Thesis etd-05222020-121824 |
Link copiato negli appunti
Thesis type
Tesi di laurea magistrale
Author
MALLOGGI, FABIO
email address
f.malloggi1@studenti.unipi.it, f.malloggi1@gmail.com
URN
etd-05222020-121824
Thesis title
Tecniche di Machine Learning applicate alla Finanza: uno strumento a disposizione dell'Analisi Tecnica
Department
ECONOMIA E MANAGEMENT
Course of study
BANCA, FINANZA AZIENDALE E MERCATI FINANZIARI
Supervisors
relatore Cambini, Riccardo
Keywords
- Analisi Tecnica
- Candlestick
- Finanza
- Machine Learning
- Matlab
- Time Series Forecasting
Graduation session start date
08/06/2020
Availability
None
Summary
L’analisi tecnica nel trading finanziario utilizza strumenti matematici e statistici per aiutare gli investitori nella valutazione del momento più opportuno per l’acquisto e la vendita di attività finanziarie. Mentre questo approccio tradizionale ha raggiunto il suo scopo in una certa misura, nuove tecniche derivanti dal campo dell’intelligenza computazionale, come il machine learning e il data mining, sono emerse per analizzare informazioni finanziarie. Nel corso degli ultimi tre decenni, svariati ricercatori di computer science hanno cercato di implementare tecniche di intelligenza artificiale abbinate a metodi di analisi tecnica per sviluppare modelli previsionali di financial time series. In questo ambito, le tecniche di machine learning più popolari includono sistemi basati su regole, algoritmi di apprendimento supervisionato e non supervisionato, e la gran parte dei metodi si serve di grafici a candele giapponesi nella propria analisi.
Molti traders fanno affidamento all’analisi candlesticks per le proprie decisioni di investimento. Tuttavia, basare le strategie operative di borsa esclusivamente sul rilevamento dei patterns grafici risulta essere alquanto rischioso. Infatti, le varie indicazioni di acquisto/vendita risultano essere profittevoli in poco più del 50% dei casi . Per questo motivo, nonostante i profitti medi siano in ogni caso positivi , il valore di riferimento continua ad essere eccessivamente basso, anche considerando il fatto che ogni qualvolta si aggiunge un titolo al proprio portafoglio o lo si liquida vengono pagate delle spese di commissione. Per far fronte a queste criticità si rende più che mai necessario incrementare le probabilità di successo dei segnali rilevati.
Il seguente lavoro, perciò, rivolgerà la sua attenzione nella prima parte sulla descrizione della metodologia grafica Candlestick e di tutte le configurazioni che preannunciano una inversione o un rafforzamento del trend in atto. Continuerà affrontando l’evoluzione del metodo giapponese, le Heikin-Ashi, per poi visionare i principali indicatori e oscillatori tecnici.
La seconda parte analizzerà, invece, tutto l’ambito dell’apprendimento automatico, tentando di fare il più possibile chiarezza sui vari aspetti che questa metodologia innovativa porta con sé, e spiegando l’iter procedurale che accompagna l’implementazione di tali algoritmi.
In ultima istanza, utilizzando il software computazionale MATLAB, analizzeremo i dati storici di alcuni titoli quotati, servendoci delle basi teoriche dell’analisi tecnica per costruire un algoritmo in grado di rilevare le configurazioni di inversione, le quali dovrebbero essere in grado di darci delle indicazioni riguardo alla tendenza futura. Continueremo cercando di migliorare ulteriormente l’affidabilità del segnale grazie all’apprendimento automatico, il quale si servirà di un numeroso set di indicatori per la classificazione dei segnali. Concluderemo, quindi, con un confronto fra i vari approcci in relazione alle performance sui profitti, sulla base di diverse strategie operative.
Molti traders fanno affidamento all’analisi candlesticks per le proprie decisioni di investimento. Tuttavia, basare le strategie operative di borsa esclusivamente sul rilevamento dei patterns grafici risulta essere alquanto rischioso. Infatti, le varie indicazioni di acquisto/vendita risultano essere profittevoli in poco più del 50% dei casi . Per questo motivo, nonostante i profitti medi siano in ogni caso positivi , il valore di riferimento continua ad essere eccessivamente basso, anche considerando il fatto che ogni qualvolta si aggiunge un titolo al proprio portafoglio o lo si liquida vengono pagate delle spese di commissione. Per far fronte a queste criticità si rende più che mai necessario incrementare le probabilità di successo dei segnali rilevati.
Il seguente lavoro, perciò, rivolgerà la sua attenzione nella prima parte sulla descrizione della metodologia grafica Candlestick e di tutte le configurazioni che preannunciano una inversione o un rafforzamento del trend in atto. Continuerà affrontando l’evoluzione del metodo giapponese, le Heikin-Ashi, per poi visionare i principali indicatori e oscillatori tecnici.
La seconda parte analizzerà, invece, tutto l’ambito dell’apprendimento automatico, tentando di fare il più possibile chiarezza sui vari aspetti che questa metodologia innovativa porta con sé, e spiegando l’iter procedurale che accompagna l’implementazione di tali algoritmi.
In ultima istanza, utilizzando il software computazionale MATLAB, analizzeremo i dati storici di alcuni titoli quotati, servendoci delle basi teoriche dell’analisi tecnica per costruire un algoritmo in grado di rilevare le configurazioni di inversione, le quali dovrebbero essere in grado di darci delle indicazioni riguardo alla tendenza futura. Continueremo cercando di migliorare ulteriormente l’affidabilità del segnale grazie all’apprendimento automatico, il quale si servirà di un numeroso set di indicatori per la classificazione dei segnali. Concluderemo, quindi, con un confronto fra i vari approcci in relazione alle performance sui profitti, sulla base di diverse strategie operative.
File
Nome file | Dimensione |
---|---|
Thesis not available for consultation. |