Chi tra voi non ricorderà la DeLorean di Marty McFly e Doc Brown che sfreccia attraverso le pieghe dello spazio-tempo nel film “Ritorno al Futuro”… Nel mondo della finanza, capire le complessità dei dati, organizzati in serie temporali, equivale a svelare i segreti dei viaggi nel tempo. Proprio come Marty McFly e Doc Brown si imbarcano in un’avventura attraverso il tempo, gli analisti finanziari si immergono nelle profondità dei dati storici, impiegando una varietà di tecniche di previsione delle serie temporali.
Quando iniziamo a lavorare con le serie temporali, di solito gestiamo solo prezzi e volumi e cerchiamo di applicare molte tecniche diverse per valutare la loro capacità di prevedere i futuri movimenti o la futura volatilità. Interrogando un Generative Pre-trained Transformer, abbiamo raccolto alcune di queste tecniche:
- Autoregressive Integrated Moving Average (ARIMA): I modelli ARIMA sono ampiamente utilizzati in finanza per la previsione dei prezzi delle azioni, dei tassi di cambio e di altri dati finanziari organizzati in serie temporali. Sono efficaci nel catturare tendenze, stagionalità e irregolarità nei dati.
- Seasonal Autoregressive Integrated Moving-Average (SARIMA): SARIMA è un’estensione del modello ARIMA che supporta esplicitamente i dati in serie temporali univariate con una componente stagionale. È comunemente utilizzato in finanza per modellare e prevedere dati con significative fluttuazioni stagionali, come variazioni stagionali nei prezzi delle azioni, dati di vendita e indicatori economici.
- GARCH (Generalized Autoregressive Conditional Heteroskedasticity): I modelli GARCH sono comunemente utilizzati per modellare e prevedere la volatilità dei dati finanziari in serie temporali, come i rendimenti di mercato azionario e i prezzi degli asset. Sono preziosi per stimare e prevedere il rischio associato agli asset finanziari.
- Exponential Smoothing (ETS): I metodi di smoothing esponenziale sono utilizzati per prevedere tendenze a breve termine e modelli stagionali nei dati finanziari. Sono particolarmente utili per generare previsioni regolari e possono essere applicati a vari parametri finanziari, come vendite, entrate e previsioni di domanda.
- Seasonal Decomposition of Time Series (STL): Un metodo che scompone una serie temporale in componenti stagionali, di tendenza e irregolari, che possono poi essere previste singolarmente.
- Vector Autoregression (VAR): I modelli VAR vengono utilizzati per analizzare le relazioni dinamiche tra più variabili all’interno di serie temporali finanziarie, come i tassi di interesse, i tassi di inflazione e gli indici di mercato azionario. Sono preziosi per capire le interdipendenze tra diversi indicatori finanziari.
- Long Short-Term Memory (LSTM) Networks: Le reti LSTM sono sempre più utilizzate in finanza per compiti di previsione delle serie temporali, come la previsione dei prezzi delle azioni e delle tendenze di mercato. Sono in grado di catturare dipendenze a lungo termine e modelli complessi nei dati finanziari, rendendoli adatti per modellare relazioni non lineari.
- Bayesian Structural Time Series (BSTS): I modelli BSTS vengono utilizzati in finanza per la previsione dei dati in serie temporali con molteplici componenti, come tendenza, stagionalità e fluttuazioni irregolari. Sono preziosi per incorporare informazioni precedenti e incertezze nel processo di previsione, rendendoli robusti per le applicazioni finanziarie.
- Prophet: Prophet è ampiamente utilizzato per la previsione in finanza in quanto può gestire irregolarità nei dati, come valori mancanti e valori anomali. È efficace per prevedere tendenze nei dati in serie temporali finanziarie, compresi i prezzi delle azioni, i prezzi delle materie prime e gli indicatori economici.
- Neural Prophet: Un’estensione di Prophet di Facebook che incorpora reti neurali per gestire modelli complessi e dipendenze delle serie temporali.
- Wavelet Analysis: Una tecnica che scompone i dati organizzati in serie temporali in diverse componenti di frequenza, consentendo l’analisi a più intervalli. Può essere utilizzata per la denoising, lo smoothing e la previsione dei dati all’interno di serie temporali.
Quando si sceglie un metodo di previsione delle serie temporali per la previsione finanziaria, è essenziale considerare le caratteristiche specifiche dei dati finanziari, come stagionalità, tendenza, volatilità e interdipendenze, per selezionare la tecnica più appropriata per il compito in questione. Inoltre, è fondamentale valutare le prestazioni del modello scelto utilizzando metriche di valutazione adeguate per garantirne l’efficacia nel fare previsioni finanziarie accurate.
ARIMA
ARIMA (AutoRegressive Integrated Moving Average) è un metodo popolare e potente di analisi e previsione delle serie temporali. È una combinazione di modelli auto-regressivi (AR) e a media mobile (MA) che incorpora anche la differenziazione per gestire dati in serie temporali non stazionari. I modelli ARIMA sono ampiamente utilizzati in vari campi, tra cui economia, finanza e previsioni meteorologiche, per fare previsioni basate su schemi storici.
Il modello ARIMA è composto da tre componenti principali:
- Componente auto-regressiva (AR): La parte auto-regressiva del modello utilizza la relazione dipendente tra un’osservazione e un certo numero di osservazioni ritardate. Prevede il valore in un determinato momento utilizzando una combinazione lineare dei valori precedenti.
- Componente integrata (I): La parte integrata del modello coinvolge la differenziazione delle osservazioni per rendere i dati della serie temporale stazionari. La stazionarietà implica che le proprietà statistiche della serie, come media e varianza, non cambiano nel tempo. La differenziazione viene utilizzata per rimuovere tendenze e stagionalità.
- Componente a media mobile (MA): La parte a media mobile del modello considera la dipendenza tra un’osservazione e un errore residuo da un modello a media mobile applicato a osservazioni ritardate. Aiuta a levigare il rumore nei dati e a identificare eventuali schemi sottostanti.
La forma generale di un modello ARIMA è rappresentata come ARIMA(p, d, q), dove:
- p indica l’ordine della componente auto-regressiva.
- d indica il grado di differenziazione.
- q indica l’ordine della componente a media mobile.
I passaggi coinvolti nella costruzione di un modello ARIMA includono tipicamente:
- Pre-elaborazione dei dati, inclusa la gestione dei valori mancanti e la trasformazione dei dati per ottenere la stazionarietà, se necessario.
- Identificazione dei valori appropriati per p, d e q attraverso l’analisi dei dati, la funzione di autocorrelazione (ACF) e la funzione di autocorrelazione parziale (PACF).
- Adattamento del modello utilizzando i parametri selezionati.
- Diagnostica del modello per garantire che le ipotesi del modello siano soddisfatte.
- Previsione dei valori futuri in base al modello addestrato.
I modelli ARIMA sono versatili e possono catturare una vasta gamma di modelli lineari nei dati organizzati in serie temporali. Tuttavia, potrebbero non essere adatti per relazioni altamente complesse o non lineari. In tali casi, modelli più avanzati, come SARIMA o approcci basati sull’apprendimento automatico, potrebbero essere più appropriati.
SARIMA
SARIMA (Seasonal Autoregressive Integrated Moving Average) è un’estensione del modello ARIMA progettata per gestire dati in serie temporali con tendenze stagionali. È una tecnica di previsione potente e flessibile che incorpora sia i componenti ARIMA che i componenti stagionali, per catturare complessi modelli stagionali nei dati. I modelli SARIMA sono particolarmente utili per prevedere dati organizzati in serie temporali che mostrano fluttuazioni o schemi stagionali complessi in specifici intervalli di tempo.
Il modello SARIMA include le seguenti componenti:
- Componente AutoRegressive Stagionale (SAR): Questa parte del modello rappresenta la relazione lineare tra l’osservazione e i suoi valori ritardati su periodi stagionali. Cattura i modelli stagionali nei dati e aiuta a prevedere le variazioni stagionali.
- Componente integrata stagionale (I): Similmente alla componente integrata non stagionale in ARIMA, la componente integrata stagionale in SARIMA coinvolge la differenziazione dei dati a intervalli stagionali per ottenere la stazionarietà.
- Componente a media mobile stagionale (SMA): Questa componente considera la dipendenza tra un’osservazione e l’errore residuo di un modello a media mobile applicato a ritardi stagionali. Aiuta a considerare il rumore o le fluttuazioni stagionali nei dati.
La forma generale di un modello SARIMA è rappresentata come SARIMA(p, d, q)(P, D, Q)s, dove:
- p, d e q rappresentano le componenti AR non stagionali, la differenziazione e le componenti MA, rispettivamente.
- P, D e Q rappresentano le componenti AR stagionali, la differenziazione stagionale e le componenti MA stagionali, rispettivamente.
- s indica la lunghezza del ciclo stagionale.
I passaggi coinvolti nella costruzione di un modello SARIMA sono simili a quelli dei modelli ARIMA, ma con considerazioni aggiuntive per le componenti stagionali. Questi passaggi includono la pre-elaborazione dei dati, l’identificazione degli ordini appropriati per le componenti non stagionali e stagionali, l’adattamento del modello, la diagnostica del modello e la previsione dei valori futuri.
I modelli SARIMA sono efficaci per catturare complessi modelli stagionali e fluttuazioni nei dati all’interno di serie temporali. Tuttavia, possono diventare computazionalmente intensivi e richiedere una quantità significativa di dati per una stima accurata, specialmente quando si tratta di molteplici modelli stagionali o dati ad alta frequenza. Tuttavia, rimangono uno degli strumenti chiave per la previsione delle serie temporali, specialmente per i dati con chiari trend stagionali.
GARCH
GARCH, acronimo di Generalized Autoregressive Conditional Heteroskedasticity, è un modello statistico utilizzato per analizzare e prevedere la volatilità dei dati di serie temporali finanziarie. Si tratta di un’estensione del modello ARCH (Autoregressive Conditional Heteroskedasticity), sviluppato dall’economista Robert F. Engle nei primi anni ’80. GARCH consente di modellare la volatilità variabile nel tempo nei mercati finanziari, riconoscendo la presenza di eteroschedasticità (livelli variabili di volatilità) nei dati.
Il modello GARCH cattura il fenomeno del clustering della volatilità spesso osservato nei dati finanziari, in cui i periodi di alta volatilità tendono a essere seguiti da ulteriori periodi di alta volatilità, e viceversa per i periodi di bassa volatilità. Questo comportamento è importante nell’analisi finanziaria, in quanto può avere implicazioni significative per la gestione del rischio e la determinazione dei prezzi dei derivati finanziari.
Il modello GARCH incorpora sia i valori passati della serie in fase di modellizzazione sia gli errori di previsione passati per prevedere la varianza condizionale della serie in ciascun punto nel tempo. Stimando i parametri del modello GARCH, gli analisti e i ricercatori possono ottenere informazioni sulla persistenza e sulla dinamica della volatilità, consentendo loro di effettuare previsioni più accurate e valutare i rischi associati.
In generale, GARCH è diventato uno strumento fondamentale nell’analisi dei dati di serie temporali finanziarie, e le sue varie estensioni e modifiche sono state ampiamente utilizzate nel campo della finanza quantitativa e della gestione del rischio.
ETS
L’Exponential Smoothing (ETS) è una tecnica popolare ed efficace per la previsione delle serie temporali, basata sul principio dello smoothing dei dati per catturare i modelli e le tendenze sottostanti. È ampiamente utilizzata in vari settori per effettuare previsioni a breve termine ed è particolarmente utile per i dati che non presentano complessi schemi stagionali o significative fluttuazioni storiche.
I modelli ETS funzionano aggiornando ricorsivamente e levigando le previsioni in base alle osservazioni più recenti nei dati della serie temporale. I principali componenti di un modello ETS includono:
Livello: la componente del livello rappresenta il valore sottostante e levigato dei dati della serie temporale in un punto specifico nel tempo. Cattura la media a lungo termine o la linea di base dei dati.
Tendenza: la componente di tendenza tiene conto della direzione e dell’entità della tendenza complessiva dei dati. Riflette il tasso di cambiamento dei dati nel tempo e aiuta nella previsione delle tendenze future.
Stagionalità: la componente di stagionalità cattura i modelli ripetitivi e periodici che si verificano a intervalli fissi all’interno dei dati della serie temporale. Aiuta a identificare e prevedere fluttuazioni o modelli stagionali.
Esistono diversi tipi di modelli di smoothing esponenziale, tra cui:
Simple Exponential Smoothing (SES): Questo modello è adatto per i dati senza alcuna chiara tendenza o modelli stagionali. Applica un parametro di smoothing all’osservazione precedente per prevedere il valore successivo.
Holt’s Exponential Smoothing: Il metodo di Holt estende il semplice smoothing esponenziale incorporando un componente di tendenza. È utile per i dati con una chiara tendenza lineare ma senza stagionalità.
Winter’s Exponential Smoothing: Il metodo di Winter estende il metodo di Holt incorporando un componente stagionale. È adatto per i dati con sia tendenza che stagionalità.
I modelli ETS sono relativamente semplici ed efficienti, il che li rende adatti per compiti di previsione a breve termine e situazioni in cui non sono presenti modelli complessi. Sono facili da implementare e sono ampiamente utilizzati per la previsione della domanda, la gestione degli stock e altre applicazioni aziendali in cui è richiesta una previsione rapida e semplice. Tuttavia, per i dati con modelli più complessi o irregolarità, modelli più avanzati di serie temporali come ARIMA o SARIMA possono essere più appropriati.
STL
STL, ovvero Seasonal-Trend decomposition using Loess, è una tecnica di scomposizione delle serie temporali che separa una serie temporale in tre componenti: componenti stagionali, di tendenza e di resto. Questo metodo è particolarmente utile quando si tratta di dati di serie temporali che presentano complessi modelli stagionali, in quanto consente di isolare in modo efficace le varie componenti, consentendo previsioni e analisi più accurate.
Le componenti chiave di STL sono le seguenti:
Componente Stagionale: Questa rappresenta le fluttuazioni o i modelli ripetitivi e prevedibili che si verificano a intervalli specifici all’interno della serie temporale, come cicli giornalieri, settimanali o annuali. La componente stagionale viene tipicamente estratta utilizzando un metodo di media mobile o media mobile ponderata.
Componente di Tendenza: Questa componente rappresenta la progressione o direzione a lungo termine dei dati della serie temporale. Mette in evidenza il movimento complessivo verso l’alto o verso il basso nel corso di un periodo prolungato, ignorando le fluttuazioni a breve termine o il rumore. La componente di tendenza viene stimata utilizzando un metodo di regressione pesata localmente, come il metodo Loess.
Componente di Resto (o Componente Residuale): Questa componente cattura la variabilità casuale o il rumore che non può essere spiegato dalle componenti stagionali e di tendenza. Include le fluttuazioni irregolari e le variazioni casuali presenti nei dati.
Scomponendo la serie temporale in queste tre componenti, STL consente agli analisti di comprendere in modo più accurato i modelli e i comportamenti sottostanti nei dati. Ciò, a sua volta, consente previsioni migliori, analisi delle tendenze e rilevamento delle anomalie. STL ha trovato applicazioni in vari settori, tra cui finanza, economia e scienze ambientali, dove l’identificazione di modelli stagionali e di tendenza è cruciale per la presa di decisioni e la modellazione predittiva.
VAR
La Vector Autoregression (VAR) è un modello statistico utilizzato per catturare le interdipendenze lineari tra più variabili di serie temporali. Si tratta di un’estensione del modello autoregressivo, che viene utilizzato per analizzare una singola variabile di serie temporale. I modelli VAR sono particolarmente utili quando si analizza la relazione dinamica tra più variabili che si influenzano a vicenda nel tempo.
In un modello VAR, ciascuna variabile è regredita sui suoi stessi valori ritardati e sui valori ritardati delle altre variabili nel sistema. Ciò significa che ogni variabile nel sistema è modellata come una funzione lineare dei suoi valori passati e dei valori passati di tutte le altre variabili nel sistema. L’ordine del modello VAR specifica il numero di ritardi utilizzati nel modello ed è scelto in base alle caratteristiche specifiche dei dati e agli obiettivi dell’analisi.
I modelli VAR sono ampiamente utilizzati in macroeconomia, finanza e altri settori in cui le interazioni tra più variabili economiche sono di interesse. Sono preziosi per lo studio degli effetti dinamici degli shock o dei cambiamenti di politica su un sistema di variabili, nonché per la previsione del comportamento delle variabili nel sistema. Inoltre, i modelli VAR possono essere estesi per incorporare altre caratteristiche, come le variabili esogene o le interruzioni strutturali, al fine di migliorarne la capacità esplicativa e l’accuratezza delle previsioni.
L’analisi di un modello VAR coinvolge tipicamente tecniche come il metodo dei minimi quadrati ordinari (OLS) o la stima della massima verosimiglianza (MLE). I parametri del modello VAR possono essere utilizzati per comprendere le relazioni causali e le interazioni dinamiche tra le variabili, fornendo preziose informazioni sulla struttura sottostante del sistema in studio.
LSTM
Long Short-Term Memory (LSTM) è un tipo di architettura di rete neurale ricorrente (RNN) progettata per gestire problemi di previsione di sequenze e dati di serie temporali. Gli LSTM sono particolarmente efficaci nel catturare dipendenze a lungo termine e modelli complessi in dati sequenziali, mitigando il problema della scomparsa del gradiente spesso riscontrato nelle RNN tradizionali.
Le reti LSTM sono composte da vari componenti che consentono loro di memorizzare le informazioni per lunghi periodi e di imparare efficacemente dalle sequenze di dati. I componenti chiave di una rete LSTM includono:
Stato della cella: Lo stato della cella funge da “autostrada delle informazioni” che attraversa l’intera sequenza. Consente alla rete di conservare o scartare informazioni secondo necessità, rendendola adatta per catturare dipendenze a lungo termine.
Gates: Gli LSTM utilizzano tre tipi di gates – gate di input, gate di dimenticanza e gate di output – per controllare il flusso di informazioni all’interno della rete. Questi gates regolano le informazioni che entrano e escono dello stato della cella, consentendo alla rete di ricordare o dimenticare selettivamente le informazioni.
Stato nascosto: Lo stato nascosto agisce come la memoria della rete e conserva informazioni dai passaggi temporali precedenti. È responsabile per catturare e conservare informazioni rilevanti dalla sequenza di input e passarle al passaggio successivo.
Le reti LSTM vengono addestrate utilizzando la backpropagation attraverso il tempo (BPTT), che consente loro di imparare dai dati sequenziali e di aggiornare i parametri della rete in base all’errore calcolato ad ogni passaggio temporale. Questo processo di addestramento consente agli LSTM di modellare in modo efficace dipendenze temporali complesse e di effettuare previsioni accurate basate sui dati storici.
Gli LSTM sono ampiamente utilizzati in varie applicazioni, tra cui l’elaborazione del linguaggio naturale, il riconoscimento vocale, la previsione delle serie temporali e altre attività che coinvolgono dati sequenziali. Si sono dimostrati efficaci nel catturare modelli e dipendenze complesse nei dati di serie temporali, rendendoli una scelta popolare per attività di modellazione e previsione in cui il contesto storico è cruciale per effettuare previsioni accurate. Tuttavia, è importante notare che l’addestramento degli LSTM può essere computazionalmente costoso e potrebbe richiedere una quantità significativa di dati per evitare l’overfitting.
BSTS
Bayesian Structural Time Series (BSTS) è un potente framework per la modellazione delle serie temporali basato sulla statistica bayesiana. Consente la stima e la previsione dei dati di serie temporali, incorporando vari componenti strutturali e relazioni complesse tra le variabili. BSTS è particolarmente utile quando si lavora con serie temporali che presentano modelli irregolari, tendenze, effetti stagionali e altre forme di non linearità.
I principali componenti di un modello BSTS includono:
Trend lineare locale: Questo componente cattura la tendenza sottostante nei dati di serie temporali, consentendo cambiamenti nella tendenza nel tempo.
Effetti stagionali: BSTS può incorporare modelli stagionali nei dati, consentendo la modellazione delle fluttuazioni periodiche che si verificano a intervalli fissi, come schemi giornalieri, settimanali o annuali.
Effetti di regressione: BSTS può includere componenti di regressione che consentono l’incorporazione di variabili esogene che possono influenzare i dati di serie temporali.
Componenti irregolari: Questo componente cattura le fluttuazioni irregolari o residue che non possono essere spiegate dagli altri componenti.
BSTS sfrutta l’approccio bayesiano, che prevede la specifica di distribuzioni a priori per i parametri del modello e l’aggiornamento di tali distribuzioni in base ai dati disponibili per ottenere le distribuzioni posteriori. I metodi di catena di Markov Monte Carlo (MCMC) vengono spesso utilizzati per ottenere campioni dalla distribuzione posteriore, consentendo la stima dei parametri del modello e dell’incertezza ad essi associata.
Il framework BSTS è altamente flessibile e può essere adattato per ospitare varie forme di dati di serie temporali, rendendolo uno strumento prezioso nei campi dell’economia, della finanza e dell’epidemiologia. Fornendo un approccio completo alla modellazione delle serie temporali, BSTS consente agli analisti di effettuare previsioni più accurate e di ottenere una migliore comprensione dei modelli e delle strutture sottostanti all’interno dei dati.
PROPHET
Prophet è uno strumento di previsione sviluppato dal team di Core Data Science di Facebook, progettato per gestire dati di serie temporali che presentano forti modelli stagionali. È uno strumento open source facile da usare e offre potenti capacità per produrre previsioni di alta qualità. Prophet è particolarmente utile per compiti di previsione che coinvolgono dati di serie temporali con varie stagionalità, tendenze ed effetti legati alle festività.
Prophet opera in base alle seguenti caratteristiche e componenti chiave:
Modellazione additiva: Prophet utilizza un modello additivo che scompone i dati della serie temporale in tre componenti principali: tendenza, stagionalità e festività. Questo approccio additivo consente una rappresentazione più flessibile e intuitiva dei dati della serie temporale.
Flessibilità: Prophet è progettato per gestire una vasta gamma di dati di serie temporali, inclusi dati con intervalli irregolari, valori mancanti e valori anomali. Può modellare efficacemente dati con vari modelli stagionali e può adattarsi sia a tendenze al rialzo che al ribasso nei dati.
Effetti delle festività: Prophet include la possibilità di incorporare effetti delle festività nel processo di previsione. Gli utenti possono specificare stagionalità personalizzate per considerare festività o eventi speciali che potrebbero influenzare i dati della serie temporale.
Individuazione automatica dei cambiamenti di tendenza: Prophet rileva automaticamente i punti di svolta nei dati della serie temporale, consentendo di adattarsi a cambiamenti improvvisi o variazioni nei modelli sottostanti. Questa funzionalità aiuta a catturare in modo più accurato i cambiamenti nelle tendenze e nella stagionalità.
Stima dell’incertezza: Prophet fornisce intervalli di incertezza per le previsioni, consentendo agli utenti di valutare l’affidabilità dei valori previsti. Questa funzionalità è particolarmente preziosa quando si prendono decisioni basate sui risultati previsti.
Prophet è implementato in Python e fornisce un’interfaccia intuitiva e semplice per consentire agli utenti di definire e adattare il modello di previsione ai propri dati. Ha guadagnato popolarità per la facilità d’uso e la capacità di produrre previsioni di alta qualità con pochi aggiustamenti manuali. Anche se potrebbe non essere flessibile come alcuni modelli avanzati di serie temporali, Prophet rappresenta uno strumento prezioso per gli utenti che desiderano una soluzione semplice ed efficace per la previsione di dati di serie temporali con forti modelli stagionali e vari effetti.
WAVELET ANALYSIS
L’analisi wavelet è una tecnica matematica utilizzata per l’analisi di dati di serie temporali, immagini e segnali. Consente l’esame dei dati a varie scale, consentendo la localizzazione delle informazioni sia in frequenza che nel tempo. Questa tecnica è particolarmente utile quando il contenuto in frequenza di un segnale varia nel tempo.
Ecco alcune caratteristiche e aspetti chiave dell’Analisi Wavelet:
Analisi a multirisoluzione: L’analisi wavelet consente la scomposizione di un segnale in diverse componenti di frequenza. Questa scomposizione fornisce una rappresentazione a multirisoluzione del segnale, consentendo l’analisi del segnale a diverse scale.
Localizzazione temporale e in frequenza: A differenza di altre tecniche di analisi in frequenza come la trasformata di Fourier, che fornisce informazioni sulla frequenza ma non conserva informazioni sul tempo, l’analisi wavelet offre sia la localizzazione temporale che in frequenza. Questa capacità è particolarmente vantaggiosa quando si analizzano segnali con caratteristiche localizzate o frequenze variabili nel tempo.
Applicazioni: L’analisi wavelet trova applicazioni in vari campi, tra cui l’elaborazione dei segnali, l’analisi delle immagini e l’analisi delle serie temporali. In finanza, l’analisi wavelet può essere utilizzata per studiare e analizzare la volatilità dei dati di serie temporali finanziarie, identificare modelli e rilevare anomalie.
Trasformata Wavelet: La trasformata wavelet è una trasformata matematica che scompone un segnale in wavelet, che sono funzioni piccole e localizzate. Queste wavelet vengono quindi scalate e traslate per analizzare il segnale a diverse risoluzioni e posizioni.
In generale, l’analisi wavelet è uno strumento potente per l’analisi di segnali con caratteristiche variabili nel tempo e con caratteristiche locali. La sua capacità di fornire sia la localizzazione temporale che in frequenza lo rende particolarmente utile in applicazioni in cui l’identificazione di specifici modelli e caratteristiche all’interno di un segnale è essenziale per l’analisi e la presa di decisioni.
Naturalmente, questa lista di tecniche non pretende di essere esaustiva, ma mira piuttosto a essere una compilazione iniziale di alcune delle tecniche più comunemente utilizzate nel campo finanziario. Nel corso del tempo, tecniche più complesse come quelle legate ad algoritmi non lineari come reti neurali (non solo LSTM ma anche CNN e reti neurali “Stacked”) hanno sostituito, in termini di prestazioni, i più tradizionali ARIMA, SARIMA e GARCH. I metodi di ensemble basati su alberi decisionali multipli si sono affermati per la previsione dei prezzi e, in generale, i modelli multipli combinati sembrano fornire risultati più robusti e duraturi nel tempo.
Abbiamo creato un acceleratore didattico che approfondisce molte di queste tecniche (oltre ad approfondire i quattro pilastri dell’IA applicati all’Analisi Quantitativa): stiamo parlando della Machine Learning Academy (presto disponibile anche in inglese!).
Buon viaggio nel tempo!
Giovanni Trombetta
Founder & Head of R&D
Gandalf Project
