Previsioni di borsa mediante analisi di dati testuali: studio ed estensione di un metodo basato su Google Trends

In una società sempre più digitalizzata, molte delle nostre azioni quotidiane lasciano sulla rete una grande quantità di dati, da cui è possibile estrarre conoscenza di grande valore. Secondo recenti studi, dalle informazioni presenti sul Web generate dalle attività degli utenti, è possibile prevedere i movimenti del mercato azionario con un grado di accuratezza interessante. In particolare, si considera l'articolo del 2013 "Quantifying Trading Behaviour in Financial Markets using Google Trends", in cui sono presentati i risultati di 98 simulazioni di trading su dati storici reali dal 2004 al 2011: in ciascuna di esse si compiono operazioni in base all'andamento della quantità di ricerche su Google di un singolo termine correlato alla finanza. Un primo contributo di questa tesi è l'implementazione di un algoritmo di trading parametrizzato che considera l’andamento di tutti i 98 termini contemporaneamente, ponendo quindi il metodo proposto nell'articolo nelle migliori condizioni possibili. In tal modo, sperimentando su dati storici reali della durata quasi quinquennale (gennaio 2012 - settembre 2016) si ottengono rendimenti pari al 644% dell'investimento iniziale, con un'accuratezza sulle decisioni di compravendita del 74%. Un ulteriore contributo è il miglioramento in quantità e qualità dei dati di input per l'algoritmo realizzato sfruttando tecniche di destagionalizzazione, un maggior numero di termini finanziari (185) e differenti variazioni temporali dei volumi di ricerca. Effettuando una nuova simulazione sullo stesso periodo (gennaio 2012 - settembre 2016), il rendimento sul valore iniziale è aumentato al 911%, col 79% delle decisioni accurate.