Metodi di Machine learning ed applicazioni nel mercato europeo

Il recente sviluppo tecnologico ha consentito di automatizzare i processi di acquisto e di vendita titoli tramite l'ausilio di algoritmi, i quali possono basarsi su analisi fondamentali o, come spesso accade, su analisi di pattern grafici. Oltre ad accrescere l'interconnessione dei mercati finanziari, ciಠha permesso agli operatori di effettuare operazioni finanziarie molto pi๠velocemente rispetto al passato. Il presente lavoro di tesi si propone di analizzare un sistema di previsione dei prezzi di mercato basato sull'utilizzo di algoritmi di machine learning, con l'obiettivo di individuare i fattori predittivi dei rendimenti dei titoli e con elevata influenza sul processo di formazione dei prezzi. Pi๠specificatamente, in letteratura sono stati evidenziati diversi fattori in grado di spiegare i rendimenti futuri, dai pi๠classici fattori di Fama-French (size, book to market e momentum) ai 333 segnali predittivi di rendimento ( return predictive signals - RSI) del database costruito da Green-Hand-Zhang “The supraview of return predictive signals”(2013) in cui vengono raccolte “tutte” le caratteristiche delle imprese che forniscono segnali predittivi sul rendimento dei mercati negli Stati Uniti e che provengono da pubblicazioni accademiche e di riviste specializzate tra il 1970 e il 2010. I RSI nel dataset spaziano da classiche variabili contabili a variabili di rendimento (rendimento di periodo) fino a pi๠esotiche come la creazione di stock's ticker. Il numero di pubblicazioni e articoli che riportano di nuovi fattori ha visto un trend crescente in particolare negli ultimi vent'anni. John H. Cochrane nel 2011 con la pubblicazione dell'articolo “Presidential address: Discount rates” sul Journal of Finance sfidಠi ricercatori ad identificare le caratteristiche dell'impresa che forniscono informazioni indipendenti rispetto al rendimento del mercato statunitense. La sfida proveniva dalla presenza di un numero sopra le centinaia di caratteristiche che sin dal 1970 sono state identificate come predittori statisticamente significativi dei rendimenti cross-section, Cochrane parla di “veritable zoo” letteralmente autentico zoo. Gli algoritmi di machine learning sono particolarmente interessanti per risolvere il problema dell'individuazione di fattori ad informazione indipendente data la capacità  di far fronte a due dei pi๠importanti problemi della stima di variabili, la correlazione e l'interazione tra variabili predittive.