Fitness Function Selection in PSO-VMD Decomposition: Implications for LSTM-Based Oil Price Forecasting

Prevedere il prezzo del petrolio greggio è uno dei compiti più difficili dell'economia moderna. Il mercato non si muove in linee rette o schemi prevedibili; si comporta invece come una tempesta caotica, guidata da un mix di dati economici, eventi politici e improvvisi cambiamenti nell'offerta e nella domanda. Poiché il prezzo fluttua in modo così selvaggio e imprevedibile, gli strumenti matematici tradizionali spesso non riescono a catturarne la vera natura. Per dare un senso a questo caos, i ricercatori si sono rivolti a una strategia chiamata decomposizione. Immaginate di cercare di comprendere una canzone complessa ascoltando l'intera orchestra contemporaneamente; è quasi impossibile sentire la melodia. Tuttavia, se poteste separare gli strumenti in modo da poter ascoltare prima gli archi, poi gli ottoni e poi le percussioni singolarmente, la struttura della musica diventerebbe chiara. Nel mondo dei dati, questo significa scomporre un singolo flusso disordinato di numeri in pezzi più piccoli e semplici, più facili da studiare. Una volta compresi questi pezzi, possono essere riassemblati per creare un quadro molto più chiaro di ciò che potrebbe accadere in seguito.

Un recente studio del ricercatore Abdelkader Aouar affronta un problema specifico all'interno di questa strategia di decomposizione. La ricerca si concentra su un metodo chiamato Decomposizione Modale Variazionale, o VMD, un modo sofisticato per scomporre i dati delle serie temporali in quei pezzi più semplici. Sebbene la VMD sia potente, richiede che due impostazioni critiche vengano regolate correttamente prima che possa funzionare: il numero di pezzi in cui i dati dovrebbero essere tagliati e un fattore che controlla quanto rigorosamente i pezzi siano separati. Se queste impostazioni sono errate, i dati potrebbero essere tagliati in troppi pochi pezzi, lasciando dettagli importanti nascosti, o in troppi pezzi, creando rumore non necessario. In passato, gli scienziati hanno utilizzato algoritmi informatici per trovare automaticamente le migliori impostazioni, ma si sono basati su una regola specifica per giudicare cosa significasse "migliore". Questa regola, nota come entropia dell'inviluppo, è stata originariamente progettata per individuare guasti nei componenti meccanici, come un cuscinetto rotto in un motore. Funziona cercando picchi improvvisi e netti in un segnale. Poiché questa regola funzionava bene per le macchine, molti ricercatori hanno assunto che avrebbe funzionato bene anche per i prezzi del petrolio. Lo studio di Aouar mette in discussione questa ipotesi ponendo una domanda semplice: una regola progettata per ingranaggi rotti aiuta davvero a prevedere il prezzo del petrolio?

Per rispondere a questo, il ricercatore ha costruito un sistema di previsione ibrido che combina tre strumenti distinti. Primo, il sistema utilizza un algoritmo di ottimizzazione chiamato Ottimizzazione a Sciame di Particelle (Particle Swarm Optimization), che imita il modo in cui uno stormo di uccelli cerca il cibo, per testare automaticamente migliaia di diverse impostazioni per lo strumento VMD. Secondo, utilizza il metodo VMD per scomporre i prezzi giornalieri del petrolio nelle loro parti componenti. Terzo, alimenta queste parti in un tipo di intelligenza artificiale chiamata Long Short-Term Memory, o rete LSTM, che è eccellente nel ricordare i pattern nel tempo. La parte cruciale dell'esperimento non erano gli strumenti in sé, ma la regola utilizzata per dire al computer quali impostazioni fossero le migliori. Lo studio ha testato quattro regole diverse: tre che misurano la complessità o l'irregolarità dei dati (chiamate entropia del campione, entropia della permutazione ed entropia dell'inviluppo) e una che misura semplicemente quanta informazione viene persa quando i dati vengono scomposti e poi ricomposti (errore di ricostruzione).

I risultati dell'esperimento sono stati sorprendenti e hanno ribaltato l'abitudine prevalente di utilizzare la regola del guasto meccanico. Quando i ricercatori hanno utilizzato la regola dell'entropia dell'inviluppo, che era stata la scelta standard in molti studi precedenti, il modello è stato poco performante, fornendo un coefficiente di determinazione (R²) di -0,3519. Questo valore negativo indica che le previsioni del modello erano meno accurate rispetto all'uso della semplice media dei prezzi come base, una sottoperformance significativa rispetto agli altri metodi. Le altre due regole basate sulla complessità sono state migliori, ma non hanno comunque raggiunto l'obiettivo. Il vincitore assoluto è stato la regola dell'errore di ricostruzione. Questa regola, che si concentra sul mantenere intatta l'informazione originale piuttosto che cercare di rendere il segnale "pulito" o "sparso", ha permesso al modello di raggiungere un livello di accuratezza di gran lunga superiore agli altri. Il modello di previsione finale utilizzando questa regola è stato in grado di prevedere i prezzi del petrolio con un tasso di errore di appena l'1,37%, una cifra che è straordinariamente vicina ai valori reali. Al contrario, i modelli che utilizzavano le altre regole avevano tassi di errore diverse volte superiori.

Lo studio ha anche rivelato perché la regola vincente funzionasse così bene. Quando al computer è stato ordinato di minimizzare la perdita di informazione, esso ha scelto di scomporre i dati del prezzo del petrolio in nove pezzi distinti. Ciò ha permesso al sistema di catturare contemporaneamente i trend a lungo termine, i cicli a medio termine e i picchi a breve termine. Al contrario, le regole basate sulla complessità hanno detto al computer di scomporre i dati in soli due pezzi, un approccio troppo semplice per catturare la storia completa del mercato. Inoltre, la regola vincente ha selezionato un'impostazione che permetteva ai pezzi di dati di mantenere maggiormente la loro forma originale, mentre le altre regole forzavano i dati in una forma più fluida e rigida che eliminava dettagli preziosi. I risultati suggeriscono che per i mercati finanziari, definiti dalla loro volatilità e dai salti improvvisi, l'obiettivo non dovrebbe essere quello di trovare il segnale più semplice possibile, ma di preservare il più possibile la realtà originale e disordinata.

Questa ricerca fa molto più di migliorare un singolo modello di previsione; evidenzia una falla critica nel modo in cui vengono condotti molti studi scientifici. Per anni, i ricercatori hanno applicato regole da un campo, come l'ingegneria meccanica, a un altro, come la finanza, senza testare se tali regole fossero effettivamente adatte. Questo studio dimostra che ciò che funziona per un componente meccanico vibrante non funziona necessariamente per il prezzo di un barile di petrolio. Testando sistematicamente diverse regole sotto le stesse identiche condizioni, il ricercatore ha dimostrato che la scelta della regola di valutazione è importante quanto l'algoritmo informatico stesso. Lo studio conclude che, per la previsione di dati finanziari complessi, la strategia più efficace è dare priorità alla conservazione dell'informazione originale piuttosto che cercare di forzare i dati in una nozione preconcetta di ciò che dovrebbe essere un segnale "pulito". Questa intuizione offre una nuova strada per chiunque cerchi di comprendere i ritmi imprevedibili dei mercati globali.