A Bipartite Graph Approach to U.S.-China Cross-Market Return Forecasting

Questo studio utilizza un approccio di apprendimento automatico basato su un grafo bipartito per dimostrare che i rendimenti del mercato azionario statunitense contengono informazioni predittive significative per i rendimenti intraday cinesi, rivelando un'asimmetria informativa direzionale che può essere sfruttata per migliorare la previsione dei rendimenti mantenendo l'interpretabilità economica.

L'essenziale

Ecco una spiegazione semplice e creativa di questo studio, immaginata come una storia di due mercati che "parlano" tra loro.

🌏 Il Grande Dialogo: Quando Wall Street sussurra a Pechino

Immagina due grandi orologi che scandiscono il tempo in modo diverso: uno è New York (gli Stati Uniti) e l'altro è Pechino (la Cina). Il fatto curioso è che questi due orologi non suonano mai insieme. Quando New York chiude la sua giornata lavorativa e spegne le luci, Pechino sta ancora dormendo. Quando Pechino si sveglia e apre i suoi mercati, New York è già a letto.

Questo studio di ricerca si chiede: Cosa succede se ascoltiamo la "voce" di New York prima che Pechino apra la bocca?

1. La Mappa Segreta (Il Grafo Bipartito)

Gli scienziati non hanno semplicemente guardato i dati a caso. Hanno costruito una mappa magica (chiamata "grafo bipartito diretto").

• L'analogia: Immagina di avere due gruppi di persone: i "Messaggeri" (le azioni americane) e i "Ricettori" (le azioni cinesi).
• Il compito: Il loro obiettivo è capire quali Messaggeri sono capaci di predire cosa accadrà ai Ricettori il giorno dopo.
• Il metodo: Non collegano tutti con tutti (sarebbe troppo confuso). Usano un filtro intelligente (un test statistico) per disegnare delle linee d'oro solo tra i Messaggeri che hanno davvero qualcosa di importante da dire ai Ricettori.
  • Se l'azione tecnologica americana "CDNS" sembra influenzare l'azione cinese "002410", tracciano una linea d'oro tra loro.
  • Se non c'è un legame, non tracciano nulla.

Questo crea una rete pulita, dove ogni linea rappresenta un vero e proprio "canale di informazione" che viaggia attraverso l'oceano.

2. La Sorpresa: Chi parla più forte?

Il risultato più affascinante è un'asimmetria (uno squilibrio).

• Da Ovest a Est (USA -> Cina): È come se gli Stati Uniti avessero un megafono potente. Le informazioni che arrivano da New York (la chiusura della borsa americana) contengono molte preziose indicazioni su come si comporteranno le azioni cinesi quando apriranno il giorno dopo. È un flusso di informazioni ricco e forte.
• Da Est a Ovest (Cina -> USA): È come se la Cina avesse un sussurro. Quando le azioni cinesi chiudono, hanno poca influenza su ciò che accadrà a New York quando questa si sveglierà. Il flusso è debole.

In sintesi: Sapere cosa è successo ieri a New York ti aiuta molto a prevedere cosa succederà oggi a Pechino. Sapere cosa è successo ieri a Pechino ti aiuta poco a prevedere cosa succederà oggi a New York.

3. I Detective Matematici (Machine Learning)

Una volta costruita questa mappa delle connessioni, gli autori hanno assunto un esercito di detective digitali (algoritmi di Machine Learning).

Hanno usato 10 diversi tipi di detective:

• Alcuni sono molto lineari e logici (come un contabile preciso).
• Altri sono molto creativi e trovano schemi nascosti (come un artista o un indovino).
• Altri ancora lavorano in squadra (i "gruppi" o ensemble).

Ogni detective ha ricevuto la mappa delle linee d'oro e ha dovuto indovinare il prezzo delle azioni cinesi il giorno dopo.

4. Il Risultato: Chi vince la gara?

Quando hanno messo alla prova questi detective:

• Chi ha usato la mappa: Ha vinto nettamente. Aver selezionato solo le connessioni vere (quelle della mappa) ha reso le previsioni molto più accurate.
• Chi ha ignorato la mappa: Ha fatto peggio, perché si è perso nel rumore di fondo.
• Il vincitore: I detective che hanno lavorato in squadra (la media o la mediana delle previsioni di tutti) sono stati i più affidabili, ottenendo un rendimento finanziario (misurato dal "Sharpe Ratio") molto alto.

Perché è importante?

Immagina di essere un capitano di una nave che deve navigare tra due isole.

• Senza questa mappa, navigheresti alla cieca, sperando che il vento ti porti dalla parte giusta.
• Con questa mappa, sai esattamente da quale direzione soffia il vento forte (l'informazione americana) e puoi orientare la tua vela (il tuo investimento) per sfruttare quella spinta.

La lezione finale: I mercati non sono isole separate. C'è un flusso di informazioni reale e ordinato nel tempo. Capire chi influenza chi e quando, usando una mappa intelligente, permette di prevedere il futuro con una precisione che i metodi tradizionali non riescono a raggiungere. E, nel caso di USA e Cina, è l'America a dettare il ritmo, non il contrario.

Sommario tecnico

Ecco una sintesi tecnica dettagliata del paper "A Bipartite Graph Approach to U.S.-China Cross-Market Return Forecasting" in italiano.

1. Il Problema

La previsione dei rendimenti azionari rimane una sfida centrale nella finanza empirica, complicata dal rumore, dalla non stazionarietà e dalle strutture di dipendenza non lineare. Sebbene l'apprendimento automatico sia ampiamente utilizzato per la previsione all'interno di un singolo mercato, esiste una lacuna significativa nella letteratura riguardo alla previsione dei rendimenti a livello di singola azione tra mercati diversi, in particolare tenendo conto dei vincoli temporali reali delle sessioni di negoziazione.

La maggior parte degli studi esistenti si concentra su:

• Previsioni all'interno di un singolo mercato.
• Interazioni cross-market a livello di indici aggregati o su co-movimenti contemporanei.
• Modelli che non sfruttano la struttura temporale ordinata data dalla non sovrapposizione delle sessioni di trading (ad esempio, tra USA e Cina).

L'obiettivo di questo studio è colmare questa lacuna sviluppando un framework per la previsione dei rendimenti "open-to-close" (dall'apertura alla chiusura) delle azioni cinesi utilizzando informazioni dalle azioni statunitensi (e viceversa), sfruttando la finestra temporale non sovrapposta per creare un flusso di informazioni puramente causale e ordinato nel tempo.

2. Metodologia

Il framework proposto combina la teoria dei grafi con tecniche di apprendimento automatico in due fasi principali:

A. Costruzione del Grafo Bipartito Diretto

Gli autori costruiscono un grafo diretto bipartito $G = (V, E)$ dove:

• Nodi: Due insiemi disgiunti di nodi rappresentano le azioni del mercato sorgente ($X$, es. USA) e del mercato target ($Y$, es. Cina).
• Arch Diretti: Un arco da un'azione $X_j$ a un'azione $Y_i$ esiste se c'è una relazione predittiva statisticamente significativa.
• Selezione degli Archi:
  • Viene utilizzato un finestra di scorrimento (rolling-window) di 250 giorni.
  • Per ogni coppia ordinata $(X_j, Y_i)$, viene stimata una regressione lineare univariata tra i rendimenti ritardati del mercato sorgente e i rendimenti target.
  • Gli archi vengono selezionati basandosi sulla statistica t del coefficiente di regressione. Viene applicata una soglia di significatività ($\tau = 2$) per filtrare le connessioni deboli, creando un grafo sparso.
  • Questo processo agisce come un livello di selezione delle caratteristiche (feature selection) economicamente interpretabile, identificando quali azioni esterne sono predittori specifici per un'azione target.

B. Previsione con Apprendimento Automatico

Una volta costruita la struttura del grafo, le azioni selezionate come predittori vengono inserite in un set di 10 modelli di machine learning per prevedere i rendimenti OPCL (Open-to-Close):

1. Modelli lineari e regolarizzati: OLS, LASSO, Ridge Regression.
2. Metodi basati su kernel: Support Vector Machine (SVM).
3. Metodi basati su alberi e ensemble: XGBoost, LightGBM, Random Forests, AdaBoost.
4. Ensemble: Media e mediana delle previsioni dei modelli sopra citati.

Il modello mira a prevedere $r^{(t)}_{Yi}$ utilizzando i rendimenti di $n$ azioni del mercato sorgente osservate al tempo $t-l$, dove $l$ rappresenta il ritardo temporale imposto dalle sessioni non sovrapposte.

3. Contributi Chiave

• Framework a Grafo Diretto Bipartito: Introduzione di un approccio strutturato che mappa le relazioni predittive tra due mercati distinti come un grafo bipartito, sfruttando la non sovrapposizione delle sessioni di trading (USA: 9:30-16:00 ET; Cina: 9:30-11:30 e 13:00-15:00 CST) per garantire un ordinamento temporale rigoroso senza bias di "look-ahead".
• Selezione delle Caratteristiche Economicamente Interpretabile: A differenza delle reti neurali profonde "black-box", il grafo funge da strato di selezione delle caratteristiche trasparente, dove gli archi rappresentano relazioni predittive statisticamente validate.
• Analisi a Livello di Singola Azione: Estensione della previsione cross-market dal livello degli indici a quello delle singole azioni, un ambito precedentemente poco esplorato con vincoli temporali realistici.
• Asimmetria Direzionale: Dimostrazione empirica che la struttura del mercato globale è asimmetrica, con un flusso di informazioni preponderante dagli USA alla Cina.

4. Risultati Principali

Gli esperimenti, condotti su dati dal 2014 al 2021 per le borse di NYSE, Nasdaq, SSE e SZSE, mostrano:

• Asimmetria Predittiva Pronunciata:

  • Le informazioni sui rendimenti USA (chiusura precedente) contengono informazioni predittive sostanziali per i rendimenti intragiornieri cinesi.
  • L'effetto inverso (dalla Cina agli USA) è limitato e statisticamente meno significativo.
  • I rendimenti USA pvCLCL (previous close-to-close) sono predittori migliori rispetto ai rendimenti OPCL USA, sottolineando l'importanza delle informazioni "overnight".

• Performance Economica:

  • La combinazione di informazioni cross-market e selezione basata su grafi supera sia i modelli basati su grafi single-market che i baseline senza grafi.
  • I modelli Ridge, LightGBM e gli Ensemble (media/mediana) ottengono i migliori risultati, con Sharpe Ratio (SR) spesso superiori a 1 e talvolta vicini a 2 quando si prevedono azioni cinesi usando predittori USA.
  • Le strategie basate su quantili (selezione delle azioni con i segnali predittivi più forti) mostrano performance crescenti all'aumentare della forza del segnale.

• Robustezza:

  • L'analisi di sensibilità rivela che la performance decade se gli archi del grafo vengono casualizzati o se il ritardo temporale ($l$) tra predittore e target aumenta, confermando che la struttura economica del grafo e la recenza delle informazioni sono cruciali.

5. Significato e Implicazioni

• Validazione dell'Asimmetria Globale: Lo studio conferma empiricamente il ruolo dominante del mercato USA nella scoperta dei prezzi globali, specialmente durante le sessioni notturne rispetto al mercato cinese.
• Interpretabilità vs. Complessità: Dimostra che framework di machine learning strutturati (che integrano vincoli economici come la non sovrapposizione temporale) possono offrire prestazioni superiori mantenendo un alto grado di interpretabilità, a differenza di modelli puramente deep learning.
• Nuova Direzioni di Ricerca: Il lavoro apre la strada all'uso di Grafi Neurali (GNN) su grafi bipartiti per catturare dipendenze non lineari cross-market e suggerisce l'estensione di questo approccio ad altre regioni (Europa, Asia) e all'uso di Large Language Models (LLM) per l'analisi strutturata.

In sintesi, il paper dimostra che l'integrazione di strutture di grafo dirette basate su test statistici con modelli di machine learning moderni permette di sfruttare efficacemente le asimmetrie temporali e informative tra i mercati finanziari globali per migliorare la previsione dei rendimenti azionari.