Criptovalute, tra caos apparente e segnali prevedibili
Le criptovalute sono spesso considerate asset altamente speculativi, con andamenti erratici difficilmente riconducibili a fondamentali economici osservabili. Tuttavia, un lavoro recente di Massimo Guidolin e Serena Ionta dell’Università Bocconi mette in discussione questa percezione, mostrando che alcune caratteristiche della blockchain e misure di sentiment sono in grado di prevedere, con una certa affidabilità, i rendimenti futuri di un ampio set di criptovalute.
È proprio su questa ipotesi che si innesta il nuovo working paper di Massimo Guidolin e Serena Ionta, Predictive Sorting of Cryptocurrencies Based on Fundamentals and Sentiment. Gli autori sviluppano un approccio quantitativo che utilizza la tecnica dei factor-mimicking portfolios (FMP) per trasformare variabili non negoziabili — come hashrate, numero di utenti attivi e ricerche su Google — in fattori empiricamente testabili. Questo consente di analizzare la relazione tra fondamentali tecnici, dinamiche comportamentali e performance delle criptovalute in un framework di asset pricing.
Il contesto: volatilità e incertezza
Dopo anni di espansione e altrettanti episodi di instabilità, il mercato delle criptovalute si configura come un ambiente finanziario ancora in fase di maturazione, contraddistinto da alta volatilità e da una forte componente speculativa. Nonostante le dimensioni ormai sistemiche del settore, la prevedibilità dei prezzi rimane una questione aperta per studiosi e investitori.
Lo studio di Guidolin e Ionta si inserisce in questo dibattito, con l’obiettivo di verificare se dinamiche sottostanti alla tecnologia blockchain — in particolare la crescita della rete e l’intensità computazionale — possano rappresentare determinanti predittivi dei rendimenti. La componente di sentiment, che nello studio viene misurata tramite indicatori basati su Google Trends, funge da proxy per le aspettative di mercato aggregate, difficilmente osservabili direttamente, e viene inclusa nel framework dei fattori esplicativi dei rendimenti delle criptovalute.
Il metodo: tra numeri e percezioni
L’analisi si basa su un dataset settimanale che copre 41 criptovalute nel periodo 2015–2022. Vengono costruiti tre indicatori principali: uno legato alla potenza computazionale della rete, uno al numero di utenti attivi, e uno al sentiment degli investitori. Il contributo metodologico centrale è rappresentato dall’utilizzo dei FMP, portafogli sintetici che permettono di trasformare variabili non direttamente osservabili sul mercato in fattori empiricamente testabili nel framework dell’asset pricing. Un ulteriore elemento innovativo è l’adozione sistematica dell’analisi out-of-sample (OOS), che consente di valutare l’efficacia predittiva dei modelli al di fuori del campione utilizzato per la stima. Questa prospettiva, sottolineano gli autori, è cruciale per distinguere modelli puramente esplicativi da quelli potenzialmente utili in applicazioni reali di previsione.
Gli impatti: intuizione trasformata in strategia
Il passo successivo è tradurre questa prevedibilità in strategia di investimento. Qui entra in gioco il portfolio sorting: ogni settimana, le criptovalute vengono classificate in base alla loro prevedibilità (misurata attraverso una misura di adattamento del modello ai dati, lo OOS R-squared o, in alternativa, attraverso il Certainty Equivalent Return – CER). Le più prevedibili vengono acquistate, le meno prevedibili vendute allo scoperto. Il risultato? Extra-rendimenti significativi e consistenti, con performance che superano anche quelle dei portafogli costruiti su base puramente statistica. Il CER, in particolare, è una metrica che tiene conto dell’avversione al rischio: quantifica quanto un investitore sarebbe disposto a pagare per accedere a un certo modello predittivo. In altre parole, misura non solo l’efficacia, ma anche l’utilità economica delle previsioni. “È un approccio che ci consente di passare dal puro esercizio accademico a implicazioni concrete per la gestione attiva del portafoglio”, osserva Guidolin.
Verso una finanza crypto più razionale?
Lo studio contribuisce al dibattito sulla prevedibilità dei rendimenti nel mercato delle criptovalute, mostrando che fattori riconducibili a fondamentali tecnologici e a indicatori di sentiment possono essere sistematicamente associati alla dinamica dei prezzi. L’evidenza empirica suggerisce che tali segnali, opportunamente modellati attraverso portafogli mimetici, possano essere integrati in strategie di previsione e allocazione attiva, migliorando l’efficienza informativa nell’ambito della gestione di portafoglio.
In questo contesto, l’approccio proposto consente di ridurre l’apparente casualità dei mercati crypto, fornendo strumenti quantitativi per una lettura più strutturata della loro evoluzione. Come sottolinea Guidolin, l’obiettivo non è quello di eliminare l’incertezza, ma di imparare a gestirla attraverso modelli più robusti.