Does Complexity Improve Forecasting Accuracy? Evidence from Single and Multi-Layer LSTM Models for the BIST 100 Index
Questo studio dimostra che, per la previsione dell'indice BIST 100 utilizzando variabili tecniche e macroeconomiche, architetture LSTM a singolo strato più semplici superano modelli multi-strato più complessi, suggerendo che la parsimonia migliora la generalizzazione nella previsione finanziaria.
Articolo originale sotto licenza CC BY 4.0 (https://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
Nel mondo della finanza, prevedere il movimento futuro di un indice di borsa è un compito che da tempo cattura l'attenzione di economisti e investitori allo stesso tempo. È una sfida radicata nella convinzione che, sebbene i mercati siano caotici, non siano del tutto casuali; schemi nascosti nei prezzi passati, nei rapporti economici e nel sentimento globale potrebbero offrire uno sguardo su ciò che verrà dopo. Per decenni, i ricercatori si sono affidati a modelli statistici per trovare questi schemi, ma l'ascesa di potenti computer ha introdotto un nuovo strumento: l'intelligenza artificiale. Nello specifico, un tipo di programma informatico noto come rete neurale, progettato per imitare il modo in cui il cervello umano elabora sequenze di informazioni, è diventato una scelta popolare per questo lavoro. L'assunzione prevalente in questo campo è stata spesso che versioni più complesse di questi programmi, con strati di elaborazione più profondi, dovrebbero naturalmente portare a previsioni migliori. Dopotutto, se un modello semplice può imparare un po', un modello più intricato dovrebbe imparare molto di più.
Tuttavia, un recente studio focalizzato sull'indice Borsa Istanbul 100, il principale benchmark per il mercato azionario turco, mette in discussione questa ipotesi. I ricercatori, Fatih Mangir, Metehan Ortakarpuz e Abdul-Razak Bawa Yussif, si sono posti l'obiettivo di testare se l'aggiunta di maggiore complessità a questi modelli di previsione migliori effettivamente la loro accuratezza. Hanno raccolto oltre duemila cinquecento giorni di dati di trading, estendendosi dall'inizio del 2016 fino alla fine del 2025, un periodo che ha incluso significativi cambiamenti economici globali e locali. Per alimentare i loro modelli, non si sono affidati solo alla cronologia dei prezzi. Invece, hanno combinato i prezzi di chiusura giornalieri con una ricca miscela di altre informazioni, inclusi indicatori tecnici che misurano il momentum del mercato, i livelli di paura globale, la forza del dollaro statunitense e fattori economici locali come i tassi di interesse e la disoccupazione. Prima di addestrare i loro modelli, hanno utilizzato una tecnica matematica per attenuare le fluttuazioni rumorose ed erratiche dei dati, assicurando che il computer imparasse dal segnale sottostante piuttosto che dal rumore casuale.
Il team ha quindi costruito due famiglie distinte di modelli per vedere quale avrebbe performato meglio. La prima famiglia consisteva in reti semplici a singolo strato, mentre la seconda presentava strutture più complesse e multilivello, con molteplici livelli di elaborazione. Hanno addestrato questi modelli per prevedere il prezzo di chiusura del giorno successivo, eseguendo l'esperimento trenta volte per ogni configurazione per garantire che i risultati non fossero solo un colpo di fortuna. I risultati sono stati chiari e piuttosto controintuitivi: i modelli più semplici hanno superato costantemente quelli complessi. Il modello a singolo strato con soli dieci unità di elaborazione ha ottenuto l'errore medio più basso, mentre i modelli più complessi, inclusi quelli con tre strati, hanno faticato a tenere il passo. Infatti, l'architettura più elaborata ha prodotto i risultati peggiori di tutti, mancando l'obiettivo di un ampio margine.
Questo risultato suggerisce che, nel contesto specifico della previsione di questo indice di mercato emergente, aggiungere profondità alla rete neurale non l'ha aiutata a imparare meglio; al contrario, potrebbe aver causato al modello di complicare eccessivamente il compito. I dati, anche dopo essere stati puliti e arricchiti con variabili globali e locali, contenevano una struttura che veniva catturata meglio da un approccio diretto. I modelli complessi sembravano cercare di apprendere schemi che semplicemente non esistevano, memorizzando efficacementamente il rumore del mercato piuttosto che il suo vero ritmo. Lo studio indica che per questo tipo di previsione finanziaria, un approccio parsimonioso — uno che utilizza la minima complessità necessaria per comprendere i dati — è superiore. Le previsioni più accurate non sono venute dalla macchina più potente, ma da quella che era appena abbastanza complessa da corrispondere alle informazioni disponibili.
I ricercatori hanno anche notato un interessante compromesso nei loro risultati. Sebbene il modello più semplice fosse il più accurato in media, un modello a singolo strato leggermente più grande con cinquanta unità offriva un diverso tipo di beneficio: la stabilità. Questa versione offriva risultati quasi altrettanto accurati ma molto più coerenti tra le diverse sessioni di addestramento, suggerendo che per decisioni di investimento pratiche, un modello che sia sia affidabile che accurato potrebbe essere la scelta ideale. In definitiva, lo studio serve da promemoria che, nel regno della previsione finanziaria, più non è sempre meglio. Lo strumento migliore non è necessariamente quello più sofisticato, ma quello che è perfettamente allineato con la natura dei dati che sta cercando di comprendere.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.