Analisi Statistica del Copper (Rame)

Il Copper Future Contract è un contratto a termine standardizzato che prevede la compravendita di una quantità specifica di rame a una data futura prestabilita e a un prezzo concordato al momento della stipula del contratto. Esso viene utilizzato sia come strumento di copertura del rischio (hedging) per le aziende coinvolte nel settore del rame, sia come opportunità di investimento per gli operatori finanziari che cercano di trarre profitto dalle fluttuazioni dei prezzi del rame. Di seguito alcuni elementi di base che caratterizzano lo strumento finanziario:

• Nome: Copper Future Contract
• Simbolo del ticker: HG (nelle principali borse come CME Group e COMEX)
• Unità di misura: I contratti sono solitamente denominati in libbre (lb) o tonnellate metriche (1 tonnellata metrica = 1.000 kg = 2.204,62 lb). Le specifiche del contratto possono variare tra le diverse borse.
• Prezzo di riferimento: Il prezzo del Copper Future Contract è espresso in dollari americani (USD) per libbra o per tonnellata metrica.
• Data di scadenza: La scadenza dei Copper Future Contracts varia a seconda della borsa su cui vengono scambiati. Solitamente, i contratti hanno scadenze mensili o trimestrali.
• Fluttuazione minima del prezzo: La fluttuazione minima del prezzo, nota anche come “tick”, varia in base al contratto e alla borsa di riferimento. Ad esempio, il contratto standard del rame sulla borsa COMEX ha un tick di 0,0005 dollari per libbra.
• Settlement: Il Copper Future Contract può essere liquidato fisicamente, attraverso la consegna del metallo, o finanziariamente, tramite un pagamento in denaro che riflette la differenza tra il prezzo del contratto e il prezzo di mercato al momento della scadenza. La modalità di regolamento dipende dalle specifiche del contratto e dalla borsa su cui viene scambiato.

Di seguito la Scheda Tecnica del CME con tutti i dettagli.

Proponiamo di seguito una collezione di tavole statistiche prodotte in Python con codice open source fornito a tutti gli studenti della Python Academy.

Iniziamo l’analisi statistica dall’ “Activity Factor”, ossia l’istogramma normalizzato della media dei volumi di scambio, per ciascuna ora di contrattazione in intraday, campionati su tre periodi temporali:

Periodo Totale (“All Data Cycle”): dal 1 gennaio 2007 fino alla data più recente di estrazione.
Periodo Intermedio (“Mid Data Cycle”): dal 1 gennaio 2015 fino alla data più recente di estrazione.
Periodo Recente (“Short Data Cycle”): dal 1 gennaio 2021 fino alla data più recente di estrazione.

Possiamo riconoscere diverse aree di attività: il massimo dei volumi si concentra tra le 9 e le 13 (EST, orario americano della costa orientale). Media attività trade 2 e le 8, tra le 21 e le 23 e alle 14. Scarsa liquidità tra mezzanotte e l’1 oltre che tra le 15 e le 20 (si tenga conto del blocco delle contrattazioni tra le 18 e le 19).

Operare nelle ore di maggiore liquidità offre diversi vantaggi in termini di costi di transazione, velocità di esecuzione, impatto sul mercato, rischio di slippage e opportunità di trading:

1. Spread ridotti: Durante le ore di maggiore liquidità, la differenza tra i prezzi di acquisto (ask) e di vendita (bid) tende ad essere più stretta. Questo significa che gli spread sono ridotti, il che può ridurre i costi di transazione e migliorare la redditività delle operazioni.
2. Maggiore velocità di esecuzione: Con più partecipanti al mercato che negoziano attivamente, le operazioni vengono eseguite più rapidamente. Ciò è particolarmente importante per gli operatori in intraday, in quanto potrebbero voler entrare e uscire rapidamente dalle posizioni per sfruttare le opportunità di mercato a breve termine.
3. Minor impatto sul mercato: Durante le ore di maggiore liquidità, le singole operazioni hanno un impatto minore sul prezzo del contratto future. Questo è vantaggioso per gli operatori in intraday, in quanto riduce il rischio di muovere involontariamente il mercato con le proprie operazioni.
4. Minore slippage: Il rischio di slippage, ovvero la differenza tra il prezzo desiderato e il prezzo effettivo al quale viene eseguita un’operazione, è ridotto nelle ore di maggiore liquidità. Questo è dovuto alla maggiore profondità del mercato e alla maggiore disponibilità di ordini limit e market.
5. Maggiore opportunità di trading: Con più partecipanti al mercato e maggiore attività, le opportunità di trading, come i breakout e le inversioni di trend, possono potenzialmente verificarsi più frequentemente.

Di seguito l’istogramma normalizzato della media delle variazioni di prezzo su base oraria (calcolato sui medesimi tre periodi di osservazione).

Possiamo osservare diverse aree tendenziali: un’area ribassista dalla mezzanotte alle 8 di mattina, un’area di tendenza rialzista dalle 9 alle 13, nuova area ribassista (più circoscritta) dalle 14 alle 17, ultima zona rialzista dalle 19 alle 23.

A seguire lo stesso grafico precedente non normalizzato, che permette di cogliere la differenza di volatilità media nei tre intervalli di osservazione.

Ma una tendenza deve sempre essere confermata anche su base statistica (il numero delle occorrenze sulle occorrenze totali). A tale scopo visioniamo la tavola “heatmap” a seguire:

Sulle ordinate (asse verticale y) possiamo vedere le fasce orarie, mentre sull’asse delle ascisse (asse orizzontale x) abbiamo rappresentato quattro zone, le prime tre relative ai tre intervalli di analisi (periodo totale “Long”, periodo intermedio “Mid” e periodo recente “Short”), l’ultima come combinazione lineare “pesata” delle numeriche presenti nei tre intervalli di base (pesando proporzionalmente alla durata dei singoli periodi). I valori rappresentano la percentuale di volte che quella specifica fascia oraria abbia mostrato la tendenza dominante, positiva o negativa che sia.

Quello che si evince è una certa persistenza dei risultati nella fascia oraria tra mezzanotte e le 8 di mattina, oltre che alle 14 e alle 17 (in quest’ultimo caso la tendenza è neutra e quindi apparentemente non sfruttabile.

Dopo aver terminato l’analisi intraday possiamo adesso concentrarsi sull’analisi statistica dei campioni daily (diminuendo il numero di campioni anche la significatività diminuisce).
Differenziamo l’aggregato dei campioni intraday (intra-sessione) e di quelli overnight (inter-sessione) ottenendo l’istogramma che è possibile osservare nella figura seguente.

Possiamo cogliere una tendenza positiva piuttosto decisa il venerdì (che ha una significatività del 51.64% in intraday e del 51.03% in overnight) ed una negativa il lunedì (qui la significatività è del 51.47% in intraday e del 51.94% in overnight). Questa informazione può essere sfruttata per creare dei filtri operativi in fase di progettazione di un trading system, ma sconsigliamo di utilizzare questa informazione come setup di ingresso.

Passiamo dunque alla cosiddetta “Seasonality” calcolata come tendenza media giornaliera, calcolata anno su anno (sull’asse x possiamo osservare il 2016 come esempio di anno bisestile che presenti quindi anche il 29 febbraio, ma quello che vediamo è l’andamento medio calcolato su tutti gli anni di storico). Dato che lo storico utilizzato parte poco dopo l’inizio del mercato elettronico (nel caso specifico da gennaio 2007 ad oggi), stiamo parlando di 17 anni totali.
Sul rame notiamo un bias positivo molto vigoroso da fine gennaio ad inizio marzo, uno leggermente più erratico dalla seconda decade di marzo alla terza decade di aprile, poi un trend medio discendente da fine aprile alla terza decade di giugno, un aumento della varianza durante il periodo estivo ed uptrend nell’ultima parte dell’anno.

Se aggreghiamo tutti i gap giornalieri e i weekend su base giornaliera otterremmo la curva presentata nella prossima figura. La tendenza evidenziata non deve ingannare: per operare in accordo con tale curva dovremmo scontare i costi operativi e le non idealità legate al fatto di aver utilizzato una base dati “continuous”. Rimane un’informazione interessante da approfondire in analisi di secondo livello, che considerino la sostenibilità della strategia.

Possiamo sintetizzare quanto detto con un istogramma onnicomprensivo: in blue la “daily seasonality”, in rosso la “intraday seasonality” ed in verde la “gap seasonality”.

Infine possiamo visionare la tavola relativa alla tendenza dei giorni del mese. L’istogramma rappresenta la coppia intraday-overnight associata a ciascun giorno del mese, mentre la linea verde rappresenta la tendenza: le aree in verde chiaro e grassetto sono quelle dove la tendenza ha una buona persistenza.

Evidente una tendenza positiva all’inizio della seconda decade (dal 10 al 13 del mese), forte tendenza negativa dal 14 al 23 ed infine forte ripresa positiva dal 24 alla fine del mese.

Quello che abbiamo presentato è solo una piccola parte delle tavole che produciamo ogni qual volta procediamo allo studio di un asset finanziario.

Ora, come possiamo sfruttare tali informazioni?

Ad esempio possiamo costruire o armonizzare un sistema di trading, di investing o di hedging, che abbia il rame come sottostante. Ma questo è argomento di uno dei prossimi articoli.

Quello che abbiamo visto non è frutto di tool ad abbonamento, ma è solo parte di quello che viene studiato e codificato in python in modalità open source, applicato a decine di strumenti finanziari, all’interno modulo 3 della Python Academy. Il valore di tutto ciò, non è tanto nelle tavole grafiche, che potete utilizzare anche voi che state leggendo questo articolo per i vostri scopi, ma nella capacità di realizzare in piena autonomia questi ed altri studi, con la potenza del codice Python. Se desideriamo apportare delle modifiche, delle aggiunte o semplicemente cambiare la veste grafica dei nostri output, è tutto a portata di mano e limitato soltanto dalla nostra creatività, con tempi ridotti all’osso.

Python, oggi sempre di più, sta rimpiazzando i meta-linguaggi e le piattaforme commerciali, sia in ambito professional che retail ed è requisito imprescindibile anche nei colloqui di lavoro in ambito quantitativo.

Giovanni Trombetta

Founder – Head of R&D
Gandalf Project