Apprendimento automatico nel trading

Cosa significa

L’apprendimento automatico applicato al trading utilizza esempi tratti da dati passati per addestrare un modello che produce stime per nuovi casi. Tra gli input possibili ci sono prezzi, volumi, dimensione dell’ordine e condizioni di mercato; il modello potrebbe, per esempio, stimare la probabilità che un ordine venga eseguito in determinate condizioni. Il modello apprende relazioni dai dati, ma queste possono cambiare. Una stima non è un risultato futuro certo.

L’apprendimento automatico si distingue da una formula fissa: i parametri stimati dipendono dai dati di addestramento. Si distingue anche dall’uso di un pattern grafico come regola di trading. Nessuno dei due approcci può eliminare l’incertezza sui mercati futuri.

Come si calcola

Non esiste un’unica formula per l’apprendimento automatico nel trading. Il calcolo dipende dall’obiettivo e dal modello. Per un semplice modello ipotetico che stima se un ordine verrà eseguito entro un intervallo di tempo definito, una possibile soluzione è la regressione logistica:

p = 1 / (1 + exp(-(b0 + b1*x1 + b2*x2)))

• p è la probabilità stimata di esecuzione, espressa come numero da 0 a 1.
• exp è la funzione esponenziale.
• b0 è l’intercetta stimata; b1 e b2 sono coefficienti stimati. In questo esempio sono tutti adimensionali.
• x1 è la dimensione dell’ordine divisa per il volume medio giornaliero, espressa come frazione; x2 è lo spread denaro-lettera quotato diviso per il prezzo medio, anch’esso espresso come frazione.

I coefficienti vengono stimati usando osservazioni passate con esiti noti, non scelti perché sembrano plausibili. La valutazione del modello dovrebbe basarsi su dati non utilizzati per l’addestramento e rispettare l’ordine temporale: non si possono usare come input per un ordine informazioni diventate disponibili solo dopo la sua immissione.

Esempio svolto

Supponiamo che un modello ipotetico sia stato addestrato su ordini storici. L’intercetta è b0 = 0, il coefficiente di partecipazione è b1 = -2 e il coefficiente dello spread relativo è b2 = -10. Questi numeri tondi servono a illustrare il calcolo, non rappresentano una relazione misurata.

1. Un ipotetico ordine di 10.000 azioni si confronta con un volume medio giornaliero di 100.000 azioni. Quindi x1 = 10.000 / 100.000 = 0,10.
2. Supponiamo che lo spread quotato sia di 0,10 USD e il prezzo medio di 50 USD. Quindi x2 = 0,10 USD / 50 USD = 0,002.
3. L’input combinato del modello è 0 + (-2 × 0,10) + (-10 × 0,002) = -0,22.
4. Il risultato è p = 1 / (1 + exp(0,22)), ovvero circa 0,445 (44,5%).

Questo valore indicherebbe una probabilità stimata di esecuzione soltanto per le condizioni e l’intervallo di tempo usati per definire gli esiti storici del modello. Da solo non dice nulla sui rendimenti né sull’adeguatezza dell’operazione proposta.

Perché è importante prima di fare trading

Un controllo pre-trade può confrontare la dimensione dell’ordine con i volumi disponibili, esaminare spread e volatilità e considerare come le condizioni di esecuzione incidano sull’incertezza. Le stime di machine learning possono aiutare a organizzare questi elementi, ma una probabilità richiede un esito definito chiaramente, dati pertinenti e verifiche su osservazioni successive. Un numero apparentemente preciso può essere fuorviante se le condizioni di mercato differiscono da quelle del periodo di addestramento.

Come lo utilizza PreTrAIde

PreTrAIde è una piattaforma di analisi pre-trade basata sull’IA per le azioni; le informazioni sul prodotto non identificano uno specifico algoritmo di machine learning addestrato su operazioni storiche. Il suo livello quantitativo utilizza stime e punteggi deterministici e riproducibili per fattori quali spread, partecipazione al volume giornaliero, impatto sul mercato, volatilità, liquidità e qualità dei dati. Gli agenti IA ragionano poi su ciascun titolo e sul paniere utilizzando questi punteggi, le notizie e i giudizi degli analisti.

Per un paniere creato dall’utente, PreTrAIde restituisce un verdetto GO, NO-GO o MODIFY, una probabilità di successo, una valutazione del rischio, una strategia di esecuzione suggerita e una spiegazione in linguaggio semplice. La probabilità di successo è una stima del modello compresa tra il 5% e il 95%, non una previsione né una garanzia di rendimento. I verdetti sono un supporto alle decisioni, non raccomandazioni; gli utenti inseriscono eventuali ordini autonomamente tramite il proprio broker.

Errori comuni

• Trattare una relazione stimata come una legge valida in ogni condizione di mercato.
• Testare il modello su dati contaminati da informazioni future oppure modificarlo ripetutamente finché non si adatta ai risultati passati.
• Confondere la probabilità di un evento specifico, come l’esecuzione di un ordine, con la probabilità di realizzare un profitto.
• Presumere che una spiegazione generata dall’IA dimostri l’accuratezza di una stima. Input, definizione degli esiti e convalida restano importanti.
• Presumere che tutti gli strumenti pre-trade assistiti dall’IA utilizzino lo stesso metodo di machine learning.