Pagina 4 di 11
Stock Price Prediction (Previsione dei prezzi della borsa)
Stock Price Prediction è l'atto di provare a determinare il valore futuro delle azioni di una compagnia o altri strumenti finanziari quotati nei mercati finanziari. Alcuni ricercatori credono che i movimenti dei prezzi delle azioni siano governati dall'ipotesi di cammino casuale (Random Walk Hypothesis) e quindi sono imprevedibili. Altri sono in disaccordo e, quelli con questo punto di vista, possediono una miriade di metodi e tecnologie che presubilmente gli consentono di acquisire informazioni sul prezzo futuro.
Beh, ovviamente il fondatore di dDM è uno di quelli che credono nella possibilità di costruire sistemi di previsione di successo (altrimenti Stock Price Prediction non sarebbe trattato qui). In dDM utilizziamo il vantaggio dei metodi tecnologici allo scopo di costruire modelli previsionali. Ci focalizziamo sugli algoritmi di apprendimento automatico (machine learning) per scoprire ed estrarre validi modelli che potrebbero essere utili per predire lo sviluppo futuro del mercato.
Nel 2005, iniziamo il nostro lavoro motivati dall'approfondito libro di testo di Thorsten Poddig che introduce le basi delle previsioni dei prezzi della borsa (stock price prediction). Poddig presenta i fondamenti necessari e i metodi tipici in maniera completa. Inoltre, il libro [1] spiega tecniche ispirate alla natura come le reti neurali e gli algoritmi genetici che sono diventati popolari verso la fine degli anni '90.
Nel 2006 il nostro primo studio di previsione dei prezzi azionari è stato completato con successo. Abbiamo utilizzato una popolare combinazione di reti neurali artificiali e algortimi genetici per costruire modelli previsionali per l'indice di borsa tedesco e il Dow Jones. Visti i nostri promettenti risultati [2][3] abbiamo deciso di continuare i nostri sforzi in quest'area di ricerca.
Nel 2008 siamo giunti alla conclusione che sarebbe più efficiente usare un software standard di apprendimento automatico invece di implemetare i nostri approcci proprietari come avevamo fatto prima. Abbiamo approfittato della popolarità del framework LibSVM e pubblicato uno studio relativo all'utilizzo delle Macchine a vettori di supporto [4] nel campo della previsione dei prezzi della borsa. Le macchine a vettori di supporto superano i tipici problemi, delle reti neurali, di alta complessità computazionale. Le previsioni risultanti sono ugualmente impressionanti anche se i necessari costi computazionali possono diminuire significativamente.
Nel 2009 abbiamo esteso i nostri studi attraverso l'utilizzo di vari algoritmi di apprendimento al fine di determinare la capacità di previsione dei prezzi azionari. Abbiamo iniziato utilizzando la suite di data mining RapidMiner che fornisce diversi metodi di apprendimento automatico per scopi di analisi di dati. Il RapidMinder utilizza un comodo meccanismo di plug-in per aggiungere facilmente nuovi algoritmi sviluppati. Questa flessibilità e la potenza di elaborazione di BOINC è un ideale fondamento per il Data Mining scientifico distribuito.
Referenze:
- Poddig T. Handbuch Kursprognose - Quantitative Methoden des Asset Managment. Bad Soden: Uhlenbruch Verlag; 1999.
- Schlitter N. Analyse und Prognose ökonomischer Zeitreihen: Neuronale Netze zur Aktienkursprognose. Saarbrücken: VDM Verlag Dr. Müller; 2008.
- Schlitter N. A Case Study of Time Series Forecasting with Backpropagation Networks. In: Steinmüller J, Langner H, Ritter M, Zeidler J, editors. 15 Jahre Künstliche Intelligenz an der TU Chemnitz. Chemnitz: Techn. Univ. Chemnitz, Fak. für Informatik; 2008. p. 203-17. (Chemnitzer Informatik-Berichte).
- Möller M, Schlitter N. Analyse und Prognose ökonomischer Zeitreihen mit Support Vector Machines. In: Steinmüller J, Langner H, Ritter M, Zeidler J, editors. 15 Jahre Künstliche Intelligenz an der Fakultät für Informatik. Chemnitz: Techn. Univ. Chemnitz, Fak. für Informatik; 2008. p. 189-201. (Chemnitzer Informatik-Berichte).