Quantamental FX Trading: Unione di Analisi Macroeconomica e Quantitativa per Operare sui Cambi

Il trading alpha si fonda essenzialmente sull’individuazione delle valutazioni errate e sull’assunzione della posizione corretta.

Fonte: robotwealth.com

Sembra abbastanza semplice. Ma come si può identificare quando qualcosa è valutato in modo errato?

Questo dipende interamente da dove si traccia la linea blu nell’immagine sopra. Ed ecco il problema… come può una persona normale sapere a che prezzo qualcosa dovrebbe essere scambiato?

La risposta semplice (e quasi sempre corretta) è che non è realistico formarsi un’opinione migliore di quella del mercato aggregato.

Ma è possibile identificare fattori che tendono a generare distorsioni nei prezzi – situazioni in cui uno squilibrio tra domanda e offerta porta a scambi a livelli divergenti da quelli ideali.

Un esempio classico è il ribilanciamento degli ETF. Un gestore di ETF effettua operazioni per mantenere le esposizioni del fondo in linea con il mandato, e non per massimizzare i rendimenti da trading. Quando tali operazioni sono sufficientemente rilevanti, possono influenzare il mercato in maniera prevedibile.

Quasi tutte le operazioni di alpha trading, per un trader indipendente, si baseranno su effetti di questo tipo. Non dipendono dal fatto che tu disponga di un modello del valore equo migliore rispetto al mercato; piuttosto, si basano sull’identificazione di flussi prevedibili che creano distorsioni nei prezzi.

Ma in questo articolo desidero parlare dell’altro tipo di alpha trading.

In questo approccio, si costruisce un modello di valore equo per negoziare le deviazioni attorno ad esso:

• Se un asset viene scambiato a un prezzo superiore rispetto al valore equo del modello, lo vendi
• Se viene scambiato a un prezzo inferiore rispetto a quanto suggerito dal modello, lo acquisti

Questo tipo di approccio è prevalentemente riservato a team professionali che hanno accesso ai dati e alle risorse per utilizzarli in modo efficace.

Ma esploreremo l’idea dei “quantamentals” – ovvero l’integrazione dei dati fondamentali in un modello di pricing – dalla prospettiva di ciò che potresti fare come trader indipendente.

Non farti illusioni: è altamente improbabile che tu possa superare una squadra professionale ben capitalizzata con questo approccio. Ma forse puoi sviluppare qualcosa che aggiunga valore a un portafoglio più ampio. Comprendere questo approccio è comunque prezioso di per sé.

Allora, entriamo nel dettaglio.

Cos’è il Quantamental?

Quando la maggior parte delle persone sente il termine “quantamental”, immagina una misteriosa fusione tra il genio accademico di un dottorato di economia e la magia del machine learning.

La realtà è molto più semplice, almeno in linea teorica.

Il trading quantamental trasforma i fondamentali economici – come la crescita del PIL, i tassi di inflazione, le aspettative sui tassi di interesse – in segnali sistematici e quantificabili.

Invece di affidarsi a un gestore di portafoglio umano che manualmente analizza dozzine di discorsi delle banche centrali e si sforza di ricordare cosa ha detto la Reserve Bank of Australia tre settimane fa, i dati fondamentali vengono inseriti in algoritmi in grado di elaborarli in modo coerente.

Il risultato di un tale algoritmo è tipicamente una stima del valore equo, ovvero ciò a cui qualcosa dovrebbe valere alla luce di tutte le informazioni e supposizioni contenute nel modello.

Potrebbe inoltre trattarsi di un indicatore che possiede una certa correlazione o utilità predittiva rispetto ai rendimenti futuri.

Ecco un esempio:

Immagina di voler monitorare se la Banca Centrale Europea stia assumendo una posizione più orientata al rigore (hawkish) o più accomodante (dovish) nel tempo. Un trader discrezionale potrebbe leggere ogni comunicato della BCE e formarsi un’opinione soggettiva. L’approccio quantamental, invece, creerebbe un sistema di punteggio – magari monitorando la frequenza di determinate parole nei comunicati, combinato con le effettive variazioni di politica e le aspettative sui tassi impliciti dal mercato – e produrrebbe un “punteggio di hawkishness” giornaliero per la BCE.

Un dettaglio importante è che questi dati devono essere registrati al momento giusto. Non puoi utilizzare le cifre revisionate del PIL di oggi per testare il modello su dati passati. È necessario utilizzare esattamente ciò che era noto in quel momento, senza l’effetto della retrospettiva.

Questo è importante perché i mercati reagiscono alle informazioni al momento del rilascio, non in seguito alle revisioni. Se stai testando se le variazioni valutarie seguano sorprese sul PIL, ti serve il dato originale del PIL che è stato effettivamente visto dai trader, e non la versione revisionata pubblicata sei mesi dopo con tutte le modifiche.

In realtà, stai costruendo indicatori a serie temporale per i fondamentali macroeconomici, proprio come faresti per i prezzi. Ma anziché una media mobile di EUR/USD, potresti avere una media mobile degli indici di sorpresa economica della zona euro o della pendenza della curva dei rendimenti tedesca.

Questo approccio fa da ponte tra il pensiero “Credo che il dollaro debba essere più forte perché la Fed è hawkish” e il possedere un metodo sistematico per esprimere tale opinione.

JPM Macrosynergy Quantamentals

La divisione quantamental di J.P. Morgan ha sviluppato il JPMaQS (J.P. Morgan Macrosynergy Quantamental System) in collaborazione con un’azienda chiamata Macrosynergy.

Si tratta di un enorme database temporale dei dati macro globali.

Copertura JPMaQS (numero di indicatori per regione). Fonte: macrosynergy.com

Immagina questo: ogni giorno, il sistema genera quella che è sostanzialmente una “Global FX Scorecard.” Ogni valuta principale viene valutata su più tematiche – slancio di crescita, linea della politica monetaria, saldi esterni, metriche di valutazione.

Il dollaro australiano potrebbe posizionarsi nel quartile superiore per lo slancio di crescita (boom minerario, occupazione robusta), ma male per quanto riguarda la valutazione. La sterlina britannica potrebbe vantare una solida credibilità nella politica monetaria, ma avere saldi esterni disastrosi.

Questi punteggi non rappresentano un’opinione soggettiva. Sono derivati in modo sistematico da dozzine di serie di dati – rilascio degli indici PMI, dati CPI, rapporti sull’occupazione, bilancia commerciale e comunicazioni delle banche centrali.

Il vantaggio, se esiste, deriva dal fatto che non tutti elaborano in modo efficiente tutte le informazioni disponibili. O perlomeno, dal fatto che il tuo modello riesca a farlo meglio del mercato aggregato.

Supponiamo che il modello identifichi che i fondamentali canadesi sono solidi (aumento dei prezzi delle materie prime, Bank of Canada hawkish, occupazione robusta) mentre quelli del Regno Unito risultino deboli (crescita stagnante, incertezza politica, cambiamenti di politica dovish).

Tuttavia, ciò non è sufficiente per aprire una posizione long su CAD/GBP.

L’intuizione chiave è che esiste un’operazione potenzialmente vantaggiosa solo se il cambio CAD/GBP viene scambiato a un livello in dislocazione rispetto alla stima del modello su quanto il CAD dovrebbe valere in GBP.

Anche se i fondamentali canadesi sono più solidi, se il cambio CAD/GBP venisse scambiato a un prezzo superiore a quello previsto dal modello, si assumerebbe una posizione short.

Sostanzialmente, stai scommettendo sul fatto che il tuo modello fornisca una stima del valore equo migliore rispetto al mercato – un compito davvero arduo.

Dove Risiede il Vantaggio?

È tentatore pensare che il vantaggio di tale approccio risieda nell’algoritmo – cioè che, utilizzando un modello di machine learning davvero sofisticato, si possa stimare il prezzo in modo migliore rispetto al mercato generale.

È più sensato concentrarsi sui dati, invece.

Avrai bisogno di dati relativi a fenomeni che influenzano effettivamente i rendimenti. Dovrai inoltre considerare come utilizzarli. Molte serie temporali economiche, ad esempio, sono altamente non stazionarie, comportando svariate sfide.

Esiste anche il concetto di “nowcasting” – ovvero l’utilizzo di modelli per stimare in tempo reale lo stato attuale di un indicatore economico. Ad esempio, i modelli di nowcasting potrebbero prevedere metriche come la crescita del PIL prima della pubblicazione dei dati ufficiali.

Questi modelli potrebbero analizzare tutto, dalle vendite al dettaglio e produzione industriale, fino ai dati satellitari e al sentiment delle notizie, apprendendo le relazioni che meglio prevedono le cifre ufficiali.

Anche se, realisticamente, come trader indipendente non costruirai un tale modello, un’importante lezione è che il vantaggio non risiede nell’algoritmo di machine learning. Il vantaggio sta nel comprendere quali relazioni economiche siano effettivamente rilevanti e come funzionino le loro dinamiche.

Strumenti Utilizzabili

Passiamo ora alla parte pratica: cosa puoi fare concretamente con queste informazioni?

Non costruirai il JPMaQS nel tuo garage, né un abbonamento risulterà probabilmente conveniente al di fuori del trading professionale.

Ma puoi applicare il pensiero quantamental utilizzando dati disponibili pubblicamente. Un buon punto di partenza sarebbe concentrarti sugli stessi tipi di informazioni che guidano le strategie istituzionali.

Ecco alcuni esempi.

Tassi d’interesse impliciti e differenziali di rendimento catturano una notevole quantità di informazioni fondamentali in numeri semplici. I valori delle valute sono fortemente influenzati dalle aspettative sui tassi d’interesse, e puoi monitorarli in tempo reale attraverso i rendimenti dei titoli di Stato e i tassi forward.

Quando i rendimenti dei titoli a 2 anni del Regno Unito superano quelli degli Stati Uniti, questo segnala che il mercato si aspetta che la Bank of England adotti una politica più aggressiva rispetto alla Federal Reserve.

Puoi rappresentare questi spread di rendimento su qualsiasi buona piattaforma di analisi grafica. Lo spread tra i rendimenti a 10 anni statunitensi e giapponesi ti indica come le previsioni di crescita e inflazione in Giappone si confrontino con quelle americane.

Spread mensile dei rendimenti decennali USA-Giappone. Fonte: TradingView

Dati di Posizionamento CFTC: Ogni settimana, la Commodity Futures Trading Commission pubblica una suddivisione dettagliata delle posizioni future detenute da diverse categorie di trader – hedger commerciali, grandi speculatori e piccoli speculatori.

Si tratta fondamentalmente di una radiografia settimanale di come diversi operatori sono posizionati nei futures su valute. Quando i grandi speculatori sono eccessivamente posizionati, ciò potrebbe indicare un eccesso di partecipazione che tende a revertire.

Il pregio dei dati CFTC è che quantificano il sentiment. Lo svantaggio è che, essendo disponibili pubblicamente, tutti sono a conoscenza di tali informazioni. Non sono una fonte unica e proprietaria (nessuna fonte a te disponibile lo è).

Dati su ETF e flussi di fondi: Dato l’elevato ammontare di capitale gestito dagli ETF, questi possono offrirti un’ulteriore finestra su dove si sta spostando il capitale globale. Quando gli investitori si riversano negli ETF obbligazionari dei mercati emergenti, quel denaro deve essere investito altrove – di solito a sostegno di quelle valute. Quando vendono ETF azionari giapponesi, ciò crea pressione ribassista sullo yen.

Molti provider di ETF pubblicano dati giornalieri sui flussi. Puoi monitorare quando il denaro fluisce verso o allontana da specifiche regioni o classi di asset. Flussi sostenuti influenzeranno probabilmente le valute.

Non è perfetto. I flussi degli ETF sono solo un tassello del puzzle dei flussi di capitale.

Ma rappresentano un proxy in tempo reale e disponibile pubblicamente per lo stesso “money momentum” che i grandi fondi monitorano tramite relazioni di prime brokerage e dati sui flussi istituzionali.

Tattiche di Implementazione Pratiche

Gestione dei dati non stazionari:

Tipicamente, i dati macroeconomici richiedono un trattamento speciale per renderli utili nei nostri modelli.

È comune che le serie temporali macroeconomiche siano instabili e non stazionarie:

Serie storica dei tassi reali USA. Fonte: robotwealth.com

Il principale problema nell’analisi di serie come questa è che periodi storici differenti non sono comparabili.

Una soluzione semplice consiste nell’applicare uno z-score mobile. Prendi semplicemente ogni osservazione, sottrai la media su N giorni e dividi per la deviazione standard su N giorni:

Z-score mobile su 5 anni dei tassi reali. Fonte: robotwealth.com

Questo produce una serie temporale molto più stazionaria e rende i confronti tra periodi storici più significativi.

Orizzonti temporali realistici:

Le deviazioni dal concetto di valore equo, derivato da un modello macroeconomico, non tenderanno a convergere nel breve termine. Realisticamente, manterrai le posizioni per settimane o mesi.

Una conseguenza pratica importante è che i costi di carry possono accumularsi. Per i conti FX retail, il broker addebiterà uno spread sui tassi swap (il differenziale dei tassi d’interesse), il che può rappresentare un ostacolo di costo significativo.

Quindi, informati sulle condizioni di trading che siano adatte agli orizzonti di detenzione che incontrerai.

Decidere quando una deviazione è sufficientemente grande:

Una cosa è certa nel trading: i tuoi costi.

Ogni volta che effettui un’operazione, ti costa denaro. Pertanto, è necessaria una deviazione sufficientemente ampia dal valore equo per rendere l’operazione valida.

Un’altra certezza: il tuo modello del valore equo sarà impreciso.

È improbabile che tu possa modellare perfettamente il prezzo al quale qualcosa dovrebbe essere scambiato. Una conseguenza pratica di ciò è che, oltre all’ostacolo rappresentato dai costi, dovresti includere anche un margine per l’errore del modello.

Sostanzialmente, vuoi rendere l’operazione vantaggiosa, tenendo conto sia dei costi di trading che di una certa tolleranza agli errori del modello.

Un approccio pratico per decidere quando una deviazione è sufficientemente ampia potrebbe essere:

1. Calcola lo z-score dello spread tra il valore equo stimato dal modello e il prezzo spot. Questo ti darà un’idea degli estremi delle deviazioni e offrirà una visione su come il prezzo tende a divergere e convergere verso il valore equo del modello. Utilizzalo per definire una soglia per l’entrata nelle operazioni. Supponiamo che tale soglia sia uno z-score di 2.
2. Determina una percentuale in termini assoluti dal prezzo spot che renda l’operazione vantaggiosa, considerando sia i costi di trading sia l’errore del modello. Supponiamo che sia l’1%.
3. Entra in operazioni quando lo z-score dello spread supera la soglia e la deviazione assoluta del prezzo rispetto al valore equo stimato dal modello supera il tuo ostacolo di trading.
4. Chiudi la posizione quando lo spread converge.

Considerazioni più ampie:

Non cercare di operare come uno specialista. Il tuo vantaggio come trader retail è la diversificazione tra strategie e mercati. Hai la flessibilità di dirigerti verso le opportunità più interessanti.

Invece di costruire il modello di valutazione perfetto, dovresti identificare molteplici vantaggi in differenti mercati e allocare il capitale in modo sistematico tra di essi.

Forse stai operando con strategie di FX carry, basis arb nel settore crypto, e la stagionalità alla fine del mese nei bond. Ogni strategia può essere rumorosa da sola, ma insieme possono generare rendimenti sorprendentemente stabili. Se riesci a integrare un modello quantamental, ottimo. Ma non pensare che debba fare tutto il lavoro pesante.

Concentrati sui vantaggi che abbiano senso, e non su tecniche che suonano impressionanti. Il machine learning e l’intelligenza artificiale sono strumenti, non vantaggi. Il vero vantaggio deriva dall’identificare quando qualcosa viene scambiato a prezzi relativamente bassi o elevati rispetto a quanto dovrebbe essere.

È sicuramente più facile individuare situazioni in cui operazioni non sensibili al prezzo tendono a generare distorsioni, piuttosto che costruire un modello del valore equo migliore rispetto al mercato.

Se scegli di intraprendere quest’ultima strada, non dovresti avere illusioni circa l’origine del tuo vantaggio e la sua difficoltà.

Gli operatori istituzionali dispongono di dati migliori, esecuzioni più rapide e modelli più sofisticati. Ma hanno anche vincoli che tu non possiedi – requisiti normativi, mandati dei clienti, considerazioni sul rischio di carriera che impediscono loro di assumere certe posizioni o di cambiare strategia rapidamente.

Il tuo vantaggio non consiste nel cercare di essere una versione migliore di loro. Il vantaggio sta nell’essere sistematicamente opportunista su molteplici vantaggi, classi di asset e orizzonti temporali in modi che le strutture istituzionali non permettono.

Concentrati nel comprendere perché esistono tali vantaggi anziché limitarti a identificarli. Costruisci framework che puoi applicare in modo coerente, piuttosto che lasciarti trasportare dall’emozione di singole operazioni.

Soprattutto, ricorda che l’incertezza è ovunque in questo settore. Non puoi eliminarla, ma puoi inclinare le probabilità a tuo favore attraverso una buona analisi abbinata a una solida capacità di ragionamento su ciò che stai operando.