Historical Coefficient Fields: A Controlled Evaluation of Geometric Market-Memory Representations for Financial Forecasting

Sintesi Tecnica: Campi di Coefficienti Storici e Memoria Geometrica del Mercato

Definizione del Problema
La previsione finanziaria si basa tipicamente su rappresentazioni cronologiche della storia, come i prezzi ritardati (lagged), statistiche mobili o sequenze latenti apprese da modelli di deep learning. Tuttavia, stati di mercato che sono distanti nel tempo possono essere strutturalmente simili, mentre sessioni consecutive possono differire significativamente. Questa osservazione motiva l'ipotesi che organizzare i dati storici per similitudine strutturale in uno spazio di caratteristiche, piuttosto che per tempo del calendario, possa migliorare la previsione direzionale. Il documento indaga se la rappresentazione della storia recente di uno strumento finanziario come un campo geometrico di vettori di coefficienti normalizzati offra vantaggi predittivi rispetto ai baselines cronologici standard.

Metodologia
Gli autori propongono il Campo di Coefficienti Storici (HCF - Historical Coefficient Field), una rappresentazione geometrica della memoria del mercato. La metodologia è definita come segue:

1. Rappresentazione dell'Input: Ogni sessione di trading è codificata come un vettore di coefficienti relativo all'apertura ($C_t$), composto da rapporti geometrici normalizzati (escursioni superiori, inferiori e verticali rispetto al prezzo di apertura). Ciò garantisce l'invarianza di scala.
2. Costruzione del Campo: L'HCF è definito come una nuvola di punti $F_t^{(N)} = (H_t^{(N)}, d)$, dove $H_t^{(N)}$ è l'insieme dei $N$ vettori di coefficienti più recenti e $d$ è una metrica euclidea. L'oggetto di studio è l'organizzazione di questa nuvola, piuttosto che il suo indice cronologico.
3. Descrittori Geometrici: Per riassumere la struttura della nuvola, viene calcolato un insieme di sette descrittori causali su una finestra mobile strettamente passata:
   • Densità locale ($\rho$)
   • Persistenza ($P$)
   • Dispersione ($D$)
   • Stabilità della traiettoria ($S$)
   • Distanza dall'analogo più vicino ($\eta$)
   • Entropia di partizione ($H$)
   • Energia geometrica ($E$)
   • Nota: Gli autori osservano esplicitamente che l'energia geometrica è algebricamente ridondante ($E = D^2$) e che dispersione, stabilità ed energia formano un cluster altamente correlato.
4. Protocollo di Valutazione: Viene impiegato un protocollo rigorosamente controllato, limitato alla sola rappresentazione, per isolare l'effetto della rappresentazione dell'input.
   • Variabili Fisse: Gli algoritmi di apprendimento (Regressione Logistica, Random Forest, Gradient Boosting), le suddivisioni dei dati walk-forward (finestra espandibile, minimo 750 sessioni, rifornimento ogni 252), e le variabili target sono mantenuti costanti.
   • Variabile: Cambia solo la rappresentazione dell'input. Vengono testate quattro rappresentazioni:
     • R1: Rendimenti ritardati (10 lag).
     • R2: Statistiche mobili (rendimento multi-orizzonte, volatilità, momentum).
     • R3: Vettore di coefficienti relativo all'apertura ($C_t$).
     • R4: HCF ($C_t$ + descrittori geometrici).
   • Asset: Quattro strumenti pubblici con diverse scale di prezzo: Oro (GC=F), S&P 500 (^GSPC), EUR/USD (6E=F) e Bitcoin (BTC-USD).
   • Target: (1) Il segno del rendimento della sessione successiva (previsione direzionale); (2) Espansione della volatilità (se il range normalizzato della sessione successiva supera il suo mediana a 21 sessioni).
   • Baseline: Le prestazioni sono misurate rispetto al tasso di base della classe maggioritaria (l'accuratezza del prevedere sempre la direzione più frequente) per prevenire l'inflazione delle metriche di accuratezza guidata dal trend.

Risultati Chiave
La valutazione empirica produce un robusto risultato negativo:

• Previsione Direzionale: Nessuna rappresentazione, attraverso i tre modelli o i quattro strumenti, supera significativamente il tasso base della classe maggioritaria (mediamente al 52,0%). Tutti i valori di accuratezza rientrano nell'intervallo 50,9–52,4%, coerente con il rumore casuale.
• Impatto dei Descrittori Geometrici: La rappresentazione HCF proposta (R4) non migliora il vettore di coefficienti grezzo (R3). Infatti, l'aggiunta dei descrittori geometrici degrada leggermente l'accuratezza direzionale (ad esempio, 51,6% contro 52,4% per la Regressione Logistica in media).
• Ridondanza dei Descrittori: L'analisi di correlazione rivela che l'insieme dei descrittori proposti non è indipendente. Dispersione, stabilità della traiettoria ed energia geometrica sono mutuamente correlati a 0,95–0,98, collassando efficacemente tre descrittori in un'unica quantità di "ampiezza complessiva".
• Target di Espansione della Volatilità: Sul target più prevedibile dell'espansione della volatilità (dove il segnale esiste e tutte le rappresentazioni superano il tasso base del 51,4%), le rappresentazioni geometriche (R3 e R4) sono inferiori alle semplici statistiche mobili (R2), che raggiungono circa il 57% di accuratezza. L'organizzazione geometrica non è solo ridondante, ma è attivamente inferiore alle feature standard laddove il segnale è presente.
• Robustezza: I risultati negativi si mantengono attraverso diverse lunghezze della finestra di storia ($N \in \{126, 252, 504\}$ sessioni).

Contributi Chiave
Il documento inquadra i suoi contributi non come una nuova teoria predittiva, ma come una rigorosa correzione empirica e un modello metodologico:

1. Definizione di HCF: Una definizione formale del Campo di Coefficienti Storici e un set compatto di descrittori geometrici, esplicitamente posizionati rispetto ai concetti stabiliti di embedding delle coordinate di ritardo, previsione per analogia e stima della densità del kernel.
2. Protocollo di Valutazione Controllato: Un design sperimentale "solo rappresentazione" che mantiene fissi i modelli e le suddivisioni dei dati, garantendo che qualsiasi differenza di prestazione sia attribuibile esclusivamente alla rappresentazione dell'input.
3. Dimostrazione di un Risultato Negativo: La segnalazione onesta che, sugli asset e sul protocollo testati, l'organizzazione geometrica della memoria di mercato non porta alcuna informazione direzionale oltre i semplici baseline. Il documento sostiene che una contabilità geometrica più elaborata di una rappresentazione priva di segnale non crea un segnale.

Significatività e Rivendicazioni
Gli autori rivendicano la significatività principalmente attraverso la rigorosità del risultato negativo e la disciplina metodologica applicata:

• Prevenzione di Teorie Non Verificabili: Lo studio previene la costruzione di "teorie" geometriche non verificabili basate su rappresentazioni che non portano alcun segnale direzionale. Stabilisce che la riorganizzazione geometrica della memoria di mercato non è una scorciatoia verso la prevedibilità.
• Standard di Valutazione: Il documento fornisce un template riutilizzabile, controllato, riferito al tasso base e indipendente dal modello per valutare future rappresentazioni della storia finanziaria.
• Ambito Modesto: Gli autori dichiarano esplicitamente che il loro risultato è una dichiarazione relativa a questa specifica famiglia di rappresentazioni su questi specifici compiti. Non rivendicano l'impossibilità universale della previsione geometrica, ma sostengono che qualsiasi futura rappresentazione geometrica debba prima superare questo stesso standard controllato prima di costruire strutture più ricche su di essa.

In sintesi, il documento conclude che, sebbene l'organizzazione geometrica della memoria del mercato sia un quadro concettuale valido, essa non fornisce valore predittivo per la previsione direzionale o l'espansione della volatilità rispetto ai semplici baseline cronologici e alle statistiche mobili.