Regime-switching momentum: robust portfolio selection among SandP500 costituents

The identification of structural changes in financial market dynamics represents a central challenge in the development of adaptive and robust investment strategies. In this context, this thesis proposes a quantitative framework based on Hidden Markov Model (HMM), applied to the stocks belonging to the S&P 500 index over the period 2000–2026. The model allows for the identification of latent market regimes and the derivation of information conditioned on these states, both at the individual stock and sector levels, according to the GICS classification. This information is then combined through the temporal evolution of the regimes to construct dynamic ranking metrics capable of adapting to different market contexts. This procedure exhibits superior predictive capacity compared to the reference benchmark, producing higher cumulative and risk-adjusted returns. To improve the portfolio allocation process, a filtering mechanism based on probability thresholds associated with the identification of favorable regimes is introduced. This approach allows for a dynamic reduction in exposure during periods characterized by high uncertainty or adverse conditions, allowing more efficient risk management. The results of the analysis highlight how the proposed framework is able to significantly mitigate systemic risk, substantially improving key risk metrics. Furthermore, the integration of signals conditioned on latent regimes promotes the construction of more resilient portfolios compared to traditional benchmarks: the proposed strategy indeed shows greater efficiency in terms of transaction costs, with a significantly lower alpha decay compared to the classic momentum strategy. Overall, the study demonstrates how the joint use of probabilistic models and cross-sectional information can represent an effective approach for the construction of dynamic investment strategies capable of adapting to the evolution of market regimes.

L’identificazione dei cambiamenti strutturali nelle dinamiche dei mercati finanziari rappresenta una sfida centrale nello sviluppo di strategie di investimento adattive e robuste. In questo contesto, la presente tesi propone un framework quantitativo basato sul Modello di Markov a Stati Latenti (Hidden Markov Model, HMM), applicato ai titoli azionari appartenenti all’indice S&P 500 nel periodo 2000–2006. Il modello consente di identificare regimi di mercato latenti e di derivare informazioni condizionate a tali stati, sia a livello di singolo titolo sia di settore, secondo la classificazione GICS. Queste informazioni vengono quindi combinate tra loro attraverso l'evoluzione temporale dei regimi per costruire metriche di ranking dinamiche, in grado di adattarsi ai diversi contesti di mercato. Tale procedura evidenzia una capacità predittiva superiore rispetto al benchmark di riferimento, producendo rendimenti cumulati e risk-adjusted più elevati. Al fine di migliorare il processo di allocazione del portafoglio, viene introdotto un meccanismo di filtraggio basato su soglie di probabilità associate all’identificazione di regimi favorevoli. Questo approccio permette di ridurre dinamicamente l’esposizione nei periodi caratterizzati da elevata incertezza o condizioni avverse, favorendo una gestione più efficiente del rischio. I risultati dell’analisi evidenziano come il framework proposto sia in grado di mitigare in modo significativo il rischio sistemico, migliorando sensibilmente le principali metriche di rischio. Inoltre, l’integrazione di segnali condizionati ai regimi latenti favorisce la costruzione di portafogli più resilienti rispetto ai benchmark tradizionali: la strategia proposta mostra infatti una maggiore efficienza in termini di costi di transazione, con un decadimento dell’alpha sensibilmente inferiore rispetto alla classica strategia momentum. Nel complesso, lo studio dimostra come l’utilizzo congiunto di modelli probabilistici e informazioni cross-sectional possa rappresentare un approccio efficace per la costruzione di strategie di investimento dinamiche, capaci di adattarsi all’evoluzione dei regimi di mercato.