L'efficienza dei mercati finanziari internazionali: una verifica con le reti neurali = The efficiency of international financial markets: a test with neural networks

Il presente lavoro di tesi mira ad analizzare e comprendere il grado di efficienza dei mercati finanziari internazionali e la conseguente capacità, mediante specifici modelli di deep learning, di provare a prevedere le fluttuazioni dei prezzi azionari. Nello specifico si considerano otto indici di borsa: quattro relativi a paesi sviluppati, ovvero FTSE MIB, S&P 500, FTSE 100 e NIKKEI 225 e quattro relativi a paesi ancora in via di sviluppo, ovvero Bovespa, Shanghai Composite, Nifty 50 e BIST 100. Il primo obiettivo è confrontare l’efficienza dei diversi mercati internazionali relativi ad ogni indice di borsa analizzato, effettuando un test di random walk paese per paese e valutando, tramite l’analisi statistica, il grado di efficienza in forma debole di ogni mercato, cercando di capire se possono essere considerati più efficienti i mercati dei paesi sviluppati o quelli dei paesi in via di sviluppo. Una volta fatto ciò, al fine di procedere ed avere un’ulteriore conferma in merito all’efficienza di mercato delle due classi di paesi analizzate, utilizzando il linguaggio di programmazione Python, è sviluppata, addestrata e testata una rete neurale multistrato che, applicata ad ogni indice, prova ad effettuare previsioni a breve termine sull’andamento dei prezzi di mercato, cercando di capire se la variazione futura del prezzo sarà positiva o negativa. Analizzando e valutando, infine, alcuni indicatori di performance, risultanti dall’implementazione dell’algoritmo, è possibile ottenere ulteriori indicazioni e conferme in merito all’efficienza dei mercati relativi ai paesi in via di sviluppo rispetto a quelli appartenenti alla categoria dei paesi sviluppati.