Gestione di portafoglio avanzata con il Machine Learning: dall'approccio di Markowitz all'Hierarchical Risk Parity

Abstract

La tesi analizza l’evoluzione delle metodologie di ottimizzazione di portafoglio, partendo dalla moderna teoria di Markowitz fino ad arrivare agli approcci più recenti basati sull’intelligenza artificiale e sul machine learning. Dopo aver presentato i principali indicatori di rischio e performance, l’attenzione si concentra sul metodo Hierarchical Risk Parity (HRP), che utilizza tecniche di clustering e allocazione gerarchica per ottenere portafogli più diversificati e stabili. L’analisi empirica è stata condotta su due portafogli composti da titoli del settore energetico, uno in euro e uno in dollari, con un confronto tra società tradizionali e aziende operanti nelle energie rinnovabili. I risultati mostrano come gli approcci HRP basati su Value at Risk (VaR) e Conditional Value at Risk (CVaR) producano portafogli più resilienti ed equilibrati rispetto al modello a varianza minima, riducendo la concentrazione e garantendo una migliore protezione contro i rischi di mercato. In conclusione, il modello HRP_CVaR si conferma la soluzione più efficiente per coniugare diversificazione, robustezza e gestione del rischio in scenari finanziari complessi.

The thesis explores the evolution of portfolio optimization methodologies, from Markowitz’s Modern Portfolio Theory to more recent approaches based on artificial intelligence and machine learning. After presenting key risk and performance measures, it focuses on the Hierarchical Risk Parity (HRP) method, which uses clustering and hierarchical allocation techniques to achieve greater portfolio diversification and stability. An empirical analysis is conducted on two energy-sector portfolios, one denominated in euros and the other in US dollars, comparing traditional energy companies with renewable energy firms. The findings suggest that HRP approaches based on Value at Risk (VaR) and Conditional Value at Risk (CVaR) produce portfolios that are more resilient and balanced than those generated by the minimum variance model, as they reduce concentration and provide greater protection against market risks. Ultimately, the HRP-CVaR model is revealed to be the most effective solution for combining diversification, robustness and sound risk management in complex financial environments.