un periodo di addestramento iniziale senza prevedibilità rilevata. L’approccio preferito utilizza un processo di somma cumulativa, o CUSUM, basato su condizioni di variabili strumentali IVX.

In termini più semplici, il sistema tiene traccia di se la relazione tra un indicatore candidato e i rendimenti successivi si sta allontanando sufficientemente dalla sua base storica da giustificare un segnale. È progettato per funzionare senza richiedere all’utente di sapere in anticipo se il predittore è debolmente persistente, vicino a una radice unitaria o intermedio tra questi casi.

Il quadro di monitoraggio affronta simultaneamente diversi problemi:

• Le relazioni predittive possono iniziare e terminare senza preavviso.
• I test ripetuti possono generare falsi allarmi anche quando non esiste alcun segnale.
• Le variazioni di volatilità possono far sì che i test ordinari rilevino relazioni non reali.
• I predittori possono essere persistenti e correlati a rendimenti di mercato inattesi.

La regolazione della volatilità è particolarmente importante. Un forte shock di mercato genera osservazioni più grandi, che possono spingere una statistica di monitoraggio oltre una soglia anche se la relazione predittiva sottostante non è cambiata. Questo è collegato al problema più ampio per cui gli indicatori familiari possono catturare solo una parte dell’ambiente di rischio, come discusso nell’esame di Securities.io su perché il VIX non cattura completamente il rischio del mercato azionario.

Cosa hanno scoperto le simulazioni

Gli autori hanno testato i loro metodi su mercati simulati con diversa persistenza dei predittori, percorsi di volatilità, relazioni di endogeneità e date di inizio degli episodi predittivi. Diverse procedure CUSUM proposte hanno mantenuto tassi di falsi positivi ragionevolmente controllati in molte di queste condizioni.

I metodi più robusti hanno generalmente rilevato la prevedibilità prima rispetto alle procedure a finestra mobile concorrenti, soprattutto quando il predittore era estremamente persistente. Questo è importante perché un segnale di breve durata perde valore pratico se un modello lo individua solo verso la fine dell’episodio.

Tuttavia, nessuna versione ha dominato in tutte le condizioni. Una procedura ha reagito particolarmente velocemente ma ha prodotto falsi positivi eccessivi dopo un aumento della volatilità. Un’altra è risultata più conservativa e più lenta. L’approccio CUSUM aggiustato per la varianza, preferito dal documento, ha offerto un equilibrio più utile tra velocità di rilevamento e controllo dei falsi allarmi.

Un modello che segnala troppo facilmente incoraggia una costosa rotazione e un eccesso di fiducia. Un modello prudente può riconoscere un regime solo dopo che gran parte dell’opportunità è già passata. I sistemi in tempo reale hanno quindi bisogno di una politica esplicita per scegliere tra segnali mancati e falsi allarmi.

Cosa è successo quando il modello ha osservato l’S&P 500

I ricercatori hanno condotto un esercizio pseudo‑in tempo reale usando dati mensili dell’S&P 500 e predittori candidati dal gennaio 1965 al dicembre 2024. I predittori comprendevano rapporti di valutazione, misure di volatilità, indicatori tecnici, rendimenti obbligazionari, variabili del mercato del credito, inflazione e attività economica.

I test su tutto il campione hanno trovato poche evidenze che la maggior parte delle variabili prevedesse i rendimenti in modo costante. Tuttavia le procedure di monitoraggio hanno identificato finestre distinte. Diversi indicatori obbligazionari e macroeconomici sono diventati informativi intorno alla crisi di mercato del 1973‑1975. Lo spread dei tassi ha mostrato contenuto predittivo nel periodo che ha preceduto il Black Monday. Altri segnali sono comparsi durante la crisi finanziaria globale, nel 2018 e nel 2022.

Questi risultati supportano un’interpretazione basata sui regimi. I rendimenti del credito, gli spread dei tassi, la liquidità, la valutazione e il margine di capacità economica possono essere più rilevanti quando il mercato sta ricalcolando il rischio. Non è necessario che prevedano i rendimenti in condizioni ordinarie per risultare utili nei periodi di stress.

L’intuizione più importante è la gestione del ciclo di vita del segnale

Il contributo più prezioso dello studio non è una lista di indicatori da negoziare, ma un quadro per gestire il ciclo di vita di un segnale di investimento.

Un modello di produzione dovrebbe avere una regola di attivazione, una regola di ritiro e un metodo per ricalibrare dopo un episodio rilevato. Questo è diverso dal costruire un modello di previsione una sola volta e presumere che i suoi coefficienti rimangano validi. Tratta la prevedibilità come uno stato di sistema in evoluzione.

Questa prospettiva suggerisce inoltre che la volatilità svolge due ruoli. Può contenere informazioni sui rendimenti attesi, ma può anche compromettere il test statistico usato per rilevare tali informazioni. La ricerca coperta da Securities.io ha riscontrato in modo analogo che i rendimenti giornalieri possono rimanere utili per la previsione della volatilità anche quando sono disponibili set di dati ad alta frequenza. Più dati non risolvono automaticamente l’instabilità del modello se le relazioni all’interno di quei dati continuano a cambiare.

Per i team di investimento, il passo logico successivo sarebbe un sistema a strati. Un modello monitorerebbe se un predittore candidato è entrato in un regime attivo. Un livello di previsione separato stimerebbe la direzione e l’entità dei rendimenti attesi. La costruzione del portafoglio terrebbe quindi conto dei costi di negoziazione, delle perdite massime, della liquidità e dei limiti di posizione.

Questa separazione è essenziale perché la prevedibilità statistica non è la stessa cosa di una strategia redditizia. Lo studio non calcola i rendimenti del portafoglio, i costi di implementazione, le tasse o la performance aggiustata per il rischio. Il suo esercizio storico è pseudo‑in tempo reale piuttosto che una distribuzione live. Affermazioni secondo cui il metodo possa battere il mercato andrebbero oltre le evidenze disponibili.

Investire nello strato di intelligenza finanziaria

Lo studio indica una crescente domanda di dati finanziari più puliti, analisi adattive e strumenti capaci di riconoscere i cambiamenti di regime. Un’azienda posizionata in quell’infrastruttura è S&P Global. .

S&P Global opera nei settori dei benchmark, delle valutazioni, dell’intelligence sulle materie prime e dei dati di mercato. La sua divisione Market Intelligence fornisce molti dei set di dati e dei flussi di lavoro analitici che le istituzioni usano per studiare aziende, condizioni di credito e comportamento di mercato. L’azienda ha inoltre ampliato le proprie capacità di IA tramite Kensho, includendo strumenti progettati per collegare registri societari complessi e rendere i set di dati finanziari più facili da interpretare per le macchine. Nel 2026, S&P Global ha descritto una versione ampliata di Kensho Link con una copertura più ampia delle entità e un riconoscimento migliorato delle strutture societarie complesse.

Ciò non implica che S&P Global possieda o commercializzi il metodo di monitoraggio descritto nello studio. Il collegamento con gli investimenti è più ampio: i modelli finanziari adattivi dipendono da dati estesi, standardizzati e tempestivi. Man mano che i sistemi quantitativi diventano più reattivi ai regimi di mercato, la qualità dei dati e l’integrazione diventano parte del vantaggio competitivo.

Il recente profilo di Securities.io su MSCI e l’infrastruttura che sostiene i mercati finanziari evidenzia la stessa tendenza di base. I fornitori di indici operano sempre più come società di dati e analisi piuttosto che semplici editori di elenchi di benchmark.

La prevedibilità del mercato è un bersaglio mobile

Il documento non risolve il dibattito sull’efficienza del mercato, ma offre un modo più realistico di inquadrarlo. I mercati possono essere generalmente difficili da prevedere, pur generando brevi periodi in cui gli indicatori economici e finanziari diventano insolitamente informativi.

Per gli investitori, l’implicazione non è quella di inseguire ogni nuova variabile significativa. Si tratta di considerare i segnali come condizionali, monitorarne la stabilità e riconoscere che una relazione scoperta durante una crisi potrebbe non sopravvivere alla successiva espansione. Il vantaggio durevole potrebbe riguardare meno la ricerca di una formula di previsione permanente e più la capacità di individuare quando le regole del mercato cambiano temporaneamente.

Riferimenti:

¹ Demetrescu, M., Schmidt, F., & Taylor, A. M. R. (2026). Monitoraggio in tempo reale della prevedibilità dei rendimenti azionari in ambienti di volatilità non stazionaria. Journal of Econometrics, 258, 106341. https://doi.org/10.1016/j.jeconom.2026.106341