Self-tuning di un trading system azionario basato su tecniche di machine learning = Self-tuning of a stock trading system based on machine learning techniques

Il trading quantitativo è una strategia di investimento in cui si impiegano software e strumenti di analisi automatica dei dati finanziari per riuscire ad operare sui mercati in modo sistematico. Combinare il trading quantitativo e il data mining, che studia come estrarre informazioni implicite e nascoste all'interno di grandi quantità di dati, significa elaborare i dati finanziari attraverso algoritmi di machine learning e generare automaticamente i modelli matematici che permettono di riconoscere opportunità di investimento e supportare le decisioni di trading. Uno dei più grandi benefici del trading quantitativo è quello di poter usare i dati storici per validare una strategia di investimento, simulando quanto si sarebbe potuto guadagnare se si fosse applicato uno specifico modello nel passato. Nonostante ciò, la natura dinamica e aleatoria dei mercati azionari rende complesso, anche per i trader sistematici, individuare il modello più adatto alla previsione dell'andamento futuro delle azioni. Per affrontare tale complessità, in questa tesi si propone un sistema di self-tuning di modelli quantitativi, basati su machine learning, che mira a determinare automaticamente quale metodo applicare a fronte dell'evoluzione delle condizioni di mercato. In particolare, il sistema proposto analizza le prestazioni di più configurazioni di diversi modelli di classificazione applicati sui dati storici dei mercati azionari, al fine di apprendere quale algoritmo e quali parametri sono i più adatti a classificare le azioni in diversi periodi di tempo. I risultati ottenuti simulando uno scenario di intraday trading dimostrano che è possibile incrementare e mantenere discreti rendimenti applicando il self-tuning su base trimestrale, in modo da cambiare strategia di trading nel tempo e fare affidamento su più metodi per affrontare l'indeterminatezza dei mercati.