Strategie di portafoglio e pair trading. L'apporto di reti neurali long-short term memory

This paper analyzes a particular pairs-trading strategy, originally proposed by Flori and Regoli (2021). It makes use of cointegration as a technique to identify stocks with similar past behavior and generates trading signals via a Long-Short Term Memory neural network. Specifically, the network uses daily data and predicts the probability that a stock has an increasing difference in returns compared to similar stocks. The analysis conducted in this thesis, on the one hand, confirms the results of the original work, showing that the strategy predicts with high accuracy the relative dynamics of stocks and generates excess returns compared to the market, on the other hand, it enriches the previous results by showing that the outcomes do not depend significantly on the parameters chosen, and deepening the study of the returns of the stocks selected for trading. In addition, it focuses on some aspects not covered by Flori and Regoli. Given the growing interest of the financial world in high-frequency trading, we study the results of the strategy using minute data. Also in this context, the strategy shows excellent market performance, significant from both an economic and statistical point of view. It is then improved by taking into consideration other indicators, with the aim of increasing the profits. A final innovative aspect of the thesis consists of an analysis of the results net of trading costs. Through the use of bid and ask prices it is shown that due to the high turnover of securities within the portfolio the profits are eroded completely, and also that the overall profitability depends heavily on the liquidity of the stock that decreases the spread.

Questo lavoro analizza in dettaglio una particolare strategia di pair trading, proposta originariamente da Flori e Regoli (2021). Essa fa uso della cointegrazione come tecnica per individuare le azioni con comportamento passato simile, e genera segnali di trading tramite una rete neurale Long-Short Term Memory. In particolare la rete utilizza dati giornalieri e predice la probabilità che un'azione abbia differenza di rendimenti crescente rispetto alle azioni simili. L'analisi condotta in questa tesi da un lato conferma i risultati del lavoro originario, dimostrando che la strategia riesce a prevedere con elevata precisione la dinamica relativa dei titoli e genera rendimenti in eccesso rispetto al mercato, dall'altro lo arricchisce mostrando che i risultati non dipendono significativamente dai parametri scelti, e approfondendo lo studio dei rendimenti dei titoli selezionati per la negoziazione. Inoltre l’analisi si concentra su alcuni aspetti non trattati in precedenza. Dato il crescente interesse del mondo finanziario rispetto al trading ad alta frequenza, si studiano i risultati della strategia utilizzando dati al minuto. Anche in questo contesto essa dimostra ottime performance di mercato, significative da un punto di vista sia economico che statistico. Essa viene poi migliorata prendendo in considerazione altri indicatori, con l'obiettivo di aumentare i profitti. Un ultimo aspetto innovativo della tesi consiste in un'analisi dei risultati al netto dei costi di trading. Attraverso l'utilizzo dei prezzi bid e ask si mostra che a causa dell'elevato ricambio di titoli all'interno del portafoglio i profitti vengono erosi completamente, e inoltre che la profittabilità complessiva dipende fortemente dalla liquidità dell'azione che diminuisce lo spread.