Questa tesi sperimentale affronta il problema di ricerca di un campo applicativo per tecniche di Machine Learning, tipiche del mondo informatico, al mondo finanziario. In particolare viene studiata l'applicabilità di sistemi di tipo Factorization Machines al problema del Financial Forecasting per l'andamento di titoli azionari appartenenti ad un medesimo indice borsistico. La scelta di un particolare sistema di apprendimento automatico model-free e time indipendet vuole costituire un approccio del tutto innovativo nell'ambito dello Stock Market Prediction. Lo studio si concentra sul mercato borsistico americano del Nasdaq ed individua come paniere di titoli oggetto di studio quelli rappresentati dall'indice Nasdaq-100. Rilassando l'ipotesi di mercati efficienti e basandosi esclusivamente sull'analisi delle serie storiche dei prezzi dei titoli azionari, propone l'implementazione di alcuni modelli che sfruttino le Factorization Machines per stimare il rendimento dei titoli a distanza giornaliera. Vengono quindi introdotte e analizzate differenti metriche di errore, tipiche del mondo statistico o informatico, per convalidare le previsioni generate. Si individua una condizione necessaria per poter consentire un investimento basato sulle stime dei rendimenti dei titoli fornite dalla Factorization Machine. Si propone quindi un esempio applicativo di due portafogli finanziari per fornire un ulteriore metro di misura dell'affdabilità e della precisione delle stime proposte dai modelli. Per costruire il primo si ricorre alla teoria dei portafogli di Markowitz. Si confrontano poi le frontiere efficienti costruite a partire dalle stime dei rendimenti ottenute tramite Factorization Machine con quelle generate da altri stimatori del rendimento dei titoli introdotti come benchmark. Il secondo portafoglio si basa invece su un Asset Allocation alternativa, nata proprio con lo scopo di fornire uno o più benchmark per validare le previsioni del modello di Factorization Machine.
Factorization machines per financial forecasting
CASATI, GABRIO MARIA
2015/2016
Abstract
Questa tesi sperimentale affronta il problema di ricerca di un campo applicativo per tecniche di Machine Learning, tipiche del mondo informatico, al mondo finanziario. In particolare viene studiata l'applicabilità di sistemi di tipo Factorization Machines al problema del Financial Forecasting per l'andamento di titoli azionari appartenenti ad un medesimo indice borsistico. La scelta di un particolare sistema di apprendimento automatico model-free e time indipendet vuole costituire un approccio del tutto innovativo nell'ambito dello Stock Market Prediction. Lo studio si concentra sul mercato borsistico americano del Nasdaq ed individua come paniere di titoli oggetto di studio quelli rappresentati dall'indice Nasdaq-100. Rilassando l'ipotesi di mercati efficienti e basandosi esclusivamente sull'analisi delle serie storiche dei prezzi dei titoli azionari, propone l'implementazione di alcuni modelli che sfruttino le Factorization Machines per stimare il rendimento dei titoli a distanza giornaliera. Vengono quindi introdotte e analizzate differenti metriche di errore, tipiche del mondo statistico o informatico, per convalidare le previsioni generate. Si individua una condizione necessaria per poter consentire un investimento basato sulle stime dei rendimenti dei titoli fornite dalla Factorization Machine. Si propone quindi un esempio applicativo di due portafogli finanziari per fornire un ulteriore metro di misura dell'affdabilità e della precisione delle stime proposte dai modelli. Per costruire il primo si ricorre alla teoria dei portafogli di Markowitz. Si confrontano poi le frontiere efficienti costruite a partire dalle stime dei rendimenti ottenute tramite Factorization Machine con quelle generate da altri stimatori del rendimento dei titoli introdotti come benchmark. Il secondo portafoglio si basa invece su un Asset Allocation alternativa, nata proprio con lo scopo di fornire uno o più benchmark per validare le previsioni del modello di Factorization Machine.File | Dimensione | Formato | |
---|---|---|---|
2016_12_Casati.pdf
non accessibile
Descrizione: Testo Tesi
Dimensione
3.63 MB
Formato
Adobe PDF
|
3.63 MB | Adobe PDF | Visualizza/Apri |
I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/10589/131893