Usare l'IA per prevedere i movimenti delle azioni

Prevedere il movimento dei prezzi delle azioni è un obiettivo importante sia per accademici che per professionisti. Il mercato azionario cambia rapidamente a causa di vari fattori, rendendo difficile prevedere le variazioni di prezzo, soprattutto nell'arco della stessa giornata di trading. Ad esempio, un discorso di un funzionario di alto rango potrebbe portare a reazioni immediate nel mercato, come si è visto con l'indice NASDAQ, che ha oscillato significativamente in poco tempo durante una riunione della Federal Reserve. A causa di questa volatilità, molte persone hanno cercato modi per capire e prevedere meglio il comportamento del mercato azionario.

#La Sfida di Prevedere i Prezzi delle Azioni

I prezzi delle azioni sono influenzati da molte variabili, come dati economici, performance aziendale e sentiment degli investitori. I ricercatori hanno cercato indicatori come i tassi d'interesse, i rendimenti dei dividendi o anche fattori psicologici per aiutare a prevedere i cambiamenti nei prezzi delle azioni. Tuttavia, questi metodi tradizionali spesso non riescono a prevedere movimenti specifici delle azioni.

Negli ultimi anni, sviluppi nell'intelligenza artificiale e nella visione artificiale hanno aperto nuove porte per la previsione dei prezzi delle azioni. Utilizzando dati visivi, come immagini da grafici dei prezzi, i ricercatori hanno cercato di migliorare l'accuratezza delle previsioni.

#Classificazione delle Immagini nella Previsione delle Azioni

L'approccio discusso qui tratta i cambiamenti dei prezzi delle azioni come un problema di classificazione delle immagini. Utilizzando immagini per rappresentare i dati delle azioni, è possibile rilevare schemi che riguardano se un'azione salirà o scenderà. L'idea è che se visualizziamo i dati in modo efficace, le macchine possano imparare da queste immagini per fare previsioni migliori.

Il modello utilizzato per questo scopo si basa su un tipo di rete neurale chiamata rete neurale convoluzionale (CNN), specificamente una variante nota come MobileNet-V2. Questo modello è progettato per elaborare immagini in modo efficiente, il che lo rende adatto per analizzare i dati delle azioni rappresentati come immagini.

#Lo Studio

Questo studio si concentra sulla previsione del movimento intraday delle azioni basato su dati delle azioni più grandi del NASDAQ. Il processo di previsione coinvolge la classificazione dei movimenti dei prezzi giornalieri in tre categorie: "compra", "vendi" o "troppo volatile per essere chiamato". La prima ora di trading è il punto focale perché spesso imposta il tono per il resto della giornata.

Il modello prende vari dati finanziari e li converte in immagini. Queste immagini consistono in grafici a candela, che mostrano i movimenti dei prezzi nel tempo. Analizzando questi grafici, il modello CNN mira a prevedere se un'azione salirà o scenderà.

#Come Funziona il Modello

La classificazione delle immagini solitamente coinvolge diversi passaggi. L'elemento CNN del modello utilizza strati di filtri che rilevano schemi all'interno delle immagini. I principali vantaggi delle CNN rispetto alle reti neurali tradizionali includono la loro capacità di condividere parametri, adattarsi a connessioni locali e rappresentare i dati in modo più efficace.

I risultati hanno dimostrato che il modello può separare efficacemente i risultati dei movimenti delle azioni in classi distinte. Quando è stato testato, l'algoritmo ha mostrato buone performance rispetto ad altri modelli e ha persino superato molte strategie di trading.

#Raccolta Dati

La ricerca ha utilizzato dati delle 1000 azioni principali del NASDAQ basati sulla capitalizzazione di mercato. La raccolta dei dati si è svolta da gennaio a luglio 2022, utilizzando una libreria Python per accedere e visualizzare i dati delle azioni. Queste informazioni includono i movimenti dei prezzi registrati ogni cinque minuti durante la giornata di trading.

Ogni pezzo di dati comprende un'immagine e un'etichetta corrispondente che indica il movimento previsto dell'azione (compra, vendi o troppo volatile).

#Rappresentazione Visiva dei Dati delle Azioni

Le immagini utilizzate in questo studio consistono di indicatori a candela e di volume per ogni intervallo di tempo. Un grafico a candela rappresenta visivamente i prezzi di apertura, massimo, minimo e chiusura durante un periodo specificato, il che aiuta i trader a identificare tendenze e schemi. Raccogliendo questi dati in formato immagine, il modello può analizzarli per le previsioni.

#Classificazione dei Movimenti delle Azioni

In questo modello, i movimenti delle azioni sono classificati in tre categorie basate sulla relazione tra il prezzo di chiusura dopo la prima ora di trading e il prezzo di chiusura alla fine della giornata.

Le tre classi sono:

• C1 (compra): Indica un cambiamento di prezzo positivo.
• C2 (vendi): Mostra un cambiamento di prezzo negativo.
• C0 (troppo volatile): Rappresenta azioni che sono imprevedibili.

#L'Architettura del Modello

Il modello utilizza principalmente MobileNet-V2, un'architettura leggera che è efficiente nella gestione delle immagini. Questo modello impiega una struttura unica che riduce il numero di parametri, permettendogli di funzionare efficacemente anche con risorse computazionali limitate.

Durante l'addestramento, il modello cerca di imparare da ogni immagine per fare previsioni basate sui pattern storici trovati nei dati delle immagini.

#Risultati di Addestramento e Performance

Il modello CNN è stato addestrato su più epoche, con test focalizzati sul raggiungimento di un alto livello di accuratezza nelle previsioni. La versione del modello che ha avuto le migliori performance ha raggiunto circa il 49% di accuratezza durante la validazione, il che è un miglioramento significativo rispetto al semplice indovinare.

Sebbene questa accuratezza possa non sembrare alta, è cruciale valutare quanto bene il modello possa prevedere i movimenti dei prezzi delle azioni, specialmente considerando le sfide coinvolte in questo compito.

#Test del Modello

Il modello è stato testato con dati di mercato reali per vedere come classificava i movimenti delle azioni. È riuscito a classificare correttamente poco più del 51% dei dati nella fase di test. Questo punteggio riflette l'efficacia del modello nell'identificare se le azioni dovrebbero essere classificate come "compra", "vendi" o "troppo volatile".

#Matrice di Confusione e Metriche di Performance

Per valutare quanto bene ha performato il modello, sono state generate varie statistiche, come matrici di confusione, che mostrano il numero di classificazioni corrette e non corrette. Il modello è riuscito a separare efficacemente le due classi principali, C1 e C2, e tendeva a classificare i casi incerti nella terza classe, C0.

Anche se l'accuratezza complessiva è una misura diretta di performance, è essenziale considerare il bilanciamento delle classi nelle previsioni azionarie. Classificare erroneamente un'azione come un acquisto quando dovrebbe essere una vendita, ad esempio, può portare a perdite finanziarie significative. Pertanto, sono necessarie metriche più sfumate per una valutazione approfondita.

#Simulazioni Monte Carlo

Per capire meglio l'efficacia del modello, sono state utilizzate simulazioni Monte Carlo, simulando scenari di trading basati sulle previsioni del modello. Questo ha comportato l'esecuzione di più prove per valutare come le previsioni avrebbero performato in un ambiente di trading realistico.

Attraverso queste simulazioni, è emerso chiaramente che l'utilizzo del modello potrebbe portare a strategie di trading redditizie, superando il ritorno medio di mercato.

#Strategie di Investimento Basate sulle Classi Previste

La ricerca ha anche esplorato strategie di trading basate sulle previsioni del modello. Sono stati testati due scenari: uno in cui le operazioni venivano effettuate una alla volta e un altro che permetteva più operazioni contemporaneamente.

Nel primo scenario, l'algoritmo ha trasformato un investimento iniziale di $1.000 in circa $11.400 attraverso una serie di operazioni, dimostrando il suo potenziale per rendimenti significativi. Nel secondo scenario, un investimento iniziale più grande di $50.000 ha prodotto un ritorno del 47,8% nel tempo, superando nuovamente le strategie di trading tipiche che non si basano sul modello.

#Implicazioni dei Risultati

I risultati indicano che utilizzare tecniche di classificazione delle immagini con le CNN può essere un modo efficace per prevedere i movimenti dei prezzi delle azioni. Il modello è stato in grado di distinguere tra chiare opportunità di acquisto e vendita, identificando anche le azioni che erano troppo rischiose da trattare.

Riducendo il numero di operazioni effettuate, questo approccio consente agli investitori di concentrarsi su opportunità di qualità superiore, portando a portafogli più gestibili e a migliori rendimenti complessivi.

#Conclusione

La ricerca evidenzia l'efficacia dell'utilizzo delle CNN per prevedere i movimenti dei prezzi delle azioni rappresentando i dati finanziari come immagini. La capacità del modello di classificare le azioni in categorie distinte fornisce utili spunti per i trader che cercano di prendere decisioni informate.

Sebbene l'accuratezza delle previsioni possa sempre essere migliorata, i risultati iniziali dimostrano che impiegare tecniche avanzate di apprendimento automatico può portare a strategie di trading migliorate nel mercato azionario. Con l'evoluzione della tecnologia, sarà interessante vedere come questi metodi si sviluppano e influenzano le pratiche di trading in futuro.