Integration of a deep learning algorithm and network approach to portfolio optimization and reversal pairs trading

Everyday financial institutions, fund managers, brokers and individual investors put millions of dollars in various sectors all over the world. Therefore, a systemized approach is crucial to properly select securities. It comes into a great prominence as it helps to monitor and manage assets by generating profit in market and minimize losses. Consequently, introducing an efficient and feasible approach is vital to asset managers, which is qualified to accurately bring effectual investment strategy for financial needs and to implement appropriate regulatory policies. Currently, there are numerous researches and approaches available, from old financial-statistical security simulations to new combined approaches developed by computer based techniques like machine learning. However, each of these approaches has some limitations like uncertainties in input data and incomplete strategies to consider set of securities within a financial market that could cause less profitable portfolios. In this thesis, I integrated a pairs-trading strategies coupling Deep Learning algorithm approach to better foresee securities behavior in financial market under investigation. I assumed that these integrations allow us to deal with uncertainties in input data, beside capturing intercorrelation amongst securities in the specified financial context to detect and predict each stock’s peer. This accommodates the possibility to better discover peers in mentioned financial market and provide a baseline to find foremost security selection criteria to maximize portfolio return alongside minimizing loss with aims of pairs-trading strategy.

Istituzioni finanziarie, singoli investitori, gestori di fondi e broker investono milioni in vari settori in tutto il mondo. Pertanto, un approccio sistematico diventa fondamentale per selezionare i titoli. Questo acquista grande risalto poiché aiuta a monitorare e gestire le risorse, generando profitti e riducendo al minimo le perdite. Di conseguenza, l'introduzione di un approccio efficiente è vitale per i gestori patrimoniali, qualificati per elaborare con precisione una strategia di investimento efficace per le esigenze finanziarie e per implementare appropriate politiche normative. Ad oggi sono disponibili numerosi approci, dalle vecchie simulazioni di financial-statistical security ai nuovi approcci combinati sviluppati da tecniche informatiche come l'apprendimento automatico. Tuttavia, ciascuno di questi approcci presenta alcune limitazioni, ad exemplum possibili incertezze nei dati di input ed eventuali strategie incomplete, con l’obbiettivo di considerare un insieme di titoli, all'interno di un mercato finanziario, che potrebbero portare a portafogli meno redditizi. In questa tesi, abbiamo integrato due strategie di pairs-trading con approcci di noise clearing e di Deep Learning, al fine di prevedere il comportamento dei titoli nel mercato finanziario in oggetto. Nella nostra ipotesi, queste integrazioni ci permettono di affrontare le possibili incertezze nei dati di input, oltre a catturare l'intercorrelazione tra i titoli nella rete finanziaria considerata, per rilevare e prevedere il peer di ciascun titolo. Questo offre la possibilità di indagare a fondo i peer nel mercato finanziario, e fornire una linea guida per individuare i principali criteri di selezione dei titoli, al fine di massimizzare il rendimento del portafoglio e, contemporaneamente, ridurre al minimo le perdite, con gli obiettivi della strategia pairs-trading.