Il Cotton Futures è un contratto a termine che si basa sul prezzo del cotone grezzo, una delle fibre naturali più utilizzate al mondo. Il cotone è una materia prima fondamentale per l’industria tessile e del vestiario. I futures sul cotone sono negoziati in mercati di materie prime come l’Intercontinental Exchange (ICE) negli Stati Uniti e il Zhengzhou Commodity Exchange (ZCE) in Cina. Ecco alcune caratteristiche principali dei Cotton Futures:
- Standard del contratto: Il contratto a termine standard sul cotone è basato su 50.000 libbre (circa 22,68 tonnellate metriche) di cotone grezzo.
- Qualità del cotone: Il cotone grezzo utilizzato nei contratti futures deve rispettare specifiche di qualità e classificazione stabilite dalle borse in cui vengono negoziati.
- Scadenze dei contratti: I contratti a termine sul cotone hanno scadenze mensili, generalmente disponibili fino a 24 mesi nel futuro. Le scadenze più comuni sono marzo, maggio, luglio, ottobre e dicembre.
- Prezzo: I prezzi dei futures sul cotone sono quotati in centesimi di dollaro statunitense per libbra (c/lb).
- Fluttuazione minima del prezzo: La variazione minima del prezzo (tick size) per i Cotton Futures è di 0,01 centesimi di dollaro per libbra (0,0001 dollari), pari a 5 dollari per contratto.
- Orari di negoziazione: I Cotton Futures sono negoziati durante le ore di mercato stabilite dalle rispettive borse. Ad esempio, l’ICE negli Stati Uniti opera generalmente dal lunedì al venerdì, con orari di negoziazione che variano a seconda del contratto.
- Liquidazione: I contratti a termine sul cotone possono essere liquidati sia per effettuare la consegna fisica del cotone che per una liquidazione finanziaria in contanti.
I Cotton Futures sono utilizzati principalmente per la copertura del rischio di prezzo da parte di produttori, commercianti e utilizzatori finali di cotone, nonché per scopi di speculazione e investimento da parte di investitori e fondi.
Di seguito la Scheda Tecnica del Cotton Future n°2 quotato all’ICE 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 14 (EST, orario americano della costa orientale). Media attività alle 22 e alle 9, scarsa liquidità in tutti gli altri orari (si tenga conto del blocco delle contrattazioni tra le 14.20 e le 21).
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:
- 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.
- 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.
- 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.
- 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.
- 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 rialzista tra le 22 e le 7 di mattina e un’area ribassista tra le 8 e le 11.
A seguire lo stesso grafico precedente non normalizzato, che permette di cogliere la differenza di volatilità media nei tre intervalli di osservazione.
A seguire visioniamo la deviazione standard associata a ciascun intervallo temporale di osservazione: non deve stupire che le aree a maggior liquidità siano anche quelle a minor varianza.
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 le 7 e le 14..
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 (sia in intraday che in overnight) il martedì ed il mercoledì. La significatività è rispettivamente del 51.36% in intraday e del 51.18% in overnight il martedì e del 51.3% in intraday e del 50.41% 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 cotone notiamo un bias positivo da inizio anno ai primi di marzo, uno leggermente più erratico dalla seconda decade di marzo alla terza decade di aprile, poi un trend medio discendente da fine aprile alla seconda decade di settembre, ed infine un trend rialzista fino a fine 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.
Notiamo una tendenza dominante negativa che assume connotati più decisi tra il 18 ed il 24, poi due controtendenza positive tra il 24 al 31 e tra il 5 al 17.
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 cotone come sottostante.
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.
Arrivederci alla prossima analisi!
Giovanni Trombetta
Founder – Head of R&D
Gandalf Project
