A Comparative Analysis of Machine Learning Models for Long and Short-Term Forecasting of the Egyptian Stock Market: A Focus on EGX30

Sintesi Tecnica: Un'Analisi Comparativa di Modelli di Machine Learning per la Previsione a Breve e Lungo Termine del Mercato Azionario Egiziano

Problematica
Il mercato azionario egiziano, specificamente l'indice EGX30, rappresenta un ambito finanziario emergente dinamico ma scarsamente ricercato. Mentre esiste una vasta letteratura sui mercati azionari globali, sussiste una lacuna critica nella comprensione delle tendenze e delle dinamiche specifiche dei mercati in via di sviluppo come quello egiziano. Gli investitori in questa regione affrontano spesso sfide dovute alla mancanza di competenze in analisi tecnica e ai rischi intrinseci dei mercati ad alto rendimento. L'obiettivo primario di questo studio è colmare tale lacuna sviluppando e valutando modelli predittivi precisi su misura per l'EGX30. La ricerca affronta la necessità di strumenti robusti in grado di prevedere sia i trend di breve termine (fino a una settimana) che quelli di lungo termine (fino a due mesi) per assistere nella gestione del rischio e nella formulazione di strategie di investimento.

Metodologia
Lo studio impiega un quadro comparativo completo utilizzando dati storici dell'EGX30. La metodologia è strutturata attorno a tre componenti principali:

1. Pre-elaborazione dei Dati e Ingegneria delle Caratteristiche (Feature Engineering):

   • Il dataset è stato segmentato in caratteristiche temporali (giorno della settimana, mese, anno, ecc.), sebbene l'analisi di correlazione abbia rivelato che queste da sole erano insufficienti a causa della bassa correlazione con i prezzi azionari.
   • Per catturare il contesto storico e le dipendenze temporali, lo studio ha introdotto caratteristiche di lag con finestra mobile (rolling window lag features).
   • Sono stati progettati Indicatori Tecnici, tra cui Medie Mobili Semplici (SMA), Medie Mobili Esponenziali (EMA), Bande di Bollinger, Indice di Forza Relativa (RSI) e Indice del Canale delle Commodity (CCI).
   • Una funzione di lag è stata applicata ai dati storici per consentire l'aspettativa dei trend su più giorni, rispettando la struttura temporale intrinseca dei dati finanziari.

2. Selezione del Modello:
   La ricerca ha valutato una gamma diversificata di sette algoritmi di machine learning e due architetture di deep learning:

   • ML Tradizionale: K-Nearest Neighbours (KNN), Decision Tree Regressor, Random Forest, Extra Trees, Adaptive Boosting (AdaBoost), Light Gradient Boosted Machine (LightGBM) ed Extreme Gradient Boosting (XGBoost).
   • Deep Learning: Long Short-Term Memory (LSTM) e Gated Recurrent Unit (GRU).
   • Approccio Ensemble: Una tecnica di blending è stata applicata ai modelli con le migliori prestazioni per creare un predittore ensemble, particolarmente per gli orizzonti di lungo termine.

3. Quadro di Valutazione:

   • Orizzonti Temporali: I modelli sono stati testati su quattro distinti intervalli di previsione: un giorno, una settimana, un mese e due mesi.
   • Metriche: Le prestazioni sono state quantificate utilizzando l'Errore Quadratico Medio (RMSE), l'Errore Assoluto Percentuale Medio (MAPE) e il Coefficiente di Determinazione ($R^2$).
   • Ottimizzazione: I modelli di deep learning hanno utilizzato l'ottimizzatore Adam per una convergenza efficiente.

Risultati Chiave
I risultati sperimentali hanno rivelato caratteristiche di prestazione distinte a seconda dell'orizzonte di previsione:

• Previsioni a Un Giorno: XGBoost è emerso come il modello superiore, raggiungendo la massima accuratezza con un RMSE di 0,0163 e un $R^2$ di 0,993. LightGBM e Random Forest hanno dimostrato anch'essi prestazioni robuste, sebbene XGBoost sia stato marginalmente più efficace.
• Previsioni a Una Settimana: Il modello GRU ha superato tutti gli altri, ottenendo l'RMSE più basso (0,0406) e il più alto $R^2$ (0,961). Random Forest ed Extra Trees hanno performato bene, ma la capacità di GRU di catturare la stagionalità e le relazioni intricate è stata decisiva.
• Previsioni a Lungo Termine (Uno e Due Mesi):
  • GRU ha continuato a dimostrare una prestazione superiore, mantenendo i migliori punteggi di RMSE e $R^2$ attraverso gli orizzonti di un mese e due mesi.
  • KNN ha prodotto un risultato sorprendente, superando significativamente i suoi risultati a breve termine per diventare un modello di alto livello nelle previsioni a lungo termine (classificandosi terzo nelle previsioni a un mese e secondo in quelle a due mesi).
  • Tecnica Ensemble: Il modello ensemble, che ha combinato i migliori modelli individuali, ha ottenuto i miglioramenti più significativi nella previsione a lungo termine. In particolare, nello scenario di previsione a due mesi, l'RMSE del modello ensemble è stato circa cinque volte inferiore rispetto a quello del modello GRU standalone, evidenziando l'efficacia dei metodi ensemble per orizzonti estesi.

Significatività e Contributi
Lo studio rivendica diversi contributi significativi nel campo della previsione finanziaria nei mercati emergenti:

1. Approfondimenti Specifici per il Contesto: Fornisce la prima analisi comparativa dettagliata di modelli ML e DL specificamente per l'EGX30, offrendo spunti azionabili per gli investitori che navigano nelle dinamiche uniche del mercato egiziano.
2. Selezione del Modello in Base all'Orizzonte: La ricerca stabilisce che nessun modello è universalmente ottimale. Dimostra che XGBoost è più adatto per le previsioni ad alta frequenza di un giorno, mentre GRU e le tecniche Ensemble sono essenziali per catturare la complessità dei trend settimanali e mensili.
3. Rivalutazione di KNN: Lo studio sfida la visione convenzionale di KNN come algoritmo puramente a breve termine o semplice, rivelando la sua inaspettata ed duratura rilevanza per la previsione dei trend a lungo termine in questo specifico contesto di mercato.
4. Superiorità dell'Ensemble: Il documento evidenzia che, sebbene i modelli di deep learning individuali siano potenti, il blending ensemble migliora significativamente la robustezza e l'accuratezza, specialmente per le previsioni a lungo termine dove i modelli individuali faticano con tassi di errore più elevati.

Limitazioni e Direzioni Future
Gli autori riconoscono che l'affinamento di numerosi modelli richiede risorse computazionali sostanziali, il che può limitare la profondità dell'ottimizzazione degli iperparametri. Il lavoro futuro proposto include:

• L'integrazione di architetture Transformer, che hanno mostrato potenziale nella previsione di serie temporali.
• L'incorporazione della Sentiment Analysis derivata da calendari commerciali locali/globali, notizie e post sui social media di figure pubbliche per arricchire le caratteristiche predittive.

In conclusione, questo studio valida l'utilità di tecniche avanzate di machine learning e deep learning per il mercato azionario egiziano, sottolineando che la selezione del modello deve essere allineata con l'orizzonte temporale specifico della strategia di investimento.