Modelli a Fattori per la Stima della Matrice di Covarianza: Applicazioni all'Ottimizzazione di Portafoglio in Contesti ad Alta Dimensionalità

Questa tesi tratta il problema di ottimizzazione di portafoglio a minima varianza globale in contesti ad alta dimensione, confrontando diverse metodologie di stima della matrice di covarianza, sia statiche che dinamiche, basate principalmente su modelli a fattori. L'analisi empirica, condotta su dati finanziari reali, valuta le performance dei diversi approcci, prevalentemente in termini di deviazione standard out-of-sample e stabilità dei pesi di portafoglio. I risultati evidenziano che, in un contesto statico, i modelli a fattori più semplici tendono ad offrire una miglior gestione del rischio out-of-sample rispetto a modelli più complessi. Al contrario, in un contesto dinamico, i modelli a maggiore dimensionalità fattoriale consentono di descrivere in modo più efficace l'evoluzione temporale della volatilità, mostrando differenze rilevanti nella reazione agli shock di mercato.