Decomposition-Based Preprocessing Versus Architectural Complexity in Neural Forecasting of Economic and Financial Time Series: A Comparative Empirical Study

Prevedere il futuro del denaro e dei mercati è una delle sfide più difficili della scienza. Economisti e analisti finanziari si affidano da tempo a strumenti statistici per ipotizzare dove andranno i prezzi, che si tratti di un singolo titolo azionario, di un barile di petrolio o di un'unità di gas naturale. Questi strumenti funzionano bene quando il passato si muove in linea retta e prevedibile, ma il mondo reale è raramente così semplice. I mercati finanziari sono disordinati, mutevoli e pieni di salti improvvisi che non seguono uno schema chiaro. Per gestire questo disordine, i ricercatori si sono rivolti all'intelligenza artificiale, specificamente a un tipo di programma informatico chiamato rete neurale. Questi programmi sono progettati per imparare dai dati, trovando schemi nascosti che l'occhio umano potrebbe ignorare. Tuttavia, c'è un problema: per rendere questi programmi abbastanza intelligenti da comprendere i mercati caotici, gli scienziati devono spesso renderli incredibilmente complessi, con migliaia di parti interne che lavorano insieme. Questa complessità rende i programmi lenti, costosi da gestire e difficili da amministrare. La domanda centrale per i ricercatori è stata se l'unico modo per ottenere una previsione migliore sia costruire una macchina più grande e complicata, o se esista un modo più intelligente per preparare i dati prima di inserirli.

Un team di ricercatori si è posto l'obiettivo di testare esattamente questo compromesso. Volevano vedere se pulire i dati grezzi prima di darli in pasto a un programma informatico potesse svolgere lo stesso compito di rendere il programma stesso più potente. Per farlo, hanno raccolto tre tipi di dati finanziari molto diversi: il prezzo giornaliero dell'azione Apple, il prezzo del petrolio Brent e il prezzo del gas naturale. Questi sono stati scelti perché si comportano in modi unici; l'azione Apple è cresciuta costantemente nell'arco di decenni, il prezzo del petrolio oscilla selvaggiamente con gli eventi globali e il prezzo del gas naturale sale e scende con estrema volatilità. I ricercatori hanno preso questi numeri grezzi e hanno cercato di prevedere il prezzo del giorno successivo utilizzando tre diversi tipi di reti neurali. Il primo era un modello di base, lineare. Il secondo era un modello più avanzato che ricorda meglio gli eventi passati. Il terzo era il più complesso, capace di osservare i dati sia dal passato che dal futuro per trovare connessioni più profonde.

Invece di inserire semplicemente i numeri grezzi in questi modelli, i ricercatori hanno anche provato un approccio diverso. Prima che il computer vedesse i dati, hanno utilizzato tecniche matematiche per scomporre la disordinata cronologia dei prezzi in pezzi più piccoli e semplici. Immaginate una canzone complessa che è difficile da cantare perché ha troppe note che avvengono contemporaneamente. Se poteste separare la melodia dal ritmo di sottofondo e dalla linea del basso, ogni parte sarebbe molto più facile da cantare da sola. I ricercatori hanno fatto qualcosa di simile con i dati finanziari. Hanno utilizzato cinque metodi diversi per dividere la cronologia dei prezzi in componenti separate, come il trend a lungo termine, le oscillazioni a breve termine e il rumore casuale. Hanno poi insegnato al computer a prevedere ciascuna di queste parti semplici separatamente e hanno sommato i risultati per ottenere una previsione finale.

I risultati di questo esperimento sono stati sorprendenti. I ricercatori hanno scoperto che scomporre i dati in pezzi più semplici permetteva ai modelli informatici di funzionare molto meglio, anche quando i modelli stessi venivano mantenuti piccoli e semplici. In effetti, il metodo più efficace per pulire i dati è stata una tecnica chiamata decomposizione del modo variazionale. Quando questo metodo veniva utilizzato, i modelli producevano previsioni significativamente più accurate rispetto a quando venivano alimentati con dati grezzi. Forse ancora più importante, i modelli non avevano bisogno di essere così complicati per raggiungere questi risultati. Per i modelli informatici più avanzati, che di solito richiedono centinaia di parti interne per funzionare bene sui dati grezzi, i ricercatori hanno scoperto di poter ridurre il numero di parti di un fattore di dieci o più grazie alla preelaborazione dei dati. Ad esempio, un modello che aveva bisogno di cento parti interne per prevedere accuratamente i prezzi del petrolio poteva ottenere gli stessi o migliori risultati con solo cinque parti se i dati erano stati puliti prima.

Questa scoperta suggerisce che, per le previsioni a breve termine dei mercati finanziari, il segreto del successo risiede meno nel costruire una macchina massiccia e complessa e più nella corretta preparazione dei dati. Lo studio ha dimostrato che un modello semplice con dati puliti ha spesso superato un modello complesso con dati disordinati. Questa è una scoperta significativa per chiunque si affidi a queste previsioni, dagli trader ai decisori politici. Significa che i sistemi di previsione possono essere resi più veloci, economici ed efficienti senza sacrificare l'accuratezza. Invece di spendere risorse per costruire reti neurali più grandi, l'attenzione può spostarsi sulla comprensione e sull'organizzazione dei dati stessi. I ricercatori hanno concluso che, per la natura caotica e mutevole delle serie temporali economiche, un segnale ben preparato è più potente di un'architettura profonda e complicata. Questo approccio offre una strada pratica per la creazione di strumenti di previsione che siano non solo accurati, ma anche abbastanza efficienti da essere utilizzati in ambienti reali e frenetici.