OTTOBRE 2019 Scienza quantitativa - un contributo attivo ...

Scienza quantitativa - un contributo attivo per integrare le strategie obbligazionarie

OTTOBRE 2019

FRANKLIN TEMPLETON THINKSTM MERCATI OBBLIGAZIONARI

Scienza quantitativa - un contributo attivo per integrare le strategie obbligazionarie2

Trend quantitativi negli inve-stimenti obbligazionariNegli ultimi anni gli investimenti nei mercati obbligazionari hanno attraversato una grande trasformazione. Anzitutto, l’investimento fattoriale originariamente reso popolare da fornitori di indici come MSCI e diffuso nei portafogli azionari si sta ora espandendo nell’universo obbliga-zionario.1 Queste strategie di investimento quantitativo (“quant”), talvolta note come “smart beta” o “investimenti sistematici”, cercano di generare rendimenti attivi attraverso fattori basati su regole (per esempio, value, momentum e quality) che identificano catalizzatori quantificabili stabili di extra-rendimento. Questi approcci di tipo quantitativo apparten-gono a una nuova categoria di investimenti (come illustrato nella Figura 1) che in teoria si collocano a metà strada fra le strategie indicizzate

passive che offrono beta di mercato e i gestori attivi che generano “alfa” (cioè, extra-rendimenti non giustificati dal tasso di rendimento medio del mercato, o “beta”).2

I metodi di investimento fattoriale possono essere relativamente nuovi. Da decenni, tuttavia, figure della letteratura accademica come Eugene Fama e Kenneth French, che hanno spiegato gli extra-rendimenti dei mercati azionari, e Barr Rosenburg, pioniere nell’analisi del fattore di rischio, studiano i meccanismi sottostanti alla determinazione dei prezzi azionari. Il vero cambiamento epocale è giunto quando le vetrine di prodotti indicizzati e i gestori quantita-tivi hanno sviluppato metodi trasparenti per misurare e cogliere questi fattori. Improvvisamente, i fondi quantitativi sono riusciti a sovraperformare il mercato con modalità che i gestori attivi

vendevano come una loro esclusiva. A scanso di equivoci, l’investimento fattoriale non identifica le anomalie di prezzo idiosincratiche (cioè, l’alfa), ma ha comunque iniziato a erodere gli spazi dei gestori attivi. Perché scomodare un esercito di analisti obbligazionari che si rompono la testa sui bilanci, quando i programmi quantitativi possono riuscire a ottenere gli stessi risultati con un approccio fattoriale?

L’arrivo delle strategie obbligazionarie fattoriali ha innescato intensi scambi fra i gestori obbligazionari quantitativi e attivi. A fare notizia è stata la dichiara-zione espressa da analisti quantitativi, che in un libro bianco hanno accusato la maggior parte dei gestori obbligazio-nari attivi di essere poco efficaci nel generare vero alfa. Tutti gli extra-rendi-menti, hanno sostenuto, sono riconducibili a un’esposizione “passiva”

In questo numero

Gli investimenti obbligazionari hanno vissuto un cambiamento radicale nell’ultimo decennio. Disfandosi di alcune idee obsolete sulla gestione attiva e adottando nuove tecnologie e tecniche quan-titative, crediamo che alcuni gestori possano sviluppare meglio una visione unica e generare extra-rendimenti per i clienti.

Diverse case d’investimento, tuttavia, hanno inteso questa trasformazione come una scelta binaria, ossia contrapponendo approcci quantitativi aperti e gestori attivi “tradizionali” poco attuali, che continuano a seguire alla lettera le leggi economiche fondamentali dei mercati finanziari. Riteniamo che questa diatriba fra visione quantitativa e visione attiva costruisca una falsa dicotomia. In questo documento spieghiamo in che modo il nostro approccio attivo alle analisi quan-titative distingue il nostro processo d’investimento “quantitativo attivo”.

Elementi chiave da ricordare•Partiamo spiegando le origini dell’investimento

fattoriale e la nascita delle tecniche di apprendi-mento automatico che stanno rivoluzionando lo scenario della gestione di portafogli obbligazionari.

•Analizziamo le ricerche macroeconomiche top-down e spieghiamo come ci serviamo degli algoritmi dell’apprendimento automatico per dare oggettività e disciplina al processo di previsione dei prezzi degli asset in tutto l’universo obbliga-zionario multi-settoriale.

•Esploriamo il processo bottom-up di selezione titoli, raffrontando metodi fattoriali che colgono i catalizzatori quantificabili stabili di extra-rendi-menti con l’analisi tradizionale della garanzia del credito. Spieghiamo perché la ricerca approfon-dita sul credito rimane fondamentale nel processo di valutazione dei premi di rischio (ossia, rendimenti attesi addizionali rispetto al tasso privo di rischio).

Obbligazioni quantitative attive

3Scienza quantitativa - un contributo attivo per integrare le strategie obbligazionarie

ai rischi del credito corporate.3 Di rimando, un peso massimo dell’universo obbligazionario attivo ha replicato con una sua ricerca, che argomenta in grande dettaglio perché tale accusa non è che una sciocchezza.4 Un’abile sele-zione titoli compiuta da analisti obbligazionari di grande esperienza è ancora importante.

L’investimento fattoriale, tuttavia, non rappresenta l’unico trend quantitativo che anima l’universo obbligazionario. Fra i gestori attivi e gli hedge fund, che si prefiggono la missione primaria della creazione di alfa, il boom dei big data e degli algoritmi di apprendimento auto-matico ha introdotto un nuovo paradigma d’investimento che qualcuno chiama la “Quarta rivoluzione indu-striale”.5 Se le macchine possono guidare le auto e tradurre il linguaggio umano, allora gli algoritmi sono certa-mente in grado di identificare i segnali di mercato e le opportunità d’investi-mento che potrebbero sfuggire ai gestori attivi tradizionali. In questo scenario che contrappone la macchina all’uomo, alcuni hedge fund vantano ora la capa-cità della scienza dei dati e dei modelli

di apprendimento automatico di sbloc-care il vero alfa e di gestire efficacemente i rischi.6

È utile chiarire da subito che, a nostro parere, questa diatriba fra visione quanti-tativa e visione attiva e fra macchina e uomo costruisce una falsa dicotomia. Guardando ai fatti, molte strategie fatto-riali obbligazionarie e molti hedge fund quantitativi si avvalgono del contributo di un nutrito elenco di economisti, gestori di portafoglio e trader di stampo classico, tutti saldamente ancorati alle leggi fonda-mentali dell’economia. Gli algoritmi di apprendimento automatico non possono sostituirsi del tutto all’intuito umano. Crediamo che modelli sofisticati che non si avvalgono di professionisti preparati con competenze finanziarie specialistiche possono portare a formule errate. Gli analisti obbligazionari fondamentali forni-scono ancora preziose analisi che le equazioni fattoriali trascurano e non colgono. Un approccio puramente quanti-tativo (che in definitiva pensiamo non esista) non si addice a mercati dei capitali altamente dinamici e all’incessante corsa dell’economia verso la massimizzazione del profitto.7

I fattori non sono infallibili Perché, allora, nei lanci commerciali alcuni gestori fattoriali evitano gli “approcci d’investimento attivi”? Non è chiaro, soprattutto alla luce delle recenti prove della fallibilità delle soluzioni basate esclusivamente su fattori. Esempio emblematico: nel 2019 le strategie azio-narie fattoriali stanno patendo risultati “terribili”, ha confessato schiettamente un pioniere quantitativo alla conferenza annuale dei fondi comuni di Morningstar (questo gestore ribadisce la sua fede immutabile nell’investimento fattoriale).8

Quali ragioni sono alla base della pessima performance? Fra le rotazioni di fine ciclo del 2019, fattori azionari come value e momentum, che tipica-mente seguono direzioni opposte, hanno iniziato a muoversi all’unisono. I gestori quantitativi sono da tempo coscienti della sensibilità dei fattori sistematici alle forze macroeconomiche; singolarmente presi, essi possono sovra-performare per lunghi periodi di tempo. In linea teorica, la costruzione di stra-tegie multifattoriali non correlate ha alleviato questo problema. Queste stra-tegie fattoriali diversificate sembravano funzionare, finché non hanno dimostrato il contrario. Gli azionisti preoccupati sono stati invitati a mantenere la calma e aspettare; questo contesto di incer-tezza avrà vita breve.

Alcuni gestori (noi inclusi) attribuiscono parte della responsabilità alle esposizioni multifattoriali statiche. Le esposizioni fattoriali dovrebbero fluttuare dinamica-mente in risposta al mutamento delle forze macroeconomiche come il tasso di disoccupazione o la qualità creditizia generale dei mercati del debito corporate. Altri lamentano con forza che questo cattivo risultato dimostra come un’effi-cace selezione titoli vinca sulla logica fattoriale. Noi suggeriamo una terza via: perché non ricavare una visione unica sia dagli approcci attivi tradizionali che da quelli fattoriali?

Gli esperti di dati utilizzano il termine “metodi ensemble” per descrivere questo processo che unisce diverse

INVESTIMENTO FATTORIALE

INVESTIMENTO PASSIVO GESTIONE ATTIVA

I DATI QUANTITATIVI ENTRANO NEI RENDIMENTI DELLE GESTIONI ATTIVEFigura 1: I fattori si collocano fra il beta e l’alfa

Rendimenti di mercato (beta)

Anomalie dei prezzi basate su regole

Rendimenti attivi

Anomalie di prezzo

idiosincratiche (alfa)

Fattori basati su regole (per es., value, momentum, quality)

offrono extra-rendimenti durevoli sostenuti da differenze comportamentali fra gli attori di mercato e/o impedimenti

strutturali di mercato.

I gestori esperti catturano i rendimenti addizionali

rispetto alla media di mercato e ai rendimenti fattoriali (alfa)

attraverso il market timing macroeconomico top-down, la

selezione geogra�ca, la rotazione settoriale e la selezione bottom-up.

Fonte: Franklin Templeton, a puro titolo illustrativo.


analisi da vari algoritmi al fine di miglio-rare l’accuratezza previsionale. L’accostamento fra strategie attive fondamentali e prospettive quantitative prende anche il nome di “pensiero orto-gonale”, un termine utilizzato dalla scienza per descrivere un processo che identifica analisi esclusive elaborando prospettive apparentemente non corre-late. Questo processo ortogonale è stato cruciale, per esempio, nella scoperta del codice genetico umano quando i fisici si sono spostati nel campo della biologia.

L’apprendimento automatico risolve? Se le strategie fattoriali non rappresen-tano soluzioni infallibili, l’apprendimento automatico offre un modo migliore di generare alfa? I media ci raccontano che nei poli tecnologici come quelli di Silicon Valley e New York negli Stati Uniti e di Tel Aviv in Israele gli algoritmi stanno raggiungendo risultati insperati. Oggi le macchine possiedono una visione artificiale, confezionano alimen-tari nei magazzini, guidano auto, calcolano l’affidabilità creditizia di una persona o addirittura prevedono quale candidato voteremo alle elezioni.

In alcuni ambiti, le macchine hanno davvero una marcia in più. Chi o cos’altro se non una macchina può rico-noscere dei gatti in una pila di 20 milioni di immagini, con un tasso di accuratezza del 95% e in meno di cinque minuti?9 In altri campi, l’essere umano continua a dominare. Pensiamo a un pendolare che riesce a guidare la sua auto nel traffico dell’ora di punta intrattenendo una conversazione (una cosa che i computer non sanno fare) e in presenza di un neonato che piange sul sedile posteriore. Allo stesso modo, le auto a guida autonoma continuano a urtare oggetti stazionari e possono perdere l’orientamento nella pioggia.

Auto a parte, chiediamoci ora: come fanno gli algoritmi a orientarsi su mercati finanziari di straordinaria complessità e dinamismo che sono subissati da segnali e disturbi? Sembra che gli algoritmi fatichino a eseguire compiti elementari nell’ambiente ricco di disturbi della finanza, dove i segnali sono deboli e spesso transitori. Gli

scienziati definiscono questi ambienti come a basso rapporto segnale/rumore.

Ci sono però buone notizie. Una ricerca di recente pubblicazione mostra che gli algoritmi possono essere molto efficaci se abbinati ad abili professionisti dell’in-vestimento (economisti e gestori di portafoglio).10 Da sole, invece, le macchine faticano a prevedere le complesse reazioni umane dei politici e delle banche centrali che possono portare a mutare i regimi di mercato. Tuttavia, muovendosi nel campo delle ipotesi di un economista, gli algoritmi possono prevedere i rendimenti attesi con un’apprezzatissima precisione, molto meglio dei metodi statistici tradi-zionali ancora segnati da grande approssimazione ed errori di stima.

Guidare attivamente le analisi quantitative Per ragionare di futuro degli investimenti obbligazionari, pensiamo si debba supe-rare lo stallo che contrappone approccio attivo e quantitativo. Idealmente, il processo d’investimento parte da due dimensioni familiari: la ricerca macroeco-nomica top-down e l’analisi fondamentale bottom-up dei titoli.

Il motivo di questa divisione è

relativamente semplice: la performance di quasi tutti i titoli obbligazionari (ad esclusione dei titoli di Stato) è influen-zata da un mix unico di fondamentali macroeconomici, come l’inflazione e le fasi del ciclo creditizio, e dalle anomalie di prezzo bottom-up legate ai singoli emittenti creditizi. Le competenze di un economista qualificato sono diverse da quelle di un analista obbligazionario specializzato nella microeconomia di un dato settore. Entrambi i punti di vista sono necessari a cogliere gli extra-rendi-menti, come mostra la Figura 2.

Per generare alfa sono inoltre necessarie due dimensioni aggiuntive, la prospettiva fondamentale attiva e la scienza quantita-tiva, come illustrato sempre nella Figura 2. La selezione titoli basata su fattori e le tecniche di apprendimento automatico apportano nuove competenze e contributi originali negli investimenti obbligazionari. La combinazione di analisi attive e quanti-tative, però, non mira a frullarne gli ingredienti in un portafoglio alla stregua di robot da cucina.

In alcuni casi, le tecniche quantitative possono affinare le analisi fondamentali aumentandone l’efficacia. Altre volte, possono mettere in discussione le ipotesi prodotte dagli analisti obbligazio-nario e dai gestori di portafoglio di tipo

LA COMBINAZIONE DI VALUTAZIONI ATTIVE E QUANTITATIVEFigura 2: I portafogli modello integrano le idee attraverso quattro dimensioni


PORTAFOGLIO MODELLO

FONDAMENTALE ATTIVO

Ricerca settoriale

Trader esperti

Analisi del credito

SCIENZA QUANTITATIVA

Apprendimento automatico

Modellazione statistica

Selezione basata sui fattori

FONDAMENTALI MACROECONOMICI

TOP-DOWN

UNIVERSO OBBLIGAZIONARIO A REDDITO FISSO

BOTTOM-UP


fondamentale. Confrontandosi, le valu-tazioni quantitative possono portare gli analisti fondamentali a conclusioni diverse o a riconfermare le loro ipotesi iniziali al termine di un sano dibattito e di un approfondimento maggiore.

Nella nostra esperienza, i metodi quanti-tativi risultano essere in definitiva i più efficaci se combinati con le analisi umane “tradizionali” basate sulle discipline acca-demiche della macroeconomia e dell’analisi titoli fondamentale. Sì, le macchina offrono quella precisione tanto necessaria nelle stime dei prezzi degli asset, ma abbiamo ancora bisogno delle conoscenze specialistiche umane per dare

un senso alla complessità del mercato. Le macchine non riescono a cogliere i punti di svolta del ciclo economico o anticipare situazioni di affollamento dei trader orien-tati al profitto.

Nella prossima sezione, esploriamo la ricerca macroeconomica top-down e la selezione titoli bottom-up, come mostra la Figura 3. Sul piano top-down, discu-tiamo il processo di trasformazione della ricerca macroeconomica in precise stime di rendimento attraverso algoritmi. Attraverso di esse, forniamo valutazioni macroeconomiche ai team settoriali che parlano lingue diverse. Sul piano

bottom-up, raffrontiamo le analisi fatto-riali con quelle creditizie fondamentali. Benché i fattori offrano precisione su un ampio ventaglio di titoli, un’approfondita ricerca creditizia rimane cruciale per valutare i premi di rischio.

CONTRIBUIRE CON QUATTRO DIMENSIONI AL PROCESSO DI GENERAZIONE DI ALFAFigura 3: Il processo di investimento quantitativo attivo di Franklin Templeton

• Trader esperti

Fondamentali macroeconomici

Previsione delle incertezze •Analisi di vicinanza •

• Serie di opportunità• Limiti• Obiettivo di rendimento

Previsioni macroeconomiche •Apprendimento automatico •Distribuzione dello spread •

Limiti di portafoglio •Parametri di rischio •

Selezione dei fattori •Apprendimento automatico •

TOP-DOWN

Ricercasettoriale fondamentale

Riconciliazionedelle valutazioni

settoriali

Modellizzazionedel regime degli spread

Extra-rendimenti attesi

Parametri specifici della strategia

Analisi di sensibilità

BOTTOM-UP

Fasce di allocazione

Sistema di trading quantitativo attivo

Universo di titoli obbligazionari investibili

Ricerca fondamentale sul credito

Riconciliazione settoriale/dei titoli

Classificazioni creditizie quantitative


PORTAFOGLIO MODELLO FONDAMENTALE ATTIVOSCIENZA QUANTITATIVA


Strategie quantitative attive top-downAncorate alla macroeconomiaSviluppare prospettive macroeconomiche ben informate è cruciale per cogliere il signi-ficato di quello che la finanza accademica chiama i “premi al rischio” (ossia, i rendi-menti attesi addizionali rispetto al tasso privo di rischio). Questo tipo di ricerca è in genere il primo pilastro del processo d’inve-stimento per i gestori obbligazionari attivi e gli hedge fund quantitativi che sono pagati

TRASFORMAZIONE DI UNA PROSPETTIVA MACROECONOMICA IN PREVISIONI SULLO SPREADFigura 4: Variabili macroeconomiche esempli�cative che alimentano i nostri algoritmi dell’albero di regressione

Medio Medio

Medio

MedioMedio

Basso

Medio

Basso Medio

AltoMedio

Petrolio

Alto Previsione

MedioMedio

Basso

Livello

Corrente Previsione Corrente Previsione Corrente Previsione

Trend

Probabilità/Densità

Punti base (pb) dello spread

0,04

0,00200 300 400 500 600 700 800 900

0,03

0,02

0,01

Volatilità

Dollaro statunitense Curva dei rendimenti

Alto Alto

Alto Alto

BassoBasso Basso

Spread storico in pbSpread corrente in pbSpread previsto in pbProbabilità/Densità storicaProbabilità/Densità correnteProbabilità/Densità prevista

Fonte: Franklin Templeton, a puro titolo illustrativo. *Questo esempio ipotetico non rappresenta una previsione o proiezione dei risultati di qualsiasi investimento o strategia d’investimento. Consiste in un’illustrazione ipotetica che intende unicamente fornire informazioni sul modo in cui i titoli sono analizzati.

PREVISIONI MACROECONOMICHELa previsione sulla performance (ossia gli spread) inizia con la previsione macroeconomica a 12 mesi del nostro team. Analizziamo una serie di variabili macroeconomi-che, fra le quali azioni, materie prime, valute e in�azione, per prevedere non solo il livello di ogni variabile, ma anche la tendenza e la volatilità (se applicabili). Anziché assegnare valori numerici, il team stabilisce quali variabili saranno inserite nella categoria inferiore, intermedia o superiore dei range storici di riferimento. In questo esempio ipotetico, riteniamo che il petrolio tenderà a salire nel range intermedio nei prossimi 12 mesi.*

DATI DELL’APPRENDIMENTO AUTOMATICODisponendo delle previsioni relative a una gamma di variabili macroeconomiche, il nostro team di data science ricorre a un albero decisionale ad apprendimento automatico per convertire queste variabili in una previsione del regime macroeconomico. Nel contesto di questo regime atteso, l’algoritmo calcola la reazione di diversi settori generando previsioni sullo spread* in tutto il nostro universo a reddito �sso (prestiti bancari, high yield, obbligazioni municipali tassabili ecc.). Questo algoritmo aiuta il team di persone che possono parlare lingue diverse a comunicare in modo formale e ripetibile.

PREVISIONI SULLO SPREAD OBBLIGAZIONARIOLe nostre previsioni sullo spread consentono al team di ogni settore di visualizzare come il regime macroeconomico atteso potrebbe in�uenzare gli spread del settore di riferimento. È importante evidenziare che il risultato ottenuto non indica soltanto se lo spread può ridursi o ampliarsi, bensì anche la distribuzione degli spread rappresentata dalla forma della curva. In questa illustrazione ipotetica, secondo noi gli spread attesi dovrebbero aumentare (come indicato dalla linea tratteggiata blu), mentre la distribuzione degli spread è abbastanza ampia (come indicato dalla linea continua blu).* Questa curva bi-modale suggerisce che un elevato livello di incertezza/spread potrebbe persistere sostanzialmente invariato o addirittura accentuarsi drasticamente. Il team di analisi dei dati spiega perché le variabili macroeconomiche producono l’impatto maggiore sugli spread.

per generare alfa. Data la complessità e la natura dinamica dei mercati dei capitali, gli economisti esperti sono essenziali per capire come una miriade di variabili econo-miche possono incidere sui prezzi attesi degli asset.

L’insieme di segnali usati da un team macroeconomico per elaborare una previsione è di norma alquanto variegato e basato sulla comprensione della

natura composita degli stessi cicli economici, costituiti dalla somma di sotto-cicli che spingono la crescita (per es., i consumi personali, i prestiti ipote-cari e chirografari, la produzione industriale, i servizi, la domanda estera ecc.). Questi sotto-cicli sono interdipen-denti e, insieme, stimolano reazioni alle politiche monetarie e fiscali che, a loro volta, incidono sui prezzi degli asset.


La scienza della traduzione La previsione dei rendimenti settoriali è solitamente un esercizio faticoso con frequenti errori di misurazione. In genere gli analisti utilizzano tecniche statistiche come il ritorno alla media (una teoria secondo la quale i prezzi degli asset fini-scono per riallinearsi alle medie di lungo periodo) o tecniche di perequazione come le medie mobili per ricavare le tendenze dei prezzi. Alcuni analisti preferiscono guardare al passato per selezionare un contesto precedente che reputano il più corrispondente all’attuale regime di mercato. Tutti questi metodi sono esposti alla soggettività e alla possibilità che i rendimenti obbligazionari impieghino più tempo a riallinearsi alla media. Fortunatamente, gli analisti di dati hanno scoperto strumenti migliori.

Uno studio di recente pubblicazione sull’apprendimento automatico delle macchine e sui prezzi degli asset riflette i rendimenti settoriali attesi (ovvero, gli spread) del nostro modello, ottenuto da algoritmi proprietari. I ricercatori riten-gono che i modelli algoritmici - in particolare gli alberi di regressione che spiegano relazioni non lineari complesse fra molteplici variabili - “migliorino chia-ramente la previsione di rendimento” rispetto agli approcci tradizionali11 e possano migliorare anche gli indici di Sharpe del portafoglio.12 Un importante punto di forza degli alberi di regressione algoritmica viene dalla loro capacità di cogliere razionalmente interazioni complesse fra molteplici variabili, rela-zioni che gli analisti in carne e ossa di solito faticano a individuare, pur dedi-candovi molto impegno e tempo.

Il processo quantitativo attivo di Franklin Templeton inizia con una previ-sione macroeconomica elaborata da economisti esperti. Nel caso del nostro team macroeconomico, fornisce al nostro team di data science un ventaglio di previsioni economiche relative a variabili quali i prezzi petroliferi, i tassi di cambio, le azioni, i tassi d’interesse e gli strumenti indicizzati all’inflazione. Il team di data science traduce queste analisi in variabili macro standardizzate che alimentano l’algoritmo dell’albero di

regressione, come mostra la Figura 4 della pagina precedente.

Gli algoritmi di modellizzazione gene-rano un risultato che traduce efficacemente la previsione del team macroeconomico in analisi di settore che ogni team di settore è in grado di comprendere. Attraverso l’algoritmo, si agevolano le discussioni fra i team per raffrontare e dibattere le previsioni settoriali. Il risultato di queste discus-sioni approfondite (ossia, del processo di riconciliazione) è sintetizzato in forma scritta ogni trimestre, e messo a dispo-sizione degli investitori istituzionali.

Poi, traduciamo le analisi settoriali riconci-liate in rendimenti attesi a 12 mesi per l’interno universo obbligazionario multiset-toriale globale, che funge da base per il nostro processo di allocazione settoriale proprietaria. La determinazione del mix ottimale di pesi inizia individuando gli elementi di variabilità dello spread, che sono calcolati attraverso la volatilità e le correlazioni fra una matrice di covarianza e i nostri modelli di regime di mercato. I risultati prefigurano un’allocazione ideale

o “punto di inizio” lungo la frontiera dell’allocazione efficiente. Successivamente, analizzando tutti i vincoli previsti dal portafoglio, il team di data science genera una gamma di alloca-zioni tutte “in prossimità” del punto di inizio ideale, in una regione all’interno della quale si soddisfano ancora i para-metri di rischio e rendimento del portafoglio.

Come illustrato nella Figura 5, questo processo di ottimizzazione consente ai gestori di portafoglio la flessibilità per allocare all’interno di bande di alloca-zione. In questo esempio ipotetico, i gestori di portafoglio scelgono di sotto-ponderare il credito investment grade statunitense nei limiti del margine massimo consentito, sovraponderando invece i prestiti bancari e i trasferimenti di rischio di credito. Questo processo garantisce l’allocazione efficiente dei premi di rischio nei nostri portafogli, secondo le migliori convinzioni del nostro team, e che il processo si svolga in modo coerente, ripetibile e responsabile.13

I GESTORI HANNO LA FLESSIBILITÀ PER ALLOCARE ALL’INTERNO DI FASCEFigura 5: Parametri di allocazione del portafoglio


30%

-30%

ALTOPESO DEL

PORTAFOGLIO MODELLO

PESO MEDIANO

BASSO

20%

10%

0%

-10%

-20%

Peso rispetto alla % del benchmark

Tito

li ga

rant

iti d

a ip

otec

a (M

BS)

High

yie

ld

Inve

stm

ent g

rade

Pres

titi b

anca

ri

Cart

olar

izza

zion

i di

pre

stiti

(CLO

)

Obbl

igaz

ioni

me

rcat

i em

erge

nti

Tras

ferim

enti

del r

isch

io

di c

redi

to

Tito

li ga

rant

iti d

a ip

otec

a su

imm

obili

co

mm

erci

ali (

RMBS

)

Obbl

igaz

ioni

m

unic

ipal

i tas

sabi

li


Strategie quantitative attive bottom-upEliminare gli elementi di debolezzaDovendo sintetizzare i vantaggi delle strategie fattoriali obbligazionarie, al lancio commerciale il messaggio stan-dard usuale è all’incirca il seguente: le strategie obbligazionarie basate su fattori implementano in modo sistema-tico le idee d’investimento (utilizzando fattori come value o momentum), senza assumere rischi che non sarebbero compensati (ovvero, credito eccessivo o rischi dei tassi d’interesse). Il claim suggerisce che i gestori attivi potreb-bero fare l’opposto, cioè applicare idee in modo non sistematico (magari con approssimazione), esponendo a rischi che non premiano.

Concordiamo sul fatto che le strategie fattoriali offrano alcuni vantaggi, tra i quali la possibilità di analizzare metodi-camente (e incessantemente) un ampio ventaglio di titoli ricorrendo a parametri precisi ed esenti da distorsioni. Tuttavia i fattori presentano anche un elemento di forte debolezza: non riescono a capire che cosa provoca l’ampliamento o il restringimento degli spread. All’apparenza, spread ampi potrebbero risultare allettanti per un’equazione fattoriale, ma l’equazione potrebbe igno-rare totalmente le nubi minacciose che si addensano sul lungo termine a segna-lare prudenza. Questa miopia è potenzialmente rischiosa se non accom-pagnata dalla ricerca fondamentale di un valido analista obbligazionario, che produca dati definiti “alternativi” nella visione quantitativa.14

Spetta agli analisti obbligazionari capire in che modo i meccanismi sia macroe-conomici che microeconomici riescono a muovere i prezzi degli asset e spiegare cosa bolle in pentola per gli investitori. L’analista introduce una grande quantità di informazioni nella sua analisi, dalla complessità di un modello di business aziendale al genio (o alla follia) di un team di gestione, fino ai temi ambien-tali, sociali e di governance.

In questa illustrazione semplificata (vedere la Figura 6), abbiamo raffigurato il modo in cui il processo quantitativo attivo di Franklin Templeton traduce la classifi-cazione dei titoli basata sui fattori e le raccomandazioni di credito fondamentali attive in potenziali indicazioni di acquisto e vendita di singoli titoli.

È importante capire che i modelli fatto-riali e gli analisti obbligazionari operano in modo indipendente gli uni dagli altri, garantendo l’autonomia di valutazione di ciascun team. A livello settoriale, le “migliori idee” di entrambi vengono presentate in occasione di riunioni “di riconciliazione” ufficiali, durante le quali analisti obbligazionari, gestori di porta-foglio e il team di analisi dei dati discutono e dibattono come e perché le valutazioni settoriali coincidono o diver-gono. Le tesi opposte sono assolutamente benvenute - né i fattori quantitativi né gli analisti obbligazionari sono infallibili - e in genere favoriscono un’analisi e una discussione più appro-fondite prima di assumere una decisione. Il caso di studio seguente descrive questo processo di riconcilia-zione dei titoli.

Nel complesso, il processo quantitativo attivo unisce potenziali indicazioni di acquisto e vendita a discussioni e analisi molto franche. L’obiettivo è inse-rire in portafoglio i titoli di un settore maggiormente convincenti per il team (ossia quelli più attentamente studiati), oltreché rispettosi di altri vincoli speci-fici di rischio e strategia.

Le classificazioni dei titoli basate sui fattori Inizialmente, gli investimenti fattoriali si sono affermati come strategia basata sull’identificazione di catalizzatori ampi e durevoli di extra-rendimento attraverso fattori quantificabili storicamente remu-nerativi nel lungo periodo. Analogamente ai fattori azionari, gli stili fattoriali per le obbligazioni societarie di più lungo corso sono value, momentum e quality. Come abbiamo evidenziato nella sezione Calcoli fattoriali sui titoli a pagina 10, ognuno di questi fattori trae origine dalle dinamiche di mercato comunemente osservate come, per esempio, le distorsioni comportamentali e gli impedimenti strutturali (regole e restrizioni) che creano opportunità sfruttabili dagli investitori fattoriali fondamentali.

Storicamente, i gestori di obbligazioni su base fattoriale combinano diversi fattori in una strategia diversificata per contribuire ad attenuare la sottoperfor-mance di ogni singolo fattore. Tutte le obbligazioni sono esposte ai cambia-menti macroeconomici e possono pertanto sottoperformare in determinati periodi. Poiché gli investimenti basati su fattori come value e quality tendono ad essere scarsamente correlati, mantenere esposizioni fisse a entrambi riduce in teoria la durata della sottoperformance, a prescindere dai cambiamenti dello scenario macro.

Ma se si riuscisse a prevedere implicita-mente il ciclo del credito di breve periodo? In tal caso, l’algoritmo di

COMBINAZIONE DI RACCOMANDAZIONI ATTIVE E QUANTITATIVEFigura 6: Usare un quadrato di Punnett per identi�care il nostro portafoglio target

Acqu

isto

Man

teni

men

toVe

ndita

Acquisto Mantenimento Vendita


Fond

amen

tale

atti

vo

Classi�cazioni quantitative basate sui fattoriPORTAFOGLIO TARGET

Potenziale acquisto

Manteni-mento

Potenziale vendita

Vendita prioritaria


apprendimento automatico potrebbe ottimizzare dinamicamente il peso dei fattori in base al contesto macroecono-mico atteso, al fine di ridurre le potenziali perdite e aumentare l’indice di Sharpe di un portafoglio.

Il nostro fattore algoritmico si adegua Per prevedere le condizioni del credito, i nostri analisti dei dati hanno program-mato un algoritmo di potenziamento del gradiente per integrare una serie di variabili macroeconomiche come il tasso di disoccupazione, il bilancio della Federal Reserve e la qualità creditizia dei mercati obbligazionari invest-ment-grade e high-yield. In base a queste variabili combinate, l’algoritmo prevede la performance relativa futura dei nostri sei fattori di stile che

ricomprendono le categorie value, momentum e quality.

Nei test retrospettivi, l’algoritmo ha corretto dinamicamente le esposizioni fattoriali durante la crisi finanziaria globale, riducendo il peso dei fattori di momentum azionario e aumentando quello delle obbligazioni meno esposte al default, misurato attraverso fattori di leva e di copertura, per calcolare la capacità di una società di pagare le sue spese per interessi.

Come mostrato nella Figura 7, l’algo-ritmo ha debuttato nel luglio 2007 con un’esposizione fattoriale del 76% al value, del 21% al Momentum azionario e del 3% appena agli emittenti quality. Per il contesto storico, quattro mesi dopo ovvero nell’ottobre 2007, l’indice azionario Dow Jones Industrial Average

Nella prima parte di quest’anno, gli analisti obbligazionari del team si sono incontrati per confrontare le proprie valutazioni sull’industria automobilistica rispetto alle classificazioni basate sui fattori. Il modello fattoriale del team di data science ha raccomandato di sovrappesare il comparto auto, collocando nel decile superiore Ford, General Motors e il fornitore di ricambi Borg Warner. Ciascuno di questi titoli offriva spread elevati e rendimenti apparentemente allettanti in rapporto ai rating creditizi e alla volatilità degli spread. L’analista obbliga-zionario, invece, ha suggerito di sottopesare fortemente il settore auto. Perché due valutazioni tanto divergenti?

Tre mega-tendenze (elettrificazione, mobilità autonoma e trasporto a chiamata) hanno fatto esplodere la spesa capitale in tutto il comparto automobilistico mondiale, mentre il rallen-tamento ciclico nelle vendite di auto statunitensi (soprattutto berline) sta spingendo i volumi d’affari nella direzione opposta. I modelli fattoriali ignorano totalmente le tendenze di lungo periodo o la ciclicità delle vendite di auto.

Nel caso della Ford, l’analista obbligazionario sapeva che la casa pagava anche pesantemente i passi falsi commessi in prece-denza nella gamma di vetture lanciate sul mercato. Nel 2016, Fiat Chrysler Automobiles ha iniziato a ridurre la produzione di berline come la Dodge Dart e la Chrysler 200, per concentrarsi sui SUV jeep e sui grandi camion Ram, che oggi i consumatori statunitensi preferiscono alle berline. La Ford ha atteso fino al 2018 prima di annunciare l’intenzione di cessare la produzione e la vendita di gran parte delle sue berline negli Stati Uniti e di rinnovare la sua gamma di SUV appannata dagli anni. Inoltre, la Ford ha dovuto fronteggiare costi crescenti derivanti dalla chiu-sura di diversi stabilimenti produttivi e dal crollo delle vendite in Cina e in America Latina.

Pur valorizzando correttamente il rendimento delle obbliga-zioni Ford, i modelli fattoriali non hanno saputo riconoscere il cambiamento secolare e dirompente che ha segnato il settore, vale a dire la ciclicità delle entrate all’origine dell’andamento delle obbligazioni Ford che è spiegabile solo attraverso l’analisi obbligazionaria fondamentale.

Una società classificata meno favorevolmente dai modelli fattoriali era Aptiv, il fornitore USA di parti di ricambio nato da una costola di General Motors nel 1999 (all’epoca con il nome di Delphi Automotive). Negli ultimi anni, Aptiv si è evoluta fino a diventare una formidabile società tecnologica specializzata nel software per la guida autonoma. Dotata di un personale composto da 15.000 scienziati e ingegneri e una varietà di brevetti, Aptiv ha fatto sue le tre mega-tendenze che rivoluzio-nano il comparto automobilistico. In particolare, Aptiv sta dimostrando competenza nei sistemi per veicoli elettrici, nella sicurezza attiva e nei prodotti di connettività oggi grande-mente richiesti dai clienti in Europa e America settentrionale. Senza trascurare il car-pooling, Aptiv ha sviluppato capacità di guida autonoma, testando vetture a Las Vegas (Nevada), attra-verso una partnership con Lyft, società statunitense di trasporto a chiamata.

Dopo alcune discussioni, l’analista obbligazionario e il gestore del portafoglio di obbligazioni investment-grade hanno deciso di sottoponderare le auto, respingendo le raccomandazioni fattoriali d’investimento nel settore. L’azienda ha realizzato la sua sottoe-sposizione privilegiando società come Aptiv e Fiat Chrysler Automobiles, che reputava le più abili a cavalcare le tendenze dirompenti di lungo periodo. Circa sei mesi dopo, le obbligazioni Ford sono state declassate a spazzatura da Moody’s.

Case study: All’orizzonte si profila un terremoto nel mercato automobilistico?

ha registrato un picco varcando i 14.000 punti.

Con il peggioramento del quadro econo-mico nell’anno successivo, l’algoritmo ha gradualmente rafforzato l’esposizione ai fattori quality, riducendo viceversa l’esposizione ai fattori Momentum azio-nario e value. Dopo il drammatico crollo di Lehman Brothers nel settembre 2008, che ha scatenato un panico su scala mondiale, a novembre 2008 l’al-goritmo aveva incrementato l’esposizione quality al 41%, seguita da quella value (52%) e Momentum azio-nario (6% appena).

In alternativa all’approccio buy-and-hold statico, il nostro algoritmo di potenzia-mento del gradiente varia dinamicamente le esposizioni fattoriali affinché siano più coerenti con gli scenari macroeconomici generali.


OBIETTIVO DELLA RIDUZIONE DELLE PERDITEFigura 7: Spostamento verso la qualità durante la crisi �nanziaria globaleLuglio 2007-luglio 2010

Ponderazione %


100%

0%

80%

60%

40%

20%

Lug Set Nov Gen Mar Mag Lug Set Nov Gen Mar Mag Lug Set Nov Gen Mar Mag Lug2007 2008 2009 2010

Spread/Credito Volatilità del rendimento Volatilità dello spread Momentum azionario Leva Copertura

Value Momentum Quality

Fattori value Il concetto alla base dei fattori value è che le obbligazioni a buon mercato (ovvero lo spread in rapporto ai rischi fonda-mentali) hanno tendenzialmente sovraperformato le obbligazioni più costose nel lungo periodo. Esistono svariate modalità per costruire un fattore value, anche se quasi tutti i metodi partono dallo spread corretto per le opzioni (“OAS”) corrente di un’obbligazione, che confrontano poi con una gamma di caratteristiche di rischio come i rating creditizi e/o la volatilità dei rendimenti.

Il nostro team di data science utilizza tre calcoli distinti del fattore che rientrano nel campo value. Il primo riguarda il rapporto Spread/Credito, che si concentra sull’OAS rispetto ai rischi del credito (ovvero, i rating creditizi), ponderando anche la ciclicità e la duration dello spread. Anche gli altri due fattori misurano i rating creditizi, ma poi introducono la volatilità del rendimento nelle valutazioni del rischio, controllando al contempo la ciclicità settoriale e la duration dello spread. Il fattore di Volatilità dei rendimenti utilizza la volatilità a 12 mesi degli extra-rendimenti per misurare i rischi, mentre il fattore di Volatilità degli spread misura la variazione degli spread a tre mesi che ne misura la volatilità.

Fattore momentum Le obbligazioni societarie di emittenti quotati dalle solide performance azionarie recenti tendono a realizzare buoni risul-tati poiché le obbligazioni hanno la precedenza sulle azioni nella struttura di capitale. I nostri esperti di dati utilizzano un rendimento azionario a tre mesi dell’emittente per costruire il fattore Momentum azionario.

Fattori quality Le obbligazioni societarie con probabilità particolarmente ridotte di insolvenza possono sovraperformare il credito più remunerativo nelle fasi di stretta creditizia. Spesso questi titoli non presentano i medesimi spread offerti da alcuni omologhi value; la loro utilità deriva piuttosto dalle qualità difensive in scenari di “avversione al rischio”. Anziché misurare le qualità difensive di un’obbligazione attraverso i rating creditizi, il nostro team di data science utilizza due parametri distinti nelle relazioni trimestrali. Il fattore della Leva esprime il rapporto fra il debito netto totale e la somma di indebitamento netto e patrimonio netto di un emittente societario (ossia, il valore di avviamento). Il fattore della Copertura misura la remuneratività di un’azienda (cioè l’utile al lordo di interessi, imposte e ammortamento o “EBITDA”) in relazione alle sue spese per interessi su 12 mesi.

Calcoli fattoriali sui titoliCome misuriamo i fattori obbligazionari value, momentum e quality


Uno scacchiere a quattro dimensioniNell’odierno panorama degli investi-menti in rapida evoluzione, la potenziale capacità di generare extra-rendimenti più costanti ha cambiato in profondità gli strumenti e le tecniche quantitative a disposizione dei gestori obbligazionari istituzionali. I fondi apertamente quanti-tativi che hanno difeso il lancio di strategie basate su fattori stanno cambiando la realtà, sfidando i gestori attivi a dimostrare quanto valgono.

Molti grandi nomi sono più che pronti a cogliere questa sfida (per non dire elet-trizzati); alcuni stanno affilando le armi ricorrendo ai big data e alle tecniche di apprendimento automatico. Integrando la scienza dei dati nelle analisi umane, il più semplice processo bi-dimensio-nale di analisi top-down e bottom-up si è tramutato in uno scacchiere a quattro dimensioni che contiene la ricerca fondamentale e la scienza quantitativa.

Alcuni gestori sostengono che l’ap-proccio quantitativo ha una marcia in più grazie alle tecnologie digitali contemporanee. Tuttavia, non è quello che ci racconta la realtà. Gli algoritmi non si destreggiano in scenari finanziari rumorosi né risultano efficaci senza l’in-tuito umano. Gli analisti di dati privi di abilità finanziarie e di intuito spesso non producono i risultati d’investimento ai quali ambiscono.

In definitiva, l’insieme di competenze più importanti per il mercato obbligazio-nario rimangono la capacità di professionisti preparati di spiegare i meccanismi economici sottostanti che trainano i regimi di mercato e i segnali che la scienza dei dati è in grado di monitorare e analizzare. Il futuro del

reddito fisso è già arrivato e consiste nel coniugare abilmente la scienza quantita-tiva e la gestione attiva fondamentale.

Franklin Templeton Fixed Income Group ha concepito un approccio quantitativo attivo omogeneo, dove i gestori di porta-foglio, gli analisti, i trader e gli esperti di dati lavorano in squadra per mettere sinergicamente insieme analisi quantita-tiva e fondamentale. Siamo convinti che unendo la nostra scienza dei dati e le nostre competenze fondamentali svilup-peremo analisi e un vantaggio competitivo attraverso i quali muoverci nei difficili scenari d’investimento e servire meglio i nostri clienti.

Note finali 1. Fonte: Baker, S. “Factor-based investing arrives for fixed income,” Pension & Investments, 16 ottobre 2017. 2. Fonte: J. Bender, R. Briand, D. Melas e R. Subramanian, “Foundations of Factor Investing”, MSCI Research Insight, dicembre 2013. 3. Fonte: AQR, “The Illusion of Active Fixed Income Alpha”, Alternative Thinking, 17 dicembre 2018. 4. Fonte: J. Baz, M. Devarajan, M. Hajo e R. Mattu. “When Alpha Meets Beta: Managing Unintended Risk in Active Fixed Income”, PIMCO, Quantitative Research, maggio 2018. 5. Fonte: M. Kolanovic e R. Krishnamachari, “Big Data and AI Strategies—Machine Learning and Alternative Data Approach to Investing”, J.P. Morgan, maggio 2017. 6. Fonte: Two Sigma, “Our Approach”, settembre 2019. 7. Fonte: Fama, E. “Efficient Capital Markets: A Review of Theory and Empirical Work”, Journal of Finance, Vol. 25, No. 2, Papers and Proceedings of the Twenty-Eighth Annual Meeting of

the American Finance Association, New York, N.Y., 28–30 dicembre 1969 (maggio 1970).8. Fonte: Lee, J. “AQR’s Asness Is Right. It’s a ‘Crappy’ Time for Factor Investing”, Bloomberg Markets, 15 maggio 2019. 9. Brownlee, J. “How to Classify Photos of Dogs and Cats (with 97% accuracy)”, Deep Learning for Computer Vision, 3 ottobre 2019. 10. Fonte: S. Gu, B. Kelly e D. Xiu, “Empirical Asset Pricing via Machine Learning”, Chicago Booth Research Paper No. 1818-04, 13 settembre 2019.11. Non vi è alcuna garanzia che un modello, sia esso algoritmico, tradizionale o di altro tipo, possa prevedere il rendimento.12. Fonte: S. Gu, B. Kelly e D. Xiu, “Empirical Asset Pricing via Machine Learning”, Chicago Booth Research Paper No. 1818-04, 13 settembre 2019. L’indice di Sharpe è il rendimento medio

conseguito in aggiunta al tasso privo di rischio per unità di volatilità o rischio totale. 13. Non vi può essere alcuna garanzia che l’adozione di questo processo di ottimizzazione avrà un impatto sui risultati di investimento, o che si tradurrà in profitti o che ridurrà al minimo

le perdite.14. L’inclusione di dati alternativi nell’analisi non riduce o elimina necessariamente il rischio.


Patrick Klein, Ph.D.Portfolio Manager, Strategie multisettoriali

Thomas Runkel, CFAPortfolio Manager

Pururav Thoutireddy, Ph.D.Quantitative Research Analyst

Principali contributori a questo numero

Franklin Templeton Thinks: Mercati obbligazionari: un’analisi, elaborata dal team, delle tendenze economiche globali, dei cicli di mercato e delle visioni settoriali bottom-up. Ogni numero trimestrale espone il parere del team su diverse forze macroeconomiche, nonché le opinioni settoriali sui fattori trainanti del nostro processo d’investimento.

Franklin Templeton è stato tra i primi a investire attivamente in molti settori dei mercati obbligazionari nel corso della loro evoluzione, coprendo credito socie-tario, titoli basati su ipoteche, titoli garantiti da attività e obbligazioni muni-cipali sin dagli anni ‘70, reddito fisso internazionale sin dagli anni ‘80 e prestiti bancari dai primi anni del 21° secolo. Oltre 170 professionisti dell’in-vestimento a livello globale affiancano i

gestori di portafoglio, che sovrintendono a oltre 169 miliardi di dollari di attività in gestione. L’appartenenza a un gruppo d’investimento consolidato in Franklin Templeton offre ai gestori di portafoglio l’accesso a esperti in diverse aree del mercato obbligazionario, aiutandoli a diversificare opportunità e rischi in molteplici settori.

Il nostro approccio globale attraverso Franklin Templeton Investments fornisce accesso ad ulteriori risorse per la ricerca, negoziazione e gestione del rischio. I gestori di portafoglio hanno l’opportunità di scambiare informazioni con altri gruppi d’investimento e colla-borano con un team indipendente di gestione del rischio che esamina rego-larmente le analisi di rischio per meglio identificare e gestire le aree di ecces-siva esposizione al rischio all’interno dei nostri portafogli.

Revisione editoriale

Il Franklin Templeton Fixed Income Group

Sonal Desai, Ph.D.Chief Investment Officer

Portfolio Manager

David Yuen, CFA, FRM Director of Quantitative Strategies

Portfolio Manager

John BeckDirector of Fixed Income, Londra

David Zahn, CFA, FRMHead of European Fixed Income

Portfolio Manager


Note


QUALI SONO I RISCHI?

Tutti gli investimenti comportano rischi, inclusa la possibile perdita del capitale. I prezzi delle obbligazioni si muovono di norma in direzione opposta a quella dei tassi d’interesse. Di conseguenza, a mano a mano che i prezzi delle obbligazioni presenti in un portafoglio d’investimento si adeguano a un aumento dei tassi d’interesse, il valore del portafoglio può diminuire. Gli investimenti in obbligazioni di rating inferiore comportano un rischio più elevato di insolvenza e perdita del capitale. Gli investimenti esteri comportano rischi particolari quali fluttuazioni dei cambi, instabilità economica e sviluppi politici. Gli investimenti nei mercati emergenti implicano rischi più accentuati connessi con gli stessi fattori, oltre a quelli associati alle minori dimensioni dei mercati in questione, ai volumi inferiori di liquidità. Gli investimenti in industrie in rapida crescita, quali il settore tecnologico (storicamente volatile), possono determinare fluttuazioni dei prezzi più elevate, soprattutto nel breve termine, a causa della rapidità dei cambiamenti e dello sviluppo dei prodotti, nonché dei regola-menti governativi delle società che privilegiano i progressi scientifici o tecnologici.

Importanti informazioni legali

Avvertenze: Prima della sottoscrizione, leggere attentamente il prospetto informativo.

Questo documento è da considerarsi di interesse generale e non costituisce un consiglio legale o fiscale e nemmeno un’offerta di azioni o un invito a richiedere azioni della SICAV di diritto Lussemburghese Franklin Templeton Invest-ment Funds. Nessuna parte di questo documento deve essere interpretata come un consiglio all’investimento. Le opinioni espresse sono quelle dell’autore alla data di pubblicazione e sono soggette a variazioni senza preavviso. Le sottoscrizioni di azioni della Sicav possono essere effettuate solo sulla base dell’attuale prospetto informativo, del relativo documento contenente le informazioni chiave per gli investitori (KIID) e del modulo di sottoscrizione della Sicav, accompagnato dall’ultima relazione annuale certificata disponibile e dall’ultima relazione semestrale, se succes-sivamente pubblicata. Il valore delle azioni della Sicav ed i rendimenti da esse provenienti possono scendere o salire e gli investitori possono non riottenere l’intero importo investito. I rendimenti passati non sono indicazione o garanzia di rendimenti futuri. Le oscillazioni valutarie possono influenzare il valore degli investimenti all’estero. Quando si investe in un fondo denominato in una valuta estera, la performance può anche essere influenzata dalle oscillazioni valutarie. L’investimento in un Fondo comporta rischi, che sono descritti nel prospetto informativo della Sicav. Nei mercati emer-genti i rischi possono essere più alti che nei mercati sviluppati. Gli investimenti in strumenti derivati comportano rischi specifici più esaurientemente descritti nel prospetto informativo del Fondo. Nessuna azione della Sicav può essere direttamente o indirettamente offerta o venduta ai residenti negli Stati Uniti d’America. Le azioni del Fondo non sono disponibili in tutte le giurisdizioni ed i potenziali investitori dovrebbero verificare tale disponibilità con l’Agente locale che rappresenta Franklin Templeton prima di effettuare qualsiasi investimento. Qualsiasi ricerca ed analisi contenuta in questo documento è stata ottenuta da Franklin Templeton Investments per i suoi scopi ed è a voi fornita solo per inciso. Riferimenti a particolari industrie, settori o aziende sono per informazioni generali e non sono necessariamente indicativi dei titoli di un fondo in nessun momento particolare. Siete invitati a consultare il vostro consulente finan-ziario prima di decidere di investire.

Una copia dell’ultimo prospetto, della relazione annuale e della relazione semestrale, se pubblicate successivamente, possono essere reperite sul nostro sito web www.franklintempleton.it o possono essere ottenute, senza spese, da Franklin Templeton International Services S.à r.l. Succursale Italiana.

Pubblicato da Franklin Templeton International Services S.à r.l. Succursale Italiana - Corso Italia, 1 - 20122 Milano - Tel: +39 0285459 1- Fax: +39 0285459 222

CFA® e Chartered Financial Analyst® sono marchi registrati di proprietà del CFA Institute.

© 2019 Franklin Templeton Investments. Tutti i diritti riservati. FIMA4_4Q19_1019www.franklintempleton.it

OTTOBRE 2019 Scienza quantitativa - un contributo attivo ...

Documents

Transcript of OTTOBRE 2019 Scienza quantitativa - un contributo attivo ...