Mandelbrot 1963: i mercati saltano selvaggiamente. Wall Street lo sapeva e ti ha mentito lo stesso.

Sai cosa è successo il 19 ottobre 1987? In un singolo giorno l'indice Dow Jones è crollato del 22,6%. Wall Street è andata in ginocchio. I trader piangevano. Le banche fallivano. Secondo i modelli matematici che Wall Street usava in quel momento, quel crollo era praticamente impossibile. Probabilità: uno su dieci alla cinquantesima potenza. Un numero così piccolo che è come dire che non sarebbe successo nemmeno se i mercati esistessero da prima del Big Bang.

Eppure è successo. E poi è successo di nuovo nel 1998. E poi nel 2000. E poi nel 2008. E poi nel marzo 2020, quando in 33 giorni l'S&P500 ha perso il 34%. Tutti eventi «impossibili» secondo la matematica che usano i fondi, le banche, le università. Eppure succedono. Continuano a succedere. Ogni 8-12 anni in media.

Il motivo per cui questi eventi sono «impossibili» sui modelli ma reali nel mercato lo aveva scoperto un matematico nel 1963. Si chiamava Benoit Mandelbrot. Nel 1962 lavorava per IBM, era pagato per studiare i prezzi del cotone americano e si stava per accorgere di una cosa che avrebbe dovuto cambiare la finanza mondiale per sempre. Non lo fece. Wall Street lo ignorò. Continuò a usare la matematica sbagliata. E continua ancora oggi. Questo articolo spiega perché.

Chi era Mandelbrot, e perché studiava il cotone

Il dato che risolve la domanda parte dal fatto che Mandelbrot non era un economista. Era un matematico. Nato in Polonia nel 1924, scampato all'invasione nazista, cresciuto in Francia, naturalizzato americano. Lavorava per IBM dal 1958 al laboratorio di ricerca Thomas J. Watson, vicino New York. IBM era allora il colosso dei computer e poteva permettersi di pagare matematici per studiare cose strane.

Tra il 1960 e il 1963 Mandelbrot ricevette una richiesta strana: studiare il prezzo del cotone. Il governo americano aveva il database completo dei prezzi del cotone giornalieri dal 1900. Sessantatre anni di dati. Più di 15.000 osservazioni. Era una delle prime grandi serie temporali finanziarie su cui si poteva fare statistica seria con i computer di allora. Le teorie economiche dell'epoca — costruite su Bachelier 1900 e poi rifondate da Markowitz nel 1952 — assumevano tutte che i prezzi seguissero una distribuzione normale. La curva di Gauss. La campana.

Mandelbrot prese i dati del cotone e li guardò. Calcolò la deviazione standard. Calcolò i quantili. Contò gli eventi estremi. I dati non corrispondevano alla curva di Gauss. Gli eventi che secondo la curva sarebbero dovuti capitare una volta ogni mille giorni capitavano una volta ogni cinquanta. Gli eventi che sarebbero dovuti capitare una volta ogni cento anni capitavano una volta ogni cinque. Non era un piccolo scostamento. Era un errore di ordini di grandezza.

Pubblicò la scoperta nel 1963 sul Journal of Business dell'Università di Chicago. Il titolo era «The Variation of Certain Speculative Prices». In quel paper Mandelbrot proponeva un modello alternativo: le distribuzioni stabili di Lévy con un parametro alpha minore di 2. Significava che la distribuzione aveva varianza infinita — un concetto che faceva impazzire gli economisti dell'epoca, abituati a usare la varianza come misura standard del rischio.

La curva di Gauss spiegata a tua nonna

Partiamo dall'osservabile: per capire perché i mercati non seguono Gauss, devi prima capire cosa è Gauss. Lo spiego come lo spiegherei a mia nonna seduta in cucina con il caffè davanti.

Immagina di misurare l'altezza di 1.000 italiani adulti. Vedi che la maggior parte è alta tra 1,65 e 1,80 metri. Pochissimi sono alti 2 metri. Pochissimi sono alti 1,40. Se metti su un grafico quante persone hai per ogni altezza, ti viene fuori una forma a campana: alta nel mezzo, bassa ai lati. Quella è la curva di Gauss. La distribuzione normale.

Ora immagina di misurare lo stipendio mensile di 1.000 italiani adulti. La maggior parte guadagna tra 1.500 e 2.500 euro. Pochi guadagnano 200.000. Ma ci sono. E cambiano tutto. Se Elon Musk e Jeff Bezos entrano nel campione, lo stipendio medio sale di colpo, anche se sono solo 2 persone su 1.000. La distribuzione degli stipendi non è una bella campana simmetrica. Ha una coda lunga a destra. Pochi guadagnano moltissimo. Quella è una distribuzione a code grasse. Il mondo reale è pieno di queste distribuzioni.

I mercati finanziari sono come gli stipendi, non come le altezze. La maggior parte dei giorni il mercato si muove poco: tra -1% e +1%. Ma ogni tanto, ogni 5-10 anni, succede un evento «da Elon Musk»: il -22% di Black Monday 1987, il -34% in 33 giorni del Covid 2020. Questi eventi spostano tutto. Cancellano dieci anni di guadagni piano piano. E secondo la curva di Gauss non dovrebbero esistere. Mandelbrot lo aveva visto nei dati del cotone. Wall Street ha scelto di ignorarlo.

Black Monday 1987: il giorno in cui i modelli impazzirono

In termini operativi, capire le code grasse senza un esempio concreto è impossibile. Andiamo a vedere cosa è successo il 19 ottobre 1987. Lunedì mattina, Wall Street apre. Il Dow Jones inizia a scendere. -3%. -5%. -8%. Le ore passano e il sangue non si ferma. A chiusura il Dow ha perso il 22,6% in un solo giorno. Il più grande crollo percentuale di un solo giorno nella storia della borsa americana.

I trader del 1987 usavano la formula di Black-Scholes per prezzare le opzioni. Black-Scholes assume distribuzione normale dei rendimenti. La deviazione standard giornaliera dell'S&P500 nel 1987 era circa 1,2%. Un crollo del 22,6% significa 18,8 deviazioni standard. La probabilità di un evento a 18,8 sigma secondo la curva di Gauss è circa 10 elevato a -78. Un numero così piccolo che è più piccolo del numero di atomi nell'universo osservabile. Letteralmente impossibile.

Eppure è successo. Quel giorno hanno fallito decine di hedge fund. Le casse di compensazione hanno saltato. La Federal Reserve ha dovuto pompare liquidità di emergenza. Gli specialisti del NYSE si sono trovati con bilanci personali distrutti perché avevano accettato ordini in conto proprio assumendo che i prezzi non sarebbero scesi così tanto. Se il modello dice «impossibile» e tu rischi il capitale assumendo che il modello sia giusto, quando l'impossibile succede tu fai boom.

Mandelbrot quel giorno aveva 63 anni e lavorava ancora a IBM. La cosa più dolorosa per lui non fu il crollo: fu il fatto che Wall Street, dopo Black Monday, NON cambiò modello. Andò avanti con la curva di Gauss. Riempì i libri di testo con Black-Scholes. Continuò a usare il Value at Risk (creato da JP Morgan nel 1989) calcolato assumendo distribuzione normale. Il Long Term Capital Management — l'hedge fund più sofisticato del mondo nel 1998, con due premi Nobel come consulenti — usava modelli gaussiani. Esplose in agosto 1998 quando la Russia fece default. Perse 4,6 miliardi di dollari in 4 mesi. Anche LTCM era «impossibile» secondo la matematica che usavano.

Esperimento in Excel: vedi tu stesso le code grasse

Quello che conta è capire la differenza tra la matematica giusta e quella sbagliata senza dipendere dal mio racconto. Ti faccio fare un esperimento in Excel che dimostra le code grasse nei mercati reali. Cinque minuti. Nessun simbolo greco. Nonna capisce.

Adesso ripeti lo stesso esperimento sui rendimenti dell'oro XAUUSD dal 2007 al 2026. Stessa logica. Vedrai numeri simili: 4-6 volte più eventi estremi del previsto. Adesso fallo sui Bitcoin dal 2013. Vedrai 8-10 volte. Più l'asset è giovane e meno regolamentato, più le code sono grasse. È statistica empirica. È quello che Mandelbrot aveva visto nel cotone nel 1963 e Wall Street non ha mai voluto integrare nei modelli operativi.

Conseguenze pratiche: perché i tuoi fondi esplodono

La verità matematica è che assumere distribuzione normale quando la realtà è a code grasse ha conseguenze devastanti sulla gestione del rischio. Ti faccio tre esempi pratici che riguardano direttamente i risparmi della gente normale.

Conseguenza #1: il Value at Risk (VaR) sottostima sempre il rischio reale

Il Value at Risk è la misura standard del rischio nelle banche e nei fondi. Risponde alla domanda: «qual è la perdita massima attesa al 99% di confidenza in un giorno?» Se il VaR a 1 giorno è 1 milione di euro, la banca si aspetta di non perdere più di un milione in un singolo giorno il 99% dei giorni. Calcolato con distribuzione normale, il VaR sottostima sistematicamente le perdite reali. Nei giorni di code grasse — uno ogni 6-8 settimane in media — la perdita reale è 3-5 volte il VaR. È il motivo per cui le banche continuano a chiedere salvataggi di stato dopo ogni crisi.

Conseguenza #2: il Sharpe ratio è una misura zoppa

Il Sharpe ratio premia le strategie con rendimenti elevati e volatilità bassa. Sembra logico. Ma assume distribuzione normale dei rendimenti. Una strategia tipo «short option» — vendi assicurazione e raccogli premi — produce rendimenti piatti e quotidiani per anni, con Sharpe ratio alto. Fino al giorno in cui il mercato fa boom e perdi tutto. Il Sharpe ratio non distingue tra una strategia stabile con rischio reale basso e una strategia che sta accumulando rischio nascosto nelle code grasse. Per questo Manuel Trotta usa anche il Sortino ratio e l'Ulcer Index — misure più sensibili al drawdown reale.

Conseguenza #3: il backtest gaussiano mente sulla sopravvivenza

I backtest delle strategie quantitative spesso simulano la distribuzione dei rendimenti con bootstrap gaussiano: prendono rendimenti passati, li rimescolano, calcolano metriche. Questo metodo sottostima la probabilità di grande drawdown. Una strategia che il bootstrap dice avere il 2% di probabilità di -30% drawdown in realtà ha il 10-15% per via delle code grasse. È il motivo per cui un sacco di sistemi che sui backtest sembravano d'oro hanno fallito miseramente live.

Oracle v78: come gestisco davvero il rischio non gaussiano

Per capirlo servono due passaggi. Prima: ammettere che nessuno può sapere quando arriverà il prossimo Black Monday. Poi: costruire un sistema che sopravviva quando arriva. Quello che ho imparato nei miei 19 anni di trading è che la differenza tra chi sopravvive e chi esplode non è la capacità di prevedere — è il design del rischio. E il design del rischio va fatto sulla statistica empirica, non su Gauss.

Nel 2009, all'inizio della mia carriera quantitativa, costruivo sistemi gaussiani. Eseguivo backtest con bootstrap normale. Sembravano d'oro. Poi mettevo i sistemi live e dopo qualche mese arrivava il giorno in cui la curva di Gauss saltava e il sistema esplodeva. Persi due anni così. La svolta arrivò quando lessi «The Misbehavior of Markets» di Mandelbrot (edizione 2004, scritto con Richard Hudson) e capii che dovevo rifare tutto da capo. Niente più Gauss. Solo statistica empirica sui dati veri. È così che è nata la linea Oracle. Ci ho messo 17 anni e 78 versioni. Ma adesso funziona.

Cosa puoi fare tu domani mattina

Se sei arrivato fino a qui hai già fatto il 90% del lavoro: hai capito che la matematica standard dei mercati è sbagliata. Adesso ti dico cosa fare con questa consapevolezza, senza che ti devi laureare in statistica.

Primo: smetti di credere alle promesse di rendimento «con rischio controllato»

Quando un consulente finanziario o un guru ti dice «massimo drawdown 8% con rendimento atteso 12% annuo», probabilmente sta usando un modello gaussiano per quel «massimo 8%». Domanda diretta: «il drawdown 8% è stato misurato su dati reali storici o stimato con simulazione gaussiana?» Se non sa rispondere, scappa. Se dice «backtest», chiedi i numeri grezzi. Se non li ha, scappa.

Secondo: diffida del Sharpe ratio come unica metrica

Sharpe alto non significa rischio basso. Significa rischio gaussiano basso. Chiedi anche il Sortino ratio (premia solo la volatilità negativa) e il Calmar ratio (rendimento / drawdown massimo reale). Se queste due metriche sono molto più basse del Sharpe, c'è puzza di code grasse nascoste. È matematica, non opinione.

Terzo: usa il drawdown massimo osservato, non quello teorico

La domanda da fare a chiunque ti proponga un investimento: «qual è stato il drawdown massimo storico reale di questa strategia, da quando esiste, includendo periodi di stress come 2008 e 2020?» Se la strategia esiste solo da 3-5 anni, NON ha visto un vero stress test. Diffida. Manuel Trotta è online dal 2007 — ha visto 2008, 2011, 2015, 2018, 2020, 2022. Il criterio di Kelly e gli strumenti di money management vanno usati su questa storia, non su simulazioni teoriche.

Riepilogo: Mandelbrot e le code grasse in 7 punti

◆ Scritto da

Manuel Trotta

Trader quantitativo italiano dal novembre 2007. Fondatore MTInvestments, creatore UlcerZenith Oracle v78 con 65.587 trade reali verificati su conto pubblico MT5 #6003085. Autore di 18 libri sul trading e finanza personale: "Fare Trading con Excel" (Hoepli 2019), "Diventa Investitore Profittevole in 15 Minuti al Giorno", "Il Latte con la Mucca" (memoir 2026), più 2 volumi tecnici. Speaker IT Forum Rimini. Online dal 2007 — stesso nome, stessa P.IVA.

P.IVA 14349331000 Dal 2007 18 Libri su Amazon ↗ 150K+ Follower