
Abstract
Questo articolo presenta la Strategia Santiago1000, un nuovo metodo di selezione delle azioni che integra crescita, momentum e analisi fondamentale per identificare azioni ad alte prestazioni. Combinando i criteri delle strategie Twin Momentum e P/B Growth, si concentra su azioni con bassi rapporti book-to-market, alto momentum di prezzo, solidi fondamentali (G_SCORE ≥ 6), tendenze di miglioramento in ROA/ROE e flusso di cassa libero positivo. La metodologia prevede un processo di filtraggio a più fasi applicato alle azioni NYSE e Nasdaq. I risultati suggeriscono che questa strategia può potenzialmente superare gli approcci tradizionali sfruttando molteplici predittori di rendimento. Lo studio discute implicazioni, limitazioni e direzioni per future ricerche, contribuendo allo sviluppo di strategie di investimento.
Parole chiave
Introduzione
Revisione della Letteratura
Metodologia
-
Basso Rapporto Book-to-Market: Seleziona azioni nel bottom 20% del rapporto book-to-market (BM), identificando azioni di crescita con alto valore di mercato rispetto al valore contabile.
-
Alto Momentum di Prezzo: Da questo sottoinsieme, sceglie azioni nel top 20% dei rendimenti a 12 mesi, catturando il momentum di prezzo.
-
Metriche Fondamentali Solide (G_SCORE): Filtra per azioni con un G_SCORE ≥ 6, basato su otto segnali (ROA, CFROA, variabilità degli utili, intensità di R&S, ecc.), come da Mohanram (2005).
-
Momentum Fondamentale: Assicura che ROA e ROE siano in miglioramento negli ultimi 3 anni, in linea con il componente di momentum fondamentale di Twin Momentum, che utilizza tendenze in sette variabili (ROE, ROA, EARN, APE, CPA, GPA, NPY).
-
Flusso di Cassa Libero Positivo: Include solo azioni con flusso di cassa libero positivo nell’ultimo anno fiscale, definito come flusso di cassa operativo meno spese in conto capitale > 0, garantendo salute finanziaria.
Il campione è composto da azioni quotate su NYSE e Nasdaq, con dati provenienti da piattaforme come Finviz e Yahoo Finance. L’analisi è teorica, basandosi su modelli di performance storici e risultati attesi derivati da ricerche precedenti.
Risultati
Ticker
|
Nome
|
Borsa
|
Settore
|
---|---|---|---|
AAPL
|
Apple Inc.
|
Nasdaq
|
Tecnologia
|
MSFT
|
Microsoft Corp.
|
Nasdaq
|
Tecnologia
|
AMZN
|
Amazon.com Inc.
|
Nasdaq
|
Consumo Discrezionale
|
NVDA
|
Nvidia Corp.
|
Nasdaq
|
Tecnologia
|
TSLA
|
Tesla Inc.
|
Nasdaq
|
Consumo Discrezionale
|
GOOGL
|
Alphabet Inc.
|
Nasdaq
|
Comunicazione
|
META
|
Meta Platforms Inc.
|
Nasdaq
|
Comunicazione
|
NFLX
|
Netflix Inc.
|
Nasdaq
|
Consumo Discrezionale
|
ADBE
|
Adobe Inc.
|
Nasdaq
|
Tecnologia
|
CRM
|
Salesforce.com Inc.
|
NYSE
|
Tecnologia
|
AVGO
|
Broadcom Inc.
|
Nasdaq
|
Tecnologia
|
AMAT
|
Applied Materials Inc.
|
Nasdaq
|
Tecnologia
|
LRCX
|
Lam Research Corp.
|
Nasdaq
|
Tecnologia
|
KLAC
|
KLA Corp.
|
Nasdaq
|
Tecnologia
|
INTU
|
Intuit Inc.
|
Nasdaq
|
Tecnologia
|
BKNG
|
Booking Holdings Inc.
|
Nasdaq
|
Consumo Discrezionale
|
MAR
|
Marriott Intl Inc.
|
Nasdaq
|
Consumo Discrezionale
|
ABNB
|
Airbnb Inc.
|
Nasdaq
|
Consumo Discrezionale
|
MRNA
|
Moderna Inc.
|
Nasdaq
|
Sanità
|
PANW
|
Palo Alto Networks Inc.
|
Nasdaq
|
Tecnologia
|
Discussione
-
Criteri Diversificati: Combina crescita (basso BM), momentum (di prezzo e fondamentale) e salute finanziaria, riducendo la dipendenza da un singolo fattore.
-
Potenziale per Rendimenti Superiori: Integrando molteplici predittori di rendimento, potrebbe superare le strategie tradizionali, specialmente in mercati volatili.
-
Gestione del Rischio: Il requisito di flusso di cassa libero positivo e un alto G_SCORE garantisce la selezione di aziende finanziariamente solide, mitigando i rischi di sovrastima.
Tuttavia, ci sono limitazioni: -
Complessità: La strategia richiede dati finanziari dettagliati e calcoli come il G_SCORE, che possono essere difficili per gli investitori individuali.
-
Rischio di Overfitting: Criteri multipli possono portare a overfitting, specialmente senza validazione su dati fuori campione.
-
Costi di Transazione: Aggiustamenti frequenti per mantenere i criteri possono aumentare i costi, influenzando i rendimenti netti.
Ricerche future potrebbero includere backtesting su periodi prolungati, confronto con indici di riferimento e analisi di sensibilità alle condizioni di mercato.
Conclusione
Riferimenti
-
Mohanram, P. S. (2005). Separating Winners from Losers among Low Book-to-Market Stocks using Financial Statement Analysis. Review of Accounting Studies, 10(2-3), 133-170.
-
Huang, D., Zhang, H., & Zhou, G. (2019). Twin Momentum: Fundamental Trends Matter. SSRN. Disponibile su: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2894068
-
Jegadeesh, N., & Titman, S. (1993). Returns to buying winners and selling losers: Implications for stock market efficiency. The Journal of Finance, 48(1), 65-91.
-
Chan, L. K. C., Karceski, J., & Lakonishok, J. (2003). The level and persistence of growth rates. The Journal of Finance, 58(2), 643-684.
-
Piotroski, J. D. (2000). Value investing: The use of historical financial statement information to separate winners from losers. Journal of Accounting Research, 38(Supplement), 1-41.

Santiago1000 Strategy