Asset management l

La Soluzione “in-house”
RAS Asset Management ha sostituito i tradizionali modelli di rischio multifattoriali con un
modello simulativo “in-house”. Il team di risk management, costituito da Dario Brandolini,
Raffaele Zenti, Massimiliano Pallotta e Claudio Marsala, descrive il processo.

I
modelli di rischio multifattoriali
destinati all’asset management spesso
non sono in grado di descrivere in
modo soddisfacente la distribuzione dei
rendimenti futuri. Così, quando Ras Asset
Management (RAM) creò un team di risk
management nel 1997, decise che l’unica
soluzione per stimare accuratamente
rischi e benefici impliciti in ciascuna
decisione d’investimento era partire dalle
fondamenta.
Fino ad allora RAM utilizzava sistemi
di risk analysis basati su modelli
tradizionali di tipo multi-fattoriale,
sviluppati da produttori di software ben
noti sul mercato ed ampiamente diffusi
nel settore dell’asset management. Il
tipico processo di portfolio management
era basato sull’ottimizzazione ed il
successivo controllo del tracking error.
Inizialmente, lo sforzo maggiore del
team era indirizzato all’alimentazione del
sistema, utilizzando dati provenienti da
differenti database dispersi nella struttura
organizzativa della società.

Questa modalità di affrontare il risk

management aveva alcuni grossi limiti:
■ la dispersione dei dati ne minava la
coerenza interna, creando problemi
di allineamento allorché si
intendevano analizzare velocemente
nuovi portafogli;
■ era difficile valutare seriamente il
modello di rischio, dato che si trattava
di una “black box” i cui dettagli
realizzativi erano considerati dal
venditore preziosi segreti da non
svelare mai;
■ conseguentemente, era di fatto
impossibile effettuare rigorosi test out
of sample sul risk model;
■ quel tipo di sistema offre il massimo
del valore aggiunto se i gestori
esplicitano gli expected return dei
titoli, informazione difficilmente
ottenibile nella pratica.
In breve, questa situazione non era
soddisfacente per un team con un
obiettivo chiaro: definire e realizzare una
risk policy basata sulle reali necessità di
una società di asset management. Alcuni
punti chiave, di seguito discussi,
risultavano evidenti.
Il chief risk officer ■ L’orizzonte d’investimento, tema
Dario Brandolini ed il caldo nella comunità degli asset
team di risk manager, è lungo. Chi effettua una
management gestione attiva, cercando di creare
costituito da Raffaele valore tramite security picking o
Zenti, Massimiliano decisioni di asset allocation strategica
Pallotta e Claudio o tattica, tende ad avere un turnover
Marsala contenuto, se paragonato a portafogli
bancari, dato che questo tipo di
decisioni d’investimento spesso
necessita di un intervallo temporale
non breve (almeno alcune settimane,
probabilmente di più) per manifestare
valore. Inoltre, fondazioni e fondi
pensione spesso valutano i portafogli
per i quali hanno delegato la gestione
su un arco temporale di 1-3 anni:
quindi non basta prestare attenzione
esclusivamente agli orizzonti di
medio termine, ma occorre spingere
lo sguardo decisamente più in là.
Pertanto, un asset manager dovrebbe
essere in grado di misurare il rischio
su orizzonti che vanno da poche
settimane ad uno o più anni,
utilizzando una metodologia che
assicuri coerenza tra i differenti
risultati.
■ Siccome un asset manager gestisce
denaro altrui, eventuali perdite non
hanno un impatto diretto sul bilancio
societario; tuttavia il reputational risk
è altissimo. La sfida consiste quindi
nell’assumere il “giusto rischio”.
Pertanto la funzione aziendale del
risk management, se ben concepita,
non serve soltanto a cercare di
limitare le perdite sui portafogli, ma
può migliorare l’intero processo
d’investimento grazie alla definizione
di un’opportuna risk policy. In
particolare, il risk management può
creare valore confrontando il
rendimento ed il rischio atteso delle
decisioni d’investimento, valutando
su base risk-adjusted se davvero vale

44 R I SK I TALIA NOVEMBRE 2003 ● W W W. R I S K . N E T

 la pena di effettuare una determinata
scelta.
■ Per la maggior parte dei portafogli in
gestione, a causa della presenza del
benchmark, l’attenzione si concentra
principalmente sul rischio relativo (ad
esempio, tracking error, Relative VaR),
anche se il rischio assoluto (ad
esempio, volatility, VaR) può rilevare
per i portafogli istituzionali.
Partendo da tali presupposti, il team partì
dalle fondamenta, analizzando differenti
modelli e software. Immediatamente
emerse in modo chiaro un fatto: alla base
di qualsiasi processo di monitoraggio e
gestione del rischio vi è la stima degli
scenari finanziari che determinano il
futuro valore del portafoglio, ossia la
distribuzione di probabilità dei
rendimenti sull’orizzonte temporale
prescelto. Tale stima è critica: se il
modello di rischio si fonda su ipotesi di
dubbia bontà circa tale distribuzione,
l’intero processo è minato. L’evidenza
empirica mostra come spesso i
rendimenti non siano normalmente
distribuiti, come abbiano volatilità e
correlazioni che mutano nel tempo e
come non sia rara la presenza di auto-
correlazione positiva. Inoltre,
specialmente se l’orizzonte temporale
“Alla base di qualsiasi processo di monitoraggio e gestione
del rischio vi è la stima degli scenari finanziari che
determinano il futuro valore del portafoglio.”
non è breve, è irrealistico pensare che la
media sia nulla.
I modelli tradizionalmente in uso
nella comunità degli asset manager,
basati su un approccio multifattoriale
fondamentale con ipotesi di rendimenti
gaussiani, non sono in grado di cogliere
questi fatti empirici. Il team si mosse
guidato dall’idea che, per stimare in
modo ragionevole la distribuzione di
probabilità dei rendimenti futuri, fosse
necessario tentare di replicare il loro
processo stocastico. Il fatto era che
alcuni software presenti in commercio
soddisfacevano questi requisiti ma non
erano compatibili con il budget
assegnato ed i vincoli di tempo, mentre
altri avevano costi e tempi realizzativi
accettabili, ma non soddisfacevano i
bisogni della società. Dovendo affrontare
una modellistica non banale, lo sviluppo
interno apparve come la soluzione meno
costosa. Così, di fronte alla decisione
make or buy il team optò per la prima
alternativa.
Flessibilità
L’approccio basato sul Filtered
Bootstrap, proposto da Barone-Adesi et
al. (1999), apparve come una soluzione
ragionevole al problema di generare
scenari futuri per i rendimenti. Questa
metodologia simulativa consente di
calcolare in modo affidabile un’ampia
varietà di misure di rischio su differenti
orizzonti temporali d’analisi. Il Filtered
Bootstrap considera esplicitamente le
condizioni di mercato correnti ed è
basato sulla distribuzione empirica
multivariata dei rendimenti, senza ad
essa imporre alcuna particolare forma
parametrica. Questo metodo semi-
parametrico coglie l’eteroschedasticità
condizionale, la correlazione seriale e la
non-normalita dei risk factor, ossia la
maggior parte delle caratteristiche
statistiche osservate nella realtà. Inoltre,
consente la full valuation dei derivati,
un’importante proprietà quando
l’orizzonte d’investimento è lungo e la
natura asimmetrica delle opzioni risulta
evidente. Il modello è piuttosto ben
documentato e testato: si veda
Brandolini et al. (2001), Zenti e Pallotta
(2001), Zenti e Pallotta (2002).
Dal punto di vista IT, avendo a che
fare con un complesso sistema di
alimentazione dei dati (sistema
amministrativo interno, information
provider, banche depositarie, ecc.),
abbiamo creato un database dove
vengono organizzati i dati statici e
dinamici rilevanti per ciascuno
strumento finanziario. Il sistema è basato
su un database flessibile, Lilith®, e su un
motore di calcolo, Matlab®,
rispettivamente forniti da Hicare e da
Mathworks, entrambi noti produttori di
soluzioni informatiche. Lilith® è un
innovativo sistema adatto alla gestione di
volumi medi di dati. Esso combina,
aggiorna ed elabora posizioni per un
ampio numero di portafogli e
benchmark. Immagazzina i dati in
compatte strutture ipercubiche,
minimizzando l’occupazione di spazio su
disco (tecnicamente, il database è
contestualmente Gerarchico, Cartesiano
W W W. R I S K . N E T
e Relazionale). Esso consente di navigare
attraverso i dati, aggregandoli e
disaggregandoli arbitrariamente; tutto ciò
viene effettuato in modo piuttosto
semplice, nell’ottica dell’utilizzatore
finale.
Grazie all’impiego di Matlab® come
linguaggio di programmazione d’alto
livello, è stato possibile trarre vantaggio
dalle molte funzioni già esistenti per
accelerare i tempi di sviluppo del modello.
La notevole capacità di calcolo dimostrata
da Matlab® nel manipolare matrici di
grandi dimensioni fa sì che i tempi di
calcolo siano più che soddisfacenti, anche
per elaborazioni simultanee di centinaia di
portafogli. In seconda istanza, le routine
Matlab® possono essere compilate in
linguaggio C utilizzando il toolbox fornito
da Mathworks.
Lilith® riceve le posizioni di
portafoglio direttamente dal back-office
utilizzando semplici file testuali, mentre i
prezzi delle attività finanziarie, degli indici
ed altri dati di mercato vengono forniti da
vari information provider. Lilith® non è
soltanto un database; esso è anche un
data-manager che, grazie alle sue notevoli
capacità di reporting, consente la
visualizzazione dei dati e dei risultati in
tabelle e grafici di notevole impatto visivo
(sia in formato elettronico, che su
stampa). L’utilizzatore finale del sistema
può quindi navigare tra i report in formato
elettronico, considerando differenti
portafogli, mutando la date di analisi e le
misure di rischio. Il sistema facilita anche
il reporting su web e l’analisi what if,
grazie ad un’interfaccia di semplice
utilizzo che consente di variare il peso dei
titoli in portafoglio, introducendone
eventualmente dei nuovi.
Lo sviluppo del sistema di rischio ha
richiesto circa nove mesi di lavoro di tre
quants di RAM e di due consulenti
impegnati prevalentemente nell’impianto
del database. Il primo report è stato
La società
Con un patrimonio in gestione di
circa 26 miliardi di Euro (11 dal mer-
cato retail e 15 da quello isti-
tuzionale) Ras Asset Management
(RAM) è una SGR di medie dimen-
sioni. La società, appartenente al
Gruppo RAS, la seconda compagnia
assicurativa italiana, ha sede a
Milano, dove vengono gestiti oltre
300 portafogli azionari,
obbligazionari e bilanciati, utilizzan-
do un universo investibile di circa
10.000 strumenti finanziari, derivati
compresi (principalmente futures e
opzioni).
● NOVEMBRE 2003 RISK I TA L I A 45
Asset management l
realizzato nell’autunno del 1999.
Oggi, con alle spalle anni di
esperienza, il team è piuttosto consolidato.
Tre quants, Claudio Marsala, Massimiliano
Pallotta e Raffaele Zenti, quest’ultimo con
la responsabilità dell’unità di rischio,
operano congiuntamente con un’unità
specializzata nel data management, che
fornisce dati anagrafici e di posizione
relativi a portafogli e benchmark. Queste
due unità rispondono a Dario Brandolini
che, come chief risk officer, riporta al
direttore generale.
Nel corso del tempo il sistema si è
evoluto in modo naturale. La versione
corrente consente di trattare in modo
integrato il rischio di mercato, quello di
credito e quello di liquidità all’interno di
un’impostazione metodologica
incentrata sul Filtered Bootstrap. Il
calcolo del marginal e del component
risk per ciascuna attività, o sub-aggregato
di portafoglio, viene effettuato in modo
computazionalmente poco oneroso.
Dal punto di vista dell’architettura IT,
l’attività di simulazione volta a generare
gli scenari finanziari è ora completamente
separata dall’analisi del portafoglio. Ciò
consente a RAM di fornire servizi di risk
Ha mai visitato
il nostro sito?
www.risk.net
Il sito web del
magazine Risk
46 R I SK I TALIA NOVEMBRE 2003 ● W W W. R I S K . N E T
analysis anche a clienti istituzionali, senza di rado le management fee sono legate
la necessità di conoscerne le posizioni. Il mediante una formula al rischio
fatto è interessante in quanto, vista la realizzato. Pertanto, al fine di mantenere
debolezza dei mercati azionari nei tre sotto controllo il rischio, fondazioni e
anni passati, il risk management sta fondi pensione mostrano un crescente
diventando sempre più rilevante per gli interesse per questo tipo di analisi: questa
investitori istituzionali. Spesso essi è la ragione che ha portato la RAM a
definiscono esplicitamente limiti di mettere a loro disposizione i propri
rischio nei loro mandati di gestione e non strumenti e l’esperienza maturata. ■
Riferimenti bibliografici
1. Barone-Adesi, G., Giannopoulos, K., Vosper, L. (1999). VaR without correlations for non-linear
portfolios. Journal of Futures Markets, 19, August, 583 – 602. Disponibile su:
http://www.lu.unisi.ch/istfin/papers/index.htm.
2. Brandolini, D., Pallotta, M., Zenti, R. (2001). Risk management in an asset management
company: a practical case. Eight International Conference "Forecasting Financial Markets",
Proceedings, London, 30 May – 1 June 2001 Disponibile su:
http://papers.ssrn.com/paper.taf?abstract_id=252294
3. Zenti, R., Pallotta, M. (2001). Historical simulation and value at risk for asset managers. Eight
International Conference "Forecasting Financial Markets", Proceedings, London, 30 May – 1
June 2001. Disponibile su: http://papers.ssrn.com/sol3/papers.cfm?abstract_id=251669
4. Zenti, R., Pallotta, M. (2002). Are asset managers properly using tracking error estimates?
Journal of Asset Management, Volume 3, Number 3, 279 – 289.