polito.it
Politecnico di Torino (logo)

Sviluppo e validazione di un trading system quantitativo basato su tecniche di regressione = Development and validation of a quantitative trading system based on regression techniques

Pietro Fardella

Sviluppo e validazione di un trading system quantitativo basato su tecniche di regressione = Development and validation of a quantitative trading system based on regression techniques.

Rel. Luca Cagliero, Paolo Garza. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Informatica (Computer Engineering), 2018

[img]
Preview
PDF (Tesi_di_laurea) - Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives.

Download (2MB) | Preview
Abstract:

Gli intraday traders effettuano la compravendita di strumenti finanziari in tempi ridotti, solitamente inferiori alla giornata di mercato borsistico. Le azioni, o stock, sono tra gli strumenti finanziari più utilizzati per il trading. Esistono centinaia di azioni diverse, elencate nei mercati azionari di tutto il mondo, dunque la scelta delle azioni giuste su cui investire nei diversi slot temporali rappresenta un’operazione non banale. Tale operazione viene solitamente supportata dall'analisi tecnica dei dati storici delle azioni. L’obiettivo di questo lavoro di tesi è quello di fornire uno strumento di supporto all’analisi tecnica delle azioni mediante la progettazione e la realizzazione di un trading system quantitativo basato su metodi predittivi che effettuano regressione, con lo scopo di selezionare da un portafoglio di azioni quelle più promettenti su cui investire nei diversi slot temporali di una giornata di mercato borsistico. Gli algoritmi predittivi di regressione permettono agli investitori di automatizzare l’analisi e l’esplorazione dei dati storici delle azioni e, di conseguenza, di estendere l’analisi tecnica ai mercati azionari comprendenti un numero molto elevato di azioni. Il sistema sviluppato per l'analisi di dati intraday è composto dai seguenti moduli: raccolta e preparazione dei dati storici delle azioni, generazione e calibrazione dei modelli predittivi, identificazione e raccomandazione delle azioni su cui investire. Il primo modulo è stato realizzato implementando un crawler di una specifica API per la raccolta dei dati finanziari, unitamente ad alcuni tool di pulizia ed aggregazione degli stessi. Il secondo modulo è dedicato all’addestramento di modelli di regressione finalizzati a predire la futura variazione di prezzo delle azioni nell’intervallo successivo a quello corrente. Si sono implementati dei processi di calibrazione e addestramento dei modelli predittivi mediante il supporto del tool RapidMiner. L’ultimo modulo ha lo scopo di raccomandare le azioni considerate più promettenti per l’investimento, sulla base delle predizioni generate dal modulo precedente. È stato implementato mediante uno specifico algoritmo che seleziona le azioni con la variazione di prezzo maggiore rispetto all'intervallo precedente. Una validazione sperimentale dell’efficienza ed efficacia del sistema sviluppato è stata condotta sui dati storici di sei mesi dell’anno 2018 relativi alla borsa americana, considerando tutte le azioni dell’indice Standard & Poor’s 500. La campagna sperimentale prevedeva l’uso di tre diverse granularità dei dati (30 minuti, un’ora e due ore) e di una finestra a scorrimento di dimensione fissa che campionasse i dati, raggruppando i dati storici relativi ad alcuni timestamp che precedono quello della predizione. I risultati hanno mostrato che il sistema proposto riesce ad ottenere errori di predizione mediamente bassi (inferiori allo 0.5%) e buoni profitti medi percentuali (compresi tra lo 0.5% e l'1.2%), per ciascuno slot temporale di investimento, utilizzando dimensioni piccole per la finestra di campionamento (1-2) e con granularità ridotte dei dati (es. 30 minuti). Con queste condizioni, i modelli predittivi migliori risultano essere la regressione lineare e le SVM con kernel dot.

Relatori: Luca Cagliero, Paolo Garza
Anno accademico: 2018/19
Tipo di pubblicazione: Elettronica
Numero di pagine: 138
Soggetti:
Corso di laurea: Corso di laurea magistrale in Ingegneria Informatica (Computer Engineering)
Classe di laurea: Nuovo ordinamento > Laurea magistrale > LM-32 - INGEGNERIA INFORMATICA
Aziende collaboratrici: NON SPECIFICATO
URI: http://webthesis.biblio.polito.it/id/eprint/9495
Modifica (riservato agli operatori) Modifica (riservato agli operatori)