CHANGE LANGUAGE | Home > Doc > Le frodi nell'ambito degli Edge Funds > 6.3 Perdite monetarie

Le frodi nell'ambito degli Edge Funds

1. Gli Edge Fund: Evoluzione Storica

2. Caratteristiche strutturali degli Hedge funds

3. Le frodi nel settore degli Hedge funds: aspetti introduttivi

4 le frodi più frequenti: copertura delle perdite di gestione

5. Gli altri tipi di illecito

6. Riflessioni quantitative sulle frodi

7. Le Frodi in Italia: il caso comune di Milano

8. I possibili interventi a riduzione degli illeciti

9. Conclusioni

Bibbliografia e Sitografia

Le frodi nell'ambito degli Edge Fund

6.3 Perdite monetarie

Prendendo in considerazione un campione di 100 illeciti che si sono verificati nel 2005, non tutti questi reati ledono esclusivamente i diritti degli investitori:

 Solo il 69% di questi rappresenta infatti situazioni di violazione degli stessi, sia dei singoli soci che della società nel suo complesso, il cui ammontare della perdita dovuta all’illecito è conosciuto o facilmente stimabile;

 Il restante 31% è caratterizzato da eventi che non hanno interessato uno specifico soggetto: 13 di questi casi (42% rispetto al totale) si riferiscono ad eventi la cui natura della violazione non corrisponde a specifici soggetti, è il caso di crimini come l’insider trading o lo short selling;

 Una ulteriore componente di 10 casi identifica degli appositi soggetti colpiti dalla frode, ma le cui informazioni a disposizione non sono sufficienti per determinare o ragionevolmente stimare il numero di soggetti colpiti.

 I restanti 8 casi si riferiscono a situazioni le cui informazioni a disposizione non sono utili per identificare il tipo di investitori coinvolti.

La tabella mostra alcuni dati circa i 69 casi di frodi che hanno colpito specifici investitori nel 2005 (Fonte: Bruce Johnson (2010), “The Hedge Fund fraud casebook”)

Se volessimo ulteriormente correlare il numero di frodi all’ammontare delle perdite subite, noteremmo inoltre che non vi è alcun legame tra queste grandezze. I grafici collocati nella pagina successiva, cercano di elaborare correttamente i due elementi presi in considerazione: la mancata correlazione sembra continuare ad esistere, tuttavia vi è una grande presenza di “outliers”44.

L’ulteriore regressione svolta sul nostro campione, utilizzando il metodo dell’R2, mostra un risultato di 0,31, con un intervallo t pari a circa 4.0. Questa conclusione mostra quindi una sottostima della relazione tra il numero delle vittime e l’ammontare di denaro che è stato perso. L’esito non deve essere considerato vero a priori, ma suggerisce come la frode abbia una propria dimensione nell’universo dei fondi comuni d’investimento di ampiezza maggiore rispetto ad altre tipologie di investimento finanziario.


[44] Outlier è un termine utilizzato in statistica per definire, in un insieme di osservazioni, un valore anomalo e aberrante; un valore quindi chiaramente distante dalle altre osservazioni disponibili.Gli outliers sono valori numericamente distanti dal resto dei dati raccolti (ad esempio, in un campionamento). Le statistiche che derivano da campioni contenenti outlier possono essere fuorvianti. Per esempio, se misurassimo la temperatura di dieci oggetti presenti in una stanza, la maggior parte dei quali risultasse avere una temperatura compresa fra 20 e 25 gradi Celsius, allora il forno acceso, avente una temperatura di 350 gradi, sarebbe un dato aberrante. La mediana dei valori sarebbe circa 23, mentre la temperatura media salirebbe a circa 55 gradi: un indice chiaramente non rappresentativo della maggioranza dei valori di temperatura riscontrati nella stanza. In questo caso, la mediana rifletterebbe meglio della media aritmetica le misure della temperatura degli oggetti. Gli outliers possono essere indicativi del fatto che, in un dato campione, alcuni dati appartengono ad una popolazione differente rispetto a quella del resto del campione. Nella maggioranza dei grandi campioni, alcuni dati saranno più lontani dalla media del campione di quanto sarebbe logico aspettarsi. Ciò può essere dovuto ad un errore sistematico che si è verificato nella raccolta dei dati, oppure a una fallacità nella teoria che ha orientato l'assunzione di una data distribuzione campionaria di probabilità, ma potrebbe anche essere semplicemente dovuto al caso, che ha fatto sì che nella raccolta dei dati alcune osservazioni abbiano prodotto dati molto lontani dai valori medi del campione. Inoltre, gli outliers potrebbero essere indicativi di dati errati, procedure erronee o aree sperimentali in cui alcune teorie potrebbero non essere valide. Tuttavia, un piccolo numero di dati aberranti non dovuti a condizioni anomale è dato per scontato nei grandi campioni. Stimatori poco influenzati dai dati aberranti sono detti robusti. (Fonte: Wikipedia)

I grafici ivi rappresentati cercano di definire in tre modi diversi il rapporto tra il numero delle vittime delle frodi e il relativo ammontare delle perdite: nel primo grafico, si cerca di definire il valore identificativo di una perdita di gestione generica dovuta all’illecito, nel secondo caso il rapporto viene rappresentato tramite un diagramma a barre, mentre nell’ultima rappresentazione si utilizza una regressione lineare in cui R2 assume valore pari a 0,3062, dimostrando la scarsa correlazione esistente tra le due grandezze misurate (Fonte: Bruce Johnson (2010), “The Hedge Fund fraud casebook”, Wiley & Sons)

Sansoldo Fabrizio

Performance Trading

Home | Mappa | Staff | Disclaimer | Privacy | Supportaci | Contact

Copyright © PerformanceTrading.it ed il suo contenuto sono di esclusiva propriet� di DHDwise. E' vietata la riproduzione anche parziale di qualsiasi parte del sito senza autorizzazione compresa la grafica e il layout. Prima della consultazione del sito leggere il disclaimer. Per informazioni consultare la sezione info.