Tecnica che mira a trovare il portafoglio con la minor varianza possibile, minimizzando la volatilità tramite la risoluzione di un problema di ottimizzazione. Nei modelli non lineari, la funzione obiettivo non è una semplice combinazione quadratica.

Processo di suddivisione del rischio tra diverse componenti di portafoglio, tenendo conto di correlazioni e limiti strutturali. Nei modelli non lineari, la decomposizione richiede metodi computazionali avanzati.

Procedura utilizzata per valutare l’attendibilità dei risultati ottenuti da un modello. Nei contesti non lineari, la validazione include simulazioni e test su dati fuori campione.

Processo iterativo che consente di avvicinarsi progressivamente a una soluzione ottimale. Nei modelli non lineari, l’algoritmo può convergere verso minimi locali, non necessariamente globali.

Tecnica per escludere dati distorti o anomali, fondamentale per evitare che i modelli producano risultati fuorvianti. Nella pratica non lineare, il filtro richiede controlli multipli e revisione manuale.

Indicatore che misura la dispersione dei rendimenti rispetto alla media. Nei portafogli a varianza minima, la varianza rappresenta il principale criterio di confronto tra modelli.

Problema di ottimizzazione in cui la funzione obiettivo o i vincoli non seguono una struttura lineare. Richiede metodi numerici complessi e attenzione ai minimi locali.

Processo di valutazione delle prestazioni di un modello su dati non utilizzati per la costruzione dello stesso. Fondamentale per evitare il rischio di overfitting nei modelli non lineari.