The Illusion of Accuracy: Machine-Learning and GARCH Forecasts of UK Equity Index Prices
Questo studio rileva che, sebbene i modelli avanzati di machine learning e GARCH prevedano accuratamente i prezzi degli indici azionari del Regno Unito, essi non riescono a superare i semplici benchmark nella previsione dei rendimenti, suggerendo che il loro vero valore risieda nella misurazione del rischio piuttosto che nella previsione dei rendimenti.
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, esiste una persistente speranza che un algoritmo intelligente possa guardare il passato per vedere il futuro. Questa speranza si basa sull'idea che i prezzi azionari, pur sembrando caotici, possano nascondere schemi che un computer può apprendere per sfruttarli. Il concetto centrale qui è il "random walk" (cammino casuale), un semplice parametro di riferimento che suggerisce che la migliore ipotesi per il prezzo di domani sia semplicemente il prezzo di oggi, poiché tutta l'informazione nota è già incorporata nel numero attuale. Se un sofisticato modello informatico non riesce a prevedere costantemente le variazioni di prezzo meglio di questo semplice tentativo, allora il mercato si comporta in modo efficiente, e la promessa di profitti facili derivanti dalla previsione è un'illusione. Questa questione è profondamente importante per chiunque abbia risparmi o una pensione, perché se l'intelligenza artificiale potesse davvero prevedere il mercato, potrebbe rimodellare il modo in cui la ricchezza viene gestita; se non può farlo, allora affidarsi a questi strumenti potrebbe trarre gli investitori in errore.
Uno studio recente ha cercato di testare direttamente questa promessa, concentrandosi sui due principali indici borsistici del Regno Unito. I ricercatori hanno raccolto dati settimanali da gennaio 2015 a ottobre 2026, un periodo che ha incluso significative turbolenze economiche come shock dei tassi di interesse e vendite dettate dai dazi doganali. Hanno messo l'uno contro l'altro otto diversi metodi di previsione. Da un lato c'erano i parametri di riferimento semplici: un modello che si limita a ripetere il prezzo della settimana precedente, e un altro che utilizza il rendimento medio di tutte le settimane passate. Dall'altro lato c'erano i pesi massimi della finanza moderna: modelli statistici tradizionali progettati per tracciare la volatilità, e tre tipi distinti di intelligenza artificiale, tra cui una foresta casuale (random forest), che costruisce molti alberi decisionali per trovare schemi, e una rete neurale, che imita il modo in cui un cervello elabora le informazioni. L'obiettivo non era solo vedere quale modello sembrasse migliore su un grafico, ma determinare se qualcuno di essi potesse effettivamente prevedere la direzione del mercato meglio del caso, e se tali previsioni potessero trasformarsi in denaro reale dopo aver pagato le commissioni di negoziazione.
I risultati hanno rivelato un netto disconnesso tra quanto i modelli sembrassero accurati e quanto fossero effettivamente utili. Quando i ricercatori hanno confrontato i livelli di prezzo previsti con i prezzi reali, ogni singolo modello appariva altamente accurato. L'errore medio era minuscolo, compreso tra l'1,3 e l'1,6 percento. Su un grafico, le linee previste si sovrapponevano quasi perfettamente alle linee reali, creando un'impressione visiva di maestria. Tuttavia, questa accuratezza era un'illusione creata dalla natura dei prezzi azionari, che tendono a rimanere vicini a dove erano la settimana prima. Poiché i prezzi erano così persistenti, anche il modello più semplice, che assumeva semplicemente che nulla sarebbe cambiato, otteneva un livello di accuratezza quasi identico a quello dei complessi sistemi di intelligenza artificiale. Quando i ricercatori hanno rimosso il livello di prezzo e hanno guardato strettamente alle variazioni settimanali di valore, il quadro è cambiato completamente. Nessuno degli otto modelli, inclusi i sistemi avanzati di machine learning, è riuscito a battere il semplice cammino casuale in modo statisticamente significativo. Infatti, per l'indice più grande, la foresta casuale e una regressione predittiva standard sono state significativamente peggiori del semplice assumere che il mercato fosse rimasto piatto.
Lo studio ha anche esaminato se questi modelli potessero aiutare un investitore a guadagnare più denaro. I ricercatori hanno simulato una strategia di trading in cui un investitore acquista l'indice se il modello prevede una salita e detiene contanti se prevede una discesa, tenendo conto del costo di ogni operazione. Nel mercato in crescita dell'indice più grande, la strategia "buy and hold" (compra e detieni), che consiste nel non fare nulla e semplicemente mantenere l'investimento, ha superato ogni singola strategia basata sulle previsioni dopo la deduzione dei costi. Il modello di machine learning più sofisticato ha effettivamente perso denaro rispetto al semplice possesso del titolo. Per l'indice più piccolo, alcuni modelli sono andati leggermente meglio del compra e detieni, ma ciò è avvenuto in gran parte perché sono riusciti a restare fuori dal mercato durante un forte declino, una forma di riduzione del rischio piuttosto che un segno di capacità predittiva. I ricercatori hanno concluso che il successo apparente di questi modelli nella previsione dei livelli di prezzo era fuorviante; non stavano prevedendo il futuro, stavano solo tracciando il passato.
Sebbene i modelli non siano riusciti a prevedere dove sarebbe andato il mercato, sono riusciti sorprendentemente bene a prevedere quanto esso avrebbe oscillato. Lo studio ha scoperto che un tipo specifico di modello statistico, noto come modello GARCH asimmetrico, era molto superiore nel prevedere la volatilità, ovvero l'entità delle oscillazioni dei prezzi, piuttosto che la direzione. Questo modello ha anticipato correttamente che le cattive notizie avrebbero causato scossoni più grandi nel mercato rispetto alle buone notizie, un fenomeno noto come effetto leva. Ha fornito le stime più accurate del rischio e ha prodotto numeri di "Value-at-Risk" affidabili, che indicano agli investitori quanto potrebbero potenzialmente perdere in una brutta settimana. Questa distinzione è cruciale: gli strumenti erano eccellenti nel misurare il pericolo del mercato ma inutili nel prevederne la destinazione.
Gli autori sostengono che questo risultato esponga una trappola comune nella reportistica finanziaria. Molti studi e strumenti commerciali presentano grafici in cui i prezzi previsti corrispondono strettamente ai prezzi effettivi come prova del loro potere. Questo articolo dimostra che tali grafici sono ingannevoli perché non tengono conto del fatto che i prezzi naturalmente tendono a restare vicini tra loro. Il vero test per uno strumento di previsione è se può prevedere la variazione di prezzo meglio di una semplice ipotesi e, in questo test rigoroso, i modelli di intelligenza artificiale sono falliti. Il valore di questi strumenti quantitativi non risiede nel dire agli investitori quando comprare o vendere per battere il mercato, ma nell'aiutarli a comprendere e gestire il rischio dei loro investimenti. Per l'investitore curioso, la lezione è chiara: la capacità di disegnare una linea che segue il mercato non è la stessa capacità di vedere dove il mercato andrà la prossima volta.
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.