Regime Dependent Machine Learning and the Limits of Algorithmic Trading in the Dhaka Stock Exchange

Nel mondo della finanza, esiste una persistente convinzione secondo cui il prezzo futuro di un'azione può essere previsto se si raccolgono semplicemente abbastanza dati e si applicano gli strumenti matematici giusti. Questa idea si basa sul concetto che i mercati non siano del tutto casuali; piuttosto, si muovano in distinti schemi o "regimi", oscillando tra periodi di calma, alta volatilità e stress. Se un investitore potesse identificare questi cambiamenti mentre accadono, la logica vorrebbe, potrebbe adattare la propria strategia per acquistare quando il mercato è tranquillo e vendere quando è caotico, superando così la media dei partecipanti. Questo approccio è diventato una pietra angolare del moderno trading algoritmico, dove i computer utilizzano complessi apprendimenti automatici per scansionare enormi quantità di dati storici, alla ricerca di segnali che i trader umani potrebbero perdere. La domanda che guida gran parte di questa ricerca è se questi sistemi sofisticati possano effettivamente trasformare tali segnali in profitti reali e duraturi, specialmente in mercati meno sviluppati e più imprevedibili rispetto a quelli occidentali.

Uno studio recente incentrato sulla Borsa di Dhaka, in Bangladesh, ha cercato di rispondere a questa domanda con rigorosa precisione. Il ricercatore, Md. Shakil Sikder, non si è limitato a testare un singolo modello su un manipolo di aziende. Al contrario, ha costruito tre gruppi separati di titoli per garantire che i risultati non fossero un colpo di fortuna. Un primo gruppo consisteva in dodici aziende ben note e liquide, accuratamente selezionate dall'autore. Un secondo gruppo era una selezione casuale di sei aziende, scelta da un computer per eliminare qualsiasi pregiudizio umano nel processo di selezione. Un terzo gruppo, molto più ampio, composto da ventiquattro titoli aggiuntivi, è stato aggiunto in seguito per testare se i risultati si sarebbero mantenuti validi su una gamma più ampia di settori, coprendo infine quarantadue titoli in diciassette diversi settori. L'obiettivo era vedere se un tipo specifico di machine learning, che condiziona le proprie previsioni al "regime" di mercato attuale, potesse battere costantemente una semplice strategia di base che assume che il mercato non faccia altro che ripetere la sua recente media.

Lo studio ha impiegato cinque diversi modelli di previsione, che vanno dai metodi statistici di base ai sistemi avanzati di intelligenza artificiale come le reti neurali. Questi modelli sono stati alimentati da tredici diversi indicatori tecnici, come i movimenti passati dei prezzi, il volume di scambio e il momentum, insieme a un segnale che indicava se il mercato si trovasse in uno stato normale, ad alta volatilità o di stress. I ricercatori hanno utilizzato un metodo di test rigoroso chiamato validazione walk-forward, che simula il trading in tempo reale addestrando il modello sui dati passati e testandolo poi su dati futuri che non ha mai visto, garantendo che nessuna informazione trapelasse dal futuro verso il passato. Hanno inoltre tenuto conto dei costi specifici di trading in Bangladesh, inclusi i costi di intermediazione, le tasse e lo slippage che si verifica quando si cerca di comprare o vendere grandi quantità di azioni senza far muovere il prezzo contro se stessi.

I risultati sono stati netti e coerenti in tutti e tre i gruppi di titoli. Nessuno dei sofisticati modelli di machine learning è riuscito a superare il semplice benchmark. Infatti, il modello più complesso, un algoritmo di alberi potenziati dal gradiente noto come LightGBM, è stato significamente peggiore dell'approccio di base in ogni singolo pannello. Quando i ricercatori hanno cercato di usare l'informazione sul regime per guidare le decisioni di trading, le strategie non sono riuscite a generare alcun profitto. Al contrario, le strategie di trading hanno perso la stragrande maggioranza del capitale iniziale. Lo studio ha scoperto che il segnale sottostante che i modelli cercavano di sfruttare semplicemente non esisteva in un modo che potesse essere trasformato in denaro dopo aver considerato i costi. Anche quando i ricercatori hanno cercato di ridurre il numero di operazioni per evitare le commissioni, i rendimenti rimanenti erano comunque negativi, indicando che il problema non era solo il costo del trading, ma la mancanza di un vero segnale predittivo.

Un risultato particolarmente rivelatore riguardava l'interpretazione che i modelli informatici davano delle dinamiche uniche della Borsa di Dhaka. L'exchange ha un meccanismo regolatorio che stabilisce un prezzo minimo, impedendo alle azioni di scendere sotto un certo livello. Durante i periodi di estremo stress, questo meccanismo può causare la sospensione degli scambi o far sì che i prezzi rimangano piatti per periodi prolungati. Lo studio ha scoperto che i modelli di machine learning, che si affidano alla volatilità per rilevare lo stress di mercato, hanno interpretato erroneamente questi congelamenti dei prezzi piatti. Poiché il prezzo non si muoveva, i modelli calcolavano una volatilità nulla e etichettavano questi periodi pericolosi come "basso rischio" o "normali". Questo errore ha significato che i modelli non sono riusciti a proteggere gli investitori proprio nei momenti in cui erano più necessari. I ricercatori hanno testato una regola per escludere questi giorni di stasi dal trading, ma questo aggiustamento ha solo peggiorato la performance, poiché i costi di ribilanciamento del portafoglio hanno superato qualsiasi potenziale beneficio.

Lo studio ha anche affrontato un errore comune nella ricerca finanziaria: la differenza tra ciò che un modello conosce dopo i fatti e ciò che conosce in tempo reale. I ricercatori hanno scoperto che la capacità del computer di identificare i regimi di mercato dopo aver visto l'intera cronologia dei dati era vastamente diversa dalla sua capacità di identificare tali regimi mentre stavano accadendo. Guardando indietro, il modello poteva etichettare correttamente un giorno come stressante, ma nel prendere una decisione nel momento presente, sbagliava più della metà delle volte. Questo divario tra il senno di poi e la previsione in tempo reale è una ragione critica per cui molte strategie testate in precedenza (backtested) falliscono quando applicate ai mercati reali. Lo studio ha confermato che, anche con avanzate correzioni statistiche e molteplici livelli di validazione, le strategie non hanno dimostrato alcuna abilità che non potesse essere spiegata dal caso.

In definitiva, la ricerca suggerisce che, per la Borsa di Dhaka, il mercato si comporta in modo coerente con l'idea di efficienza in forma debole. Ciò significa che i movimenti passati dei prezzi e i volumi di scambio non forniscono una tabella di marcia affidabile per i guadagni futuri, almeno non in un modo che possa essere sfruttato dalle attuali tecniche di machine learning. Lo studio conclude che l'assunto secondo cui il machine learning consapevole dei regimi possa essere facilmente trasferito ai mercati di frontiera con caratteristiche regolatorie uniche è errato. L'interazione specifica tra il rilevamento basato sulla volatilità e il meccanismo del prezzo minimo crea un punto cieco che gli algoritmi non possono facilmente superare. Le conclusioni servono come monito per professionisti e ricercatori, dimostrando che in mercati con scarsa liquidità e vincoli regolatori specifici, anche gli strumenti più sofisticati possono essere incapaci di trovare un vantaggio dove non ne esiste uno. Le evidenze puntano verso un mercato dove l'unica strategia affidabile, statisticamente parlando, rimane quella passiva di detenere titoli nel lungo termine, piuttosto che tentare di prevedere il tempo di mercato con algoritmi complessi.