A Learnable Wavelet Transformer for Long-Short Equity Trading and Risk-Adjusted Return Optimization

Il paper presenta WaveLSFormer, un modello Transformer basato su ondelette apprendibili che ottimizza direttamente il rendimento aggiustato per il rischio nel trading long-short azionario, superando le architetture tradizionali grazie a una decomposizione multi-scala end-to-end e a un'iniezione guidata delle alte frequenze.

L'essenziale

Ecco una spiegazione semplice e creativa del paper "WaveLSFormer", pensata per chiunque, anche senza un background tecnico in finanza o intelligenza artificiale.

Immagina di dover navigare un oceano in tempesta (il mercato azionario) con una barca (il tuo portafoglio di investimenti). Il tuo obiettivo è arrivare a destinazione guadagnando il più possibile, ma evitando di affondare a causa delle onde troppo alte.

1. Il Problema: Il Rumore del Mare

Il mercato finanziario è come un mare molto rumoroso. Ci sono due tipi di "movimenti" dell'acqua:

• Le onde grandi e lente (Tendenze): Sono i veri segnali che ti dicono dove sta andando il mercato (es. "il settore energetico sta crescendo").
• Le schiume e le scintille (Rumore): Sono i piccoli movimenti casuali, il caos momentaneo che non significa nulla e che spesso inganna chi guarda.

I metodi tradizionali di intelligenza artificiale (come le vecchie reti neurali) sono come marinai che guardano tutto insieme: le onde grandi e le schiume. Si confondono facilmente, pensano che una schiuma sia un'onda gigante, e prendono decisioni sbagliate. Inoltre, spesso si allenano solo per "indovinare il prezzo esatto" del prossimo minuto, ma nel trading reale non ti serve il prezzo esatto, ti serve sapere se comprare o vendere per fare profitto.

2. La Soluzione: WaveLSFormer (Il Navigatore Intelligente)

Gli autori hanno creato un nuovo modello chiamato WaveLSFormer. Immaginalo come un equipaggio di marinai super-specializzati con due strumenti magici:

A. Il Filtro Magico (Ondelette Apprendibili)

Invece di usare un filtro rigido (come un setaccio che non cambia mai), WaveLSFormer ha un "setaccio intelligente" che impara da solo come funzionano le onde.

• Cosa fa: Divide il mercato in due canali separati.
  • Un canale per le onde lente (le tendenze stabili).
  • Un canale per le onde veloci (i dettagli rapidi).
• L'analogia: È come se avessi un occhio che vede solo la direzione della corrente e un altro occhio che vede solo le piccole increspature. Non si mescolano, così il marinaio non si confonde.

B. L'Iniezione Guidata (Il Ponte tra i Canali)

Una volta separati i segnali, il modello deve unirli per prendere una decisione. Qui usano una tecnica chiamata "Low-guided High-frequency Injection" (Iniezione ad alta frequenza guidata dal basso).

• Come funziona: Immagina che le "onde lente" siano il Comandante della nave e le "onde veloci" siano i Marinai che vedono i dettagli.
• Il Comandante (le onde lente) decide la rotta principale. Poi, guarda i marinai (le onde veloci) e dice: "Ok, la rotta è quella, ma vedi quella piccola increspatura? Aggiustiamo leggermente il timone per evitarla".
• Il vantaggio: Le onde veloci non possono prendere il comando (perché sono rumorose), ma possono aiutare a rifinire la decisione del Comandante. Questo rende la navigazione molto più stabile.

C. L'Obiettivo: Guadagno, non Indovinello

La maggior parte delle AI si allena per dire: "Il prezzo sarà 100,50€". Se sbaglia di 0,01€, viene punita.
WaveLSFormer si allena in modo diverso: pensa come un trader reale.

• L'obiettivo: Non è indovinare il numero, ma massimizzare il profitto e minimizzare il rischio.
• La metafora: Invece di studiare per prendere 10/10 in un test di matematica (prevedere il prezzo), l'AI studia per diventare il capitano che vince la regata (guadagnare soldi) senza affondare la barca. Se il modello vede che una decisione è rischiosa, impara a essere più prudente, anche se il "prezzo previsto" era corretto.

3. I Risultati: Chi ha vinto la regata?

Gli autori hanno testato questo sistema su 5 anni di dati reali (orari) di diverse industrie americane (come energia rinnovabile, dispositivi medici, ecc.).

• I concorrenti: Hanno messo contro WaveLSFormer i "vecchi campioni": reti neurali semplici (MLP), modelli ricorrenti (LSTM) e Transformer standard (quelli usati per le lingue, come GPT).
• Il risultato: WaveLSFormer ha vinto nettamente.
  • Ha guadagnato molto di più (circa il 60% in più rispetto ai metodi standard).
  • È stato molto più sicuro (il rapporto rischio/rendimento è quasi il doppio).
  • È stato più stabile: anche cambiando i dati di partenza, continuava a funzionare bene, mentre gli altri modelli facevano "scivolare" i risultati.

In Sintesi

WaveLSFormer è come un trader esperto che sa:

1. Ascoltare il ritmo giusto: Ignora il rumore di fondo e si concentra sulle grandi tendenze.
2. Usare i dettagli con cautela: Usa le informazioni veloci solo per affinare la decisione principale, non per cambiarla.
3. Pensare al portafoglio: Non cerca di essere perfetto nel calcolo, ma cerca di essere perfetto nel guadagno e nella sicurezza.

È un passo avanti perché insegna all'AI a pensare come un investitore umano razionale, non come un calcolatore che cerca solo di indovinare un numero.

Sommario tecnico

Ecco una sintesi tecnica dettagliata del paper "A Learnable Wavelet Transformer for Long-Short Equity Trading and Risk-Adjusted Return Optimization", presentata in italiano.

1. Il Problema

Il trading intraday sui mercati finanziari presenta sfide uniche per l'apprendimento automatico:

• Rumore e Non-Stazionarietà: I rendimenti finanziari sono rumorosi, presentano code pesanti (heavy-tailed) ed eteroschedasticità. Le strutture sfruttabili sono spesso visibili solo a specifiche scale temporali.
• Disallineamento degli Obiettivi: La maggior parte dei modelli esistenti è formulata come un problema di previsione (forecasting) ottimizzato su errori puntuali (es. MSE, MAE). Tuttavia, le prestazioni reali del trading dipendono dalle decisioni sequenziali di posizione e dal P&L cumulativo, non dalla precisione della previsione del singolo punto.
• Dipendenza Cross-Sectionale: Gli asset nello stesso settore non sono indipendenti; esistono forti co-movimenti ed effetti di lead-lag. I modelli che trattano le serie temporali in isolamento falliscono nel catturare queste dinamiche.
• Limiti delle Architetture Ibride Esistenti: Le combinazioni attuali di Wavelet e Transformer spesso utilizzano trasformate wavelet fisse (non apprese) e si concentrano sull'accuratezza di previsione piuttosto che sull'ottimizzazione diretta del rendimento del portafoglio, senza un controllo esplicito su come le informazioni ad alta frequenza debbano affinare quelle a bassa frequenza.

2. Metodologia: WaveLSFormer

Gli autori propongono WaveLSFormer, un modello di politica di trading che genera posizioni long/short per un gruppo di asset correlati, addestrato end-to-end con un obiettivo orientato al trading.

A. Front-End Wavelet Apprendibile (Learnable Wavelet Front-End)

Invece di utilizzare trasformate wavelet discrete fisse come pre-processing, WaveLSFormer impiega un banco di filtri wavelet apprendibile.

• Implementazione: I filtri sono implementati come kernel di convoluzione 1D a risposta finita (FIR).
• Apprendimento: I parametri dei filtri sono ottimizzati congiuntamente all'obiettivo di trading.
• Regolarizzazione Spettrale: Vengono introdotti regolarizzatori nello spazio delle frequenze per garantire che i filtri a bassa e alta frequenza siano ben separati, stabili e comportino un "tight frame", evitando soluzioni degeneri.

B. Fusione Multi-Scala: LGHI (Low-guided High-frequency Injection)

Per fondere le informazioni a diverse scale temporali mantenendo la stabilità, viene introdotto il modulo LGHI.

• Meccanismo: A differenza dell'attenzione incrociata standard, l'attenzione viene calcolata esclusivamente dal ramo a bassa frequenza (che rappresenta la tendenza stabile).
• Iniezione: Le informazioni ad alta frequenza (risonanza, rumore, dettagli a breve termine) vengono iniettate nel ramo a bassa frequenza attraverso un percorso residuo controllato da un cancello (gate).
• Vantaggio: Questo design permette al modello di preservare la stabilità del segnale a bassa frequenza mentre incorpora selettivamente i dettagli ad alta frequenza, filtrando il rumore senza destabilizzare l'apprendimento.

C. Obiettivo di Addestramento e Ottimizzazione

Il modello non minimizza l'errore di previsione, ma massimizza direttamente le metriche di trading.

• Loss Function: Utilizza una loss a soft-label (basata su una funzione sigmoide scalata dei rendimenti futuri) invece di etichette binarie rigide, per fornire gradienti più lisci e robusti.
• Regolarizzazione:
  • Sharpe Ratio: Viene aggiunto un termine di regolarizzazione esponenziale basato sul rapporto di Sharpe per penalizzare la volatilità eccessiva.
  • Penalità di Overfitting: Un termine quadratico unilaterale limita il ROI (Return on Investment) del batch per evitare strategie sovrastimate.
• Budget di Rischio: Le posizioni previste vengono ridimensionate globalmente per soddisfare un budget di rischio fisso, rendendo l'obiettivo di apprendimento più vicino alla costruzione reale di un portafoglio.

3. Contributi Chiave

1. WaveLSFormer: Un'architettura che sostituisce il pre-processing wavelet fisso con un banco di filtri apprendibile end-to-end, accoppiato a un backbone Transformer per il trading long/short intraday.
2. Strategia di Fusione Stabile: Introduzione della strategia LGHI (Low-guided High-frequency Injection) con controllo residuo a cancello, che risolve il problema dell'instabilità nell'integrazione di frequenze diverse.
3. Ottimizzazione Diretta del Trading: Integrazione di un obiettivo di addestramento che allinea direttamente la funzione di perdita con il ROI e il Sharpe ratio, superando il disallineamento tra previsione e decisione di trading.
4. Validazione Empirica Rigorosa: Sperimentazione su 5 anni di dati orari azionari USA, coprendo 6 settori industriali e 10 semi casuali diversi.

4. Risultati Sperimentali

Il modello è stato testato su dati orari di azioni USA dal 2020 al 2025, selezionando settori con un tasso di rendimento annualizzato (ARR) superiore al 10%.

• Prestazioni Generali: WaveLSFormer ha superato costantemente i baseline (MLP, LSTM, Transformer) sia con che senza front-end wavelet fissi.
  • ROI Cumulativo: 0.607 ± 0.045 (contro 0.225 ± 0.056 del Transformer puro).
  • Sharpe Ratio: 2.157 ± 0.166 (contro 1.024 ± 0.122 del Transformer puro).
• Confronto con LSTM: Ha migliorato significativamente anche rispetto alla versione LSTM potenziata da wavelet (ROI da 0.317 a 0.607; Sharpe da 1.879 a 2.157).
• Ablation Study:
  • L'uso di filtri wavelet apprendibili ha dimostrato prestazioni superiori rispetto alle wavelet classiche fisse o all'assenza di decomposizione.
  • La fusione LGHI ha superato di gran lunga la semplice concatenazione dei rami, confermando l'importanza di un'iniezione controllata delle frequenze alte.
  • L'inclusione della loss basata sullo Sharpe ha ridotto i drawdown massimi e migliorato il profilo rischio-rendimento.
• Efficienza: L'aggiunta del modulo wavelet introduce un overhead computazionale minimo (aumento marginale dei parametri e FLOPs), posizionando WaveLSFormer su un nuovo confine di Pareto tra complessità e prestazioni.

5. Significato e Impatto

Questo lavoro rappresenta un avanzamento significativo nell'applicazione del Deep Learning al trading finanziario:

• Superamento del Paradigma di Previsione: Dimostra che ottimizzare direttamente per l'utilità economica (rendimento e rischio) è superiore all'ottimizzazione per l'errore di previsione.
• Gestione del Rumore: La capacità di apprendere filtri wavelet adattivi permette al modello di isolare dinamicamente il segnale dal rumore in modo più efficace rispetto ai metodi statici.
• Robustezza: L'architettura produce strategie più stabili con drawdown ridotti, rendendola più pratica per l'implementazione reale rispetto ai modelli puramente predittivi.
• Generalizzabilità: L'approccio modulare (wavelet + Transformer) suggerisce che l'integrazione di decomposizioni multi-scala adattive può essere applicata ad altri domini di serie temporali rumorose.

In sintesi, WaveLSFormer stabilisce un nuovo stato dell'arte per il trading azionario intraday, combinando la capacità di estrazione di caratteristiche multi-scala delle wavelet con la potenza di modellazione delle dipendenze a lungo termine dei Transformer, tutto allineato a un obiettivo di ottimizzazione del portafoglio reale.