Vandlorek
Scrivo di algoritmi, dati e strategie che hanno cambiato il modo in cui guardo ai cluster di portafoglio. Qui trovi riflessioni tecniche, esperimenti pratici e qualche errore che mi ha insegnato più di ogni successo.
Un portfolio di 47 titoli azionari produceva sempre gli stessi raggruppamenti banali. La soluzione è arrivata cambiando metrica di distanza e preprocessamento.
Raggruppare 80 ETF per diversificare il portfolio sembrava semplice con hierarchical clustering. I risultati erano instabili e cambiavano ogni settimana.
Clustering di 120 bond corporate per scadenza e rating produceva risultati caotici. Il problema era costruire la giusta matrice di affinità tra gli strumenti.
Quando ho iniziato con il machine learning, pensavo che clusterizzare significasse solo dividere dati in gruppi. Poi ho capito che nel contesto finanziario significa identificare asset con comportamenti simili senza sapere in anticipo quali caratteristiche contano davvero. Gli algoritmi K-means e DBSCAN trovano pattern nascosti che l'occhio umano non vede nei grafici.
Il cluster analysis aiuta a bilanciare rischio e rendimento raggruppando titoli per volatilità, correlazione e altri indicatori. Non è una formula magica, ma uno strumento che richiede pulizia dati accurata, scelta corretta delle feature e validazione continua. Ho imparato che ogni portafoglio ha la sua struttura e non esiste un approccio unico per tutti.
La parte difficile non è far girare l'algoritmo, è interpretare i risultati e decidere se hanno senso nel contesto reale. A volte i cluster proposti dall'algoritmo contraddicono l'intuizione di mercato, e capire quando fidarsi dei dati e quando fermarsi fa la differenza tra un'analisi utile e una inutile.
Precisione media clustering
Portafogli analizzati
Estraggo serie storiche da API finanziarie, pulisco valori anomali e normalizzo le scale. Ogni dataset ha i suoi problemi, dai valori mancanti alle discontinuità temporali.
Calcolo volatilità, correlazioni rolling, momentum e altri indicatori. La scelta delle feature influenza tutto il resto, quindi testo combinazioni diverse prima di decidere.
Uso Silhouette score e Davies-Bouldin index per valutare la qualità dei cluster. Confronto i risultati con backtest storici per verificare se i gruppi identificati hanno senso economico.