Tecniche di previsione e modelli alternativi di apprendimento automatico per il trading ad alta frequenza

Abstract

La tesi mira a implementare vari modelli di apprendimento automatico nelle serie temporali finanziarie, in particolare nel trading ad alta frequenza, per prevedere i valori o la direzionalità dei prezzi. Nonostante il rumore e la complessità dei dati ad alta frequenza, tecniche innovative di deep learning possono identificarne pattern all'interno. L'obiettivo è creare modelli robusti, analizzare i risultati con metriche e valutare le prestazioni di previsione. Il primo capitolo passa in rassegna la letteratura recente per stabilire una base teorica. I capitoli due e tre trattano i concetti essenziali, tra cui i metodi, le metriche di valutazione, i principali modelli di ML e le basi dell'econometria finanziaria, delle serie temporali e del trading ad alta frequenza. Nel quarto capitolo, viene implementata un'architettura LSTM (Long Short-Term Memory) con cui tentiamo previsioni di più prezzi in sequenza. Questo approccio viene contrapposto alla più tradizionale previsione a valore singolo, utilizzando dati a livello di minuto. Nel quinto capitolo, l'attenzione si sposta sull'uso delle reti neurali convoluzionali (CNN). Sfruttando la potenza delle CNN, ci proponiamo di dividere i dati temporali in sottospazi omogenei, per poi trasformarli in immagini visivamente interpretabili attraverso la matrice Gramian Angular Field (GAF). Attraverso questo metodo, il nostro obiettivo è quello di trovare pattern ricorrenti, consentendoci in ultima analisi di prevedere le tendenze direzionali future. Il capitolo sei esplora l'idoneità dell'architettura Transformer per la previsione delle serie temporali finanziarie, confrontandola con un modello autoregressivo, il Gated Recurred Unit (GRU). Sebbene sia tradizionalmente utilizzato nell'elaborazione del linguaggio naturale, intendiamo sfruttarne il potenziale nell'analisi delle serie temporali finanziarie. Nella sezione delle conclusioni, consideriamo altri approcci, tra cui modelli ibridi come Transformer-CNN-Wavelet e R. Learning.

The thesis aims to implement various Machine Learning models in financial time-series, particularly in high-frequency trading, to forecast prices values or directionality. Despite noise and complexities in high-frequency data, innovative deep learning techniques may uncover patterns. The goal is to create robust models, analyze the results with metrics, and evaluate the forecasting performance. Chapter one reviews recent literature to establish a theoretical basis. Chapters two and three cover essential concepts, including methods, evaluation metrics, key ML models and basics of financial econometrics, time series, and high-frequency trading. In the fourth chapter, a Long Short-Term Memory (LSTM) architecture is implemented, addressing unconventional forecasts with multiple advance steps. This approach is contrasted with more traditional single-value forecasting using minute-level data. In the fifth chapter, the focus shifts to the use of convolutional neural networks (CNNs). By harnessing the power of CNNs, we aim to dissect temporal data into homogeneous subspaces, then convey them in visually interpretable images through the Gramian Angular Field (GAF) matrix. Through this method, our goal is to discern recurrent patterns, ultimately allowing us to predict future directional trends. Chapter six explores the suitability of the Transformer architecture for financial time series forecasting, comparing it with an autoregressive network, the Gated Recurred Unit (GRU) model. Although traditionally used in natural language processing, we aim to exploit its potential in financial time series analysis. In the conclusion section, we consider other approaches, including hybrid models like Transformer-CNN-Wavelet, and other innovative models as reinforcement learning techniques. These innovative approaches promise to improve predictive accuracy and reveal deeper insights into financial high frequency data forecasting.