Cross-Sectional Heterogeneity in LSTM Networks for Financial Time Series

Sintesi Tecnica: Eterogeneità Cross-Settoriale nelle Reti LSTM per Serie Temporali Finanziarie

Problematica
La previsione dei rendimenti delle attività finanziarie è una sfida centrale ma ancora irrisolta nell'empirica finanziaria, caratterizzata da un basso rapporto segnale-rumore e dalla forma semi-forte di efficienza del mercato. Sebbene le reti Long Short-Term Memory (LSTM) abbiano dimostrato potenziale nel catturare le dipendenze temporali, le architetture standard spesso non riescono a tenere conto dell'eterogeneità cross-settoriale. Gli approcci tradizionali, come la singola LSTM applicata a dati cross-sezionali aggregati (pooled) da Fischer e Krauss (2018), assumono implicitamente che tutti gli asset siano tratti da un processo di generazione dei rendimenti comune. Tale assunzione contraddice le evidenze consolidate secondo cui l'appartenenza a un settore industriale e le caratteristiche aziendali inducono differenze sistematiche nella dinamica dei rendimenti. Inoltre, la natura "black-box" dei modelli di deep learning ne limita l'interpretabilità, rendendo difficile validare se le rappresentazioni apprese siano allineate con fattori economici noti come il momentum o il reversal.

Metodologia
Il documento propone un'innovativa estensione architettonica del modello LSTM di base, progettata per migliorare l'accuratezza predittiva e l'interpretabilità, mitigando al contempo l'overfitting.

• Dati e Protocollo di Validazione: Lo studio utilizza un universo privo di bias di sopravvivenza composto dai costituenti dell'S&P 500 da gennaio 1995 a dicembre 2024. La valutazione segue un protocollo a finestra mobile con 27 periodi di studio non sovrapposti. Ogni periodo consiste in un set di addestramento di 3 anni e un set di test fuori campione di 1 anno. Per prevenire la fuga di dati (data leakage), la sequenza di input è limitata a 60 giorni di lag (rispetto ai 240 di studi precedenti), garantendo che non vi sia sovrapposizione tra le sequenze di addestramento e di test.
• Compito di Previsione: Il problema è formulato come un compito di classificazione binaria: prevedere se il rendimento di un titolo al giorno $t+1$ sarà superiore o inferiore al rendimento mediano cross-sezionale dell'S&P 500. Ciò trasforma il problema della regressione in un segnale direzionale adatto a una strategia di portafoglio long-short.
• Estensioni Architetturali:
  1. Embedding di Settore Apprendibili: L'innovazione principale è l'integrazione di embedding di settore TRBC (The Refinitiv Business Classification) apprendibili. Invece di trattare tutti i titoli in modo identico, il modello mappa ogni titolo in un vettore specifico per settore ($e_c$) in uno spazio latente continuo. Questo vettore viene concatenato con lo stato nascosto finale della LSTM prima dello strato di classificazione. Ciò consente al modello di apprendere una rappresentazione a bassa dimensione delle strutture a livello di settore, incorporando efficacemente un'intercetta cross-sezionale che sposta le probabilità di classificazione in base al gruppo industriale.
  2. Covariate Macro-Finanziarie: Il modello è esteso per includere sequenze di variabili macro-finanziarie (rendimenti del petrolio, VIX, futures sull'oro e spread dei rendimenti dei Treasury) insieme ai rendimenti azionari per catturare segnali economici più ampi.
  3. Regolarizzazione: Per affrontare l'overfitting in un ambiente finanziario rumoroso, il modello impiega label smoothing (ammorbidimento dei target a 0.05/0.95), gradient clipping, weight decay, early stopping e dropout sia in input che ricorrente.
• Benchmark: Le prestazioni sono valutate contro una LSTM di base, un modello Random Forest (utilizzando i rendimenti cumulativi come feature) e una strategia tradizionale di buy-and-hold di mercato.

Risultati Chiave

• Metriche di Performance: La Sector LSTM supera costantemente tutti i benchmark. Ottiene i rendimenti giornalieri e l'accuratezza di classificazione più elevati. In termini di performance corrette per il rischio, la Sector LSTM produce uno Sharpe ratio annualizzato significativamente più alto (0.69) rispetto alla Base LSTM (0.39) e alla Covariate LSTM (0.27). Sebbene la Random Forest sia competitiva sullo Sharpe ratio, la Sector LSTM supera significativamente la sua accuratezza predittiva (p < 0.01).
• Inefficacia delle Covariate: L'inclusione di covariate macro-finanziarie non ha migliorato la previsione direzionale; la Covariate LSTM è stata la peggiore tra le varianti di deep learning, suggerendo che i segnali economici aggiuntivi non hanno fornito contenuto sfruttabile per questo specifico compito.
• Validazione a Lungo Termine: Estendere la valutazione fino al 2024 conferma il deterioramento dei profitti di arbitraggio statistico basati su LSTM documentato da Fischer e Krauss (2018). Alti rendimenti e Sharpe ratio sono stati concentrati prima del 2008 (con una breve eccezione nel 2020). Dopo il 2010, nessun anno ha prodotto rendimenti di strategia vicini a quelli della fine degli anni '90, supportando la letteratura sui rendimenti decrescenti del trading quantitativo.
• Interpretabilità e Decomposizione del Segnale: Il documento riesce a decomporre il segnale predittivo in due componenti endogene:
  1. Industry Momentum: Gli embedding di settore appresi funzionano come un fattore implicito di momentum industriale. Il modello assegna bias positivi ai settori che sono stati vincitori recenti durante la finestra di addestramento. Questo segnale è dipendente dal regime: guida la sovraperformance in anni stabili (es. 2007), ma porta a perdite significative durante i crash del momentum (es. 2003, 2021–2024) quando si verificano rotazioni settoriali.
  2. Short-Term Reversal: La componente temporale della LSTM (lo stato nascosto) cattura l'effetto di reversal a breve orizzonte ben documentato, dove i vincitori recenti tendono a sottoperformare e i perdenti recenti tendono a sovraperformare nella settimana successiva.

Significatività e Rivendicazioni
Il documento rivendica tre contributi primari alla letteratura:

1. Innovazione Architetturale: Introduce la prima applicazione di embedding di settore continui all'interno di una rete ricorrente per la previsione dei rendimenti cross-sezionali. Ciò modella esplicitamente l'eterogeneità cross-sezionale, permettendo al modello di adattarsi a diverse dinamiche industriali invece di trattare gli asset come scambiabili.
2. Validazione a Lungo Termine: Estendendo il campione fino al 2024, il documento fornisce prove robuste del fatto che il declino della redditività delle LSTM sia un cambiamento duraturo nell'efficienza del mercato piuttosto che un fenomeno transitorio.
3. Spiegabilità: Lo studio dimostra che i modelli di deep learning possono recuperare regolarità note dell'asset pricing (industry momentum e short-term reversal) in modo endogeno. Visualizzando lo spazio latente e analizzando i pesi, il documento mostra che la "black box" può essere aperta per rivelare rappresentazioni economicamente significative, specificamente che gli embedding di settore agiscono come un fattore di industry momentum apprendibile.

L'autore conclude che, sebbene l'incorporazione dell'eterogeneità cross-sezionale tramite embedding apprendibili sia un modo parsimonioso ed efficace per migliorare la previsione basata su LSTM, il segnale incrementale è modesto, altamente condizionato dai regimi di mercato e si è indebolito nell'ultimo decennio.