Usare il Deep Learning per prevedere i rendimenti azionari

Prevedere quanto guadagnerà un'azione rispetto al mercato può aiutare gli investitori a prendere decisioni più intelligenti. Però, il mercato è imprevedibile perché influenzato dal comportamento umano. In passato, i ricercatori sceglievano manualmente segnali o fattori per guidare le loro previsioni. Questo approccio ha delle limitazioni, quindi si sta testando un nuovo metodo che usa il deep learning per combinare automaticamente questi segnali e prevedere le performance delle azioni.

Questo nuovo approccio coinvolge una rete neurale profonda con cinque strati. Può creare fattori utili a partire da una grande quantità di informazioni. La rete è progettata per essere più robusta e meno incline a fare errori grazie a tecniche di allenamento moderne. Include una funzionalità speciale chiamata rete a porte, che aiuta a filtrare i dati irrilevanti. Questo può portare a performance più forti. Il modello è stato testato su oltre 2.000 azioni del mercato cinese per tre anni, e i risultati hanno mostrato che il nuovo strato di attivazione a porte e la rete neurale profonda hanno migliorato le previsioni.

#Il Ruolo del Deep Learning nella Finanza

Il deep learning è diventato popolare nella finanza, specialmente per analizzare dataset complessi e di grandi dimensioni. I metodi tradizionali, come la regressione lineare, faticano a tenere il passo con la natura complessa dei dati finanziari. Questo ha spinto i ricercatori a rivolgersi a metodi avanzati di deep learning per previsioni migliori.

Negli ultimi anni, molti studi si sono concentrati sull'uso del deep learning nella finanza. Ad esempio, alcuni ricercatori hanno usato un tipo speciale di rete neurale chiamata LSTM per modellare il comportamento del mercato azionario, utilizzando dati delle ricerche su Google per valutare il sentiment pubblico. Altri hanno applicato il deep learning direttamente per prevedere i prezzi delle azioni basandosi su dati storici. I ricercatori sono stati al lavoro per trovare modi migliori per prevedere le performance delle azioni usando diversi strumenti di machine learning.

#Costruire un Nuovo Modello

L'obiettivo di questo lavoro è creare un nuovo tipo di rete neurale che combina Reti Feedforward di base con strati di attivazione a porte. Questo modello mira a prevedere se i rendimenti futuri di un'azione saranno positivi o negativi. Rendimenti positivi significano che si prevede che l'azione faccia meglio del mercato.

Questo modello affronta alcune delle debolezze dei modelli più vecchi grazie all'uso di tecniche moderne di deep learning e risorse informatiche avanzate. Il potenziale di questo modello risiede nella sua capacità di migliorare le decisioni di investimento, ottimizzare la gestione del portafoglio e assistere nella gestione del rischio.

L'attenzione è rivolta a trovare segnali Alpha efficaci, che sono indicatori che possono prevedere se un'azione supererà il mercato. Prevedere se le azioni saliranno o scenderanno è spesso più semplice rispetto a prevedere i rendimenti esatti. Questo focus consente una valutazione più chiara dei fattori scelti.

#Comprendere i Fattori Alpha

Alpha si riferisce ai rendimenti in eccesso di un'azione rispetto al benchmark di mercato. Viene utilizzato in diverse strategie di investimento per misurare quanto bene un'azione performa oltre ciò che suggerirebbe il mercato.

Per studiare quanto bene diversi fattori prevedono le performance delle azioni, i ricercatori hanno introdotto 101 fattori alpha derivati sia da indicatori tecnici, come i prezzi delle azioni, sia misure finanziarie, come utili e ricavi. Questi fattori sono essenziali per verificare quanto bene il modello può prevedere le performance delle azioni.

#L'Architettura del Modello

Il nuovo modello è composto da due parti principali: la rete feedforward e lo strato di attivazione a porte. La rete feedforward genera rappresentazioni utili dei dati delle azioni, mentre lo strato di attivazione a porte aiuta a selezionare le caratteristiche più efficaci da mantenere ed elimina informazioni superflue.

Il modulo feedforward funziona trasformando i dati in input attraverso strati che imparano a riconoscere i modelli. Aggiungere più strati può migliorare le performance, ma a volte può anche portare a problemi, come una minore accuratezza a causa della maggiore complessità.

Per prevenire questi problemi, si utilizzano tecniche come la normalizzazione batch, che aiuta a stabilizzare il processo di apprendimento, e le connessioni residue, che aiutano a mantenere le performance man mano che la profondità aumenta. Si aggiunge anche il dropout per ridurre l'overfitting, disattivando casualmente alcune connessioni durante l'allenamento.

Lo strato di attivazione a porte lavora per migliorare la qualità dei dati elaborati. Filtra il rumore e si concentra sulle parti utili dei dati, aiutando il modello a fare previsioni migliori.

#Fonti di Dati e Struttura

I dati per questa ricerca provengono da fonti affidabili, concentrandosi sulle azioni scambiate nel mercato A-share cinese. Il dataset include informazioni quotidiane di trading, come prezzi di apertura e chiusura, prezzi massimi e minimi, volume giornaliero e altri dati finanziari importanti.

Il modello viene addestrato utilizzando questi dati, dividendoli in set di addestramento e test. Una parte di questi dati è anche riservata per la validazione per assicurarsi che il modello impari in modo efficace e possa generalizzare bene ai nuovi dati.

#Confrontare le Performance dei Modelli

Il nuovo modello viene confrontato con modelli più vecchi come la regressione lineare e perceptron multilivello più semplici. I risultati dei test mostrano che i modelli più profondi, come il nuovo modello a porte, performano molto meglio rispetto ai modelli più semplici.

Utilizzare tecniche come la normalizzazione batch e il dropout aiuta a rendere il nuovo modello ancora più efficace. Lo strato di attivazione a porte si è rivelato particolarmente vantaggioso, portando a previsioni di rendimenti azionari migliori rispetto ad altri modelli testati.

#Direzioni Future

Una misura chiave dell'efficacia di un modello nel prevedere le performance delle azioni è il Coefficiente di Informazione (IC), che mostra la relazione tra i fattori utilizzati e i rendimenti futuri. Il nuovo modello mira a sviluppare una funzione di perdita sofisticata basata su questo concetto per migliorare ulteriormente la sua accuratezza.

Tuttavia, a causa della complessità di questa nuova funzione di perdita, le attuali risorse computazionali potrebbero non essere sufficienti per eseguire i test richiesti. Eppure, man mano che la tecnologia avanza, potrebbe presto essere possibile condurre questi esperimenti.

#Conclusione

Questa ricerca si concentra sullo sviluppo di un nuovo approccio per prevedere i rendimenti azionari utilizzando il deep learning. Il modello proposto, che utilizza uno strato di attivazione a porte combinato con fattori tradizionali, mostra un miglioramento significativo rispetto ai modelli più vecchi.

I risultati suggeriscono che incorporare tecniche moderne di deep learning può migliorare l'allenamento e ridurre problemi comuni come l'overfitting. Le intuizioni ottenute da questa ricerca potrebbero aprire la strada a ulteriori progressi nella previsione efficace delle tendenze del mercato azionario, beneficiando in ultima analisi gli investitori e l'industria finanziaria nel suo complesso.