Sei sulla pagina 1di 25

Valutazione

Risk Adjusted Performance Measurement


negli Hedge Funds: Omega, Kappa e AIRAP

di Gabriele Astolfi*, Samuele Marafin** e Francesco Martinelli***

1. Introduzione
La valutazione ex post del rischio e della performance e la loro analisi comparativa, la Risk
Adjusted Performance, costituisce un'attivit in continua evoluzione nellAsset Management. Su
questo tema, una delle principali tematiche recentemente introdotte la cosiddetta valutazione
universale della performance (universal performance measurement). Di seguito analizziamo diversi
indicatori di performance aggiustata per il rischio ex post riferita ai prodotti di gestione alternativa,
Hedge Funds. Le tecniche di gestione che caratterizzano questi prodotti li rendono, ai nostri fini,
differenti dai prodotti tradizionali dellAsset Management. E necessario perci, prima di
presentare i diversi indicatori, fare alcune considerazioni sulla analisi delle serie storiche dei
rendimenti negli Hedge Funds.

2. Risk Adjusted Performance nellasset management tradizionale


La valutazione quantitativa di portafoglio presuppone la misurazione del rendimento corretto per il
rischio (risk adjusted performance, RAP). Il metodo pi semplice e pi comunemente usato quello
del confronto tra i rendimenti per i portafogli che manifestano lo stesso profilo di rischio.
Quando le distribuzioni dei rendimenti sono normali il classico modello di media-varianza ed il
CAPM (Capital Asset Pricing Model) sono validi, pertanto le misure della performance possono
essere ricavate direttamente dal modello stesso.
Il pi conosciuto indicatore di risk adjusted performance nellasset management tradizionale
lindice di Sharpe, introdotto da Sharpe nel 1966. Questo indice misura leccesso di rendimento
medio di un portafoglio, in un dato periodo di tempo, rispetto allattivit risk free per ogni unit di
rischio. Esso definito nel modo seguente:
R p, t R f, t
IS = (1)
R
p, t R f, t

dove R p, t rappresenta il rendimento medio del portafoglio nel periodo di tempo t, R f, t il

rendimento dellattivit priva di rischio nel periodo di tempo t e


lo scarto
R p, t R f, t

quadratico medio delleccesso del rendimento, che coincide con lo scarto quadratico medio del
portafoglio stesso giacch lattivit di confronto per definizione priva di rischio. Tale indicatore

*
Membro Commissione Aiaf-Gips; Risk Management Banco di Desio e della Brianza s.p.a.
** Associato Aiaf dal 2003, Co-responsabile Commissione Aiaf-Gips; Divisione Risk Asset
Management Credito Emiliano CRDM.
*** Socio Aiaf dal 2001 (Diplomato CEFA), Co-responsabile Commissione Aiaf-Gips; Divisione Risk

Management Banca Lombarda, Capitalgest SGR.

6
misura il rendimento in rapporto alla volatilit totale e rappresenta la maggiore renumerazione
richiesta dal risparmiatore per affrontare quantit aggiuntive di rischio.
Al valore calcolato con questo rapporto si possono associare diverse interpretazioni.
Graficamente, ponendosi in un equilibrio di media-varianza, esso interpretabile come il
coefficiente angolare della Capital Market Line (SML) r p = r f + IS p , che descrive linsieme dei
punti ottenibili attraverso le diverse combinazioni dellattivit risk free ed il portafoglio rischioso. Alle
rette con inclinazione maggiore corrisponde il portafoglio con la combinazione migliore.
2
Lindice di Modigliani e Modigliani M , proposto dai due autori nel 1997, adotta per il calcolo del
rendimento la seguente espressione:

(
RAP(p) = R p, t R f, t ) b
p
+ R f, t (2)

dove le variabili presenti nella formula hanno lo stesso significato visto in precedenza e b indica la
2
deviazione standard del benchmark. M indica quale sarebbe il rendimento conseguibile dal
portafoglio se la sua rischiosit fosse uguale a quella del benchmark. Il portafoglio P viene costruito
ripartendo le risorse in due attivit: una rischiosa, rappresentata da un portafoglio attivo, ed una
priva di rischio, rappresentata dai titoli a breve. Se indichiamo con di la frazione di portafoglio da
investire (disinvestire) nelle attivit di leveraging, incrementata (decrementata) in base al valore
del rischio del portafoglio rispetto a quello del benchmark, possiamo riscrivere lindice RAPM nel
seguente modo:
(
RAP(p) = R p d i + 1 d i R f ) (3)

b
dove con d i = abbiamo indicato il peso da investire nellattivit rischiosa, affinch il portafoglio
p
manifesti la stesso rischio del portafoglio benchmark. Sostituendo questa espressione
nellespressione precedente si ottiene:
b
Rp Rf b + Rf
p p
RAP(p) = =

b b
Rp + 1 Rf
p p
= =
Rp R
b
f +
p p R f
= =
b IS + Rf
= (4)
Abbiamo cos espresso il rendimento del portafoglio attraverso una trasformazione lineare in termini
di IS. Questo lo rende maggiormente intuitivo e quindi di pi facile comprensione. La
rappresentazione grafica apparentemente uguale a quella fornita per lindice IS. La differenza
determinata dal fatto che lindice di Sharpe prende in considerazione il rischio di portafoglio
mentre lindice RAP quello del benchmark.
Lindice M 3 measures prende in considerazione lo scarto quadratico medio del benchmark senza
considerare il suo rendimento. Esso non fa, quindi, alcun riferimento al differenziale di rendimento
tra il portafoglio e il benchmark, presupponendo un tracking error nullo. Modificando questipotesi
siamo di fronte ad una nuova misura di rendimento chiamata M 3 definita come:
M3 = CAP = R p + R b + (1 ) R f (5)

dove la sigla CAP significa Correlation Adjusted Performance.


Gli obiettivi degli investitori sono espressi attraverso dei livelli target di TE e di correlazione tra i titoli,
che saranno poi confrontati con i livelli effettivi. quindi possibile definire le seguenti variabili:

7
tTE = target Tracking Error
TE = Tracking Error ex-post
tC = Correlazione target
C = Correlazione ex-post

Tra il livello di TE e la correlazione esiste una relazione ricavabile dalla teoria del CAPM che esprime
il rendimento medio del portafoglio come p = + b + e quindi la sua varianza come

2
p2 = 2 b + 2 . Questa pu essere anche espressa in termini di coefficiente di correlazione ()
come
2
2 = 2 p 2 + 2
p pb 2 b
b
Il rischio residuo 2 presente nella precedente espressione definito come il TE . Attraverso alcuni
passaggi algebrici possiamo quindi riscrivere lespressione precedente come:

TE = p 1 2 .
pb
Lobiettivo la determinazione dei coefficienti e , che esprimono rispettivamente il risultato
dellattivit di leverage adeguatamente aggiustata dalla correlazione tra portafoglio e
benchmark, ed il differenziale tra correlazione voluta e quella registrata. Applicando le relazioni fin
qui esaminate ricaviamo i seguenti parametri:
2
(1 tC)
= b (6)
p 2
(1 C )
2
(1 tC)
= tC C (7)
2
(1 C )
Dalle espressioni precedenti si evince che, quando la correlazione tra il rendimento del portafoglio
3 2
e quello del benchmark nulla, M coincide con M . Con questindicatore la correlazione tra
portafoglio e benchmark scomposta nella somma di tre diverse correlazioni:
La prima tra il portafoglio scelto e quello attivo (che si discosta dal benchmark) misurata da
ed a sua volta influenzata dallattivit di leverage.
La seconda tra il portafoglio attivo e quello passivo (che replica il benchmark), in questo
caso non c influenza da parte dellattivit di bilanciamento dei livelli di rischio poich si
prende in considerazione lo scarto quadratico medio del benchmark che rappresenta
lobiettivo dellinvestitore.
Lultima, tra il portafoglio e lattivit risk free, una correlazione residua.

Lindice Alpha di Jensen stato proposto nel 1968 dalleconomista Michael Jensen, in cui la
formula di trova la sua origine nel modello CAPM:
[
= R P R f + P (R m R f ) ] (8)
dove il portafoglio di mercato viene rappresentato dal benchmark che composto di tutti i titoli
disponibili e si suppone efficiente in termini di media-varianza per un investitore non informato.
Lindice pu quindi essere riscritto proprio come funzione delloverperformance:
= Rp E Rp ( )
Possiamo assegnare allAlpha di Jensen anche uninterpretazione grafica, infatti indica il
( ) ( )
coefficiente angolare della retta = R p R f p R m R f mentre ne rappresenta invece

8
lintercetta. Esso misura il valore aggiunto del manager alla redditivit di portafoglio, cos come
ricavabile dal CAPM.

L Information Ratio, conosciuto anche come Appraisal Ratio, definito dal seguente rapporto:
Rp Rb
IR = (9)
TEV
dove TEV la Tracking Error Volatility, mentre il numeratore esprime lexcess return mean, definito
dalla differenza tra il rendimento medio del portafoglio rispetto al rendimento medio del
benchmark, chiamato TEM (Tracking Error Mean). Con questa misura di RAP si sintetizzano, in un
unico valore, sia le aspettative di rendimento sia quelle connesse al livello di rischio
dellinvestimento, permettendo cos di evidenziare le capacit del gestore di ottenere una
overperformance tenendo sotto controllo il livello di Tracking Error (TE). Pu, infatti, essere riscritto
come:
TEM
IR =
TEV
LIS misura la performance del fondo in modo assoluto mentre lIR misura il contributo dellattivit
dasset allocation rispetto al benchmark scelto o in senso relativo.

Lindice di Treynor, noto come Reward to Variability Ratio, rapporta lextrarendimento del
portafoglio rispetto allattivit risk free al beta del portafoglio:

TP =
( )
E Rp Rf
(10)
p
Esso molto simile allindice di Sharpe qualora si prenda in considerazione solo il rischio
sistematico, analizzato come contributo marginale al rischio totale1. In effetti, se riprendiamo la
ER
definizione di IS come dove con ER abbiamo indicato lextrarendimento del portafoglio
(ER )
rispetto allattivit risk free, possibile riscrivere il denominatore dellespressione precedente
come m ottenendo:
Tp
IS .
m
Esso presenta dei limiti in quanto pu essere utilizzato per la valutazione dei soli investimenti azionari
poich beta lindicatore di sensibilit del prezzo di unazione alle variazioni di mercato. un
indice che ipotizza la perfetta diversificazione di portafoglio e quindi presuppone che il rischio
specifico sia completamente eliminato.

Lo stesso autore, insieme allo studioso Fisher Black, nel 1973 elabora un altro indicatore noto col
nome Treynor-Black. Il numeratore di questo nuovo rapporto rimane invariato (), al denominatore
si prende in considerazione il rischio idiosincratico ( r ). Tale indicatore di stima (Appraisal Ratio)
rapporta lAlpha di Jensen al rischio specifico, pertanto esso misura leccesso di rendimento
dovuto allabilit del manager per unit di rischio diversificabile:
p
Ar =
r (11)

Tale indicatore facilmente calcolabile ed interpretabile in quanto richiede la conoscenza di


poche informazioni; per di pi, ipotizzando una distribuzione normale dei rendimenti e utilizzando lo
stesso approccio teorico dei mercati efficienti, permette di evidenziare come il rischio ed il
rendimento dovrebbero rapportarsi quando si costruisce un portafoglio di attivit.

1 Si ricorda che il rischio sistematico lunico che viene remunerato dal mercato.

9
Sviluppiamo la connessione tra gli indici proposti da Treynor con quello proposto da Jensen. La
relazione tra T e evidenziata dalla seguente formula:

rp rf (
p + p rb rf )
Tp = = =
p p
(12)

=
p (r rf
+ b =
p )
+ Tb
p p p

Confrontando lindice T del portafoglio e del benchmark, notiamo che il T p batte il Tb se e solo se
>0.

2. Analisi della distribuzione dei rendimenti negli hedge funds


Per la formulazione della teoria di portafoglio (e quindi il modello media-varianza) si ipotizza per i
rendimenti una distribuzioni normale. Purtroppo la teoria moderna di portafoglio non applicabile
al caso degli hedge funds, in quanto i rendimenti presentano caratteristiche statistiche diverse da
quelle menzionate.
Le loro distribuzioni, infatti non presentano caratteristiche di normalit e sono interessate da
significativi momenti di ordine superiore al secondo:
a) il momento terzo centrale che misura la assimmetria della distribuzione. In caso di
asimmetria nella distribuzione dei rendimenti la probabilit di perdita diversa, a parit di
importo, dalla probabilit di guadagno. Ci permette di determinare la probabilit di
conseguire rendimenti superiori al valore atteso e la probabilit di sopportare perdite
dovute a rendimenti inferiori al valore atteso. La varianza non coglie tale differenza in
quanto somma i due tipi di volatilit. Se la media supera la mediana, la distribuzione
presenta numerosi valori alti e risulta sbilanciata verso il semiasse positivo delle ascisse
producendo una coda a destra. In tal caso si parla di asimmetria positiva. Se la media
inferiore alla mediana, la distribuzione caratterizzata da numerosi valori bassi e risulta
protesa verso il semiasse negativo delle ascisse, producendo una coda a sinistra.
Lasimmetria rappresentata dal terzo momento centrale, denominato indice di Fischer o
coefficiente di Skewness, esprimibile come segue:
3
1 n r E (rt )
M = t
3

n t =1 (13)

Se M 3 > 0 si ha una distribuzione asimmetrica a destra (positiva);


3
Se M < 0 si ha una distribuzione asimmetrica a sinistra (negativa);
b) il momento quarto centrale che misura la curtosi della distribuzione. Esso rappresenta il
maggior od il minor appuntimento della distribuzione di frequenza. Lindice di curtosi, indice
di Pearson, esprimibile come segue:
4
1 n rt E (rt )
M =
4

n t =1 (14)

4
Siccome il coefficiente di curtosi M di una distribuzione normale pari a 3 possiamo
ottenere il seguente profilo interpretativo:
4
-se M = 3 si ha una distribuzione gaussiana definita mesocurtosi. La distribuzione di
frequenza ha una forma campanulare con due flessi equidistanti dal valore centrale.

10
4
-se M > 3 si ha una distribuzione appuntita, con code spesse e lunghe (fat tail) definita
leptocurtosi. La leptocurtosi segnala lelevata probabilit di conseguire valori diversi dal
valore atteso.
4
-se M < 3 si ha una distribuzione piatta, con code corte e sottili definita platicurtica. La
platicurtosi segnala alte probabilit di ottenere risultati vicino al valore atteso.
Una variante dellindicatore di Pearson lindice di Fisher definito coefficiente di eccesso di
curtosi:
M 4' = M 4 3
Gli investitori preferiscono bassi livelli di curtosi, mentre i fondi speculativi sono caratterizzati da
leptocurtosi, che attribuisce alla rappresentazione grafica della distribuzione dei rendimenti
una tipica forma aguzza con sommit appuntita con lunghe code spesse. Si ha maggior
probabilit di eventi straordinari e quindi si registra la tendenza dei rendimenti ad allontanarsi
dal valore medio atteso

Ci permette di osservare che negli hedge funds non sono applicabili n il modello di analisi
media-varianza n la teoria di portafoglio di Markowitz e nemmeno il CAPM di Sharpe.

Test Jarque Bera


Al fine di verificare lipotesi di normalit delle serie storiche, una delle pi note procedure il
test Jarque Bera. Facendo riferimento alle distribuzioni asintotiche degli indicatori di asimmetria
e di curtosi.si dimostra che la statistica di Jarque Bera cos definita:
S 2 (K 3)2
BJ = N + (15)
6 24
dove N indica il numero delle osservazioni, S il coefficiente di Skewness, K il coefficiente di
curtosi. Sotto le ipotesi di normalit la statistica BJ segue una distribuzione statistica di tipo 2
con 2 gradi di libert. Lipotesi nulla di normalit viene rifiutata per valori alti della statistica in
quanto questi sono causati da elevati valori di S e K che si verificano proprio quando ci
allontaniamo dallipotesi di normalit.
Il rendimento di un fondo comune aperto dipende dalle seguenti variabili:
-lo stile dinvestimento adottato dal manager che descrivibile dalla combinazione di scelte
allocative (allocation choices) inerenti alla selezione delle classi di attivit finanziarie in cui
investire e strategie operative (trading strategies) relative alla quantit e qualit di risorse da
destinare alle classi di attivit.
-labilit del manager; che a sua volta scindibile in due componenti fondamentali. La
capacit del gestore di selezionare le attivit da inserire nel portafoglio (stock picking) e la
capacit di prevedere i trend direzionali di mercato (market timing). Infatti stato dimostrato
che la maggior parte dei fondi comuni aperti sono correlati alle classi pi significative
evidenziando una forte dipendenza del rendimento dalla tipologia dei titoli detenuti piuttosto
che dallabilit dei gestori: 0 e pertanto il rendimento pu essere ampiamente spiegato
dallequazione lineare di Sharpe.
La performance degli hedge funds strettamente collegata allabilit del gestore ,
questultima funzione della capacit selettiva (stock picking) e della tempestivit operativa
(market timing). Al contrario il gestore dei fondi comuni dinvestimento si caratterizza per il fatto
di attribuire maggior peso allo stile di gestione. Tornando alla analisi dei prodotti in esame, le
scelte gestionali degli Hedge Funds di investire in prodotti a payoff non lineare o in strumenti
poco liquidi, rende tipicamente la times series dei rendimenti non normale e distante da una
relazione di linearit con i corsi dei mercati di riferimento. Lutilizzo di prodotti con poca liquidit
nel mercato, che induce a una valorizzazione a dati storici dellinvestito, una delle cause che
determinano una autocorrelazione seriale dei rendimenti ci equivale a dire che i rendimenti
del tempo t dipendono da quelli del periodo precedente, da ci deriva leffetto persistence
ed una minore volatilit. Geltner (1991&1993), Barkham and Geltner (1994) hanno svolto un
attento lavoro per eliminare lautocorrelazione, proponendo di aggiustare la serie storica dei
rendimenti attraverso la seguente espressione:

11
rt* rt*1
rt = (16)
(1 )
dove *
il coefficiente di autocorrelazione con ritardo 1, rt la serie storica che presenta
autocorrelazione , rt la serie storica corretta per lautocorrelazione.
Lautocorrelazione seriale pu trovare spiegazione nella particolare natura delle strategie
implementate e nella illiquidit degli strumenti detenuti, che costringe ad una valutazione a
dati storici o sulla base di stime soggettive del prezzo corrente. Da ci deriva leffetto
persistence ed una minore volatilit dei rendimenti. Negli hedge funds la presenza di posizioni
illiquide in portafoglio d spazio a maggior discrezionalit nella valorizzazione dellattivo mentre
per i fondi comuni aperti, ci non accade poich debbono investire in attivit altamente
liquide e sono sottoposti a rigorose norme di vigilanza contro le valutazioni arbitrarie del
patrimonio. Per valutare il livello di autocorrelazione si pu utilizzare il seguente test.

Il test di Ljung-Box
Nel test di Ljung-Box l ipotesi da verificare lassenza di correlazione per i primi m ritardi della
time series dei rendimenti.
H o : 1 = 2 = ... = m = 0 .
contro lipotesi alternativa che almeno un coefficiente di autocorrelazione sia diverso da zero.
Il test si basa sulla seguente statistica:
m
k2
Q = N (N + 2) (17)
k =1 N k
dove N indica il numero di osservazioni e k il coefficiente di autocorrelazione di ordine m.
La statistica Q sotto lipotesi nulla si distribuisce approssimativamente come una distribuzione
m2 con m gradi di libert e quindi fissato un livello di significativit , lipotesi nulla viene
rifiutata se:
m
k2
N (N + 2) m2 ,
k =1 N k
dove 2
m , quel percentile della variabile casuale m2 tale per cui P ( 2
)
m2 , =

3. Risk Adjusted Performance nellasset management alternativo


Quando i rendimenti sono asimmetrici i principi di media-varianza sono inefficienti e nasce cos la
necessit di introdurre dei nuovi indicatori di RAP. Nei primi anni 90, Sortino e Van der Meer (1991)
hanno introdotto una misura della performance corretta per il rischio, nota come indice di Sortino.
Questultimo, rappresenta lequivalente dellindice di Sharpe dove per si utilizza il downside risk
come denominatore. Infatti si considera il sovrarendimento atteso oltre un rendimento target ,
diviso per la misura del rischio di downside (il secondo momento parziale inferiore). Per quanto
riguarda lindicatore di universal performance measurement cui facevamo riferimento,
recentemente, Keating & Shadwick (2002) e Cascon, Keating &Shadwick (2002), hanno introdotto
lindicatore conosciuto come funzione Omega, definito dal rapporto fra il payout di una opzione
[ ]
call virtuale E max(r ,0) rispetto al payout della corrispondente opzione put E max( r ,0) . [ ]
Tale indicatore viene definito dagli stessi autori come una universal performance measure. La
funzione Omega rappresenta una specializzazione di una misura del rischio derivata dalla Prospect
Theory. Essa coerente con i principi di dominanza stocastica e mantiene la semplicit
interpretativa dellindice di Sortino o di altri indicatori che rapportano il sovrarendimento atteso ad
una certa misura del rischio di ribasso (si veda ad esempio, tra gli altri, Sortino & Satchell, 2001, e
Knight & Satchell, 2002).
Anche gli strumenti tipici della tradizionale teoria di portafoglio possono essere criticati quando
vengono applicati agli hedge funds, per esempio lindice di Sharpe pu trarre in inganno circa la
reale performance dei fondi, infatti gli hedge funds mostrano rendimenti medi tendenzialmente alti

12
e basse deviazioni standard. Inoltre la standard deviation uno strumento inadatto a
rappresentare il rischio dei fondi speculativi. Infine la presenza di autocorrelazione seriale positiva e
di bias da valutazione provocano una sovrastima del rendimento medio ed una sottostima della
deviazione standard. I maggiori indicatori di RAP trovano fondamento nel CAPM e presuppongono
la normalit della distribuzione dei rendimenti, trascurando completamente gli effetti di asimmetria
e curtosi. Inoltre limplementazione di strategie dinamiche comporta la non linearit del profilo dei
rendimenti, che assomiglia sempre pi ad unopzione. Pertanto, un elevato indice di Jensen pu
rappresentare la sopportazione, da parte del fondo, di maggior illiquidit.
Il coefficiente di correlazione lineare descrive la dipendenza tra le variabili in oggetto solo se la
distribuzione di probabilit congiunta di tipo normale, purtroppo tale ipotesi non si adatta agli
hedge funds.
In considerazione delle osservazioni precedenti, che spiegano linapplicabilit della moderna
teoria di portafoglio e del CAPM al caso dei fondi speculativi, diventa necessaria lelaborazione di
metodi alternativi di misurazione della performance. Nellottica di evitare un eccessivo
allontanamento dalle teorie tradizionali, alcuni autori hanno proposto rettifiche al modello base del
Capital Asset Pricing Model, cos riassumibili:
-il CAPM corretto per gli aggiornamenti sui prezzi delle attivit illiquide;
-il CAPM corretto per la prevedibilit dei rendimenti delle attivit in portafoglio;
-il CAPM corretto per la presenza di strategie commerciali dinamiche;
-il CAPM corretto per tener conto di pi fattori di rischio.

3.1 The Kappa function


Gli indici analizzati fino a questo momento presuppongono che gli extrarendimenti si distribuiscano
secondo una distribuzione normale, ci permette di calcolare il rischio attraverso la deviazione
standard ed il . Tali misure per si rivelano poco efficaci quando la distribuzione asimmetrica. La
definizione di nuove misure come lIndice di Sortino e, pi recentemente, la funzione statistica
Omega sono entrambi indicatori legati al downside risk . Dimostreremo che queste misure sono
casi particolari della funzione Kappa, che rappresenta una misura di risk-adjusted performance
generalizzata.
Lindice di Sortino definito dal seguente rapporto
Rp RT
S P (t ) = (18)
DDev
dove al numeratore abbiamo riportato lexcess return mean rispetto ad un valore target mentre al
denominatore abbiamo la Downside Deviation (DDev) che considera gli scarti negativi dal target.
La scelta di un livello flessibile di rendimento target permette di personalizzare lobiettivo
dinvestimento. Rispetto agli indicatori tradizionali di RAP, con lindice di Sortino lattenzione
spostata solo sugli scarti negativi rispetto al rendimento target, in altri termini il rischio visto come
la possibilit di ottenere un rendimento inferiore alle proprie aspettative. Il concetto di downside risk
si lega alla funzione statistica LPM2 (lower partial moment) proposta da Harlow nel 1991.
n
LPMn = ( R ) dF(R) (19)
dove
- indica la threshold inferiore del rendimento minimo accettabile;
- R indica i rendimenti;

2 La formula analizza la distribuzione nel continuo. Questa funzione stata analizzata anche nel
1 T
discreto attraverso la formula LPM =
T t =1
max ([ r t ,0] ^2 ) . Questa versione discreta non richiede la
conoscenza dellintera distribuzione ma solo delle singole osservazioni del rendimento. Dato che i
dati disponibili, gestibili e memorizzati sono limitati, essa permette di calcolare Kappa solo per
poche distribuzioni caratteristiche dei rendimenti. Per questo motivo si sviluppato un metodo
alternativo che approssima la funzione discreta con quella continua originando la famiglia delle
funzioni di Johnson.

13
- N indica i momenti parziali di ordine n;
- dF(R) indica la funzione di densit di probabilit dei rendimenti;
Variando il valore di n si ottengono diversi indicatori. Ad esempio con n=0 si misura la probabilit di
perdita, con n=1 lexpected shortfall e con n=2 la downside risk rispetto ad un rendimento medio
target. Questa funzione permette di definire una funzione generica, funzione Kappa, che dipende
dalla funzione LPM:

K n ( ) = (20)
n LPM n ( )
Ancora, attraverso la specificazione di n possibile ricavare diversi indici di RAP. Ad esempio se
n=2 si ottiene K 2 ( ) che rappresenta lindice di Sortino. La dimostrazione dellequivalenza tra
lindice di Sortino e Kappa per n=2 immediata, in effetti lindice di Sortino al numeratore misura la
differenza tra rendimento del portafoglio ed il rendimento scelto come target, che pu essere
scritta come ( ) . Il denominatore rappresentato dalla downside deviation. Si gi detto che
la funzione LPMn calcolata per n=2 rappresenta proprio la downside deviation. Queste
considerazioni ci portano a riscrivere lindice di Sortino come:

S P ( ) = (21)
2
( R ) dF(R)
t
dove: = RdF ( R) . Il denominatore noto come il second partial moment inferiore. Sulla base

della simbologia da noi adottata, l'espressione equivalente per l'indice di Sortino la seguente:
r
S( ) =
LPM 2
importante valutare la sensitivit della funzione Kappa ai momenti di ordine superiore al
secondo, in particolare per n=3 si ottiene una misura di skewness risk per valori di threshold sotto
una media e per n=4 si ottiene una misura di curtosi risk che rappresenta la avversione al rischio di
curtosi per valori al di sotto di una threshold.

3.2 New alternative RAP per hedge funds: Omega function


La statistica Omega (universal performance measure), precedentemente vista come
generalizzazione dellindice di Sortino, cos definita:
+
[1 F(R)]dR
( ) = (22)

F(R)dR

dove con F(R) abbiamo indicato la funzione di ripartizione del rendimento totale dellinvestimento
mentre con la treshold selezionata dallinvestitore.
Omega quindi un rapporto tra funzioni di ripartizione entrambi rispetto a un rendimento soglia.
Per meglio comprendere le relazioni tra questi tre indicatori consideriamo innanzitutto la relazione
tra Omega e Kappa. Partendo dalla formulazione di Omega come rapporto di funzioni di
ripartizione e integrando separatamente il numeratore e il denominatore, per parti, possibile
dimostrare la seguente relazione:

( ) = +1
LPM1
ovvero
( ) = K 1 ( ) + 1 (23)
Infatti attraverso diversi passaggi algebrici si ottiene:

14
+
[1 F(R)]dR
E[max( R ,0)] E (R R )(1 F ( ) )
( ) = = = .
E[max( R,0)] E (R R < )(F ( ) )
F(R)dR

+
Il numeratore dellindice,dopo lintegrazione per parti, pu essere scritto come (R )dF ( R)
+
sapendo inoltre che il rendimento atteso per lintero periodo () vale RdF ( R) possiamo definire

+
la quantit ( ) come (R )dF (R) . Questultimo integrale a sua volta scomponibile nella

+ +
somma di altri due integrali (R )dF ( R) = (R )dF ( R) ( R )dF ( R) ,

dove il primo

termine della differenza il numeratore dellindice Omega e il secondo termine rappresenta la


funzione LPM calcolata per n=1. Da questultima espressione possiamo riscrivere il numeratore della

funzione come ( ) + ( R )dF ( R) o anche come ( ) + LPM 1 . Il denominatore


integrato per parti rappresentato dallintegrale ( R )dF ( R) che

corrisponde alla funzione

LPM1. Sostituendo i risultati ottenuti nella funzione di omega otteniamo che:


( ) + LPM1
( ) =
LPM1
da cui
( ) = K 1 ( ) + 1 .

La seguente espressione implica che la funzione Kappa una funzione di Omega a meno di una
costante, pertanto possiamo trasferire qualsiasi considerazione relativa alla funzione Omega alla
funzione Kappa. Abbiamo dimostrato che la funzione Omega presenta una interpretazione
naturale di misurazione della performance e pu, di fatto, essere interpretata come una misura
che rapporta il sovrarendimento atteso ad una misura di rischio di ribasso.
La funzione Kappa pu essere calcolata per ogni valore di n e per qualsiasi valore di .
Linterpretazione dei diversi valori di Kappa in funzione dei diversi complessa e dipende anche
dal valore di n, in particolare, al variare di le variazioni subite dallindice Kappa sono
inversamente proporzionali ad n.
Largomento della dominanza di quelli poco utilizzati nella pratica poich lesistenza di
attivit/portafogli dominati creerebbe opportunit di arbitraggio. Diciamo che una attivit (D)
domina una seconda qualora produca costantemente rendimenti migliori. La dominanza
stocastica di primo ordine (first-order stochastic dominance, FSD) una variante debole della
dominanza D in quanto, affinch lattivit A domini stocasticamente lattivit B, essa non deve
necessariamente produrre risultati migliori. Al contrario, la probabilit che A superi un dato livello di
rendimento dovrebbe essere pi elevata rispetto a B; geometricamente ci equivale a dire che la
funzione di ripartizione CDF di A, si trovi sempre sotto (o tocchi) la CDF di B, senza intersecarla.
Pertanto, A presenta sempre una probabilit di bassi rendimenti minore rispetto a B.
Possiamo pertanto affermare e dimostrare che la funzione Omega un concetto collegato alla
dominanza stocastica come al downside risk approach. In particolare si dimostra che se X n-order

domina stocasticamente Y (NSD), denotato


X NSD Y allora:

15
X r Y r

LPM n LPM n
per ogni r.

3.3 Riformulazione della statistica Omega


Nel paragrafo precedente stata introdotta una nuova misura di performance chiamata Omega
che stata sviluppata per superare linadeguatezza delle tradizionali misure di performance
quando vengono considerati investimenti che non seguono la distribuzione normale. Omega
stata sviluppata con lintenzione di considerare lintera distribuzione dei rendimenti. Una visione
alternativa di Omega quella di riportarla come il rapporto tra il prezzo di un opzione call ed il
prezzo di un opzione put. Si sottolinea qui che molti investimenti tuttavia non soddisfano le ipotesi
assunte nel modello di pricing di Black-Scholes, sar pertanto necessario adottare delle formule
approssimate per ottenere una stima di Omega.
Omega pu essere anche scritto come:
C ( )
( ) =
P( ) (24)
dove C() il prezzo di unopzione call europea scritta sullattivit dinvestimento, P() il prezzo di
unopzione put europea scritta sullattivit dinvestimento. Supponendo che la maturit di
entrambe le opzioni sia lunit periodale e lo strike price di entrambe le opzioni sia , si dimostra che
il numeratore ed il denominatore dellespressione precedente possono essere cos trascritti:
+ +
[1 F(R)]dR = ( R ) f ( x)dx = E [max( R ,0)]

+
F(R)dR = ( R) f ( x)dx = E [max( R,0)]

dove f(x) la funzione di densit della distribuzione dei rendimenti. Le espressioni precedenti
rappresentano i valori attesi di una call e di una put a scadenza. Moltiplicando le espressioni
precedenti per il exp(-rf), dove rf il tasso risk free, otteniamo il valore atteso di una call e di una
put.

E [max(R ,0)]
rf
C ( ) = e
E [max( R,0)]
rf
P ( ) = e
Sostituendo lespressioni precedenti nellespressione di partenza otteniamo la nostra tesi.
Uninterpretazione che viene data al prezzo dellopzione put di considerarlo come il costo di
protezione del risultato di un investimento da un target return.
Si veda lappendice per lo sviluppo di tutti i passaggi algebrici per giungere alla dimostrazione
della nostra tesi.

3.3 Indice di Sharpe-Omega


Una versione alternativa della funzione Omega lindicatore Sharpe-Omega. Esso cos definito:
r
Sharpe - ( ) = (25)
P ( )
dove r il tasso di rendimento atteso sullinvestimento, un rendimento target prefissato e
P( ) il premium di unopzione put. Si dimostra che ( -1) proporzionale allexcess return atteso
sullinvestimento diviso per il prezzo della put.
Sharpe - ( ) = ( ) 1 (26)

Questa ultima espressione ci fornisce cos le stesse informazione di classificazione dellinvestimento


della funzione Omega. Questultima rappresentazione di return/risk pi intuitiva della funzione
Omega.

16
Dallespressione precedente quando r < , Sharpe-Omega una misura negativa. Si noti che
dato r < maggiore il valore della put, per esempio per un incremento di volatilit maggiore il
valore della funzione Sharpe-Omega quindi migliore linvestimento. Dallespressione precedente
si nota che quando r > , Sharpe-Omega una misura positiva. Unalta volatilit incrementer il
prezzo dellopzione put portando cos ad una riduzione della funzione Sharpe-Omega.

3.4 Indice di Style Risk Adjusted Performance


2
Unestensione dellindicatore M (Modigliani and Modigliani 1997) lindicatore Style Risk
Adjusted Performance proposto da Lobosco (1999) per catturare lo stile del management
adottato.
Riprendendo la definizione del Var Modificato (o Cornish-Fisher VaR) che ingloba anche i momenti
della distribuzione superiori al secondo, otteniamo il seguente indicatore:

ARAP =
VaRCornishFisher ( Ind )
(RHF R f ) + R f (27)
VaRCornishFisher ( HF )
dove Ind lindice di riferimento; HF lhedge fund in esame; RHF indica il valore medio
dellhedge funds; R f il tasso risk-free; VaRCornishFisher il VaR calcolato utilizzando lestensione di
Cornish-Fisher.
Lindicatore ARAP permette perci di confrontare due fondi che seguono sia la stessa strategia,
sia strategie differenti, infatti ci possibile attraverso il seguente indicatore definito ASRAP
(Alternative Style Risk Adjusted Performance) :
ASRAP = ARAP( Fund ) ARAP( StyleIndex) (28)

3.5 Alternative Investment Risk Adjusted Return (AIRAP)


Sebbene alcuni indicatori di RAPM (Risk-Adjusted Performance Measures) prendano in
considerazioni i momenti terzo e quarto, un ulteriore affinamento stato proposto da Sharma
(2002), proponendo una nuova misura chiamata AIRAP (Alternative Risk Adjusted Investment)
costruita sulla teoria dellUtilit Attesa. AIRAP definito il rendimento certo implicito che un
investitore avverso al rischio richiede per spostare le sue preferenze da un investimento certo ad
uno incerto. La funzione di utilit attesa per un investitore al rischio concava, ci significa che un
investitore preferisce una certa somma Z ad una somma ottenuta dalla combinazione di due
somme Z1 e Z 2 . Lavversione al rischio una misura proporzionale alla concavit della funzione di
utilit, essendo definita dal rapporto tra la derivata seconda e la prima, mentre lavversione al
rischio relativa prende in considerazione anche la ricchezza dellinvestitore (W). Si dimostra che
possibile decomporre il rendimento nelle seguenti due componenti: il risk premium e lindicatore
AIRAP. Il certo equivalente della prestazione aleatoria W quel valore inferiore Z in corrispondenza
del quale si ottiene la stessa utilit attesa per linvestitore.
[ ]
Indicando con R 0, T il rendimento cumulato del fondo nel periodo [0,T], c=CRRA il parametro di
1
avversione al rischio, N il numero delle osservazioni della serie storica in esame e sia pi = ,
N
lindicatore AIRAP ha la seguente rappresentazione:
1
(1 c )

pi (1 + TRi )
AIRAP = CE = (1 c )
1c 1 &c0
i
(29)

AIRAP = CE = pi (1 + TRi ) 1 c = 1
i

Lindicatore AIRAP per come definito riesce a catturare i momenti superiori al secondo ed a
tener conto del livello di volatilit e di leverage in proporzione al livello di avversione al rischio.
Lindicatore AIRAP utilizzato per definire il seguente indicatore definito Modified Sharpe Ratio:

17
P rf
MSR =
AIRAP

4. Alcune misure di rischio negli Hedge Funds


Il valore a rischio (value at risk o VaR) la massima perdita potenziale che una data posizione pu
subire a un certo livello di confidenza, in un determinato orizzonte temporale. Il valore a rischio un
concetto di difficile applicabilit negli hedge funds, in quanto presenta alcuni limiti significativi.
Oltre a presupporre la conoscenza esatta della distribuzione dei rendimenti dei fattori di mercato
da cui dipendono le singole posizioni, il metodo non supporta la propriet subadditiva, cio il VaR
di un portafoglio di titoli pu essere maggiore della somma dei VaR delle singole attivit che lo
compongono.
Favre e Galeano (2002) hanno proposta una modifica dellindice di Sharpe, che applicabile ai
casi in cui i rendimenti non sono distribuiti normalmente. Per quanto stato detto il profilo di rischio
degli hedge funds dipende significativamente da momenti di ordine superiore (asimmetria e
curtosi), per questo motivo limpiego dellindice di Sharpe ampiamente sconsigliato per valutare
la redditivit dei fondi speculativi. Una delle cause dei suoi potenziali effetti distorsivi legata
allinadeguatezza della deviazione standard come misura di rischio degli investimenti alternativi. La
modifica proposta suggerisce perci di integrare nel calcolo del VaR i momenti superiori al
secondo, proponendo cos il VaR modificato (modified VaR o MvaR). Il VaR modificato si ottiene
applicando lespansione di Cornish Fischer, che esprime il percentile standardizzato di una
generica distribuzione in funzione dei momenti della medesima di ordine superiore alla media ed
alla varianza e del corrispondente percentile della distribuzione normale standardizzata.
Il VaR modificato viene cos spresso:
MVaR = rP + z P (30)
ove z il percentile secondo lespansione di Cornish-Fisher ed assume la seguente forma:

z = z +
6
(
1 2
)
z 1 M 3p +
1 3
24
( )
z 3z M p4'
1
36
( )( )
2 z3 5 z M 3p
2
(31)

dove:
- z il percentile corrispondente al livello di confidenza (1 ) relativo ad una funzione di
distribuzione normale standardizzata;
3
- M p il coefficiente di asimmetria del portafoglio scritta secondo lindice di Fisher;
M 4'
- p il coefficiente di eccesso di curtosi del portafoglio scritta secondo lindice di Fisher;
- rP il rendimento medio del portafoglio;
- P la deviazione standard del portafoglio.
E cos possibile ridefinire il seguente indicatore definito come lindice di Sharpe modificato (SHM) ,
che rapporta lexcess rendimento medio del portafoglio fondo rispetto al tasso free-risk al VAR
modificato:
rP rF rP rF
SHM = =
MVAR rP + z P (32)

Esso appare uno strumento idoneo alla misurazione della performance di portafogli con profilo
rischio-rendimento simili a quelli degli strumenti derivati, adattandosi perci bene agli hedge funds,
la cui performance dipende significativamente dai momenti di ordine superiore al momento
secondo.
Infine Agarwal e Naik (2002) propongono una soluzione alternativa a quella precedente descritta,
introducendo il VaR condizionale (conditional value at risk o CVaR). Il CVaR rappresenta
laspettativa di perdite superiori al VaR. Il CVaR, che rappresenta il valore atteso delle perdite
maggiori o uguali al VaR e pu essere cos rappresentato:

18
VaR

zf ( z ) dz
CVAR = E (r r VaR ) =
(33)
F (VaR )
Infine alcuni autori propongono lapplicazione della teoria dei valori estremi al calcolo del VaR in
particolare nella modellizzazione della coda sinistra della distribuzione dei rendimenti secondo la
teoria Peaks-Over-Threshold(POT). Lapplicazione della Generalized Pareto Distribution (GPD) alla
distribuzione dei rendimenti permette di esprimere il CVaR ed il VaR attraverso le seguenti
espressioni analitiche:
n
VaRP = + p 1 (34)
N u

VaRP
CVaR = + (35)
1 1
dove:
- il parametro di scale;
- il parametro di Shape;
- il parametro di locazione o threshold;
- n il numero totale delle osservazioni;
- N u il numero di osservazioni superiori alla threshold prefissata.

Acar E. e S. James (1997) propongono per la misurazione del rischio degli hedge funds un modello
basato sulle misure di drawdown, suggerendo di esprimere la rischiosit dei fondi alternativi
attraverso uno dei seguenti modelli:
- la drawdown duration, che definisce il pi alto numero di mesi consecutivi con rendimento
negativo;
-luninterrupted drawdown indica la perdita pi alta in percentuale, che in modo ininterrotto
ha avuto luogo nel periodo di analisi;
-il maximum drawdown detto anche peak-to-valley-drawdown, che esprime, in termini
percentuali e per un periodo di tempo prefissato, la massima perdita di valore che linvestitore
pu sperimentare. Esso calcolato mettendo a confronto il massimo valore storico raggiunto
dalla quota con il minor valore della stessa osservato in un momento successivo. Esso cos
definito:
NAVt
MDD(0, T ) = min 0t T 1 = max 0t T DDt (36)
max 0it ( NAVi )
dove:
-DD il Drawdown che la perdita registrata dal peak al valore corrente, ed esprimibile in
termini di rendimenti cumulati attraverso la seguente espressione:
NAVT
DD(0, T ) = 1 (37)
max 0i T (NAVi )
dove con Rc abbiamo indicato il rendimento cumulato.
Si propone cos un nuovo indicatore per esprimere il ranking dei fondi: il return to maximum
drawdown (RMD), che relativamente ad un orizzonte di analisi prefissato [0,T] definito attraverso il
rapporto tra il rendimento medio ed il valore assoluto del maximum drawdown:
r
RMD = (38)
MDD
Infine lindicatore maximum uninterrupted loss, ossia la massima perdita ininterrotta cos definita:
i
MUI = min1in (1 + min(0, rt ) ) 1
t =1

19
dove i indica la data in cui si valutano tali indicatori; r il rendimento del fondo osservato.
Questa misura spesso accompagnata dal numero di mesi con cui si verificata la perdita ed il
numero di mesi richiesti per compensare la perdita.

4.1 Gains & Losses Measures


Accanto agli indicatori precedentemente menzionati possiamo fornirne degli altri derivanti
dallanalisi sulla distribuzione dei rendimenti.

Lindicatore Gain/Loss Ratio (GLR) cos definito:


G Ii
GLR(0, T) = i
(39)
L
i
Ii

dove per ogni istante j:


{
- G I = 1 se il rendimento del portafoglio positivo altrimenti nullo. G I = 1 if rp 0 else G I = 0 ; }
- LI = 1 se il rendimento del portafoglio positivo altrimenti nullo. {L I = 1 if rp 0 else L I = 0};
Lindicatore GLR si limita a contare le osservazioni trascurando lentit delle singole osservazioni.

Lindicatore Percent Gains to Losses (GtoL) simile allindicatore descritto precedentemente


tranne per il fatto che in questo caso ci si limita a sommare i guadagni e le perdite totali registrate
nel periodo di analisi. Esso cos definito:
G Ii
GtoL(0, T) = i
(40)
L i
Ii

dove per ogni istante j:


{
- G i = ri se il rendimento del portafoglio positivo altrimenti nullo. G i = ri if rp 0 else G i = 0 ; }
- Li = r se il rendimento del portafoglio positivo altrimenti nullo. {L
i i = ri if rp 0 else L i = 0};

Lindicatore Expected Percentage Gains to Losses definito dal rapporto tra i guadagni attesi e le
perdite attese. Esso cos definito dal rapporto dei seguenti valori attesi:
E (G )
E [GtoL] = (41)
E(L )
dove:
{
- G i = ri se il rendimento del portafoglio positivo altrimenti nullo. G i = ri if rp 0 else G i = 0 ; }
- Li = r se il rendimento del portafoglio positivo altrimenti nullo. {L
i i = ri if rp 0 else L i = 0};
e loperatore E indica il valore atteso.

Tra gli indicatore RAP quando si utilizza come misura di rischio il massimo drawdown viene proposto
il Calmar Ratio che rapporta il rendimento del fondo composto annuo al massimo drawdown:
rorp
Calmar Ratio = (42)
MDD

Infine lindicatore Sterling Ratio che rapporta il rendimento del fondo composto annuo al valore
medio del drawdown:
rorp
Sterling Ratio = ..(43)
DD

20
Dove nelle espressioni precedentemente riportate rorp il tasso annuale composto sul periodo di
analisi (t,T).
12
Nav (T ) T t
rorp = 1
Nav (t )

5 Alcuni risultati analitici


Forniremo qui di seguito unillustrazione empirica della teoria precedentemente illustrata,
confrontando lindice Credit Suisse First Boston Tremont Hedge Fund con lindice S&P 100 come se
fossero due fondi rappresentativi comparabili. Ci concentreremo per semplicit su due delle misure
appartenenti alla classe delle generalised universal performance measure precedentemente
( ) + LMP1
discusse. La prima, di ordine n = 1 (ovvero, 1 ( ) = ). La seconda di ordine n=2,
LMP1
ovvero 2 ( ) che rappresenta lindice di Sortino. Utilizzeremo i prezzi di chiusura mensili per i due
indici nel periodo da gennaio 2000 a dicembre 2005. La serie storica dei rendimenti quella
aritmetica ottenuta dal rapporto tra il prezzo attuale con il prezzo precedente. Per calcolare le
valutazioni della performance 1 ( ) e 2 ( ) , non parametricamente, sostituiamo:
1 N
= xt
N t =1
1 N
LPM 1 = (r xt ) I t
N t =1
1 N
LPM 2 = (r xt ) 2 I t
N t =1
dove la funzione It denota la funzione indicatore che definita It = 1 ogni qual volta x t r e It=0
ogni qual volta xt r .
Prima di procedere alla costruzione delle generalised universal performance measure abbiamo
condotto unanalisi statistica sui rendimenti degli indici, di seguito riportiamo la Figura 1 che riporta
gli istogrammi delle rispettive distribuzioni dei rendimenti, dalle quali emergono le caratteristiche
delle distribuzione in esame. Si noti come la Skewness dei rendimenti sia negativa per lindice
Hedge Fund.

21
Figura 1: Istogramma Distribuzione dei rendimenti
Histogram of Credit Suisse First Boston Tremont Hedge Fund Monthly Returns
15

10

0
-0.08 -0.06 -0.04 -0.02 0 0.02 0.04 0.06 0.08 0.1

Histogram of S&P 100 INDEX


15

10

0
-0.2 -0.15 -0.1 -0.05 0 0.05 0.1 0.15 0.2

Abbiamo condotto un test statistico per verificare la normalit della distribuzione dei rendimenti dei
due indici. Il test Jarque Bera la cui ipotesi nulla la normalit sulle distribuzioni in esame ci ha
fornito i seguenti risultati (Tabella 1):

Tabella 1: Jarque-Bera Test

Jarque-Bera test

P Value 0,681 0,661


JBSTAT 0,768 0,828
Alpha 0,001 0,001
Ho DON'T REJECT DON'T REJECT

Dai risultati ottenuti ad un livello di significativit del 99% possiamo affermare che le distribuzione
degli indici in esame sono normali. Come si pu osservare lindice globale Credit Suisse First Boston
Tremont Hedge Fund, contrariamente a quanto sostenuto precedentemente, fa registrare una
distribuzione normale dei rendimenti .
Per valutare il livello di autocorrelazione della distribuzione dei rendimenti dellindice Credit Suisse
First Boston Tremont Hedge Fund stato applicato sia il test di Ljung-Box (Tabella 2) e lanalisi
grafica con il correlogramma.(Figura 2).

Tabella 2: Ljung-Box Q-statistic

Ljung-Box Q-statistic

P Value 0,509
Qstat 0,437
CriticalValue 6,635
Alpha 0,001
Ho DON'T REJECT

Figura 2: Correlogramma Distribuzione dei rendimenti CFBT Hedge Fund

22
ACF Credit Suisse First Boston Tremont Hedge Fund Monthly Returns
1

0.8

0.6
Sample Autocorrelation

0.4

0.2

-0.2

-0.4
0 2 4 6 8 10 12 14 16 18 20
Lag

Dai risultati ottenuti possiamo affermare che ad un livello di significativit del 99% lautocorrelazione
del primo ordine nulla. Anche in questo caso contrariamente a quanto sostenuto
precedentemente non abbiamo riscontrato unautocorrelazione significativa del primo ordine tra i
rendimenti. La Figura 3 pone a confronto i due indici, utilizzando le rispettive misure empiriche di
Omega. Osserviamo chiaramente come la funzione omega dellindice Credit Suisse First Boston
Tremont Hedge Fund domini quella dello S&P100 nella coda sinistra della distribuzione.
Indubbiamente non ci attendiamo una outperformance completa di Omega e di altre misure per
tutti i valori della threshold poich ci richiederebbe una elevata dominanza stocastica.

Figura 3: Funzione Omega

OMEGA

10
Credit Suisse First
8 Boston Tremont
Hedge Fund
6 S&P 100 INDEX
Omega [log-values]

4
2
0
-2
-4
-6
-8
-10
-1 %
%
0%

4%

8%

2%

6%

0%

4%

%
4%
42

96

72

18

64

10

56

02

48
,5

,0

,5

,1

,6

,2

,7

,9
2,

0,

0,

2,

3,

5,

6,

8,

9,
-9

-8

-6

-5

-3

-2

-0

10
-1

Threshold Returns

23
Figura 4: Sortino Ratio K 2 ( )

Sortin o
3,0

2,5
Sortino Credit Suisse First
2,0 Boston Tremont Hedge
Fund
1,5

1,0
Sortino

0,5

0,0

%
5%

5%

5%

7%

9%

5%

7%
-0,5

27

62

24

86

29

22

19
,7

,3

,8

,1
,7

,5

,5

0,

0,

1,

1,

2,

3,

4,
-6

-3

-2

-1

-0

-0

-0

-1,0

-1,5

-2,0
R e tu r n s

La figura 5 confronta le funzioni di ripartizione dei rispettivi indici in esame. Dal grafico cos ottenuto
possiamo affermare che lindice Credit Suisse First Boston Tremont Hedge Fund domina
stocasticamente quella dello S&P100 rispetto alla dominanza stocastica del primo ordine:
CSFBT FSD SPOOR .

Figura 5: Funzione di Ripartizione

CUMULATIVE RETURN DISTRIBUTIONS

1,0
0,9
0,8
0,7
Frequency

0,6
0,5
0,4
0,3
Credit Suisse First Boston
0,2 Tremont Hedge Fund
S&P 100 INDEX
0,1
0,0
1 6 11 16 21 26 31 36 41 46 51
Returns

24
Dalle precedenti figure emerge come la prassi di raffrontare la funzione omega o misure simili per
tutti i rendimenti target () decisamente pi rigorosa di quella che considera un unico punto (),
quale appunto lanalisi classica condotta mediante lindice di Sharpe.
In allegato (Tabella 3) riportiamo una tabella che riporta le principali statistiche descrittive di
rendimento, di rischio e di risk adjusted performance, calcolate per gli indici di riferimento sul
holding period prefissato.

Tabella 3: Analisi Statistica


Credit Suisse First Boston
S&P 100 INDEX
Tremont Hedge Fund
Mean 0,367% -0,513%
Median 0,249% -0,148%
Variance 0,077% 0,297%
Skewness 0,184 -0,268
Kurtosis 3,469 3,118
Target Return 0,240% 0,240%
Gain/Loss Ratio GLR 1,000 0,846
Gains to Losses GtoR -1,415 -0,776
Expected Gains to Losses -1,415 -0,918
Gamma -1,415 -0,776
Omega (Target=Risk Free Rate) 0,916 0,616
Sharpe Omega (Target=Risk Free Rate) -0,084 -0,384
Sharpe Ratio (Target=0) 0,132 -0,094

Average 4,406% -6,160%


Max. Daily Profit 8,256% 11,424%
Max. Daily Loss -6,755% -12,907%
Up Periods 38,000 34,000
Down Periods 34,000 38,000
Avg Gain in Up Periods 2,381% 3,778%
Avg Loss in Down Periods -1,884% -4,353%
MAR=Risk Free Rate Month 0,240%
ROR yearly 3,968% -7,564%

Standard Deviation 9,559% 18,735%


Upside Deviation 5,822% 10,404%
Downside Deviation 5,429% 11,848%
Downside Risk to Rik Free Rate 5,281% 12,650%
Maximum Drawdown -21,692% -78,307%
Average Drawdown -2,371% -47,744%

Sortino Ratio 0,049


Return on VaR 0,629
Calmar Ratio 0,183
Sterling Ratio 1,674
Burkue Ratio 0,106

Beta 0,310
Jensen Alpha 4,417%
Tracking Error 14,992%
Informatio Ratio 0,705

25
stata condotta anche unanalisi del rischio (Tabella 4) adottando come misura il VaR
confrontando le diverse metodologie adottate, in particolare stato calcolato il VaR parametrico,
il VaR con estensione di Cornish Fisher, il Conditional VaR ed il VaR-EVT parametrico utilizzando per
la distribuzione dei rendimenti una Generalized Pareto Distribution. Lholding period sul quale
stato calcolato il VaR di 1 mese ed il livello di significativit del 99 %.

Tabella 4: VaR rispetto alle diverse metodologie

Credit Suisse First Boston


S&P 100 INDEX
Tremont Hedge Fund
VaR 6,052% 13,095%
MVaR Cornish-Fisher 6,313% 13,650%
VaR-EVT (GPD) 5,967% 13,393%
Conditional VaR 6,759% 14,726%

Dalla tabella precedente si noti come, per entrambe le distribuzioni, il Conditional VaR presenta i
valori maggiori, seguito dal Var secondo lestensione di Cornish Fischer. Per comprendere meglio le
differenze tra le diverse metodologie si riportata listogramma della coda sinistra (Figura 6) sulla
quale abbiamo riportato due distribuzioni parametriche quella normale e quella dei valori estremi,
la Generalized Pareto Distribution (GPD).

Figura 6: Istogramma della coda sinistra con le funzioni parameriche GPD e Normal

Histogram of Tail with hold on GPD


45

40
Histogram CSFB Tremont Hedge Fund
GPD
35
Normal

30
Probability Density

25

20

15

10

0
-0.1 -0.09 -0.08 -0.07 -0.06 -0.05 -0.04 -0.03 -0.02 -0.01 0
Exceedance

CONCLUSIONI
Il lavoro ha preso in esame una nuova famiglia di misure rischio/performance che sono definite
generalised universal performance measures e tra cui annoveriamo casi speciali quali la funzione
Omega, Kappa. La nuova classe di funzioni risulta (come dimostrato) compatibile con la nozione di
dominanza stocastica. Il principale obiettivo del lavoro vuole essere anche quello di proporre
nuove metodologie di calcolo della performance risk adjusted e misure di rischio per gli hedge
funds, quando le ipotesi sottostanti lasset management tradizionale, come il CAPM, non sono pi
valide.
interessante sottolineare che dallanalisi empirica sullindice hedge fund, emerge la normalit dei
rendimenti, nonch la mancanza di autocorrelazione seriale . Questi risultati non sono allineati con

26
quanto viene riportato dalla letteratura, poich le osservazioni dei rendimenti degli indici in esame
hanno una frequenza mensile, che molto bassa, e ci non permette di respingere sia lipotesi
nulla di normalit dei rendimenti sia lipotesi nulla di correlazione seriale del primo ordine. Se si
adottassero frequenze superiori, sarebbe possibile fare emergere queste problematiche, ma
attualmente tutti i provider pubblicano i dati sugli hedge funds con osservazioni mensili. Inoltre, pu
essere discutibile aver inserito nelle misure di rischio una serie di indicatori non quadratici quali il
drawdown pi legato concettualmente a una misura di performance che a una misura di rischio.
Comunque linformativa che deriva dallindicatore di drawdown pu risultare pi utile se associata
con il tempo di recupero della performance negativa e larco temporale a cui il drawdown fa
riferimento. Infine lapplicazione della teoria dei valori estremi nella misurazione del VaR molto
complessa e talvolta pu portare a dei risultati non stabili. Infatti per realizzare il fitting della
distribuzione Generalized Pareto Distribution (GPD) necessario stabilire una threshold, che pu
essere individuata attraverso particolari stimatori, per esempio con lo stimatore di Hill.

APPENDICE
a) Generalised universal performance measures

Denotando i limiti di dominio di r ,


lim xa F ( x) x = 0
lim xb (1 F ( x)) x = 0
[ ]
Sviluppando il termine d x(1 F ( x )) e integrandola sul dominio (,b)

d [x(1 F ( x) )] = (1 F ( x ) )dx + x d (1 F ( x ) )dx


b b b

= (1 F ( x ) )dx x dx
b b


Osservando che:
x(1 F ( x) ) b = lim xb x(1 F ( x) ) lim x x(1 F ( x) )
= 0 (1 F ( )) = * Pr{x }
Combinando le espressioni precedenti otteniamo:

(1 F ( x ) ) = (1 F ( ) ) +
b b
x dF ( x )

= max ( x , 0 ) f ( x ) dx
b


In maniera simile procediamo allo sviluppo del numeratore si perviene al seguente risultato:
max ( x , 0 ) f ( x ) dx
b b
F ( x ) dx =
Sostituendo questi risultati nella definizione di Omega e facendo tendere b a otteniamo:
+
[1 F(R)]dR
e f E[max( R ,0)] C ( )
r

( ) = = rf =
e E[max( R,0)] P( )
F(R)dR

dove C e P indicano il prezzo di unopzione europea call o put.


Sottraendo 1 ad entrambi i membri della espressione precedente si ottiene lindicatore di
performance risk adjusted, lindice Sharpe-Omega :

27
E [max( R ,0)]
rf

( ) 1 =
e
1
E [max( R,0)]
rf
e

e
rf
(( ) 1) = E[max(Rr ,0)] E[max( R,0)]
e E [max( R,0)]
f

r L
e
rf
(( ) 1) =
E [max( R,0)]
rf
e

Dal risultato precedente possiamo affermare che la funzione Omega e la funzione Sharpe Omega
sono direttamente proporzionali, fornendo cos le medesime classifiche o risultati qualora applicate
ad un insieme di portafogli.
La scelta di Tau () deve essere consistente con le preferenze dellinvestitore, in particolare quando
settiamo un suo valore dobbiamo tener conto di un hurdle rate e della high watermark provision.
Ci ci impone di fissare per MaR (Minimum acceptable return) il seguente valore:
MARt = max(0, CMGR) + Hurdle Rate
dove
1
max InceptionDateit Navi Navt 12t
CMGR =
Navt
Nelle fase empirica abbiamo considerato il MAR uguale al risk free.

b) Proposizione 1
Se X n-order domina stocasticamente Y (NSD), denotato X NSD Y allora:
X r Y r

LPM 2 LPM 2
per ogni r.

c) Logica Peaks-Over-Threshold(POT)
Sia X una variabile casuale con una funzione di ripartizione F, fissata la soglia u, la distribuzione
condizionale:
Fu ( y ) = Pr[ X u y | X > u ], per y 0
lexcess distribution function della variabile casuale X, sopra la soglia u. Il teorema di Pickands
Balkema-de-Haan (Manfred Gilli, Evis Kellezi, 2005) dimostra che, per unampia classe di
distribuzioni F, la distribuzione asintotica limite (per u che tende all'infinito) dellexcess distribution
function Fu ( y ) rappresentata dalla seguente funzione:


1

1 1 + x
, for 0

G ; , ( x ) =
x
-
1 - e , for = 0

chiamata Generalized Pareto Distribution (GPD), dove:


- il parametro di scale;
- il parametro di Shape;

28
-
il parametro di locazione o threshold;
- n il numero totale delle osservazioni;
- N u il numero di osservazioni superiori alla threshold prefissata.
Dalla espressione precedente possiamo ottenere:
-se > 0 , x >= 0 la coda converge alla funzione di densit di Frechet per X
1 1
-se < 0 - ed 0 X la coda converge alla funzione di densit di Weibull per X

-se =0 la coda converge alla funzione di densit di Gumbel per X .

29
BIBLIOGRAFIA
Acar E and S James, 1997: Maximum loss and maximum drawdown in financial markets In
Proceedings of International Conference on Forecasting Financial Markets, London

Agarwal, V. e N. Naik, 2004: Risks and portfolio decisions involving hedge funds, The Review of
Financial Studies, primavera, vol. 17, n. 1, pagg. 6398 ;

Cascon A, C Keating and W Shadwick, 2002, The omega function Working paper, Finance
Development Centre;

Edhec Risk and Asset Management Research Centre Publication (2005): Edhec Funds of Hedge
Funds Reporting Survey A Return-Based Approach to Funds of Hedge Funds Reporting

Favre, L. and Galeano J. A., 2002, Mean Modified Value-at-Risk Optimization with Hedge Funds, The
Journal of Alternative, Investments, Fall, Vol.5, N2, p.21-25

Franois-Serge Lhabitant,2004, Hedge Funds: Quantitative Insights;

Hossein Kazemi, Ph.D., University of Massachusetts Thomas Schneeweis, University of Massachusetts,


and Bhaswar Gupta, University of Massachusetts, Omega as a Performance Measure, The Journal
of Performance Measurement, Spring 2004;

Keating C and W Shadwick, 2002 A universal performance measure Journal of Performance


Measurement 6(3), pp. 59-84 ;

Knight J and S Satchell, 2002, Performance measurement in finance Butterworth-Heinemann


Finance, Quantitative Finance Series ;

Manfred Gilli, Evis Kellezi, 2005, An Application of Extreme Value Theory for Measuring Financial
Risk;

Milind Sharma, 2002, AIRAP Alternative RAPMS for Alternative Investments;

Modigliani, F. and Modigliani, L., 1997, Risk Adjusted Performance, Journal of Portfolio
Management, Winter 1997, Vol.23, Issue 2, p.45-54;

Paul D. Kaplan, Ph.D., Morningstar Associates, LLC and James A. Knowles, York Hedge Fund
Strategies, Inc, Kappa: A Generalized Downside Risk-Adjusted Performance Measure, The Journal
of Performance Measurement, Spring 2004;

Sharpe W, 1994, The Sharpe ratio Journal of Portfolio Management, fall, pp. 49-5;

Sortino F and R Van der Meer, 1991 Downside risk Journal of Portfolio Management, estate, pp. 27-
31.

30