| Reti Neurali
Sezione a cura del Prof.
Marco Zorzi
e del Dott. Massimiliano
Versace
retineurali@finanzacomportamentale.it
L’ Intelligenza
Artificiale Adattiva nell’Ingegneria Finanziaria
Il sogno di ogni investitore è quello di avere a disposizione
uno strumento che predica accuratamente i movimenti dei mercati
finanziari. Uno degli approcci più promettenti per esaudire
almeno in parte questo “sogno impossibile” è
quello dell’intelligenza artificiale (IA) adattiva, che
ha trovato oggi una diffusa applicazione nel settore dell’ingegneria
finanziaria. Gli ultimi anni hanno testimoniato un’ampia
diffusione di questi sistemi, basati su reti
neurali o algoritmi
genetici, in applicazioni rivolte sia al singolo investitore
che alle istituzioni finanziarie.
L’ingegneria finanziaria è quindi divenuta una
sorta di teatro virtuale in cui algoritmi diversi sono testati
sugli stessi dati, le serie storiche finanziarie, al fine di
determinare quale sia il sistema più appropriato per
fungere da supporto intelligente alla decisione di investimento.
La principale ragione che spinge investitori istituzionali e
non all’utilizzo di ausili alla previsione è l’aspetto
piuttosto caotico che caratterizza le fluttuazioni delle quotazioni
di borsa, e l’assenza di modelli matematici espliciti
che catturino il processo alla base delle fluttuazioni nei prezzi.
L’assenza di questi modelli, o la difficoltà nella
loro derivazione, ha lentamente spianato la strada per l’utilizzo
di metodologie “auto-organizzanti”, come le reti
neurali e gli
algoritmi genetici, il cui punto di forza risiede nella
capacità di creare autonomamente modelli impliciti dell’ambiente
(in questo caso, del mercato finanziario), riducendo al minimo
l’inferenza richiesta al progettista del sistema.
Il problema della predizione delle serie storiche si può
formalizzare nella necessità di separare il “trend”
delle quotazioni di un prodotto finanziario (per es. un titolo
azionario) dal “rumore” del mercato e di costruire
un modello matematico che ne riproduca nel modo più fedele
possibile le oscillazioni (periodiche o non-periodiche) tra
valori massimi e minimi. L’assunzione di base è
che un buon modello degli andamenti passati delle quotazioni
(specifico quindi per il singolo titolo) sia la miglior base
per predire gli andamenti futuri. La logica sottostante ai sistemi
basati su reti neurali è quella di offrire sofisticate
analisi non-lineari delle serie storiche che si rivelano spesso
superiori ai più raffinati metodi statistici tradizionali.
All’approccio puramente “modellistico” delle
serie storiche, si può affiancare quello che sfrutta
la disponibilità di indicatori (“predittori”)
aggiuntivi che possono contribuire in qualche misura alla determinazione
del prezzo di un titolo.
Tra questi, i valori fondamentali e le raccomandazioni degli
analisti, gli indicatori macro-economici, i rapporti di cambio
tra valute, le quotazioni di materie prime o metalli preziosi,
le quotazioni di mercati finanziari diversi ma parzialmente
correlati con quello di riferimento (ad esempio, è ben
noto l’effetto degli andamenti dei titoli azionari americani
sui mercati europei). Le reti neurali hanno la capacità
di scoprire relazioni complesse tra queste informazioni e il
prezzo di un titolo, relazioni che possono rimanere nascoste
a sistemi lineari come i metodi statistici tradizionali.
La diffusione di queste tecnologie si è concretizzata
negli ultimi anni nella nascita di sistemi il cui trait d’union
è rappresentato dall’applicazione di vari cocktail
di tecnologie derivate dall’Intelligenza Artificiale e
dalle scienze matematiche e statistiche al problema della previsione
finanziaria. Un approccio particolarmente interessante è
quello che riconosce l’importanza di studiare i sistemi
intelligenti artificiali (come ad esempio le reti neurali) non
più isolatamente ma all’interno di ambienti con
cui essi possono interagire, ed allo stesso modo è stata
riconosciuta l’importanza di studiare altri aspetti oltre
a quelli strettamente neurali, come ad esempio i fattori genetici,
culturali e sociali. Questa visione più ampia, denominata
Vita Artificiale, sta emergendo nell’ambiente scientifico
come nuova disciplina e può rappresentare un punto di
forza importante quando si vogliono utilizzare tali sistemi
intelligenti per applicazioni che prevedono già l’esistenza
di ambienti interattivi e complessi, di cui quelli dell'economia
e della finanza sono esempi paradigmatici.
Un esempio di questo approccio (Versace
et al., 2004) è quello in cui reti neurali con caratteristiche
diverse formano una popolazione che migliora gradualmente e
ottimizza la performance attraverso i meccanismi dell’evoluzione
biologica. Piuttosto che sviluppare ed ottimizzare un singolo
sistema di rete neurale, l’approccio seguito è
quello di far evolvere il miglior sistema di trading dove ogni
trader è costituito da una rete neurale. La competizione
fa emergere gli individui migliori, ovvero quelli che hanno
una capacità superiore nella predizione dei trend di
mercato. Questo sistema, che combina quindi reti neurali ed
algoritmi genetici, si dimostra superiore all’approccio
tradizionale basato sulle sole reti neurali.
Reti Neurali
Gli
Algoritmi Genetici
Bibliografia
Risorse
Internet
|
