Nella letteratura finanziaria, noise trader indica un operatore la cui domanda è influenzata da convinzioni o segnali non pienamente giustificati dalle notizie fondamentali. Il termine non identifica automaticamente una categoria anagrafica, come gli investitori retail, né implica che ogni decisione non basata sui fondamentali sia irrazionale. In Black (1986) e nel successivo modello di De Long, Shleifer, Summers e Waldmann (DSSW), il rumore è una componente teorica della domanda che può influire sui prezzi e rendere rischiosa la strategia di chi scommette sulla convergenza verso i fondamentali.
1. Il Ruolo dei Noise Traders nella Microstruttura dei Mercati
La presenza di operatori con informazioni o valutazioni diverse, inclusi gli Informed Traders, è trattata in modi differenti nei modelli di mercato; non ne segue che i noise trader siano sempre i principali fornitori di liquidità. Il risultato di non-trade di Milgrom e Stokey riguarda condizioni precise — tra cui razionalità, conoscenza comune e un’allocazione iniziale Pareto-efficiente rispetto alle credenze precedenti — e non descrive in generale ogni mercato reale. Gli scambi possono avvenire anche per copertura, esigenze di liquidità, ribilanciamento o motivi istituzionali.
Nei modelli di selezione avversa, un market maker può considerare il contenuto informativo del flusso degli ordini quando stabilisce i prezzi. Questo non dimostra che i dealer identifichino sempre le singole controparti come “tossiche”, né che una categoria di trader finanzi sistematicamente le perdite di un’altra attraverso lo spread. Il processo di price discovery e il Bid-Ask Spread dipendono da più caratteristiche del mercato e vanno letti nel relativo contesto.
2. Il Modello DSSW e la Quantificazione del Rischio di Rumore
L’arbitraggio può contrastare alcune deviazioni dei prezzi, ma non è necessariamente privo di rischio né istantaneo. Nel quadro DSSW, le variazioni imprevedibili delle convinzioni dei noise trader — il Noise Trader Risk — possono spingere i prezzi ulteriormente contro la posizione dell’arbitraggista prima che si verifichi una convergenza. Vincoli di capitale, orizzonte, finanziamento e delega possono rendere costoso mantenere quella posizione. Il modello produce anche risultati sui rendimenti attesi delle classi di investitori date le sue ipotesi; non dimostra che i trader identificabili nella realtà come “noise trader” sovraperformino in modo generale o empiricamente stabile.
Non esiste, nei materiali qui richiamati, una scomposizione generale della varianza dei rendimenti ottenuta sommando semplicemente una “varianza fondamentale” e una “varianza del rumore”. Una decomposizione richiederebbe variabili definite, un modello esplicito e le ipotesi sulla covarianza tra componenti. Per questo l’idea di volatilità associata al sentiment va descritta come meccanismo del modello, senza presentare la formula rimossa come identità quantitativa universale.
3. Interazione con i Fenomeni di Mercato: Dai Social Media al Forced Selling
Social media, strategie trend-following e attività algoritmica possono essere esempi di canali attraverso cui circolano segnali o si coordinano ordini; la loro presenza, da sola, non consente di classificare un flusso come noise trading né di attribuirgli causalmente bolle o crolli. Le applicazioni contemporanee richiedono evidenza specifica per mercato, periodo e comportamento osservato, distinta dai risultati dei modelli teorici.
Flussi di riscatto, vendite per ribilanciamento o richieste di margine possono, in determinate condizioni, amplificare la pressione di vendita e incidere sulla liquidità. Il collegamento con l’effetto gregge o con il forced selling va però formulato come possibile meccanismo, non come sequenza inevitabile in cui il “rumore” prevale sui fondamentali o i gestori ottengono rendimenti extra acquistando asset scontati.
Conclusioni
Il concetto di noise trader è utile perché mostra come convinzioni non pienamente fondate sui fondamentali possano entrare nella domanda e, insieme ai limiti dell’arbitraggio, influire sui prezzi. La portata del risultato dipende però dal modello e dalle sue ipotesi: non autorizza a etichettare automaticamente retail, algoritmi o strategie tecniche come rumore, né a dedurre una fonte universale di liquidità o volatilità. In analisi, conviene distinguere la definizione teorica, il meccanismo ipotizzato e l’evidenza empirica disponibile per il mercato osservato.