Comunicazione di marketingContenuti a fini informativi/educativi. Nessuna consulenza personalizzata o invito all'investimento prima dell’iscrizione OCF.
Comunicazione di marketingContenuti a fini informativi/educativi. Nessuna consulenza personalizzata o invito all'investimento prima dell’iscrizione OCF.

Costruire un Portafoglio di ETF Ben Diversificato

✍️ Redazione•••12 min di lettura

Costruire un Portafoglio di ETF Ben Diversificato

Introduzione

L’obiettivo di questa analisi è mostrare come comporre un portafoglio di ETF diversificato ed efficiente, eliminando esposizioni ridondanti e massimizzando il rapporto rendimento/rischio. Partiremo da un ampio set di ETF coprendo vari settori economici, classi di attivo (azioni, obbligazioni, materie prime) e aree geografiche, per poi utilizzare strumenti quantitativi (correlazioni e clustering gerarchico) al fine di ridurre sovrapposizioni inutili. In altre parole, cercheremo di capire quali ETF sono davvero necessari per ottenere una diversificazione ottimale e come questi strumenti finanziari si relazionano tra loro da un punto di vista statistico. Il percorso che seguiremo riprende i contenuti di un mio video YouTube, arricchiti qui con riferimenti a fonti istituzionali e dettagli tecnici utili per approfondire il tema. L’analisi è completamente riproducibile tramite codice Python eseguibile su Google Colab (senza necessità di installazioni locali) che condividerò e spiegherò più avanti.

Video: Portafoglio ETF e Diversificazione – Video • Notebook Colab: Apri su Google Colab

Dati e Categorie di ETF

Un ETF (Exchange-Traded Fund) è un tipo di fondo d’investimento quotato in borsa e a gestione passiva, progettato per replicare l’andamento di un indice di mercato. (Wikipedia) In pratica, tramite un singolo ETF è possibile investire in un paniere diversificato di asset (azioni, obbligazioni, ecc.), ottenendo un’ampia esposizione con un’unica operazione. Gli ETF disponibili sul mercato si dividono in diverse categorie, ad esempio per settore, area geografica o classe di investimento (azionaria, obbligazionaria, materie prime). Nel nostro dataset consideriamo un insieme di 27 ETF statunitensi molto eterogenei, con informazioni per ciascuno come il ticker (simbolo), il TER (Total Expense Ratio, costo annuo), la capitalizzazione di mercato, il codice ISIN, il broker di riferimento, il settore, la classe di attivo, la politica di distribuzione dei proventi (accumulazione vs distribuzione con frequenza trimestrale o mensile) e la metodologia di replica dell’indice (fisica a campionamento, sintetica, ecc.). La maggior parte di questi fondi sono azionari settoriali, ma sono inclusi anche ETF su obbligazioni, su materie prime e su mercati azionari di intere regioni.

Per chiarezza, ecco le principali categorie di ETF presenti nel dataset:

  • Azionari (Equity): fondi che investono in panieri di titoli azionari. Possono essere focalizzati su specifici settori (ad es. tecnologia, energia, finanziario, sanitario, beni di consumo, utilities, etc.) oppure su aree geografiche (ad es. MSCI Europe, MSCI EM mercati emergenti, MSCI EAFE per sviluppati fuori US, ecc.).
  • Obbligazionari (Fixed Income): fondi che investono in titoli a reddito fisso. Nel dataset troviamo ETF su Treasury Bond USA di varie scadenze (breve 1–3 anni, media 7–10 anni, lunga 20+ anni), su obbligazioni corporate Investment Grade, su obbligazioni High Yield (alto rendimento, rating speculativo) e su titoli di Stato di mercati emergenti. Sono presenti anche ETF su bond indicizzati all’inflazione econvertible securities (obbligazioni convertibili).
  • Materie Prime (Commodities): fondi che seguono l’andamento delle commodity. Ad esempio un ETF sull’oro fisico, e alcuni ETF legati a panieri di materie prime agricole o energetiche (contratti futures su commodity).
  • Multi-asset/Altro: include strumenti particolari non rientranti nelle categorie sopra in modo netto. Ad esempio, nel dataset abbiamo un ETF bilanciato in azioni convertibili (che combinano caratteristiche azionarie e obbligazionarie).

Questa ricca base di dati ci permette di analizzare investimenti molto differenti tra loro. Ogni riga del dataset rappresenta un ETF specifico e, grazie alla varietà di classi di attivo e settori coperti, possiamo studiare come ciascun ETF si comporta rispetto agli altri in termini di correlazione dei rendimenti. L’ipotesi di partenza è che non sia necessario detenere tutti questi ETF contemporaneamente: alcuni potrebbero risultare ridondanti, muovendosi in maniera molto simile ad altri. Identificando queste sovrapposizioni, possiamo semplificare il portafoglio mantenendo solo gli ETF che apportano un reale beneficio in termini di diversificazione.

Analisi delle Correlazioni

Figura 1: Matrice di correlazione (heatmap) tra 27 ETF
Figura 1: Matrice di correlazione (heatmap) dei rendimenti storici tra i 27 ETF considerati. Celle più chiare/rosse indicano alta correlazione positiva, celle più scure/blu indicano correlazione bassa o negativa.

Come primo passo, calcoliamo la matrice di correlazione tra i rendimenti dei vari ETF, visualizzandola nella heatmap di Figura 1. La correlazione misura la similarità tra due serie di rendimenti: varia tra −1 e 1, dove valori prossimi a 1 indicano che due ETF si muovono quasi all’unisono (relazione positiva perfetta), mentre valori vicini a −1 indicano che si muovono in direzioni opposte (relazione inversa). Valori intorno a 0 denotano assenza di relazione lineare. Nel nostro caso vediamo correlazioni che spaziano da un massimo di circa +0,99 (quasi perfettamente positiva) a un minimo di circa −0,35 (moderatamente inversa). Quest’ultimo estremo corrisponde alla correlazione tra l’ETF sui Treasury Bond USA a lunghissimo termine (20+ anni) e l’ETF sul settore Finanziario: significa che storicamente, quando i titoli di Stato a lunga scadenza salivano, le azioni del settore finanziario tendevano a scendere, e viceversa. Questo riflette dinamiche note di flight-to-quality: in fasi di incertezza economica o turbolenza di mercato, gli investitori spesso abbandonano le azioni più rischiose per spostarsi su asset ritenuti più sicuri come i Treasury bond, facendo sì che questi ultimi salgano di prezzo mentre l’azionario scende. (PIMCO) In effetti, a livello generale la correlazione tra mercato azionario e obbligazionario tende a farsi bassa o negativa nei periodi di stabilità macroeconomica (bassa inflazione intorno al 2%): ciò permette a queste due classi di attivo di bilanciarsi a vicenda in portafoglio, riducendo la volatilità complessiva per l’investitore (PIMCO).

Osserviamo inoltre che altri ETF obbligazionari presenti (in particolare quelli su Treasury bond di varie scadenze) mostrano correlazioni negative o prossime allo zero rispetto agli ETF azionari. In termini quantitativi, su orizzonti di lungo periodo la correlazione tra obbligazioni governative e azioni è risultata vicina allo zero (ad es. 2000–2020 ~0,11 tra indice globale dei Treasury e indice azionario mondiale), mentre l’High Yield risulta molto più correlato all’azionario (spesso ~0,7–0,8). (Janus Henderson).

Un altro aspetto interessante emerso dalla heatmap è il ruolo dell’oro. L’ETF sull’oro mostra correlazione praticamente nulla con gli ETF azionari e solo lieve correlazione positiva con i Treasury e con i bond indicizzati all’inflazione: conferma il ruolo di bene rifugio e di diversificatore utile, con copertura durante eventi estremi di mercato. (State Street / World Gold Council su WSI).

Clustering Gerarchico per Eliminare Ridondanze

Figura 2: Dendrogramma del clustering gerarchico sugli ETF (distanza 1−correlazione)
Figura 2: Dendrogramma risultante dal clustering gerarchico sugli ETF (distanza basata su 1 − correlazione). I colori evidenziano i cluster tagliando l’albero alla soglia 0,14.

La matrice di correlazioni (27×27) è densa; il clustering gerarchico raggruppa gli ETF in base alla similarità dei loro andamenti usando la distanza dij = 1 − ρij. Leggendo il dendrogramma, ad es. MSCI Europe e MSCI EAFE sono uniti a distanza quasi nulla (correlazione ~0,99). Gli ETF geografici sviluppati formano un cluster; gli EM risultano più distanti. Healthcare e Consumer Defensive compaiono uniti a bassa distanza (settori difensivi). L’oro resta isolato in alto (massima diversificazione). I Treasury a varie scadenze formano un gruppo distinto dagli azionari. Per selezionare un set snello, si può tagliare l’albero a 0,14 (≈ correlazione 0,86) e tenere un solo ETF rappresentativo per cluster (quello col rendimento storico migliore). Approcci di selezione “per cluster” sono proposti anche in letteratura per migliorare la diversificazione con meno titoli. (Stevens Institute of Technology).

Rendimento e Rischio degli ETF Selezionati

Eliminati i duplicati, valutiamo per ciascun ETF rendimento annuo composto, volatilità, Sharpe e max drawdown. In cima troviamo spesso Tecnologia (massimi rendimenti ma anche rischio elevato): motore “offensivo” che può subire drawdown marcati nelle fasi negative. (AllianceBernstein). Sanità mostra rendimento solido con volatilità più contenuta: settore difensivo che tende a proteggere nei momenti difficili (AB). Sul fronte bond, gli High Yield hanno resi storicamente interessanti con volatilità inferiore alle azioni, ma correlazione elevata con l’azionario (~0,7–0,8), quindi minore potere di diversificazione nelle crisi (Janus Henderson). I Treasury hanno resi più modesti, ma bassa/negativa correlazione con le asset rischiose e quindi riducono il rischio complessivo di portafoglio (PIMCO). L’Oro aggiunge decorrelazione e migliora i rendimenti corretti per il rischio su portafogli ampi (WGC/SSGA via WSI).

Figura 3: Heatmap dei rendimenti annuali per ETF
Figura 3: Heatmap dei rendimenti annuali (colonne: anno; righe: ETF selezionati). Le celle verdi indicano anni di forte rendimento; quelle rosse anni negativi.

Riproduzione dell’Analisi con Google Colab

Una parte fondamentale di questo progetto è la possibilità per chiunque di replicare l’analisi e personalizzarla, utilizzando il codice Python disponibile in un notebook su Google Colab. Google Colab è una piattaforma online che consente di eseguire codice Jupyter Notebook direttamente nel browser, senza installare nulla sul proprio PC, sfruttando risorse cloud.

  1. Accesso al notebook: apri questo link Colab. Troverai celle di codice e testo pronte all’uso.
  2. Importazione librerie: esegui le prime celle (pandas, numpy, matplotlib, scipy, funzioni di utilità).
  3. Caricamento dei dati: la tabella anagrafica (ticker, TER, settore, ecc.) viene letta da file; verifica l’anteprima.
  4. Prezzi storici: carica le serie dei prezzi; puoi allungare o accorciare l’orizzonte (es. 1–10+ anni) modificando i parametri.
  5. Prezzo vs Total Return: grafico didattico con dividendi reinvestiti per un ETF a scelta.
  6. Correlazioni: calcolo e heatmap dei rendimenti (giornalieri o mensili).
  7. Clustering gerarchico: parametro distance_threshold (es. 0,14 ≈ correlazione 0,86) per definire i cluster; selezione automatica dell’ETF migliore per cluster.
  8. Visualizzazioni: tabella metriche e grafico interattivo Plotly (rendimenti vs volatilità).

Conclusioni

In questo studio abbiamo dimostrato un approccio data-driven alla costruzione di un portafoglio di ETF ben diversificato. Partendo da un insieme eterogeneo di fondi, correlazioni e clustering hanno evidenziato duplicati di esposizione. Eliminandoli, rimane una selezione più ristretta in cui ogni ETF svolge un ruolo distinto (azioni per regioni/settori, governativi e corporate, oro, ecc.). La chiave è bilanciare componenti difensive (oro, Treasury) e offensive (tech, high yield) secondo il proprio profilo.

Spesso non serve detenere decine di ETF: è più efficace sceglierne pochi ben mirati che coprano aree realmente complementari. Nei prossimi approfondimenti partiremo da questa rosa per affrontare il tema dei pesi ottimali.

Domande o dubbi? Prova il notebook, sperimenta e scrivimi. E se preferisci il formato video, ecco il tutorial completo su YouTube.

Fonti