Predizione dell’andamento di titoli finanziari attraverso l’uso di tecniche di deep learning e reti complesse

La previsione delle serie temporali finanziarie, che mira a prevedere le tendenze future dei prezzi delle azioni, negli ultimi anni è stata oggetto di studi di diverse discipline, come l'analisi tecnica inizialmente e il machine learning e il deep learning recentemente, perché è uno dei metodi più usato dagli investitori prima di compiere un qualsiasi investimento. L'idea di base è sempre stata quella di prevedere l'andamento di un'azione andando ad analizzare e modellare il suo comportamento storico che però, nel campo della finanza, soprattutto, è influenzato da tante variabili, anche esterne come la politica o le notizie finanziarie. Le serie temporali finanziarie presentano spesso comportamenti caotici e complessi del movimento dei prezzi tanto da essere definite non stazionarie. I bruschi cambiamenti o le inversioni inaspettate vengono prese come "outlier" nella modellazione e quindi indeboliscono la capacità di generalizzazione dei modelli di apprendimento. In questo articolo viene quindi inizialmente presentato un framework, che tramite la fusione delle reti complesse e dell'intelligenza artificiale, riesce a predire l'andamento dei titoli azionari ottenendo un'accuratezza superiore ai modelli di reti neurali presenti attualmente nello stato dell'arte, mentre in seguito vengono effettuati alcuni test andando a modificare la struttura e i dati che prendere in considerazione per vedere se si riesce a migliorare l'accuratezza della previsione.