💰 quantitative finance

Overreaction as an indicator for momentum in algorithmic trading: A Case of AAPL stocks

Questo studio dimostra che l'uso di modelli di machine learning su dati ad alta frequenza, combinando ritorni azionari di Apple con l'analisi del sentiment emotivo da Twitter, permette di prevedere e monetizzare sistematicamente le sovrareazioni di mercato a breve termine, rivelando un legame significativo tra emozioni negative, volatilità e momentum intraday.

Autori originali: Szymon Lis, Robert Ślepaczuk, Paweł Sakowski

Pubblicato 2026-02-24

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Szymon Lis, Robert Ślepaczuk, Paweł Sakowski

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina il mercato azionario come un enorme, caotico mercato delle pulci dove milioni di persone (investitori) comprano e vendono mele (azioni) ogni secondo. A volte, succede una cosa curiosa: qualcuno grida "Le mele sono velenose!" e tutti, spaventati, iniziano a vendere le loro mele a prezzi stracciati, anche se le mele sono perfettamente buone. Questo è quello che gli economisti chiamano reazione eccessiva (overreaction).

Questo studio, condotto da ricercatori dell'Università di Varsavia, si chiede: Possiamo prevedere questi momenti di panico o di euforia eccessiva e guadagnarci qualcosa?

Ecco come hanno fatto, spiegato in modo semplice:

1. Gli Strumenti: Un Detective con un Microfono e un Super-Cervello

I ricercatori hanno deciso di guardare solo le azioni di Apple (AAPL), come se fosse la mela più famosa del mercato. Hanno usato due strumenti principali:

Il Microfono (Twitter): Hanno ascoltato tutto ciò che veniva scritto su Twitter riguardo ad Apple. Non hanno solo cercato parole positive o negative, ma hanno usato un'intelligenza artificiale avanzata (un "traduttore" di emozioni) per capire se la gente aveva paura, rabbia, gioia o sorpresa. È come se avessero un microfono che non sente solo le parole, ma il tono della voce e il battito cardiaco degli investitori.
Il Super-Cervello (Machine Learning): Hanno dato questi dati a diverse "menti" artificiali (come XGBoost, Reti Neurali, ecc.) per insegnar loro a riconoscere i pattern. Immagina di addestrare un cane da caccia: prima gli mostri mille foto di conigli (momenti di panico) e di lepri (momenti di calma), e poi gli chiedi di cacciare quando vede un coniglio.

2. L'Esperimento: Il Gioco dei Tempi

Hanno giocato a questo gioco su scale temporali diverse, come se guardassero il mercato con lenti diverse:

1 minuto: Guardare il mercato così da vicino è come guardare un'auto da corsa a velocità supersonica. È tutto un caos, rumore e polvere. È difficile capire se il guidatore sta frenando o accelerando davvero.
5-10 minuti: Qui le cose si chiariscono. Si vede meglio se la folla sta correndo verso l'uscita per un falso allarme o se c'è un vero incendio.
15 minuti: Si vede il quadro generale, ma forse l'azione è già finita.

3. Cosa Hanno Scoperto? (La Magia dei 10 Minuti)

Ecco i risultati più interessanti, spiegati con metafore:

Il Panico è il Re: L'emozione che ha funzionato meglio per prevedere i crolli è stata la paura. Quando la gente su Twitter inizia a urlare di paura, spesso il prezzo scende troppo velocemente, creando un'opportunità per chi sa aspettare che la situazione si calmi.
La "Zona Dorata" (10 minuti): Hanno scoperto che il momento perfetto per fare soldi con queste strategie è intorno ai 10 minuti.
- A 1 minuto, il rumore è troppo forte: le macchine fanno confusione.
- A 10 minuti, c'è il "sweet spot" (il punto dolce): il panico iniziale è ancora fresco, ma non è più solo rumore di fondo. Le regole vecchie (comprare quando tutto va bene, vendere quando tutto va male) funzionano qui molto bene, ma le macchine intelligenti le battono leggermente perché capiscono le sfumature.
Le Macchine vs. Le Regole Vecchie:
- Nei tempi brevissimi (1 minuto), le macchine intelligenti hanno vinto perché riescono a filtrare il caos meglio di un semplice algoritmo.
- A 10 minuti, però, le regole classiche del comportamento umano (la gente che esagera) sono così forti che anche le macchine faticano a batterle in modo significativo. È come se a 10 minuti il mercato fosse così prevedibilmente irrazionale che anche un bambino potrebbe indovinare cosa succederà dopo.

4. Il Segreto del Successo: Volatilità ed Emozioni

Grazie a una tecnica chiamata SHAP (che è come una "radiografia" che mostra cosa sta pensando la macchina), hanno scoperto che il modello guarda principalmente due cose:

La Volatilità: Quanto velocemente cambia il prezzo (come un'auto che frena di colpo).
Le Emozioni Negative: In particolare la paura e la tristezza. Quando queste due cose si incontrano, il modello sa che è probabile un'iper-reazione.

In Sintesi: Cosa Significa per Noi?

Questo studio ci dice che il mercato non è una macchina perfetta e logica. È un organismo vivente guidato dalle emozioni umane.

Quando la gente ha paura, i prezzi crollano più del necessario.
Quando la gente è euforica, i prezzi salgono troppo.
Usando l'intelligenza artificiale per leggere le emozioni su Twitter e misurare la velocità del mercato, è possibile "cavalcare l'onda" di queste reazioni eccessive.

Tuttavia, non è una bacchetta magica. Funziona meglio in finestre di tempo specifiche (intorno ai 10 minuti) e richiede di essere molto attenti ai costi di transazione (le commissioni che si pagano per comprare e vendere). È come cercare di raccogliere monete cadute da un'auto in corsa: ci sono monete da raccogliere, ma devi essere veloce, preciso e non farti investire dall'auto!

La morale della favola: Le emozioni umane creano errori di prezzo prevedibili, e l'intelligenza artificiale è lo strumento migliore per individuarli, purché si sappia quando guardare.

1. Il Problema di Ricerca

Il lavoro indaga se le sovrareazioni di mercato a breve termine (overreactions) possano essere sistematicamente previste e monetizzate come segnali di momentum.

Contesto: I mercati finanziari mostrano spesso deviazioni prevedibili dai valori fondamentali, guidate da bias comportamentali (eccessiva reattività, asimmetria informativa, pressione emotiva).
Gap nella letteratura: Sebbene l'effetto momentum sia ben documentato, pochi studi modellano esplicitamente l'overreaction come un obiettivo predittivo distinto, integrando dati emotivi ad alta frequenza (da Twitter) con algoritmi di machine learning non lineari, specialmente su scale temporali intraday.
Obiettivo: Determinare se le sovrareazioni guidate dalle emozioni contengono una struttura prevedibile sfruttabile da modelli di ML, e come queste performance varino in base alla frequenza di campionamento (da 1 a 15 minuti).

2. Metodologia

A. Dati e Preprocessing

Asset: Apple Inc. (AAPL).
Periodo: 1 gennaio 2019 – 30 giugno 2022.
Frequenze: Dati intraday a 1, 5, 10 e 15 minuti.
Fonti:
- Dati di mercato (OHLCV) dalla piattaforma Massive.
- Flusso Twitter: Tweet contenenti "$AAPL", filtrati in inglese.
Feature Emotive: Utilizzo del modello transformer ModernFinBERT (tabularisai) per estrarre vettori di probabilità emotiva (paura, gioia, rabbia, tristezza, disgusto, sorpresa, neutralità) da ogni tweet.
Allineamento Temporale: Rigoroso design "anti-look-ahead". Le feature $X_t$ (emozioni, volume, volatilità) sono calcolate fino alla fine dell'intervallo $t$ , mentre il target è lo stato di sovrareazione nell'intervallo successivo $t+1$ .

B. Definizione di Overreaction (Target)

L'overreaction è definita come una realizzazione di rendimento estrema rispetto alla volatilità contemporanea e ai costi di transazione. È un problema di classificazione a tre classi:

+1 (Overreaction positiva): $r_{t+1} > \theta \sigma_t + 2 \cdot TC$
-1 (Overreaction negativa): $r_{t+1} < -(\theta \sigma_t + 2 \cdot TC)$
0 (Neutrale): Altrimenti.
Nota: $\sigma_t$ è la volatilità realizzata a finestra scorrevole (20 intervalli), $TC$ sono i costi di transazione (assumendo 10 bps unidirezionali), e $\theta$ è una soglia di rarità.

C. Modelli di Machine Learning

Sono stati confrontati diversi classificatori non lineari per prevedere lo stato $OR_{t+1}$ :

XGBoost (Gradient Boosting).
Random Forests.
Deep Neural Networks (DNN) (Feed-forward con dropout).
Bidirectional LSTMs (BiLSTM) (Per catturare dipendenze temporali nelle serie emotive).

Validazione: Split cronologico (60% train, 20% validation, 20% test) con cross-validation a finestra espansiva e "embargo" di un intervallo per evitare leakage.
Gestione Classi: Uso di pesi inversi alla frequenza per bilanciare la classe neutrale dominante.

D. Strategie di Trading e Valutazione

Segnali: Entrata Long/Short se la probabilità predetta supera una soglia $c$ .
Costi: Inclusi costi di transazione bidirezionali (2TC per ingresso/uscita, 4TC per switching).
Metriche: Sharpe Ratio, Sortino Ratio, Maximum Drawdown, e test statistico di Jobson-Korkie (con correzione di Memmel) per confrontare le performance dei Sharpe Ratio.
Interpretabilità: Analisi SHAP (Shapley Additive exPlanations) per decomporre le previsioni e identificare i driver comportamentali.

3. Risultati Chiave

A. Performance per Frequenza

1 Minuto: Il rumore microstrutturale domina. I modelli ML (in particolare Random Forest) mostrano un leggero vantaggio statistico rispetto alle regole di benchmark, ma le opportunità di trading sono rare e la volatilità del portafoglio è alta. Le emozioni hanno un impatto predittivo minimo rispetto alla volatilità.
5 Minuti: Emergono strutture più chiare. I modelli ML (BiLSTM e DNN) superano significativamente le regole di overreaction classiche. Le feature emotive iniziano a diventare informative.
10 Minuti (Il "Sweet Spot"):
- È la frequenza dove le regole comportamentali classiche (Overreaction Benchmark) raggiungono la massima performance (Sharpe Ratio di 1.43, rendimento annuo ~34%), superando i modelli ML.
- I modelli ML (DNN, XGBoost) rimangono competitivi (Sharpe ~0.65), ma le euristiche comportamentali semplici catturano meglio le inefficienze di mercato a questa scala temporale.
15 Minuti: Le performance si stabilizzano. I modelli ML (XGBoost) tornano a essere leggermente superiori o paragonabili alle regole classiche, ma il gap si riduce.

B. Confronto Statistico (Jobson-Korkie)

A 1 e 5 minuti, i modelli ML sono statisticamente superiori alle regole di overreaction.
A 10 minuti, le regole di overreaction dominano (differenza non significativa a favore del ML, anzi, il benchmark vince).
A 15 minuti, non vi è differenza significativa tra i due approcci.

C. Analisi SHAP (Interpretabilità)

L'analisi delle feature rivela meccanismi comportamentali coerenti:

Volatilità: È il predittore dominante a tutte le frequenze. Alte volatilità spingono verso segnali di vendita (short).
Emozioni Negative: Paura (Fear) e Tristezza (Sadness) sono i driver principali delle sovrareazioni negative. La paura è particolarmente reattiva durante i periodi di stress.
Emozioni Positive: La Gioia (Joy) e la Sorpresa (Surprise) tendono a supportare segnali di acquisto, specialmente a frequenze più lunghe (10-15 min), suggerendo un meccanismo di recupero dei prezzi o di stabilizzazione.
Neutralità: Un alto livello di contenuto neutrale è associato a decisioni di acquisto, indicando stabilità e assenza di bias emotivi estremi.

4. Contributi Principali

Integrazione NLP e ML: Dimostrazione pratica dell'uso di embedding emotivi da transformer (FinBERT) combinati con algoritmi non lineari per il trading intraday.
Mappatura Frequenza-Strategia: Identificazione che l'efficacia della previsione delle sovrareazioni dipende criticamente dall'orizzonte temporale:
- Ultra-corto (1-5 min): Dominio del ML per filtrare il rumore e catturare interazioni non lineari.
- Medio (10 min): Dominio delle euristiche comportamentali classiche (l'inefficienza di mercato è più "pura" e meno rumorosa).
Interpretabilità Comportamentale: Uso di SHAP per validare che i modelli non sono "scatole nere", ma catturano meccanismi teorici (es. avversione alla perdita, reattività asimmetrica alla paura).

5. Significato e Implicazioni

Teoria Finanziaria: Conferma che le sovrareazioni guidate dalle emozioni hanno una struttura prevedibile, supportando le teorie della finanza comportamentale (es. modelli di Barberis, Shleifer, Vishny) in un contesto di trading ad alta frequenza.
Trading Algoritmico: Suggerisce che le strategie ottimali non sono statiche; devono adattarsi alla frequenza di campionamento. A frequenze molto brevi, la complessità del ML è necessaria; a frequenze intermedie, regole comportamentali semplici possono essere più efficaci.
Limiti: Lo studio si concentra su un singolo asset (AAPL) e su Twitter. I risultati potrebbero non generalizzarsi immediatamente ad altre classi di attività o ecosistemi di social media. Inoltre, i costi di esecuzione reali (slippage, latenza) potrebbero erodere i profitti teorici.

In sintesi, il paper dimostra che l'integrazione di dati emotivi ad alta frequenza con modelli di machine learning avanzati offre nuovi insight sulla dinamica intraday dei prezzi, rivelando che l'efficacia predittiva varia sistematicamente in base alla scala temporale, con un punto di equilibrio ottimale intorno ai 10 minuti dove le dinamiche comportamentali classiche raggiungono il picco di prevedibilità.