4investAdvisor: l’’evoluzione della metodologia genetica

4invest

L’idea che una macchina possa essere più efficiente dell’occhio umano nel trovare setup per entrare nel mercato, così come per gestire il trade e per ottimizzarne l’uscita, trova le sue fondamenta nello sviluppo del trading algoritmico e nel cercare di sopperire ai difetti della prima generazione più “manuale”. È stato così che ha avuto inizio lo sviluppo di una generazione di algoritmi di trading legati nella costruzione a modelli genetici e/o reti neurali. Questa metodologia, se usata correttamente, offre notevoli vantaggi rispetto alla prima generazione e certamente permette di bypassare (o quanto meno ridurre molto) i rischi, come ad esempio l’overfitting. 

Questo metodo, anziché sondare tutte le combinazioni possibili, prende “strade casuali” valutando e archiviando la migliore soluzione sino a quel momento, utilizzando processi evolutivi presi in prestito dalla genetica, da cui il nome. Calcoli altrimenti difficilmente eseguibili, se non con notevoli risorse informatiche e che avrebbero richiesto decine di ore di studio, sono diventati accessibili e amplificabili. Il risultato, che non sarà necessariamente il migliore in senso assoluto ha permesso, fino a oggi, di ottenere buoni risultati e descrive adeguatamente bene il problema sulla base dei parametri impostati, grazie a una primissima forma, un po’ rudimentale per l’accezione moderna del termine e per le tecnologie oggi a disposizione, che appunto vengono spesso impropriamente definite machine learning. È fondamentale anche un corretto uso dei dati a disposizione, divisi tra impostazioni, test e verifica (out of sample e in sample).

UNA NOTEVOLE SPINTA

Oltre alla creazione di programmi informatici personalizzati basati su queste tecnologie, che naturalmente potevano e possono essere a disposizione solo di tecnici informatici ed esperti del settore, negli anni lo sviluppo e lo studio di questo metodo ha subìto una notevole spinta grazie anche alla nascita di software di autogenerazione di trading system (AdapTrade Bulder, Trading System Lab, StrategyQuant ecc.) che, applicando tali tecnologie, hanno permesso di espandere notevolmente negli anni il metodo e di renderlo facilmente accessibile a tutti.

Queste metodologie, attraverso algoritmi genetici, basati, come dicevamo, proprio sui principi di ereditarietà ed evoluzione genetica, le reti neurali artificiali e la logica fuzzy hanno dato nuovo impulso allo sviluppo dell’intelligenza artificiale applicata al trading. L’utilizzo dell’intelligenza artificiale, che ormai grazie a numerosi software sono a disposizione di tutti da almeno un decennio, ha suscitato comunque notevoli interrogativi e ha evidenziato non poche lacune. Infatti, pur permettendo un notevole passo avanti nei sistemi di trading algoritmico, essa non è assolutamente priva di rischi di correlazioni spurie, per esempio nella ricerca dei pattern.

IMPOSTAZIONI ERRONEE

I modelli così creati possono poi ancorarsi a impostazioni erronee. Essendo oltretutto prive di normalizzazione (gaussianizzazione) dei parametri utilizzati, c’è il pericolo che si aggancino anche a generazioni erronee e sviluppino quelle successive con errori di base. Ma soprattutto, rimangono modelli addestrati al comportamento del sottostante e a quanto hanno analizzato nel passato storico, visto non sono contemplati studi statistici per interpretare le variazioni presenti nei dati o per prevederne lo sviluppo futuro. I sottostanti, infatti, possono mutare strutturalmente e anche in maniera molto importante nell’arco di poco tempo. I modelli si comporteranno quindi bene solo se il sottostante rimarrà sempre all’interno delle logiche analizzate nel passato, elemento che si è rivelato estremamente pericoloso, soprattutto nel periodo storico di grossi mutamenti che stiamo vivendo oggi.

ALTERAZIONI BLANDE

Sebbene l’evoluzione nel tempo di questo metodo e di questi software abbia, sulla base dei problemi descritti, introdotto e sviluppato metodi aggiuntivi, come ad esempio l’applicazione in alcuni casi dei processi di alterazione casuale dei prezzi o dei parametri per cercare di scollarsi dall’utilizzo diretto del sottostante, rimangono comunque alterazioni blande, che, se anche possono contribuire a ridurre i rischi di overfitting, certamente non riescono a intervenire sulla complessità dei problemi o delle correlazioni citate o sui mutamenti del sottostante o anche sulla variazione in senso statistico che esso può avere.

Così come i modelli tradizionali e di prima generazione, questo tipo di approccio attraverso i modelli genetici non può tuttavia dare rassicurazioni che nel futuro si avranno performance in linea con il passato, anche se per arrivare alla soluzione ottimale si parte dallo studio di un campione di dati che ha generato le migliori performance  e si introducono importanti novità e sviluppi nel settore. Il sottostante dovrà sempre comportarsi in maniera molto simile a ciò che ha fatto in precedenza, perché i modelli continuino a funzionare correttamente.

Tutto ciò ha dato una spinta allo sviluppo successivo di modelli legati all’intelligenza artificiale e data science sviluppati dalla 4Invest Advisor, come vedremo nel prossimo articolo.