Machine Learning for Predicting Market Volatility: A Computational Economics Approach

I mercati finanziari sono spesso descritti come entità vive e pulsanti, ma per le persone che li gestiscono, sono fondamentalmente un panorama di incertezza. Al cuore di questa incertezza risiede un concetto chiamato volatilità. In termini semplici, la volatilità è una misura di quanto il prezzo di un'azione oscilli bruscamente verso l'alto o verso il basso in un breve periodo. Quando la volatilità è bassa, i prezzi si muovono con un ritmo costante e prevedibile. Quando è alta, i prezzi possono impennarsi o crollare con poco preavviso. Per gli investitori, le banche e i decisori politici, comprendere questo ritmo non è solo un esercizio accademico; è una questione di sopravvivenza. Esso detta quanto rischio possono correre, come proteggono il proprio denaro e come pianificano il futuro. Per decenni, gli esperti si sono affidati a formule matematiche costruite sull'assunto che i mercati si comportino in modo piuttosto ordinato e lineare. Questi strumenti tradizionali funzionano bene quando il mondo è calmo, ma spesso inciampano quando il mercato si comporta in modo erratico, fallendo nel catturare i modelli complessi e tortuosi che guidano improvvisi cambiamenti di prezzo.

Uno studio recente di Vasundhara S presso l'Istituto di Tecnologia e Scienze G. Narayanamma suggerisce che il modo in cui prevediamo queste oscillazioni di mercato necessiti di un aggiornamento fondamentale. La ricercatrice si è allontanata dalle vecchie, rigide formule e ha invece addestrato sistemi informatici a imparare dai dati stessi, molto simile a come uno studente impara dall'esperienza piuttosto che da un libro di testo. Alimentando sistemi di apprendimento automatico avanzati con enormi quantità di dati storici del mercato azionario, lo studio mirava a vedere se questi computer potessero individuare le connessioni nascoste e non lineari che la matematica tradizionale tralascia. L'obiettivo era costruire un sistema che non si limitasse a indovinare il prossimo movimento di prezzo, ma che comprendesse le forze sottostanti che causano l'agitazione o l'impennata del mercato.

La ricercatrice si è concentrata sui dati storici del mercato azionario, utilizzando attributi quali date di negoziazione, prezzi di apertura, prezzi massimi e minimi della sessione, prezzi di chiusura, prezzi di chiusura rettificati e volumi di scambio. Per rendere questi dati grezzi utili a un computer, il team ha prima ripulito i dati, colmando eventuali lacune e organizzando i numeri in modo che potessero essere confrontati equamente. Hanno poi creato nuovi indizi, o "feature", calcolando elementi come quanto il prezzo fosse cambiato da un giorno all'altro e come il volume di scambio fosse variato nel tempo. Questi indizi elaborati sono stati inseriti in diversi tipi di modelli informatici. Alcuni si basavano su metodi statistici consolidati, mentre altri erano sistemi di deep learning progettati per mimare il modo in cui il cervello umano elabora sequenze di informazioni nel tempo.

I risultati di questo confronto sono stati chiari e decisivi. I modelli tradizionali, che sono stati lo standard nella finanza per anni, hanno faticato a tenere il passo. Uno dei metodi più vecchi, noto come GARCH, è riuscito a prevedere la direzione del movimento di mercato correttamente circa il 58 percento delle volte. Un altro approccio standard, ARIMA, è andato leggermente meglio, raggiungendo un'accuratezza del 60 percento. Tuttavia, i modelli di machine learning li hanno lasciati indietro. Un modello chiamato Random Forest ha migliorato l'accuratezza fino a quasi il 65 percento, mentre un sistema più sofisticato chiamato XGBoost ha spinto quella cifra al 71 percento. Lo strumento di maggior successo è stato un modello di deep learning basato su un'architettura Transformer, un tipo di sistema spesso utilizzato per l'elaborazione del linguaggio. Questo modello ha raggiunto un'accuratezza direzionale del 74,2 percento, il che significa che ha previsto correttamente se il mercato sarebbe salito o sceso quasi tre quarti delle volte. Ha inoltre prodotto i tassi di errore più bassi, suggerendo che le sue previsioni non fossero solo più spesso corrette, ma anche più vicine ai valori reali.

Ciò che rende significativa questa scoperta non è solo il punteggio più alto, ma la capacità di questi nuovi modelli di gestire la natura disordinata e imprevedibile della finanza reale. Lo studio ha dimostrato che i vecchi metodi non erano semplicemente attrezzati per gestire la dinamica intricata e non lineare del mercato. Essi assumevano un livello di ordine che raramente esiste nella pratica. Al contrario, i modelli di machine learning hanno prosperato su questa complessità, trovando schemi nei dati che le formule progettate dagli esseri umani non potevano vedere. Per garantire che questi risultati non fossero solo un colpo di fortuna, la ricercatrice ha anche applicato un metodo chiamato SHAP, che agisce come un riflettore per mostrare esattamente quali fattori stavano guidando le previsioni. Ciò ha rivelato che i modelli si basavano su indicatori economici specifici e logici piuttosto che sul rumore casuale, aggiungendo un livello di fiducia ai risultati.

Lo studio conclude che il futuro delle previsioni finanziarie risiede in questi approcci computazionali. Combinando la potenza bruta del machine learning con la necessità di un ragionamento chiaro e comprensibile, è possibile costruire strumenti che siano sia più accurati che più affidabili rispetto a quelli attualmente in uso. La ricerca non sostiene di aver risolto interamente il mistero del mercato, ma ha dimostrato che le vecchie regole non sono più sufficienti. I dati suggeriscono che, quando permettiamo ai computer di imparare direttamente dalla storia dei movimenti dei prezzi, essi possono navigare nella turbolenza del mondo finanziario con una precisione che prima era fuori portata. Questo cambiamento offre una strada promettente per chiunque cerchi di gestire il rischio e dare un senso all'incessantemente mutevole panorama finanziario.