Ottimizzazione del portafoglio utilizzando Logic Learning Machine e Hierarchical Risk Parity: uno studio empirico sulle azioni BIST

Abstract

Il presente studio tratta un approccio innovativo all'ottimizzazione di portafoglio, fornendo una connessione tra la Modern Portfolio Theory (MPT) e le più moderne tecniche di machine learning. La tesi inizia riconoscendo l'importanza del modello tradizionale di Markowitz nella MPT, ma passa rapidamente a esplorare le potenzialità dell’algoritmo HRP (Hierarchical Risk Parity). L'HRP supera alcuni dei limiti del modello di Markowitz, in particolare si fa riferimento alla gestione complessa delle correlazioni tra asset, offrendo una strategia di gestione del rischio più efficiente che garantisce una asset allocation equilibrata e prudenziale. La tesi introduce il metodo Logic Learning Machine (LLM) che consente di migliorare l’interpretabilità del risultato ottenuto. Questa integrazione è considerata la parte centrale di ricerca in quanto la sua implementazione rende il risultato del modello più accessibile e trasparente. A scopo esemplificativo è stato fornito un caso studio basato sul mercato azionario turco. La combinazione delle teorie finanziarie tradizionali con i moderni strumenti di Machine Learning segna un progresso significativo nella gestione degli investimenti e nell’ottimizzazione del portafoglio, evidenziando l’importanza di disporre di risultati chiari e di facile comprensione.

This study explores an innovative approach to portfolio optimization, bridging traditional Modern Portfolio Theory with advanced Machine Learning techniques. It starts by recognizing the significance of Markowitz's Model in Modern Portfolio Theory but quickly moves to focus on the Hierarchical Risk Parity (HRP) method. HRP overcomes some of the limitations of Markowitz's model, particularly in managing complex asset correlations, by offering a more refined risk management strategy that ensures balanced risk distribution across the portfolio. The thesis then introduces an innovative machine learning approach that employs the Logic Learning Machine (LLM) method to enhance the explainability of the HRP strategy. This integration is considered the core research part of the study given that its application makes the output of the model more accessible and transparent. For exemplification purposes, a case study based on the Turkish stock market has been provided. The combination of traditional financial theories with modern machine learning tools marks a significant advancement in investment management and portfolio optimization, emphasizing the importance of clarity and ease of understanding in complex financial portfolio models.