Uso delle Reti Neurali per la previsione di serie storiche finanziarie = Use of Neural Networks for forecasting financial time series

La previsione del movimento dei prezzi azionari è da decenni oggetto di numerosi lavori di ricerca. Da sempre vi sono due fazioni contrapposte: i sostenitori della teoria dei mercati efficienti che asseriscono che i prezzi non possono essere predetti, e un’altra parte di ricercatori che, basandosi sui fondamenti dell’analisi tecnica, secondo cui il contenuto informativo dei mercati è già insito nelle fluttuazioni, pensano che i prezzi futuri possono essere predetti con un certo grado di accuratezza utilizzando modelli appropriati. Lo scopo di questo lavoro è l’implementazione di un framework per la previsione dei prezzi azionari basandosi su modelli di Deep Learning, una branca dell’Intelligenza Artificiale che si sta distinguendo in anni recenti grazie all’efficacia di strutture chiamate Reti Neurali Artificiali Profonde, che consentono di captare caratteristiche di funzioni altamente non lineari. Pertanto sarà approfondita la teoria che vi è dietro queste strutture, sarà spiegata la matematica che c’è dietro e come possono adattarsi alle caratteristiche del problema che si vuole affrontare. Si passerà quindi alla raccolta e alla preparazione dei dati necessari, e all’implementazione della Rete in codice Python, sfruttando una libreria open source chiamata Keras, la più gettonata in questo momento per utilizzare i modelli di Deep Learning. La rete sarà testata su due indici azionari europei, l’ Euro Stoxx 50 e il FTSE Mib, su un orizzonte di previsione di 1 anno e mezzo partendo da una base dati di 4 anni per il Training del modello. Infine saranno valutate le performance del modello e, sulla base di queste, saranno tratte le conclusioni sull’effettiva efficacia del modello, sui suoi limiti e sui possibili sviluppi futuri.