di Valerio Sabelli
Una delle sfide più interessanti che possiamo porre ai moderni strumenti basati su machine learning è quella di andare a stimare quello che è il rischio per un investimento. A prescindere da eventi “anomali” (vedi dichiarazioni di Elon Musk su Dogecoin e Signal), è infatti possibile sfruttare le potenzialità dell’intelligenza artificiale per poter individuare molti pattern presenti nelle fluttuazioni di mercato dei nostri asset.
Tra le più comuni applicazioni degli algoritmi di machine learning e delle reti neurali, la stock market prediction può essere portata a compimento seguendo vari approcci, tra cui quello supervisionato, non supervisionato o quello basato su reinforced learning. Scopriremo quindi in questo articolo quali sono alcuni dei meccanismi alla base della maggior parte dei tool presenti sul mercato.
Cos’è il rapporto rischio/rendimento
Il rapporto rischio / rendimento, conosciuto anche come Risk / Reward ratio, è un indicatore che compara il potenziale profitto (rendimento) di un investimento con le potenziali perdite correlate (rischio). Definito l’entry point di un trade come la cifra che si andrebbe ad investire inizialmente, la comparazione è effettuata tramite la divisione tra due quantità calcolate in questo modo:
- il rischio è la differenza tra l’entry point del trade e lo stop-loss
- il rendimento è la differenza tra l’entry point e il target di profitto (exit point)
Lo stop-loss, definito per ogni investimento, è l’ancora di salvezza dell’investitore: nel caso in cui la perdita sull’investimento raggiunga un certo valore, la posizione viene chiusa. Tale valore può essere determinato in con vari approcci:
– in base al raggiungimento di una certa perdita monetaria in valore assoluto o percentuale rispetto all’investimento;
– in base a pattern candlestick giornalieri ben noti;
– in base alla volatilità, ovvero impostarlo ad una distanza dall’entry point basata sull’indicatore Average True Range (ATR), il quale tiene conto dell’andamento dei prezzi negli ultimi periodi (solitamente 14 giorni).
Ottimizzare il rapporto rischio/rendimento
Molti sono stati gli articoli e studi – basati su dataset ben noti come quelli S&P 500 (Standard and Poor’s) – volti a delineare quelle che sono le migliori strategie per arrivare ad un investimento senza rischio.
La definizione del problema è la seguente: data una serie storica per vari stock, come possiamo allocare una certa cifra da investire ogni giorno in modo da massimizzare il profitto?
L’obiettivo è quindi sviluppare una strategia per creare un portfolio di investimenti, ovvero un’allocazione di risorse, che sarà mutevole nel tempo.
Uno degli approcci applicabili è quello del reinforcement learning, che punta a definire degli agent che interagiscono con un environment allo scopo di ottenere un certo obiettivo con una strategia a tentativi (trial and error). Esempi classici di applicazione per questi algoritmi sono simulatori del movimento per “manichini virtuali”, risoluzione di labirinti e giochi di strategia.
L’agent è l’entità che compie le scelte e che riceve delle ricompense quando interagisce con l’ambiente, cercando di massimizzarle di volta in volta e minimizzando le penalità. Il task è completato quando si raggiunge un certo obiettivo definito a priori.
Nel nostro caso applicativo, l’ottimizzazione può essere identificata come una percentuale di investimento delle risorse su un certo stock. Il feedback che l’agent riceve sarà positivo o negativo in base all’andamento del mercato per i titoli in questione.
L’agent modificherà di volta in volta la sua strategia fino a capire (solitamente dopo molte iterazioni) come ottimizzare il rendimento, ovviamente tenendo conto di quelli che possono essere gli stop-loss opportuni nei vari tentativi che effettua.
Ovviamente, per questo tipo di training è necessario un dataset esteso che rappresenti l’andamento dei mercati su cui andremo ad operare. Di volta in volta, l’environment sarà una porzione diversa di quegli stessi dati, in modo da estrapolare le regole “generiche” di quelle tipologie di stock.
L’outcome di questo processo di training sarà quindi un agent che, grazie alla sua esperienza, saprà fornirci delle previsioni data-driven che permetteranno di ridurre il rischio di investimento.
