💰 quantitative finance

Sequential Structure in Intraday Futures Data: LSTM vs Gradient Boosting on MNQ

Questo documento dimostra che né i modelli di gradient boosting né quelli LSTM riescono a raggiungere un'accuratezza predittiva statisticamente significativa rispetto a un tasso base del 51,8% quando si prevede la direzione intraday dei futures MNQ utilizzando quattro anni di dati OHLCV a cinque minuti, suggerendo che tali dataset relativi a uno strumento singolo sono insufficienti per un apprendimento automatico finanziario sequenziale affidabile.

Autori originali: Mathias Mesfin

Pubblicato 2026-05-19

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Mathias Mesfin

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 di cercare di prevedere il tempo per una città specifica, ma hai solo quattro anni di registri meteorologici giornalieri. Vuoi sapere: "Se piove nella prima ora del giorno, pioverà per tutto il giorno?"

Questo documento è una relazione di un ricercatore di nome Mathias Mesfin che ha cercato di rispondere a quella domanda, ma invece del tempo, ha esaminato i futures del mercato azionario (in particolare l'MNQ, che traccia l'indice Nasdaq 100). Voleva vedere se cervelli informatici moderni e ad alta tecnologia (Machine Learning) potevano trovare modelli nascosti nel "battito cardiaco" del mercato che gli esseri umani non colgono.

Ecco la storia di ciò che ha fatto, di come lo ha fatto e di ciò che ha scoperto, spiegata in modo semplice.

L'Idea Principale: Il "Kronos" contro il "Negozio Locale"

Recentemente è stato rilasciato un enorme modello di intelligenza artificiale chiamato Kronos. È stato addestrato su milioni di grafici azionari provenienti da molti mercati diversi. Ha appreso che l'ordine in cui compaiono le barre dei prezzi (la sequenza) contiene effettivamente indizi su ciò che accadrà dopo. È come uno chef maestro che ha assaggiato milioni di piatti e sa esattamente come assaggerà una specifica sequenza di ingredienti.

Mathias ha posto una domanda semplice: "Se prendiamo quella stessa idea, ma la applichiamo a un solo mercato (MNQ) per soli quattro anni, funzionerà ancora?"

Ha organizzato una gara tra due tipi di apprenditori informatici:

Il "Fucile a Scoppio" (Gradient Boosting): Questo modello esamina un elenco di fatti (come "ieri faceva caldo", "il divario era ampio") ma li tratta come un mucchio di elementi non correlati. Non gli importa dell'ordine in cui sono accaduti.
Il "Narratore" (LSTM): Questo modello è progettato per leggere una storia. Esamina le 12 barre quinquennali della mattina e cerca di comprendere la sequenza degli eventi, proprio come si legge una frase parola per parola.

L'Esperimento: Un Test Rigoroso

Mathias non ha lasciato che i computer indovinassero a caso. Ha impostato un test molto rigoroso chiamato Validazione Avanzata (Walk-Forward Validation).

La Regola: Il computer impara dal 2022, poi cerca di prevedere il 2023. Quindi impara dal 2022-2023 e prevede il 2024. Infine, impara dal 2022-2024 e prevede il 2025.
L'Obiettivo: Prevedere se il mercato chiuderà più alto rispetto all'apertura alle 10:30 di almeno 10 punti.
La Linea di Base: Se lanciassi semplicemente una moneta, avresti ragione circa il 51,8% delle volte (perché il mercato sale leggermente più spesso di quanto scenda). Per vincere, il computer doveva battere questo lancio di moneta.

I Risultati: I Computer Si Sono Persi

I risultati sono stati onesti e deludenti per la speranza "ad alta tecnologia", ma molto istruttivi per la scienza:

Il "Fucile a Scoppio" (Gradient Boosting): Ha cercato di trovare modelli nei dati giornalieri. A volte ha avuto fortuna (54% di accuratezza in un anno), ma in altri anni ha sbagliato più spesso di un lancio di moneta. Quando Mathias ha controllato perché prendeva decisioni, le ragioni cambiavano ogni anno. Un anno si preoccupava dei "gap notturni", l'anno successivo si preoccupava del "volume". Era come uno studente che ha memorizzato le risposte al test dell'anno scorso ma non è riuscito a imparare la matematica reale.
Il "Narratore" (LSTM): Questo era il grande test. La sequenza delle barre mattutine contava? La risposta era no. Il modello ha essenzialmente rinunciato. Ha previsto una probabilità 50/50 per ogni singolo giorno, indipendentemente da come appariva la mattina. La sua "fiducia" era piatta. Non ha imparato nulla.

Il Verdetto: Nessuno dei modelli è riuscito a prevedere il mercato meglio di un lancio di moneta. Il "Narratore" non ha trovato una storia; ha trovato solo rumore.

Il "Perché": L'Analogia della Biblioteca

Perché l'IA ad alta tecnologia ha fallito? Il documento offre una spiegazione eccellente utilizzando un'Analogia della Biblioteca:

Il Modello Kronos (Il Vincitore): Immagina una biblioteca con 9 milioni di libri. Se vuoi imparare una lingua rara, puoi leggere milioni di esempi e trovare le regole.
Il Dataset di Mathias (Il Perdente): Immagina di avere solo 944 pagine (un giorno all'anno per quattro anni).
- Se un modello specifico si verifica solo il 5% delle volte, appare solo 47 volte nell'intera biblioteca.
- Cercare di insegnare a un'IA complessa a trovare un modello che appare solo 47 volte è come cercare di insegnare a un bambino a riconoscere un tipo specifico di nuvola mostrandogli un'immagine di quella nuvola una volta ogni due settimane per quattro anni. Semplicemente non c'è abbastanza "carburante dati" per far funzionare il motore.

L'IA non ha fallito perché era "stupida". Ha fallito perché era affamata di dati. Aveva bisogno di milioni di esempi per imparare la "grammatica" del mercato, ma le sono stati dati solo poche centinaia.

La Conclusione: Un Onesto "No"

La parte più importante di questo documento non è che i modelli abbiano fallito; è che il ricercatore ha ammesso il loro fallimento e ha spiegato esattamente perché.

L'Affermazione: Non è possibile utilizzare un'IA avanzata per prevedere la direzione giornaliera di un singolo mercato azionario utilizzando solo quattro anni di dati a 5 minuti. I dati sono troppo pochi.
La Lezione: Per far funzionare questi modelli, è necessario:
1. Molto più storico (decenni, non anni).
2. Dati molto più veloci (dati tick-by-tick, che moltiplicano il numero di punti dati per 50 volte).
3. Più mercati (addestrare su Nasdaq, S&P e Dow Jones contemporaneamente per fornire all'IA più esempi).

In breve: la super-IA "Kronos" funziona perché ha letto l'intera enciclopedia del mercato. Mathias ha cercato di insegnare a un'IA simile utilizzando solo una singola pagina di un dizionario e, non sorprende, non è riuscita a imparare la lingua. Questo documento è una mappa preziosa che mostra ai ricercatori esattamente dove si trova il "dirupo dei dati", in modo che non perdano tempo cercando di saltarlo con dati insufficienti.

Riepilogo Tecnico: Struttura Sequenziale nei Dati Futures Intraday

Enunciato del Problema
Questa ricerca affronta una lacuna critica nella finanza quantitativa: determinare se la struttura sequenziale a livello di barra nei dati futures intraday contenga informazioni predittive sfruttabili quando elaborate a una scala significativamente inferiore a quella dei recenti modelli fondazionali finanziari. Motivata dall'architettura Kronos (Shi et al., 2025), che ha dimostrato come i modelli basati su transformer possano apprendere pattern predittivi da milioni di barre a candela su più strumenti, questo studio indaga se analoghe dipendenze sequenziali esistano all'interno di un dataset vincolato a un singolo strumento. Nello specifico, si chiede se una storia di quattro anni di barre quinquennali del Micro E-Mini Nasdaq 100 (MNQ) contenga un segnale strutturale sufficiente per la previsione direzionale, o se il vantaggio "sequenziale" sia puramente una funzione del volume massiccio di dati.

Metodologia
Lo studio impiega un rigoroso framework di validazione walk-forward su tre periodi fuori campione (2023, 2024, 2025) utilizzando 944 giorni di negoziazione di dati MNQ durante l'orario di negoziazione regolare (RTH) (da dicembre 2021 a settembre 2025). La variabile target è binaria: se la chiusura della sessione supera l'apertura della barra delle 10:30 di oltre 10 punti (una soglia che rappresenta circa un ATR di base).

Sono state valutate quattro configurazioni di modello:

Gradient Boosting (Giornaliero): Un HistGradientBoostingClassifier addestrato su 29 feature giornaliere ingegnerizzate (rendimenti, gap, volatilità, struttura della sessione) tokenizzate in bin di decili per mimetizzare la quantizzazione dei modelli fondazionali.
Gradient Boosting (Intraday): Lo stesso classificatore addestrato su 30 feature intraday derivate dalle prime 60 minuti della sessione, inclusa una sequenza di rendimenti su 12 barre trattata come feature indipendente.
Gradient Boosting (Aggiustato per la Volatilità): Un modello intraday che utilizza un target normalizzato per l'ATR per isolare il segnale direzionale dai regimi di volatilità.
LSTM (Sequenziale): Una rete Long Short-Term Memory minimale (strato singolo, 16 unità, dropout 0.3) progettata per elaborare la sequenza di rendimenti su 12 barre come una vera serie temporale, preservando l'ordinamento temporale che il gradient boosting scarta.

Tutti i modelli hanno utilizzato finestre di addestramento in espansione ed sono stati sottoposti a test di permutazione (200 iterazioni) sull'ultima piega (2025) per stabilire la significatività statistica rispetto a una distribuzione nulla di etichette mescolate.

Risultati Chiave
Lo studio non ha trovato prove di potere predittivo fuori campione statisticamente significativo in alcuna configurazione:

Accuratezza: Le accuratezze fuori campione combinate sono variate dal 50,00% (GB-Giornaliero) al 50,89% (GB-RegVol) per le varianti di gradient boosting, e al 50,59% per l'LSTM. Queste cifre sono indistinguibili dal tasso di base del 51,80% e da una linea di base di lancio di moneta casuale.
Significatività Statistica: I test di permutazione hanno prodotto valori p di 0,135 (miglior GB-Intraday), 0,390 (GB-RegVol) e 0,515 (LSTM). Tutti hanno fallito nel soddisfare la soglia $p < 0,05$ , indicando che i risultati sono coerenti con rumore casuale.
Stabilità delle Feature: L'analisi dell'importanza delle feature ha rivelato un'instabilità sistematica tra le pieghe. Le feature dominanti sono cambiate completamente tra le finestre di addestramento (ad esempio, da feature di gap a rendimenti specifici di barra), confermando che i modelli stavano adattando pattern spurii piuttosto che catturare segnali strutturali.
Comportamento LSTM: Il modello LSTM è converso verso un classificatore piatto e non calibrato, prevedendo la probabilità del tasso di base (~0,50) per tutti gli input indipendentemente dall'input sequenziale. Ciò suggerisce che il modello non ha appreso nulla piuttosto che aver adattato eccessivamente il rumore.

Contributi Chiave
Il contributo primario di questo articolo è un limite empirico onesto sulla scala del dataset richiesta per l'apprendimento automatico sequenziale nella previsione intraday. Implementando un'approssimazione trattabile del quadro concettuale Kronos su un dataset reale e vincolato, lo studio dimostra che:

Dipendenza dalla Scala: Le architetture sequenziali (LSTM) e le strategie di tokenizzazione ispirate ai modelli fondazionali falliscono nell'estrazione di strutture predittive da dati di un singolo strumento alla scala di ~944 giorni.
Rumore vs Segnale: La mancanza di un'importanza delle feature coerente e la convergenza verso una previsione casuale indicano che la "struttura sequenziale" osservata nei modelli fondazionali su larga scala non è presente, o non è apprendibile, a questa specifica risoluzione e dimensione del campione.
Documentazione Metodologica: L'articolo fornisce una pipeline completa e riproducibile per testare ipotesi sequenziali in finanza, inclusa una rigorosa validazione walk-forward e test di permutazione, fungendo da controesempio alle affermazioni eccessivamente ottimistiche sulle applicazioni di ML su piccoli dati.

Significato e Affermazioni
L'articolo afferma modestamente che il suo risultato negativo è una necessaria correzione empirica per il settore. Si ipotizza che la transizione dal "fallimento" (come visto qui) al "successo" (come visto in Kronos) richieda probabilmente una dimensione del dataset di ordini di grandezza superiore — potenzialmente tra 500.000 e 5.000.000 di barre. Lo studio conclude che per i ricercatori limitati a dati storici accessibili al dettaglio standard (singolo strumento, barre quinquennali), le architetture ML sequenziali offrono attualmente nessun vantaggio rispetto al lancio di moneta casuale. L'articolo suggerisce che un progresso significativo in questo dominio richiede o un passaggio a dati a livello di tick, un addestramento su più strumenti, o un apprendimento per trasferimento da modelli fondazionali pre-addestrati, piuttosto che la semplice applicazione di queste architetture a piccoli dataset isolati.