Sviluppo di una Strategia di Trading Mid-Frequency tramite Machine Learning = Development of a Mid-Frequency Trading Strategy Using Machine Learning Techniques

L'obiettivo di questa tesi è quello di sviluppare una strategia di trading a media frequenza (posizioni tenute per un intervallo temporale da un'ora a qualche giorno) utilizzando coppie di obbligazioni societarie, scambiate sul mercato EuroTLX di Borsa Italiana. L'idea è quella di selezionare coppie di titoli i cui rendimenti mostrino una forte relazione, individuare quando avviene un disallineamento e prendere posizioni opposte sui due in modo da trarne profitto quando questi si riallineeranno. L'ipotesi alla base è di un comportamento di reversione alla media dello spread tra i rendimenti delle due obbligazioni. Le coppie saranno selezionate tra quelle più liquide su cui viene effettuata l'attività di market making. I dati utilizzati per l'elaborazione sono dati di mercato raccolti dall'azienda, integrati con dati ottenuti attraverso il software Bloomberg quando necessario. Si farà uso di nozioni di financial engineering per l'analisi e l'elaborazione dei dati e di algoritmi di machine learning per la classificazione dei disallineamenti. In particolare vengono utilizzati i rendimenti calcolati a partire dai mid price delle due obbligazioni e lo spread tra i due come misura del disallineamento. Un approccio a barriera dinamica permette di individuare le situazioni in cui avviene un disallineamento, mentre una strategia di takeprofit-stoploss viene utilizzata per la classificazione supervisionata delle osservazioni. Si comparano i risultati ottenuti con tre diversi algoritmi di machine learning: Support Vector Machines, Random Forest e Extreme Gradient Boosting, allenati sui dati di tre coppie di obbligazioni che si prestano al pair trading per le loro caratteristiche fondamentali e la relazione dei rendimenti mostrata nei dati storici.